Прежде чем совершить целевое действие, клиент взаимодействует с несколькими каналами: например, поисковой рекламой, объявлениями в соцсетях, email-рассылкой. Считать эффективным только последний канал в этой цепочке не всегда верно — другие тоже могли повлиять на решение клиента. В статье разберем, как справедливо оценивать вклад каналов с помощью ассоциированных конверсий.
13 января 2026
Как анализировать маркетинговые каналы с помощью ассоциированных конверсий
Как анализировать маркетинговые каналы с помощью ассоциированных конверсий
Если канал не приносит конверсий или их мало, кажется, что он не работает и пора его отключить. Но в реальности все сложнее. Клиент редко покупает с первого касания: увидел баннер, почитал статью, через пару дней вбил название бренда в поиск и только потом оформил заказ. Если учитывать вклад в продажу только последнего канала, реклама и контент кажутся бесполезными. На деле именно они вызвали интерес и повлияли на решение о покупке.
Когда маркетолог игнорирует промежуточные касания, он рискует урезать бюджеты там, где канал делает свою работу. Чтобы избежать таких ошибок, используют многоканальные последовательности и ассоциированные конверсии.
Вместе с бывшим старшим маркетологом Mindbox Петром Ермаковым разберем, как выстроить аналитику с этими инструментами. Статья будет полезна компаниям в B2B и с долгим циклом сделки.
Содержание:
Что такое многоканальные последовательности
Многоканальная последовательность, или user journey или multi-channel funnel (MCF), — это история взаимодействия пользователя с брендом от первого клика до целевого действия — подписки, покупки, установки приложения.
Например, до покупки пользователь искал сайт компании в поисковом сервисе, читал email-рассылки от бренда, видел рекламу в соцсетях. Эта цепочка и есть многоканальная последовательность. В Google Analytics она строится автоматически: система фиксирует источники трафика, из которых пользователь переходил к цели.
Когда виден путь пользователя целиком, становится ясно, какие каналы завершают продажу, а какие подталкивают к ней клиента на более ранних этапах воронки. Например, реклама и email-рассылки могут почти не давать прямых заказов, но стабильно ведут людей к покупке.
Например, до покупки пользователь искал сайт компании в поисковом сервисе, читал email-рассылки от бренда, видел рекламу в соцсетях. Эта цепочка и есть многоканальная последовательность. В Google Analytics она строится автоматически: система фиксирует источники трафика, из которых пользователь переходил к цели.
Когда виден путь пользователя целиком, становится ясно, какие каналы завершают продажу, а какие подталкивают к ней клиента на более ранних этапах воронки. Например, реклама и email-рассылки могут почти не давать прямых заказов, но стабильно ведут людей к покупке.
Что такое ассоциированные конверсии и чем они полезны бизнесу
Разберем на примере. Человек увидел рекламу в соцсети, потом зашел на сайт
через поиск, подписался на рассылку, перешел из письма на сайт и купил товар. Последний шаг будет считаться прямой конверсией, и в отчете по last click продажу присвоят email-каналу. Но другие каналы, с которыми пользователь взаимодействовал, тоже могли повлиять на его решение. Такие касания перед прямой конверсией называют ассоциированными конверсиями.
через поиск, подписался на рассылку, перешел из письма на сайт и купил товар. Последний шаг будет считаться прямой конверсией, и в отчете по last click продажу присвоят email-каналу. Но другие каналы, с которыми пользователь взаимодействовал, тоже могли повлиять на его решение. Такие касания перед прямой конверсией называют ассоциированными конверсиями.
Покупку атрибутируют к email, но без двух других каналов пользователь не совершил бы целевого действия
Контент, соцсети, медийная реклама, CRM, которые стабильно дают ассоциированные конверсии, формируют спрос и помогают другим каналам закрывать сделки. Для бизнеса с длинным циклом продаж, например в недвижимости и B2B, это особенно важно. Люди неделями могут ходить по разным площадкам, прежде чем решатся на покупку. Если оценивать эффективность каналов только по прямым конверсиям и отключить те, которые их не приносят, продажи в целом могут упасть.
