First-Touch vs Last-Touch Атрибуция в Платной Рекламе: Какая Модель Искажает Ваш ROAS

Если ваши отчёты по ROAS в платной рекламе кажутся противоречивыми — разные каналы претендуют на одни и те же конверсии, бюджетные споры не заканчиваются, Meta и Google наперебой требуют больше кредита себе — корень почти всегда в выборе модели атрибуции. Отчётность по схеме атрибуция first touch vs last touch в рекламе — это два крайних полюса одного спектра, и оба искажают ваши цифры предсказуемо, но в противоположные стороны. В этом руководстве разберём, как каждая модель ложно отображает вашу воронку, какие сценарии каждая обрабатывает лучше и как командам, готовым выйти за пределы single-touch моделей, прийти к data-driven атрибуции.

Почему Атрибуция Важнее Самого ROAS

ROAS — это отношение: выручка, делённая на расход. Поменяйте модель атрибуции — и вы измените числитель «выручка» для каждого канала, не трогая фактический расход. Канал с ROAS 3,5× по last-touch может показать 1,8× по first-touch — та же реальная эффективность, отчитанная почти вдвое хуже. Выбор модели атрибуции способен запустить перераспределение бюджета на шестизначные суммы, основанное лишь на условности измерения.

Вот в чём ставки вопроса об атрибуции. Это не теория. По данным Nielsen Annual Marketing Report 2024, 65% маркетологов сообщили, что им сложно атрибутировать эффективность между каналами — и single-touch модели тому главная причина: они загоняют мультитач-путь в одно присвоение кредита, которое не устраивает никого.

First-Touch Атрибуция: Что Она Делает Правильно и Неправильно

First-touch атрибуция отдаёт кредит каналу, где клиент впервые взаимодействовал с вашим брендом. Конверсия случилась благодаря рекламе, создавшей осведомлённость, и эта реклама получает 100% кредита — независимо от всего, что произошло за недели или месяцы между первым кликом и итоговой покупкой.

Где first-touch полезна: для оценки того, какие каналы приводят новых клиентов в объёме, first-touch даёт чёткий сигнал. Если вы хотите знать, какой канал поставляет наибольшее число потенциальных покупателей, first-touch — правильная оптика. Она корректно выявляет prospecting-каналы как двигатель объёма на верху воронки.

Где first-touch искажает: first-touch атрибуция системно раздувает ROAS охватных каналов. Реклама prospecting в Meta, дотянувшаяся до клиента за шесть месяцев до конверсии, получает 100% кредита за выручку — даже если клиент потом двенадцать раз заходил на сайт через органический поиск и видел три ретаргетинговых объявления перед покупкой. Точка осведомлённости создала осведомлённость — она не закрыла продажу сама по себе.

Для DTC-брендов и дропшипперов с коротким циклом принятия решения (72 часа и меньше) first-touch — разумное упрощение, потому что между первым и последним контактом мало точек. Для B2B-рекламодателей, подписочных брендов или дорогих покупок с циклом 30+ дней first-touch дико завышает ROAS верха воронки и заставит вас переинвестировать в prospecting, недоинвестируя в точки прогрева и удержания, которые на самом деле закрывают выручку.

Last-Touch Атрибуция: Что Она Делает Правильно и Неправильно

Last-touch атрибуция отдаёт кредит последнему взаимодействию перед конверсией — почти всегда это брендовый поиск, прямой заход или ретаргетинговое объявление. Это модель по умолчанию в большинстве аналитических платформ, включая исторический дефолт Google Analytics, и она хорошо ложится на простой путь покупателя, где одно объявление ведёт к одной покупке.

Где last-touch полезна: для оптимизации стадии конверсии last-touch показывает, какие конкретно объявления и лендинги закрывают сделки эффективнее всего. Если вы хотите оптимизировать ретаргетинговый креатив или стратегию ставок на брендовый поиск, last-touch даёт прямой сигнал.

Где last-touch искажает: last-touch атрибуция катастрофична для оценки каналов генерации спроса. Каждая prospecting-кампания в Meta, каждый pre-roll на YouTube и каждый показ в медийке, познакомившие клиента с брендом, получают ноль кредита — несмотря на то, что клиент никогда не искал бы ваш бренд, если бы эти точки верха воронки не создали осведомлённость.

Практическое следствие: команды на last-touch стабильно недофинансируют верх воронки, потому что в данных эти каналы выглядят убыточными. Со временем объём брендового поиска, который они раньше генерировали, падает, и команда недоумевает, почему last-touch ROAS снижается — не связывая урезание prospecting-спенда с истощением того пайплайна, который брендовый поиск и конвертил.

