Моделирование атрибуции по цепям Маркова: полное руководство

Моделирование атрибуции по цепям Маркова — это продвинутый аналитический метод, который оценивает вклад каждого маркетингового канала в конверсию с учётом последовательности касаний. В отличие от Last Click или First Click, он учитывает все переходы между каналами и рассчитывает Removal Effect — потерю конверсий при удалении канала. Это позволяет перераспределять бюджет на каналы-ассистенты и повышать общую эффективность маркетинга.

Почему традиционные модели атрибуции искажают картину

Большинство компаний до сих пор опирается на простые модели атрибуции: Last Click, First Click или линейное распределение. Они просты в настройке и понятны руководству, но дают систематически неверную картину. Когда вы смотрите только на последнее касание, вы обесцениваете всю работу, которая привела пользователя к этому клику. А когда считаете все касания равными, вы не видите, какие из них реально двигают к покупке.

На практике это означает, что вы льёте деньги в каналы, которые лишь завершают продажу, и не замечаете каналы, которые её создают. Особенно это критично для бизнеса с длинным циклом сделки: B2B, сложных услуг, дорогих товаров. Пока покупатель «созревает» неделями, он успевает побывать в десятке каналов, и ни один из них нельзя вычёркивать из воронки.

Масштаб проблемы подтверждают данные: в России доля многоканальных путей к конверсии превышает 78% (данные Яндекс Метрики). По оценкам аналитиков Mail.ru Group, 63% рекламных кампаний в B2B-секторе теряют до 40% эффективности из-за неверной атрибуции. Это не теория, а реальные убытки, которые можно предотвратить.

Что скрывает последнее касание

Last Click — самая популярная модель, потому что её легко реализовать в любой системе аналитики. Она отдаёт 100% ценности конверсии последнему клику перед покупкой. Но именно здесь кроется главная ловушка.

Представьте путь клиента: он узнал о вас из статьи в блоге, через неделю кликнул на рекламу в поиске, потом прочитал отзывы и только через месяц вернулся по брендовому запросу. По модели Last Click весь бюджет припишется брендовой рекламе. А контент, поиск и отзывы останутся без внимания. Вы решите, что брендовая реклама «работает», и сократите бюджет на контент. Через пару месяцев брендовых запросов станет меньше, потому что о вас перестанут узнавать.

Кроме того, Last Click уязвима к фроду: например, куки-стаффинг позволяет каналу искусственно подменять последнее касание и забирать не принадлежащие ему конверсии.

Когда First Click и линейные модели не работают

First Click противоположна Last Click: вся ценность отдаётся первому касанию. Она полезна, если вы оцениваете верх воронки — например, эффективность медийной рекламы или контент-маркетинга. Но она полностью игнорирует закрывающие касания. Вы не поймёте, какой канал в итоге «дожал» клиента.

Линейная модель распределяет ценность равномерно между всеми касаниями. Это лучше, чем одна точка, но тоже далеко от реальности. Представьте, что пользователь 10 раз увидел рекламу в ретаргетинге и один раз прочитал вашу статью. По линейной модели эти касания равны, хотя ретаргетинг, скорее всего, был лишь напоминанием, а статья — источником доверия.

Как одноканальные подходы ведут к потере бюджета

Главная опасность одноканальных моделей — ложные выводы и, как следствие, неверное распределение рекламного бюджета. Вы начинаете «кормить» каналы, которые забирают кредит за чужие заслуги, и «засушиваете» каналы, которые реально создают спрос.

По моему опыту, компании теряют на этом от 20% до 40% маркетингового бюджета. Особенно больно это бьёт по бизнесу с высокой конкуренцией, где каждый процент эффективности рекламы важен. Когда вы не понимаете истинную роль канала, вы принимаете решения на основе искажённых данных, а не фактов.

Максим Волков

Бизнес-аналитик

Что такое цепи Маркова и как они работают в маркетинге

Цепь Маркова — это математическая модель последовательности событий, где вероятность каждого следующего события зависит только от текущего состояния. В маркетинге состояниями являются каналы взаимодействия с пользователем, а переходами — движения между этими каналами.