Автохолдинг «Максимум» долго оценивал эффективность CRM-канала только по прямым конверсиям — переходам по ссылке из письма или звонкам по номеру из SMS. Из-за этого вклад канала считали неочевидным. Чтобы увидеть влияние рассылок полностью, команда построила отчет по ассоциированным конверсиям. Они определили окно атрибуции — 30 дней, в течение которых действия клиента можно связать с полученной рассылкой. Данные о коммуникациях и визитах выгрузили в Power BI, проанализировали и сделали вывод: даже если человек не кликнул на ссылку, рассылка могла подтолкнуть его к покупке. Этот отчет помог пересмотреть оценку роли CRM-маркетинга и увеличить на него бюджет.
Не бывает так, что только реклама, поиск или рассылка делает всю работу. Сильная стратегия строится на связках каналов и анализе ассоциированных конверсий. Если разобраться, какие пары лучше работают, можно снизить стоимость привлечения лида или покупателя.
Например, продуктовый поиск дорогой — клик может стоить 150 рублей. Но если подключить РСЯ, где пользователь видит баннер за 30–40 рублей, то в среднем CPL снижается почти вдвое.
Можно усилить стратегию. Пользователь кликает по поисковой рекламе «летние платья», видит подборку конкретных моделей, а позже сам вбивает в поиск их названия — допустим, «платье Флора». Так бренд наращивает знание о себе и начинает выигрывать по узким запросам, где конкуренции почти нет. К этой цепочке можно добавить CRM-каналы — блоки с рекомендациями товаров на сайте, которые ведут к более маржинальной позиции и мотивируют на повторные покупки. В итоге в покупке участвуют четыре канала, а платим мы только за два — поиск и баннер.
Какие модели атрибуции использовать для ассоциированных конверсий
Если компания хочет повысить эффективность верхнего уровня воронки или, наоборот, сосредоточена на быстрых продажах, подойдут простые модели атрибуции:
- First click. В этом случае конверсия атрибутируется к первому каналу, с которым взаимодействовал пользователь. Например, он увидел рекламу в соцсетях, зашел на сайт, но ничего не купил. После искал товар в интернете, видел рекламу у блогеров, и в итоге оформил заказ на сайте. Конверсию отнесут к рекламе в соцсетях — благодаря ей покупатель узнал о бренде.
- Last click. Результат атрибутируют к последнему каналу, после которого случилась конверсия. Например, если пользователь узнал о распродаже в соцсетях, но купил товар после пуша в мобильном приложении — покупку отнесут к этой рассылке.
Но когда цикл сделки длится неделями или у продукта есть пробный период, отдавать весь успех одному касанию некорректно. Поэтому для анализа ассоциированных конверсий нужны более точные модели атрибуции.
Модели на основе правил
Линейная. Линейная атрибуция равномерно распределяет вклад между всеми каналами. Она отражает логику длинных и многошаговых циклов, где клиент «греется» на разных этапах пути. Но у модели есть ограничение: чем длиннее цепочка, тем менее очевидно участие канала. Если путь состоит из десятков касаний, вклад каждого канала становится слишком мал, и модель уже не помогает принимать бюджетные решения.
Позиционная (U-образная). Основной вес распределяется между первым и последним касанием (обычно по 40%), оставшиеся отдают промежуточным шагам. Модель используют для оценки скидочных или промокампаний, где нужно и вовлечь, и подтолкнуть к покупке. Например, в фэшн-бизнесе, где важно, как покупатель узнал и бренде и что подтолкнуло его к покупке. При этом промежуточные шаги могут влиять на решение клиента не меньше других — в этом недостаток модели.
По давности взаимодействия (time decay). Более ранним касаниям придают меньший вес, более поздним — бо́льший. Подходит для оценки каскадов,
где стоимость привлечения клиента растет от канала к каналу. Другой пример — привлечение клиентов через вебинары. Замотивировать зарегистрироваться на вебинар недорого — для этого подойдут, например, соцсети. Но чтобы прогревать участников, понадобится более дорогой ремаркетинг c помощью рекламы с оплатой за клик или WhatsApp-рассылок. Модель присвоит бо́льшую ценность именно этим дорогим, но высококонверсионным каналам.