Искажение ROAS на Практике

Чтобы сделать искажение наглядным, рассмотрим один путь клиента:

• День 1: клик по prospecting-объявлению в Meta → заход на сайт → не покупает
• День 8: видит ретаргетинговое объявление Meta → заход на сайт → не покупает
• День 15: ищет брендовый запрос в Google → клик по платному брендовому поиску → покупает на €200

При last-touch Google Ads получает 100% кредита за €200 выручки. Meta получает €0 за два рекламных контакта.

При first-touch Meta получает 100% кредита за €200 выручки (за prospecting-клик в День 1). Google получает €0, несмотря на то что закрыл продажу.

При data-driven атрибуции €200 распределяются между всеми тремя точками по их статистическому вкладу — например, Meta prospecting получает 35%, Meta ретаргетинг — 25%, а брендовый поиск Google — 40%.

Только data-driven модель приближается к реальному экономическому вкладу каждого канала. Обе single-touch модели дают цифры, которые приведут к неверному бюджетному решению как минимум по одному из трёх каналов в этом пути.

Разбор reported-roas-vs-true-roas-framework документирует этот разрыв детальнее — почему ROAS, который показывает ваш инструмент отчётности, и ROAS, который вы на самом деле генерируете, могут существенно расходиться лишь из-за выбора модели.

Linear, Time-Decay и Position-Based: Модели Золотой Середины

Между first-touch и last-touch существуют три модели середины, которые распределяют кредит между несколькими точками касания:

Линейная (linear) атрибуция распределяет кредит за конверсию поровну между всеми точками. Каждое взаимодействие в пути клиента получает одинаковую долю. В примере с тремя точками выше каждый канал получает 33%. Линейная модель проста и избегает однотонной предвзятости first- и last-touch, но переоценивает точки, которые на самом деле не повлияли на решение (показ баннера, который пользователь мог и не заметить).

Time-decay атрибуция даёт больше кредита точкам, более близким к конверсии, обесценивая ранние взаимодействия экспоненциально. В 30-дневном пути точка за 28 дней до конверсии получает долю кредита, отданного точке за 2 дня до неё. Time-decay подходит лучше чистого last-touch для длинных циклов принятия решения, потому что вознаграждает свежесть, не игнорируя полностью ранние точки осведомлённости.

Position-based (U-образная) атрибуция делит кредит между первой и последней точками, обычно по 40% каждой, распределяя оставшиеся 20% поровну между промежуточными взаимодействиями. Она признаёт, что и первая осведомлённость, и финальная конверсия значимы, при этом кредитуя точки середины воронки, которые поддержали путь.

Каждая из этих моделей вносит свои искажения. Правильный выбор зависит от структуры вашей воронки, типичной длины цикла принятия решения и того, на какой бизнес-вопрос вы пытаетесь ответить.

Data-Driven Атрибуция: Требования и Ограничения

Data-driven атрибуция (DDA) использует машинное обучение, чтобы анализировать ваши реальные пути конверсии и присваивать веса кредита по статистическому вкладу каждой точки в вероятность конверсии. Вместо фиксированного правила DDA учится на ваших данных.

DDA доступна нативно в Google Analytics 4 для подходящих ресурсов. Требования существенны: обычно 300+ конверсий в месяц на канал и достаточное разнообразие путей, чтобы модель выявила осмысленные паттерны. Для аккаунтов ниже этих порогов DDA откатывается к last-touch, что сводит на нет весь смысл.

Сдвиг от жёстких single-touch моделей уже идёт по всей индустрии. Gartner в 2024 году отмечал, что мультитач-атрибуция и marketing-mix моделирование вошли в число самых быстрорастущих приоритетов для перформанс-команд, ищущих кросс-канальную точность — это прямой ответ на проблему неверного распределения бюджета, которую first-touch и last-touch создают, когда воронка охватывает несколько платформ.

Ограничения DDA реальны. Это чёрный ящик — вы не можете проверить, почему конкретный канал получил конкретный вес кредита. Она чувствительна к получаемым данным: сломанная UTM-разметка или пробелы в данных о конверсиях дают ненадёжные веса. И она моделирует только точки касания в отслеживаемых каналах: она не может взвесить визит в офлайн-магазин, телефонный звонок или письмо рассылки, которое клиент прочитал, но не перешёл по нему.

