Как построить модель атрибуции на основе машинного обучения

Введение

Традиционные модели атрибуции (First Click, Last Click, Linear) часто искажают реальную картину эффективности каналов. Машинное обучение (ML) позволяет построить data-driven модель, которая автоматически определяет вклад каждого касания в конверсию. Это даёт возможность оптимизировать бюджет на рекламу, повысить ROI и улучшить стратегию продвижения.

Этапы построения модели

1. Сбор и подготовка данных

Для обучения модели необходимы данные о пути клиента:

• Источники трафика (SEO, SMM, контекстная реклама, email-маркетинг).
• Типы взаимодействий (клики, просмотры, заполнение форм).
• Временные метки и порядок касаний.
• Финальная конверсия (покупка, лидогенерация).

Источники данных: CRM, аналитика (Google Analytics, Яндекс.Метрика), системы трекинга рекламы. Важно очистить данные от дубликатов и аномалий.

2. Выбор модели машинного обучения

Для атрибуции чаще всего используют:

• Shapley Value — распределяет ценность между каналами на основе вклада в конверсию.
• Логистическая регрессия — оценивает вероятность конверсии от последовательности касаний.
• Случайный лес или XGBoost — для нелинейных зависимостей.

Для простоты начните с Shapley Value, так как он интерпретируем и не требует сложной настройки.

3. Разработка признаков (Feature Engineering)

Создайте признаки для модели:

• Каналы касаний (one-hot encoding).
• Время между касаниями (часы, дни).
• Порядковый номер касания.
• Частота взаимодействий с каналом.

Пример: для пользователя, который пришёл через SEO (1-е касание), затем через SMM (2-е) и совершил конверсию, модель оценит вклад каждого канала.

4. Обучение и валидация

Разделите данные на обучающую и тестовую выборки (70/30). Обучите модель предсказывать конверсию. Затем примените технику атрибуции — для каждого пути клиента рассчитайте вклад каналов. Используйте метрики: precision, recall, ROC-AUC.

5. Внедрение и интерпретация

После обучения модель можно интегрировать в систему аналитики. Результаты представьте в виде таблицы с долями каждого канала. Например:

Практические рекомендации

• Начните с малого: используйте готовые библиотеки (Python:

  shap

  ,

  scikit-learn

  ).
• Учитывайте офлайн-конверсии: интегрируйте данные из CRM.
• Тестируйте гипотезы: сравнивайте результаты ML-модели с традиционными.
• Автоматизируйте: настройте регулярное обновление модели по новым данным.

Кейс из практики

Интернет-магазин использовал Last Click и считал, что основной канал — контекстная реклама. После внедрения ML-атрибуции выяснилось, что SEO и email-маркетинг играют ключевую роль на ранних этапах. Перераспределение бюджета увеличило ROI на 30% за 2 месяца.

Инструменты

• Python: библиотеки

  pandas

  ,

  numpy

  ,

  scikit-learn

  ,

  shap

  .
• Платформы: Google Analytics 4 (с поддержкой ML), Mixpanel, Amplitude.
• CRM: интеграция данных для полной картины.