где стоимость привлечения клиента растет от канала к каналу. Другой пример — привлечение клиентов через вебинары. Замотивировать зарегистрироваться на вебинар недорого — для этого подойдут, например, соцсети. Но чтобы прогревать участников, понадобится более дорогой ремаркетинг c помощью рекламы с оплатой за клик или WhatsApp-рассылок. Модель присвоит бо́льшую ценность именно этим дорогим, но высококонверсионным каналам.
Алгоритмические модели
Data-driven модель используется в Google Analytics. Система сама анализирует статистику переходов и определяет вклад каждого канала. Модель использует вектор Шепли — принцип из теории игр: если несколько игроков (каналов) вместе приносят результат, то прибыль распределяется пропорционально вкладу каждого. То есть система смотрит, насколько каждый канал увеличил вероятность конверсии, если его добавить к остальным. При этом порядок каналов на пути пользователя не влияет на расчеты.
Модель рассчитала вклад медийной рекламы: вероятность покупки с ее участием увеличится с 2% до 3%
Для бизнеса это удобно: не нужно вручную строить модели, а результат учитывает реальные данные. Но есть и недостаток. Когда данных много, Google Analytics использует семплирование, чтобы быстрее строить отчеты. Например, сайт маркетплейса в день посещает 200 тысяч человек. Google Analytics берет данные только по 25%, рассчитывает показатели, а затем пропорционально их экстраполирует до 100%. Это может привести к погрешностям. Решить проблему можно двумя способами:
- Купить дорогую версию Google Analytics 360 за 50 тысяч долларов в год.
- Выгрузить сырые данные из Google Analytics и самостоятельно их анализировать.
Модель на основе цепей Маркова помогает ответить на вопрос, что будет с конверсиями, если убрать один из каналов.
Марковская модель рассматривает путь пользователя как последовательность шагов — переходов между каналами. Например, пользователь сначала кликает на рекламу в поиске, потом видит баннер, а потом открывает письмо и покупает.
Если представить ситуацию упрощенно и допустить, что у нас всего три канала, можно изобразить их вершинами треугольника. Модель анализирует, насколько часто пользователи двигаются по «ребрам» между вершинами — от поиска к email, от email к VK. Другими словами — как часто комбинация каналов встречается на пути к конверсии.
Марковская модель рассматривает путь пользователя как последовательность шагов — переходов между каналами. Например, пользователь сначала кликает на рекламу в поиске, потом видит баннер, а потом открывает письмо и покупает.
Если представить ситуацию упрощенно и допустить, что у нас всего три канала, можно изобразить их вершинами треугольника. Модель анализирует, насколько часто пользователи двигаются по «ребрам» между вершинами — от поиска к email, от email к VK. Другими словами — как часто комбинация каналов встречается на пути к конверсии.
Комбинация «реклама в VK + поиск» встречается чаще всего, и вероятность перехода из рекламы в поиск самая высокая
Кроме того, на основе сырых данных модель рассчитывает вероятности переходов: с какого канала человек чаще переходит на другой, завершает покупку
или уходит.
или уходит.
Затем модель по очереди убирает один канал и пересчитывает, сколько конверсий осталось без его участия. Эта разница показывает важность канала в воронке. Например, если без email конверсий стало заметно меньше, его вклад высок. Дальше модель определяет вклад в абсолютную конверсию — реальное событие, например, покупку. Каждую такую покупку система делит на доли и распределяет их между каналами, которые участвовали в пути клиента. Например, email получит 0,5 от одной покупки, поиск — 0,3, а VK — 0,2. Этот же подход можно использовать и в деньгах — тогда доли распределяются не от покупки, а от ее стоимости.
Цепи Маркова подойдут, если у компании есть пути длиной больше двух касаний и доступ к сырым данным из аналитических систем. Их можно построить в Python
или через BI-инструменты, выгрузив данные из «Яндекс Метрики» или Google Analytics.
или через BI-инструменты, выгрузив данные из «Яндекс Метрики» или Google Analytics.
Чтобы модель заработала, агрегированных отчетов недостаточно. Нужен доступ к сырым данным Google Analytics или «Яндекс Метрики». Также важно разработать словарь разметки — набор правил, которые помогут модели связать действия пользователя с каналами. Кроме того, алгоритмические модели требуют мощной инфраструктуры — серверов и хранилищ данных. Без нее алгоритмы просто не смогут быстро и безопасно обрабатывать большие объемы информации.