Моделирование атрибуции по цепям Маркова использует эту логику для расчёта вероятности конверсии после каждого касания. Вместо того чтобы просто смотреть на последний клик, алгоритм анализирует все возможные пути пользователя и определяет, насколько каждый канал увеличивает шанс финального перехода.

Базовые принципы

Представьте, что у вас три канала: контекстная реклама, SEO и email-рассылка. Пользователь может прийти на сайт из любого канала, перейти в другой канал и так далее. Цепь Маркова строит граф, где каждый узел — это канал, а рёбра — вероятности переходов.

Ключевое свойство цепи Маркова — «отсутствие памяти»: вероятность следующего шага зависит только от текущего состояния, а не от всей предыдущей истории. В маркетинге это упрощение работает на удивление хорошо, потому что решение пользователя перейти из одного канала в другой обычно определяется его текущим намерением, а не тем, как он попал в этот канал.

Построение графа переходов пользователя

Чтобы построить граф, нужно собрать данные о всех сессиях пользователя до конверсии. Каждое касание становится состоянием, а переходы между касаниями — рёбрами графа. Для каждого перехода считается вероятность: сколько раз пользователи перешли из канала A в канал B, делённое на общее число выходов из канала A.

Также добавляются два особых состояния: «старт» и «конверсия». Из «старта» пользователи входят в первый канал, а из любого канала могут перейти в конверсию или уйти в никуда (это состояние называется «провал»). В результате получается матрица переходов, которая полностью описывает поведение аудитории.

Removal Effect: оценка истинного вклада канала

Removal Effect (эффект удаления) — центральный показатель модели Маркова. Его суть: удалите канал из графа (то есть все переходы через него) и посмотрите, сколько конверсий вы потеряете. Чем больше потеря, тем выше реальный вклад канала.

Формально Removal Effect для канала i рассчитывается по формуле:

RE(i) = 1 − (conv_rate_without_i / conv_rate_baseline)

где conv_rate_baseline — общая вероятность конверсии при полном графе, а conv_rate_without_i — вероятность после удаления канала. Нормированный RE по всем каналам даёт итоговую атрибуцию.

Например, если после удаления email-рассылки конверсии падают на 30%, значит, эта рассылка важна, даже если по Last Click она почти не даёт прямых продаж. Removal Effect показывает не прямые переходы, а системное влияние канала на всю воронку. Это и есть честная атрибуция.

Научные работы Shao & Li (KDD 2011) и Anderl, Becker, von Wangenheim & Schumann (IJRM, 2016) на промышленных датасетах подтвердили: Last Click систематически недооценивает медийную рекламу, PPC-каналы среднего funel и email. Авторы также рекомендовали использовать цепи третьего порядка как практический оптимум — учёт двух предыдущих касаний даёт почти всю точность без взрывного роста сложности.

Преимущества моделирования по цепям Маркова для бизнеса

Метод цепей Маркова даёт то, чего не дают простые модели — объективную оценку вклада каждого канала с учётом его роли в пути клиента. Это практический инструмент для перераспределения бюджета и роста маржинальности.

Один из наших клиентов, интернет-магазин электроники, долгое время использовал модель Last Click. По её данным, email-рассылки выглядели почти бесполезными, и бюджет на них сокращали каждый квартал. После внедрения модели Маркова выяснилось, что рассылки влияют на 23% (Блог) всех конверсий, просто через цепочку других каналов. Перераспределив бюджет, компания снизила стоимость привлечения на 17% (Оплата) за два месяца.

Как выявить каналы-ассистенты

Каналы-ассистенты — это те, которые не приводят к прямому клику на покупку, но подготавливают аудиторию. Классический пример — нативная реклама или лид-магниты. По модели Last Click они получают ноль, хотя без них конверсий было бы значительно меньше.

Модель Маркова позволяет увидеть таких «невидимых помощников»: в графе они имеют низкие прямые переходы в конверсию, но высокий Removal Effect. Вы можете выявить их и начать осознанно инвестировать в них, а не сокращать при первом же отчёте.

