Мультиканальна атрибуція в арбітражі 2026

Чому last-click вбиває прибутковість кампаній

80% арбітражників досі рахують конверсії за моделлю last-click. Це означає, що весь кредит дістається останньому джерелу перед покупкою, а всі попередні точки контакту залишаються без оцінки. На практиці це призводить до системного скорочення бюджету на верхні та середні етапи воронки, де трафік «підігрівається», і до надмірних витрат на ретаргетинг і брендові запити, які лише «дожимають» готового покупця.

У Q1 2026 команди, що перейшли з last-click на data-driven атрибуцію у своїх трекерах, зафіксували зниження CPА в середньому на 23-31% без зміни загального бюджету. Це не магія, а просто чесний перерозподіл коштів туди, де реально відбувається вплив на рішення.

Особисто я б стверджував, що неправильна атрибуція — одна з топ-3 причин, чому арбітражники з хорошим трафіком та сильними офферами все одно виходять у мінус. Вони просто «рахують» не те і не так.

Що таке touchpoint і навіщо його вимірювати

Touchpoint — будь-яка взаємодія користувача з твоєю рекламою або контентом на шляху до конверсії. Це може бути push-оголошення в HilltopAds, нативний банер у контентній мережі, ретаргетинговий пікселю Facebook або навіть органічний перехід через партнерський лендинг.

Кожен touchpoint має різну «вагу» у прийнятті рішення. Перший контакт формує обізнаність, середні точки , довіру та намір, останній , безпосередньо конвертує. Коли ти ігноруєш цю різницю, ти не просто недооцінюєш частину каналів. Ти активно скорочуєш їхні бюджети, руйнуючи воронку знизу вгору.

Де ламається класична аналітика в арбітражі

Арбітраж відрізняється від класичного e-commerce тим, що між першим контактом і конверсією може стояти кілька незалежних редиректів, субафіліатних посилань і навіть різних пристроїв. Стандартний Google Analytics не бачить cross-device шлях, якщо ти не передаєш user ID через сервер. CPA-мережа звітує лише про фінальний клік. У підсумку маєш три різні «правди» в трьох різних системах і жодної цілісної картини.

Саме тому серйозні команди переходять на серверні трекери з власним збором даних. Keitaro і Voluum дозволяють збирати всі кліки та конверсії в одній базі, присвоювати кожному кліку унікальний ID і будувати власні моделі атрибуції на рівні окремого суб-ID або джерела.

Моделі атрибуції: від лінійної до алгоритмічної

Єдиної «правильної» моделі атрибуції немає. Вибір залежить від вертикалі, довжини воронки та кількості touchpoint-ів у середньому шляху користувача. Але є моделі, які системно підходять під більшість арбітражних сценаріїв, і є ті, що гарантовано спотворюють картину.

First-click і last-click: коли це виправдано

First-click атрибуція має сенс, коли ти запускаєш нову вертикаль або новий ГЕО і хочеш зрозуміти, які канали краще за все «відкривають» аудиторію. Якщо ти тестуєш нову мережу, наприклад ClickAdilla поряд зі своїми основними джерелами, first-click покаже, скільки нових унікальних користувачів вона приводить у воронку.

Last-click виправданий у коротких воронках, де від першого контакту до конверсії проходить менше 30 хвилин і один-два кроки. Типовий сценарій: агресивний push-трафік на просту нутра-сторінку з одноетапним чекаутом. Тут складна атрибуція не дає переваг, бо touchpoint практично один.

Лінійна та time-decay: практика для середніх воронок

Лінійна модель ділить цінність конверсії порівну між усіма touchpoint-ами. Для воронок з 3-5 точками контакту це добре як базовий орієнтир: ти бачиш, що кожен канал «щось робить», і перестаєш різати бюджети вище воронки.

Time-decay дає більше ваги тим touchpoint-ам, що стоять ближче до конверсії, але при цьому не обнуляє ранні. Формула зазвичай така: кожен попередній крок отримує 50% від ваги наступного. При 4 touchpoint-ах розподіл буде приблизно 6% / 12% / 24% / 48%. Це добре для офферів із середнім часом прийняття рішення 1-3 дні, зокрема для фінансових продуктів через партнерки типу SalesDoubler.

Data-driven атрибуція: де реально потрібна алгоритміка

Data-driven атрибуція використовує машинне навчання для аналізу фактичних шляхів конверсії у твоїх даних. Модель порівнює шляхи, що завершилися конверсією, з тими, що не завершилися, і виявляє, які touchpoint-и статистично підвищують ймовірність покупки.