Главная боль — визуализация. Когда расчеты готовы, результат часто сводится к таблице, которую маркетолог должен верно интерпретировать.
Модель на основе логистической регрессии в отличие от цепей Маркова не учитывает последовательность переходов из канала в канал и не может работать с потоковыми данными в реальном времени. Модель обучается на историческом массиве данных, чтобы выявить закономерности: участие каких каналов в цепочке чаще приводят к целевому действию.
Как работает модель:
- Получает данные в виде таблицы с историей действий пользователей: кто из каких каналов пришел, сколько раз, закончилось ли это покупкой. Каждый клиент — это строка, а каждый канал — это колонка. Если клиент видел или кликал по каналу, ему присваивается — 1, если нет — 0. Дальше модель будет одновременно анализировать пути всех пользователей.
Клиент
Баннер
Email
Поиск
Купил
1
1
0
1
1
2
0
1
0
0
3
1
1
0
1
4
0
1
1
0
5
1
1
1
1
- Отбрасывает очевидное. Если канал встречается и у тех, кто купил, и у тех, кто нет, — модель присваивает ему низкий вес. Он работает как фон: присутствует часто, но не объясняет, почему пользователь совершил целевое действие.
- Ищет решающий фактор. Оценивает, как меняется вероятность покупки
при наличии каждого канала. Тот, который встречается у покупателей чаще,
чем у непокупателей, повышает шансы на конверсию и получает высокий вес. Например, email приводит к покупке в 60% случаев, модель оценит его вклад выше других каналов. Это значит, что бюджет можно перераспределить в пользу email.
Если два канала почти всегда встречаются вместе в одной цепочке, модель не может точно разделить их вклад. В этом случае веса будут распределены некорректно. Чтобы решить проблему, нужно разорвать корреляцию. Например, можно провести АВ-тесты: для одной группы клиентов отключить email, а для другой — ретаргетинг. Это поможет увидеть независимый вклад каждого канала.
Модель
В чем суть
Для каких задач подходит
Минусы
Что нужно для настройки
Линейная
Делит вклад поровну между всеми каналами, участвовавшими в пути к покупке
Увидеть общую картину и не обесценивать «греющие» каналы.
Подходит для бизнеса с длинным циклом сделки, когда важно поддерживать связь без привязки к этапу воронки
Подходит для бизнеса с длинным циклом сделки, когда важно поддерживать связь без привязки к этапу воронки
Не различает силу касаний: первый баннер и последнее письмо получают одинаковый вес
Настраивается в Google Analytics 4
или рассчитывается вручную в BI или Excel
или рассчитывается вручную в BI или Excel
U-образная (позиционная)
40% получает первый канал, 40% — последний, оставшиеся 20% делятся между остальными
Понять, какая реклама привлекла внимание к новому продукту и какой канал замотивировал купить
Переоценивает крайние точки и занижает роль промежуточных каналов
Доступна в Google Analytics 4; можно задать в BI-системе
Time Decay
Чем ближе касание к покупке,
тем больший вес оно получает
тем больший вес оно получает
Для продуктов с коротким циклом продаж,
где решающее влияние — в финальных шагах (акции, ремаркетинг)
где решающее влияние — в финальных шагах (акции, ремаркетинг)
Недооценивает первые точки контакта
Доступна в Google Analytics 4; можно задать вручную в BI-системе через функцию времени до конверсии
Цепи Маркова
Анализирует последовательность шагов, убирает каждый канал по очереди и смотрит, как падает вероятность покупки. Вес равен потере конверсий без этого канала
Определить канал, который запускает или поддерживает движение пользователя по воронке. Например,
без ролика в VK пользователя не заинтересовал бы новый продукт, и он и не стал бы искать о нем информацию
без ролика в VK пользователя не заинтересовал бы новый продукт, и он и не стал бы искать о нем информацию
Сложная в расчете, требует опытного аналитика
Строится вручную в Python, R или с помощью BI-инструментов
Регрессионная
Анализирует пути всех пользователей одновременно и ищет признаки, которые отличают покупателей от непокупателей
Выявить, какие каналы приводят лидов, которые статистически чаще становятся клиентами
Сложная в расчете, требует опытного аналитика
Строится вручную в Python, R
или с помощью BI-инструментов
или с помощью BI-инструментов
Data-driven
Распределяет вклад по аналогии с вектором Шепли: какой канал сколько внес в общий результат
Универсальное решение для Google Analytics 4 и крупных систем: честно распределяет вклад всех каналов без ручной настройки
Не всегда понятно,
как именно распределяются веса
как именно распределяются веса
Встроена в Google Analytics 4
Как анализировать ассоциированные конверсии с помощью «Яндекс Метрики» и Google Analytics 4
В Google Analytics 4 отдельного отчета по ассоциированным конверсиям больше нет. Вместо него Google предлагает инструмент «Анализ модели атрибуции» (Model comparison), который позволяет сравнивать, как распределяются конверсии между каналами в разных моделях.