Начать искать ассистентов можно ещё до построения цепей Маркова: в Google Analytics 4 и Яндекс.Метрике есть отчёты по ассоциированным конверсиям и многоканальным последовательностям. Они показывают касания, которые предшествовали прямому конверсионному переходу, но не стали последними. Если у канала много ассоциированных конверсий, он активно участвует в пути клиента — и это первый сигнал, что его вклад стоит пересчитать через Removal Effect.

Куда направить инвестиции

С практической точки зрения главное преимущество — приоритизация каналов по фактическому влиянию. Вы получаете список каналов с их Removal Effect и можете сравнивать его с затратами. Канал с низким эффектом и высокими расходами — кандидат на сокращение. Канал с высоким эффектом и скромным бюджетом — кандидат на усиление.

По нашему опыту, компании, которые внедряют такую атрибуцию, обычно перераспределяют от 10% до 30% бюджета между каналами уже в первые месяцы анализа.

Максим Волков

Бизнес-аналитик

Прогнозирование стратегий

Цепи Маркова позволяют не только анализировать прошлое, но и моделировать сценарии. Что будет, если вы увеличите бюджет на SEO на 20%? Что будет, если отключите ретаргетинг? Можно «перестроить» граф с новыми вероятностями и посмотреть, как изменится общее число конверсий.

Это делает модель Маркова удобным инструментом для стратегического планирования. Вы можете протестировать несколько гипотез до того, как вложите реальные деньги, и выбрать сценарий с наибольшей ожидаемой отдачей.

Когда цепи Маркова приносят максимальную пользу

Не каждому бизнесу нужна такая сложная модель. Если у вас два канала и короткий цикл сделки, простая модель справится не хуже. Но есть ситуации, где моделирование атрибуции по цепям Маркова окупается в разы.

Сложные мультиканальные пути: B2B и e-commerce

В B2B цикл сделки может длиться месяцы, а количество касаний — десятки. Каждый клиент взаимодействует и с контентом, и с вебинарами, и с менеджерами. Без модели Маркова вы не поймёте, какой канал запускает процесс, а какой — закрывает сделку.

В e-commerce с высокой частотой повторных покупок цепи Маркова тоже полезны, особенно при работе с программами лояльности, push-уведомлениями и email-маркетингом. Они показывают, как эти «пост-продажные» касания влияют на повторные покупки. Атрибуцию по цепям Маркова можно строить не только на конверсию, но и на CLTV (пожизненную ценность клиента): тогда модель оценивает вклад каналов в повторные покупки и суммарную выручку, а не только в первичное целевое действие. Это особенно важно для подписочных сервисов и товаров с регулярным потреблением.

Цепи Маркова полезны не только для каналов, но и для моделирования шагов внутри воронки: состояний «просмотр товара», «добавление в корзину», «покупка». Это позволяет прогнозировать вероятность конверсии на основе действий пользователя на сайте, а не только источников трафика.

Неочевидная роль медийной рекламы и SEO

Медийная реклама и SEO часто недооцениваются из-за низкого прямого CTR. По модели Last Click они получают копейки. Но именно они создают верх воронки и формируют брендовое узнавание. Модель Маркова показывает их настоящий вклад через пути, которые начинаются с показа баннера и заканчиваются конверсией через несколько дней.

Характерный пример из практики: медийная реклама получала лишь 8% по Last Click, но по цепям Маркова её вклад составлял 19% — в 2,3 раза выше, потому что она запускала цепочки, конвертирующиеся через другие каналы.

SEO в этом смысле особенно интересно: оно даёт «фоновое» присутствие, к которому возвращаются пользователи после других касаний. Удаление SEO из графа обычно приводит к значительному падению конверсий, хотя прямых переходов из органики может быть немного.

Анализ синергии между каналами

Цепи Маркова улавливают синергию — эффект, когда совместное использование каналов даёт больший результат, чем сумма их отдельных вкладов. Например, пользователь, увидевший рекламу в соцсетях и затем пришедший по контекстной рекламе, конвертируется чаще, чем тот, кто пришёл только по контексту.