Щоб алгоритм давав коректний результат, потрібно мінімум 600-1000 конверсій на місяць по кожній воронці. Нижче цього порогу модель «перенавчається» на шумі. Для масштабних кампаній на e-commerce з партнерками Admitad або SellAction data-driven дає найточнішу картину, де реально «живе» цінність.

Технічна реалізація атрибуції у трекері

Теорія атрибуції марна без правильного збору даних. Кожен touchpoint треба фіксувати з однаковим набором параметрів, інакше злиття шляхів стане неможливим. Мінімальний набір параметрів для кожного кліку , це unique click ID, source, sub-source, device, timestamp і conversion flag.

Налаштування multi-touch tracking у Keitaro

Keitaro підтримує multi-touch трекінг через механізм «ланцюжків кліків» (click chain). Кожному унікальному відвідувачу присвоюється persistent cookie або fingerprint-ідентифікатор, і всі наступні кліки від цього ж браузера прив'язуються до одного ланцюжка.

Для правильного налаштування потрібно активувати параметр track_revisits, виставити cookie lifetime відповідно до твого attribution window (зазвичай 7-30 днів) і передавати всі суб-ID джерела у стандартизованому форматі. Без цього Keitaro фіксуватиме кожен клік як незалежний, і побудова шляхів стане неможливою.

Voluum та cross-device attribution

Voluum має вбудований модуль Automizer, який дозволяє автоматично коригувати ставки в рекламних мережах на основі даних атрибуції. Якщо певний sub-ID послідовно потрапляє у верхні touchpoint-и конвертуючих шляхів, але ніколи не є останнім кліком, Automizer може підвищити ставку для цього source, навіть якщо конверсії «офіційно» йдуть в інше місце.

Cross-device у Voluum реалізований через probabilistic matching на основі IP і user-agent, що дає точність близько 70-80% для matched шляхів. Це не ідеально, але краще, ніж повне незнання про те, що користувач вперше побачив рекламу на телефоні, а купив з десктопа.

Hyros для відстеження довгих воронок

Hyros спеціалізується саме на довгих воронках з email-послідовностями та кількома рекламними каналами. Система будує «справжній» шлях користувача, поєднуючи дані рекламних кабінетів, email-відкриття та CRM-конверсії в один timeline. Для нутра або фінансових офферів із довгим циклом прийняття рішень це дає наочність, недосяжну для класичних пікселів.

Attribution window: вибір часового вікна під вертикаль

Attribution window , це часовий проміжок, протягом якого touchpoint «зараховується» до конверсії. Стандартне вікно в 30 днів з Facebook підходить для e-commerce, але в арбітражі різні вертикалі мають кардинально різні цикли прийняття рішень.

Короткі вікна: гемблінг і нутра

Гемблінг-конверсія (депозит) відбувається в середньому протягом 4-6 годин після першого контакту. Attribution window у 1-3 дні тут достатній, і довші вікна лише «засмічують» шляхи нерелевантними touchpoint-ами з інших кампаній. Те ж саме стосується імпульсних нутра-офферів з однокроковим чекаутом.

Є нюанс у compliance-питаннях при роботі з Tier-1 гео: деякі регулятори вимагають документувати саме той рекламний контакт, що ініціював реєстрацію. Детально про це можна почитати у статті про compliance-фреймворк для Tier-1.

Довгі вікна: фінанси та підписки

Фінансові офери , кредити, страхування, інвестиційні продукти , мають середній цикл прийняття рішення 7-21 день. Attribution window менше 14 днів буде недостатнім: ти «обрізатимеш» ранні touchpoint-и, які формували довіру, і помилково приписуватимеш всю цінність ретаргетинговому оголошенню на останньому кроці.

Trials-модель у нутрі, де підписка активується через 7-14 днів після замовлення пробника, потребує ще довшого вікна , до 30 днів. Інакше першоджерело трафіку взагалі не отримає кредит за LTV-конверсію.

Бюджетний перерозподіл на основі атрибуції

Зібрати дані , це половина роботи. Друга половина , прийняти конкретні рішення про перерозподіл бюджету. На практиці більшість арбітражників зупиняється на першому кроці: будують attribution-звіти, дивляться на них і... нічого не змінюють, бо страшно зрізати канал, що «дає» конверсії за last-click.

Incremental value: що реально додає канал

Ключова метрика при перерозподілі , incremental value, тобто скільки конверсій зникне, якщо прибрати цей touchpoint з воронки. Перевірити це можна через holdout-тест: відключаєш один канал для 20% аудиторії на 7-14 днів і порівнюєш конверсію з контрольною групою.