Google Analytics 4 берет все пользовательские пути (например, реклама → поиск → прямой заход → покупка) и определяет, кому засчитать конверсию, в зависимости от выбранной модели:
- В last click все достается последнему касанию.
- В data-driven конверсии делятся между каналами пропорционально их влиянию (по данным вашей статистики).
- В position-based больше веса получает первый и последний канал.
Сравнивая результаты в разных моделях, маркетолог видит, какие источники подталкивают пользователя к покупке, а какие финально мотивируют. В отчете по data-driven модели цвет помогает быстро считать информацию: чем темнее оттенок, тем сильнее влияние канала; чем светлее — тем слабее. Белый цвет и прочерк (–) означают, что канал не участвовал в этом этапе вовсе.
Из отчета видно, что медийная реклама (Display) вызывает интерес в начале пути, а поисковая — больше мотивирует на покупку. Источник
В «Яндекс Метрике» тоже нет отдельного отчета по ассоциированным конверсиям — можно только посмотреть, сколько целевых действий принес каждый канал. Для этого нужно перейти в раздел «Отчеты» → «Стандартные отчеты» → «Источники» → «Источники, сводка». Затем задать целевую метрику и период, например возвращение к корзине за последний месяц. В отчете отобразится сводка по каналам, из которых пользователи переходили на сайт.
Пример отчета по целевой метрике «Корзина». Источник
Встроенные отчеты всегда показывают усредненную картину. Если нужно понять, как пользователи приходят к покупке, нужно выгружать данные из систем и вручную анализировать.
В «Яндекс Метрике», например, через Logs API и Click House выгружают историю визитов пользователей и формируют цепочки касаний: все визиты пользователя от первого до покупки.
Далее из каждой цепочки исключают последний источник, который «закрыл» продажу. Остальные каналы в цепочке получают по одной ассоциированной конверсии — это значит, что они повлияли на результат,
но не стали финальным касанием. Потом эти данные загружают, обрабатывают в power BI и получают таблицу: сколько раз каждый канал
участвовал в цепочках.
но не стали финальным касанием. Потом эти данные загружают, обрабатывают в power BI и получают таблицу: сколько раз каждый канал
участвовал в цепочках.
Данные из Google Analytics 4 можно импортировать в сервис BigQuery, сгруппировать события по пользователям и сессиям и убрать последнее касание. На выходе получается таблица с влиянием каналов на решение о покупке.
Что учесть в работе с ассоциированными конверсиями
- Настраивать сквозную разметку. Например, баннер, попап и рассылка, которые продвигают осенние ботинки, должны содержать один и тот же тег — autumn_shoes. Если какие-то каналы пометить как boots_fall, аналитика покажет набор кликов вместо единого пути клиента. Метки можно генерировать динамически: название товара будет меняться на ключевое слово, которое вызвало клик. Пользователи редко двигаются по «учебному» сценарию. Например, если они пришли за ботинками, то необязательно их купят. Возможно, даже переключатся на другие товары и в итоге купят куртку. Динамическое наименование поможет адаптировать коммуникации под поведение пользователя. Например, вместо того, чтобы продолжать показывать баннер с ботинками, сменить его на рекламу куртки.
Отслеживать ассоциированные конверсии, только если корректно настроена веб-аналитика: на сайте сгруппированы и размечены каналы, отсеян фрод-трафик, заведены цели. Все это — базовый минимум
для малого и среднего бизнеса. Для компаний, который хотят более глубоко понимать движение трафика через каналы к покупке, нужна сквозная аналитика — она тоже начинается с корректной веб-аналитики.