Модель показывает такие связки: в графе видно, что переход «соцсети → контекст» приводит к конверсии с высокой вероятностью. Вы можете целенаправленно усиливать такие связки, а не просто увеличивать бюджет на отдельные каналы.

Сравнение цепей Маркова с другими Data-Driven моделями

Data-Driven модели атрибуции используют данные о поведении пользователей, в отличие от эвристических (Last Click, First Click и т.д.). Цепи Маркова — одна из таких моделей, но не единственная. Рассмотрим, чем она отличается от других популярных подходов.

Сравнение моделей атрибуции

Отдельно стоят модели Post-View и Post-Click. Post-View приписывает конверсию показу рекламы, если пользователь видел её, но не кликнул, и совершил целевое действие в течение заданного окна (обычно 1–30 дней). Она важна для оценки медийной рекламы и видеокампаний, где прямой клик — редкое событие. Post-Click, наоборот, учитывает только явные клики, но с поправкой на время между кликом и конверсией — это позволяет точнее оценивать performance-каналы. Обе модели требуют настройки окна атрибуции: для импульсных покупок достаточно 7 дней, для B2B — до 90.

Отличие от Shapley Value: последовательность имеет значение

Shapley Value — метод из теории игр, который распределяет ценность между каналами, рассматривая все возможные комбинации каналов и их предельный вклад. Он не учитывает порядок касаний — для него важно только наличие или отсутствие канала в пути.

Цепи Маркова, наоборот, построены на последовательности переходов. Два пути с одинаковым набором каналов, но разным порядком, будут иметь разную атрибуцию. Это ближе к реальному поведению пользователей: порядок касаний важен.

С точки зрения вычислений цепи Маркова более требовательны, чем Shapley Value: расчёт вероятностей поглощения на больших графах выполняется дольше. Однако для типовых задач (5–15 каналов) это не критично.

Совместное использование моделей для кросс-проверки

На практике лучшие результаты даёт использование нескольких моделей параллельно. Например, цепи Маркова для понимания последовательностей и Shapley Value для оценки предельного вклада каналов. Сравнивая результаты, вы можете выявить устойчивые закономерности и отсеять случайные.

Также полезно сопоставлять Data-Driven модели с эвристическими. Если результаты сильно различаются, стоит проверить качество данных и логику модели. Если совпадают — значит, ваша воронка достаточно проста, и сложная атрибуция не даст больших инсайтов.

На практике хорошие результаты даёт гибридный подход: rule-based модель (например, Last Non-Direct Click) используется как базовая для сходимости с рекламными кабинетами, а Data-Driven модели (Маркова, Shapley) — для углублённого анализа. Это сочетает прозрачность и точность.

Важно: не используйте разные модели для управления одной и той же кампанией. Если вы оптимизируете ставки по Last Click, а отчётность строите по Маркову, решения будут конфликтовать. Выберите одну модель для принятия решений, остальные используйте только для диагностики.

Не удивляйтесь, если цепь Маркова даст результат, близкий к Time Decay. Это происходит, когда самые активные каналы чаще всего оказываются последними в цепочке, — модель просто подтверждает, что воронка уже хорошо сбалансирована. В этом случае сложная атрибуция не даст новых инсайтов, и можно спокойно работать с более простой моделью.

Когда Data-Driven модели не подходят

Если у вас мало конверсий (например, меньше 100-150 в месяц), модели Маркова и Shapley Value будут давать нестабильные результаты. Данных недостаточно, чтобы построить статистически значимый граф переходов. В такой ситуации лучше использовать простые модели или подождать накопления данных.

Также Data-Driven модели требуют качественных данных: единой сквозной аналитики, корректной склейки пользователей, учёта всех касаний. Если ваша аналитика «дырявая», модель покажет мусор на входе — мусор на выходе.

Даже при достаточном объёме данных проверяйте модель на отложенной выборке (holdout) и по возможности проводите incrementality-тесты: они показывают, действительно ли канал даёт прирост конверсии, а не просто коррелирует с ней. Сопоставление прогнозов модели с фактическими результатами A/B-экспериментов — самый надёжный способ убедиться, что атрибуция не врёт.