У Q1 2026 типовий результат таких тестів показував, що брендові ретаргетингові кампанії з high-last-click-долею мали incremental lift лише 8-15% , тобто 85-92% тих конверсій відбулися б і без них. Для push-кампаній на холодну аудиторію, навпаки, incremental lift складав 45-65%. Це прямо протилежно тому, що показував last-click звіт.

Практичний алгоритм перерозподілу бюджету

Наводжу конкретний алгоритм, який використовую при оптимізації мультиканальних кампаній.

1. Збери дані за 14-30 днів з attribution window, що відповідає вертикалі.
2. Побудуй звіт по кожному каналу з трьома метриками: частка first-touch конверсій, частка last-touch конверсій і частка в лінійній моделі.
3. Каналам, де first-touch >> last-touch, підвищ бюджет на 20-30%. Вони «відкривають» аудиторію, яку конвертять інші.
4. Каналам, де last-touch >> first-touch, але incremental test показав lift менше 20%, скорочуй бюджет на 30-50%.
5. Перерозподілені кошти направляй в канали з balanced attribution (різниця між first і last менше 15%).

Цей алгоритм не є абсолютним рецептом, але дає структурний підхід замість хаотичного скорочення «слабких» каналів за last-click.

Пастки неправильного перерозподілу

Найчастіша помилка , різке скорочення каналу верхньої воронки після одного тижня тесту. Attribution-ефекти від такого скорочення проявляються з затримкою в 2-3 тижні. Якщо ти скоротив бюджет на awareness-канал у понеділок, падіння конверсій побачиш лише через 14-21 день, коли «закінчиться» аудиторія, яку цей канал вже підігрів.

Також небезпечно одночасно змінювати кілька каналів. Якщо ти одночасно збільшив бюджет на канал A і зменшив на канал B, ти не зможеш розрізнити ефект від кожної зміни. Змінюй по одному каналу з інтервалом 7-10 днів.

Порівняльна таблиця моделей атрибуції для арбітражу

Attribution у контексті privacy-first трекінгу

2026 рік поставив перед арбітражниками нову проблему: більшість браузерів тепер блокують third-party cookies за замовчуванням, а iOS 17+ значно обмежив cross-app трекінг. Класичні multi-touch attribution-ланцюжки на основі cookie просто перестали працювати для 60-70% мобільного трафіку.

Server-side tagging як основа атрибуції без cookies

Server-side tagging переносить логіку трекінгу з браузера користувача на твій сервер. Замість того щоб pixel у браузері зберігав cookie і передавав дані напряму в рекламний кабінет, твій сервер отримує дані про подію, збагачує їх власними first-party ідентифікаторами і вже потім відправляє в рекламні платформи через Conversions API.

Це не просто технічне рішення , це принципова зміна моделі збору даних. First-party дані (email, телефон, gclid) дозволяють будувати attribution-ланцюжки навіть без cookie. Детальніше про реалізацію цього підходу , у матеріалі про privacy-first трекінг 2026.

In-app трафік і атрибуція через SKAdNetwork

Мобільний in-app трафік має окрему інфраструктуру атрибуції через Apple SKAdNetwork і Google Privacy Sandbox. Тут класичний multi-touch не працює взагалі: SKAdNetwork передає лише агрегований звіт без user-level даних, з затримкою до 72 годин і з лімітом у 100 унікальних рекламних кампаній.

Для in-app кампаній атрибуція будується через probabilistic modeling на агрегованих даних. Це означає вищу похибку, але це єдиний легальний шлях. Детально механіку in-app трекінгу та антифрод розібрано у статті про in-app трафік у 2026.

Антифрод у мультиканальній атрибуції

Фрод в attribution-даних , це не завжди навмисна накрутка. Часто це системна помилка у вимірюванні: duplicate conversions, cookie stuffing або неправильний attribution window дають хибну картину ефективності каналів і призводять до перекосу бюджету в збиткову сторону.

Duplicate conversions: як виявити і усунути

Duplicate conversion виникає, коли одна і та ж фізична конверсія фіксується кілька разів через різні системи. Наприклад, pixel на сторінці подяки спрацював двічі через перезавантаження, або і pixel, і Conversions API передали одну й ту саму подію без дедуплікації.