для малого и среднего бизнеса. Для компаний, который хотят более глубоко понимать движение трафика через каналы к покупке, нужна сквозная аналитика — она тоже начинается с корректной веб-аналитики.
- В CJМ для малого и крупного B2B опираться на конверсию, а не представление о том, каким должен быть путь пользователя.
B В2В из-за длинного цикла сделки у нас может быть не одна ассоциированная конверсия, а цепочка действий, которые показывают движение клиента по воронке. Например, первая конверсия — человек оставил контакт. Вторая — прочитал письма из welcome-цепочки. Третья — купил или продлил подписку. Для каждой из этих точек нужна своя микроворонка и своя логика каналов.
Ассоциированной конверсией может быть и рост метрик вроде DAU и WAU. Если пользователь перестает заходить в сервис на пробном периоде, значит, падает активность, и это тревожный сигнал. Email-рассылки могут не спасти ситуацию — тогда нужно идти туда, где пользователь вероятнее заметит коммуникацию: Telegram или WhatsApp.
Оптимизация на конверсию помогает сместить фокус с охватов, на количество пользователей, которые сделали следующий шаг.
- В крупном B2B — ориентироваться на финансовое планирование клиента. Допустим, что целевая аудитория компании — крупные корпоративные клиенты, у которых стоимость контракта — сотни тысяч рублей в месяц. В этом случае маркетинг перестает фокусироваться на массовом сборе кликов и регистраций. Гораздо важнее попасть в финансовое планирование клиента. Поэтому здесь стоит использовать подход account-based attribution.
Ключевые принципы account-based attribution:
— Точечная фокусировка и персонализация. Маркетинг и продажи совместно выбирают небольшой список ключевых компаний и создаютдля них персонализированные предложения.
— Все маркетинговые усилия (контент, мероприятия, реклама) направлены на то, чтобы изучить клиента и его потребности.
— Эффективность канала в том, насколько он изменил профиль клиента и ускорил продаж.
Например, после ивентов можно отправить клиентам материалы, короткие исследования, но перед получением контента попросить ответить на пару вопросов: о размере бизнеса, планах по автоматизации процессов. Эту информацию можно использовать, чтобы перевести клиента на следующий этап воронки — предложить продукт, который решит задачи по автоматизации, и согласовать звонок с менеджером по продажам.
Так маркетинг становится инструментом для обогащения данных о клиенте и ускорения цикла сделки.
- Для аналитики в мобильных приложениях: вместо идеальной атрибуции стремиться к осмысленной.
Начиная с iOS 14.5 и Android 12, правила конфиденциальности ужесточились. Например, Apple ввела систему AppTrackingTransparency (ATT): пользователи могут запретить приложению отслеживать их действия на других ресурсах. Это усложняет структуру атрибуции трафика — рекламные платформы и аналитические системы могут получить меньше данных о поведении пользователя. Даже если использовать мощные инструменты вроде AppsFlyer, часть событий просто не попадет в аналитику.
Задача маркетолога — выстроить достоверную, пусть и неполную, историю взаимодействия пользователя с брендом и извлечь из нее смысл.
Начните с анализа качества данных. В отчетах AppsFlyer часть данных о событиях приходит из надежных источников, часть — из каналов с ограниченной атрибуцией. Не объединяйте все в одну таблицу: создайте уровни доверия к данным, чтобы понимать, где вы видите реальность, а где — только ее тень. Дальше настройте цепочки касаний — user journey. Пусть они не идеальны, но даже фрагменты показывают закономерности: какие каналы чаще открывают путь пользователя, а какие мотивируют оформить заказ.
Отдельно подумайте о моменте идентификации. Чем раньше пользователь получит ID, тем проще соединить данные о его поведении в приложении, вебе и CRM. Для этого стоит искать решения сквозной авторизации между устройствами и строить собственное хранилище клиентских данных. Так можно выстроить кросс-девайсную аналитику и точнее понимать вклад каждого канала.
Не стоит засорять аналитику событиями ради галочки. Отслеживайте только те действия, которые действительно отражают ценность: регистрация, добавление в корзину, покупка, возврат. Это сэкономит бюджет и повысит точность.