Практическое внедрение модели атрибуции по цепям Маркова

Внедрение модели Маркова — это не установка одного плагина, а целый проект, включающий сбор данных, построение модели и её интеграцию в процессы принятия решений. Разберём ключевые этапы.

Этапы внедрения модели Маркова

Сбор и подготовка данных

Первое, что нужно сделать, — собрать все касания пользователей в единую базу. Для этого обычно используется сквозная аналитика: данные из рекламных кабинетов, CRM, систем аналитики объединяются по единому идентификатору пользователя (например, email или cookie).

Важно определить окно атрибуции — период, в течение которого мы считаем касания значимыми. Если он слишком короткий, вы потеряете часть путей; если слишком длинный — модель будет зашумлена случайными визитами. Оптимальное окно зависит от цикла сделки: от 7 дней для e-commerce до 90 и более для B2B.

Ещё один неочевидный приём — рассматривать каждую ключевую фразу в контекстной рекламе как отдельный канал. Такой подход обогащает статистику для оптимизатора ставок и позволяет увидеть, какие связки ключевых слов ведут к конверсии. Анализ последовательных переходов между фразами может дать дополнительные инсайты для управления ставками.

Необходимые технические ресурсы и инструменты

Для расчёта цепей Маркова можно использовать готовые библиотеки на Python (например, pymc3 или custom code) или специализированные BI-платформы. Вот популярные варианты:

Обратите внимание: Google Analytics 4 уже включает data-driven атрибуцию на основе машинного обучения, но она не даёт той же гибкости, что кастомная модель Маркова. Для глубокого анализа с Removal Effect придётся писать код или использовать специализированные сервисы.

Этапы внедрения в аналитическую систему

1. Формирование данных. Экспортируйте все касания из источников в одну таблицу: дата, пользователь, канал, тип события.
2. Склейка сессий. Определите, как объединять несколько визитов одного пользователя в один путь. Обычно используют окно атрибуции.
3. Построение графа. Напишите скрипт, который строит матрицу переходов и считает Removal Effect для каждого канала.
4. Валидация. Сравните результаты с простыми моделями, проверьте на сегментах аудитории. Полезно также провести backtesting — сравнить predicted conversion rate с фактическим на отложенной выборке, а для прогнозных моделей считать ROC-AUC и калибровку.
5. Интеграция с отчётами. Подключите расчёт к BI-системе, чтобы руководители видели актуальную атрибуцию в привычных дашбордах.
6. Регулярный пересчёт. Обновляйте модель еженедельно или ежемесячно, чтобы она отражала текущую ситуацию.

Какие ошибки возникают при работе с цепями Маркова

Модель Маркова — сильный инструмент, но только при правильном использовании. Ошибки в данных или интерпретации могут свести на нет все преимущества. Рассмотрим типичные проблемы.

Недостаточный объём данных

Самая частая ошибка — попытка построить модель на малом количестве конверсий. Когда конверсий меньше сотни в месяц, вероятности переходов в графе будут случайными. Модель будет менять свои выводы от месяца к месяцу, и доверять ей нельзя.

Решение — либо накапливать данные дольше, либо упростить модель: уменьшить число каналов, объединить похожие, использовать более длинное окно атрибуции. В крайнем случае, можно перейти на эвристические модели, пока данных не станет достаточно. Практический ориентир: нужно минимум 50 конверсий на каждый переход канал → канал, иначе матрица переходов будет содержать слишком много шума.

Игнорирование офлайн-касаний

Многие бизнесы учитывают только онлайн-касания: рекламу, соцсети, email. Но для B2B и офлайн-розницы ключевыми могут быть звонки, встречи, посещения точек. Если вы не передаёте эти данные в модель, она будет показывать неполную картину.

Практика показывает, что без учёта офлайн-событий модель Маркова систематически занижает вклад каналов, которые запускают звонки и визиты.