Именно поэтому исправление качества данных на источнике — согласованные UTM, чистый нейминг кампаний, надёжный Conversions API — это предусловие для работы data-driven атрибуции, а не опциональное улучшение.

Как Выбрать Правильную Модель под Вашу Воронку

Фреймворк выбора модели атрибуции начинается с двух вопросов: насколько длинный у вас типичный цикл принятия решения? и сколько точек касания у типичного клиента до конверсии?

Для агентств, ведущих аккаунты по нескольким клиентам и воронкам, ответ будет разным по каждому клиенту — именно поэтому важен фреймворк cross-channel-ad-analytics-fragmented-reporting-fix: он строит слой отчётности, который показывает различия моделей атрибуции по каждому клиенту без ручной сверки по каждому аккаунту.

Как Wevion Помогает с Прозрачностью Атрибуции

Wevion помогает выстроить предусловие для работы любой модели атрибуции: чистые, согласованные данные на источнике. UTM Builder (конструктор UTM-меток) задаёт единую структуру разметки по всем кампаниям, чтобы аналитические платформы получали однородные входные данные. Интеграция Conversions API (CAPI) обеспечивает собственной атрибуции Meta полный серверный сигнал, а не опору только на браузерный пиксель, который ограничения iOS и браузеров постепенно деградируют.

Кросс-аккаунтная аналитика Wevion показывает эффективность по каждой кампании и каждому каналу, чтобы вы могли сравнить, на что претендует собственная отчётность каждой платформы, с тем, что показывает ваша аналитика — тот gap-анализ, который выявляет, где различия моделей создают неверное распределение бюджета. Функции помогают подготовить и показать это сравнение; решение о том, какой модели доверять для какого бюджетного выбора, остаётся за вашей командой.

Поскольку Wevion синхронизирует данные кампаний примерно раз в 15 минут, слой аналитики отражает почти текущую эффективность, а не вчерашние цифры — это важно, когда вы оцениваете различия эффективности на уровне моделей, которые смещаются вместе с оптимизацией кампаний.

Практический План Перехода: с Last-Touch на Мультитач

Если вы сейчас на чистом last-touch и хотите перейти к более точной модели, риск перехода управляем при подходе с параллельным прогоном:

Шаг 1 — Аудит согласованности UTM. Прежде чем менять модель, убедитесь, что ваши UTM-метки согласованны по всем платным каналам. Несогласованная разметка даёт мусорные входные данные для любой мультитач-модели. Руководство how-to-build-utm-tracking-system-paid-ads даёт чек-лист настройки.

Шаг 2 — Включите мультитач-модель параллельно. В GA4 активируйте data-driven атрибуцию (если подходите) или position-based как сравнительную модель. Гоняйте текущую и новую модель одновременно 4–6 недель, не меняя бюджетные решения по новой модели.

Шаг 3 — Оцифруйте смещение кредита. Определите, какие каналы выигрывают и теряют кредит при новой модели. Каналы, выигрывающие кредит при мультитаче, — это те, которые ваша текущая модель недофинансирует; теряющие кредит, вероятно, перефинансированы.

Шаг 4 — Делайте инкрементальные корректировки бюджета. Не перераспределяйте 30% бюджета за ночь из-за смены модели. Делайте сдвиги на 10–15%, дайте данным эффективности устаканиться за один-два отчётных цикла, затем корректируйте снова. Резкое перераспределение по новой модели до того, как она проверена на ваших реальных данных, — частая причина ненужного падения эффективности.

Подведём Итог

Спор first-touch vs last-touch атрибуция — не о том, какая модель верна: обе ошибаются предсказуемым образом. First-touch переоценивает осведомлённость и раздувает ROAS верха воронки. Last-touch переоценивает каналы стадии конверсии и прячет вклад генерации спроса. Цель — выбрать модель, чьи искажения дадут меньше всего неверных бюджетных решений именно для вашей воронки.

Для импульсных покупок с коротким циклом last-touch часто хватает. Для мультитач-воронок с циклом от 7 дней мультитач- или data-driven модель даст заметно лучшее распределение бюджета. В любом случае чистый трекинг на источнике — согласованные UTM, полный Conversions API — это предусловие для того, чтобы любая модель давала результат, которому можно доверять.

Запустите 14-дневный пробный период Wevion — или останьтесь на бессрочном бесплатном плане — и постройте фундамент данных, который делает вашу модель атрибуции инструментом, а не источником путаницы.

Это руководство — часть нашего хаба обучения экосистеме; изучите весь кластер, чтобы найти связанные плейбуки.