Особенно это критично для страхования, недвижимости и B2B-услуг, где часть касаний проходит через агентов, брокеров и офлайн-встречи. Чтобы исправить это, нужно фиксировать офлайн-события в CRM и связывать их с онлайн-касаниями через сквозную аналитику. Для сбора данных об офлайн-касаниях можно использовать кодированные отклики (уникальные промокоды, телефонные номера, QR-коды), опросы клиентов («Как вы о нас узнали?»), гео-эксперименты и эконометрическое моделирование (Marketing Mix Modeling). Только тогда модель будет отражать реальный путь клиента.

Боты и невалидный трафик

По оценкам, боты могут составлять до 30% трафика, особенно в дорогих и конкурентных нишах. Если не очистить данные от ботов, они создадут ложные переходы и исказят матрицу вероятностей. Поэтому перед построением модели обязательна фильтрация трафика с помощью антифрод-инструментов.

Купоны и промокоды: касания без определённого времени

Отдельная проблема — промо-каналы вроде купонов и промокодов. Время их «касания» часто неизвестно: человек мог получить купон неделю назад, а использовать в момент покупки. Система регистрации видит только факт применения купона, поэтому переход «купон → конверсия» получает вероятность 100%, а реальное влияние других каналов занижается.

Решение — разделять атрибуцию: строить отдельные матрицы для путей с купонами и без них, а затем сопоставлять результаты. В нашей практике это позволяло увидеть, какие каналы трафика лучше всего работают в связке с конкретными промо-акциями.

Максим Волков

Бизнес-аналитик

Сложности интерпретации для руководителя

Removal Effect — не самая интуитивная метрика. Руководителю сложно объяснить, почему канал с нулём прямых конверсий получил 20% «эффекта удаления». Без понятной визуализации и комментариев модель рискует остаться «чёрным ящиком», которому не доверяют.

Важно переводить выводы модели на язык бизнеса: «Если убрать SEO, мы потеряем 15% сделок», «Email-рассылки увеличивают конверсию из контекста на 30%». Такие формулировки позволяют принимать решения, а не просто «видеть цифры».

Что запомнить

Цепи Маркова — это не универсальное решение

Модель Маркова даёт глубокую аналитику, но требует данных, времени и квалификации. Для простых воронок с двумя-тремя каналами она может быть избыточной. Начните с простых моделей и усложняйте подход только тогда, когда почувствуете, что текущая атрибуция явно искажает картину.

Важность контекста и целей компании

Одна и та же модель может быть полезна для одной компании и бесполезна для другой. Всё зависит от цикла сделки, количества касаний, структуры каналов. Прежде чем внедрять, чётко сформулируйте вопрос: «Какое решение мы примем на основе этих данных?» Если ответа нет, модель не нужна.

Зачем запускать несколько моделей параллельно

Сравнение моделей — лучший способ проверить устойчивость выводов. Если Last Click и Марков дают похожие приоритеты каналов, вы можете спокойно работать с простой моделью. Если различия велики, значит, в вашей воронке есть сильные синергии, которые стоит использовать.

Частые вопросы (FAQ)

Сколько конверсий нужно для модели Маркова?

Для стабильной модели Маркова нужно минимум 200–300 конверсий в анализируемом периоде. При меньшем объёме вероятности переходов будут нестабильными. Если у вас меньше данных, используйте более простое окно атрибуции или эвристические модели.

Можно ли использовать цепи Маркова для офлайн-рекламы?

Да, если вы фиксируете офлайн-касания в CRM и передаёте их в аналитическую систему. Без этого модель будет неполной. Звонки, встречи, посещения точек должны быть включены в граф переходов наравне с онлайн-каналами.

Как объяснить Removal Effect нетехническому специалисту?

Объясните так: «Представьте, что мы на день отключаем канал и смотрим, сколько конверсий потеряем. Если потеря большая — канал важен, даже если он не приводит прямых продаж». Это наглядная аналогия, которую легко понять.

Чем цепи Маркова отличаются от моделей машинного обучения?

Цепи Маркова используют вероятности переходов между состояниями и не учитывают сложные зависимости от истории. Модели машинного обучения (например, случайный лес или нейросети) могут учитывать множество факторов: время, устройство, поведение. Для атрибуции они требуют больше данных и интерпретируемость у них ниже.

Полезные материалы