Рівень дублікатів у непідготовлених акаунтах складає 15-30% від загальної кількості конверсій. Це означає, що ROAS у рекламних кабінетах завищений на той самий відсоток. Для дедуплікації потрібно передавати унікальний event_id з кожної події і налаштувати дедуплікаційну логіку на рівні Conversions API.

Cookie stuffing і Attribution hijacking

Cookie stuffing , це спосіб, яким нечесні паблішери «вставляють» свій affiliate cookie у браузер користувача без реального кліку. В мультиканальній атрибуції це виглядає як touchpoint, якого насправді не існувало. Паблішер отримує кредит за конверсію, яку не генерував.

Для захисту потрібно аналізувати розподіл конверсій по часу доби: cookie stuffing зазвичай генерує аномальні піки в нічний час або рівномірний потік без корелюючих кліків. Binom дозволяє побудувати такий аналіз через custom reports з фільтрацією по click-to-conversion time. Якщо медіана часу між кліком і конверсією менше 3 секунд для певного паблішера, це сигнал.

Практичний кейс: оптимізація e-commerce кампанії через attribution

Наведу реальний сценарій без прив'язки до конкретного акаунту, але з цифрами, які відображають типову ситуацію Q1 2026. Команда запускала e-commerce кампанії через три канали: programmatic display, push-трафік і Facebook ретаргетинг.

Початкова картина за last-click

За last-click звітом Facebook ретаргетинг давав 68% конверсій при витратах 30% бюджету. Programmatic display давав 8% конверсій при витратах 25%. Push-трафік давав 24% конверсій при витратах 45%. Логічний висновок: скорочувати display і push, збільшувати Facebook.

Команда так і зробила. Через три тижні загальна кількість конверсій впала на 38%, хоча Facebook ретаргетинг продовжував «конвертити» з тим самим last-click ROAS.

Attribution-аудит і реальна картина

Після побудови лінійної attribution-моделі в Voluum картина змінилася кардинально. Programmatic display виявився першим touchpoint-ом у 71% конвертуючих шляхів. Push-трафік присутній у 58% шляхів як проміжний touchpoint. Facebook ретаргетинг , у 82% шляхів, але майже виключно як останній крок.

Тобто Facebook не «генерував» конверсії. Він їх «завершував». Відключивши display і push, команда залишила Facebook без «матеріалу» для ретаргетингу. Нові користувачі до воронки просто не потрапляли.

Результат після коригування

Після повернення до первісного розподілу бюджету і додаткового збільшення частки display на 15% (за рахунок скорочення частки Facebook) кількість конверсій відновилася за 14 днів і на 18% перевищила початковий рівень. CPA знизився на 27%. Бюджет не збільшувався , змінювався лише розподіл між каналами.

Цей кейс добре ілюструє, що проблема не в каналі, а в моделі вимірювання. Хочеш правильно вибрати оффер і канал для нової кампанії , є сенс спочатку розібратися з методологією вибору офферу, а вже потім будувати attribution-модель.

Інструменти і підходи для різних масштабів

Attribution-рішення суттєво відрізняються залежно від того, чи ти соло-арбітражник з бюджетом $5-10k на місяць, чи команда з місячним спендом $100k+. Ускладнювати систему раніше, ніж з'явиться достатній обсяг даних, немає сенсу.

Рівень 1: соло до $15k/міс

На цьому рівні data-driven атрибуція технічно недоступна через обсяг даних. Оптимальне рішення , лінійна модель у трекері з ручним аналізом шляхів щотижня. Keitaro або Binom достатні для цього рівня. Ключове завдання: зібрати мінімум 200 конверсій з повними click chains до прийняття будь-яких бюджетних рішень.

Рівень 2: команди $15-100k/міс

На цьому рівні з'являється сенс підключати Voluum з Automizer для автоматичного коригування ставок на основі attribution-даних. Time-decay або position-based модель дають достатню точність. Важливо налаштувати дедуплікацію конверсій і впровадити holdout-тести для перевірки incremental value каналів.

Для команд, що активно використовують антидетект-браузери для масштабування акаунтів, варто враховувати, що Dolphin Anty дозволяє відокремлювати трекінг-профілі і не «змішувати» attribution-дані між різними акаунтами, що критично для коректності звітності.

Рівень 3: масштаб $100k+/міс

Data-driven атрибуція стає доступною і виправданою. На цьому рівні підключають Hyros для multi-source tracking або будують власний attribution-шар на BigQuery з кастомними ML-моделями. Також з'являється сенс у прямих deals без CPA-мережі, де attribution-дані можна передавати рекламодавцю напряму. Нюанси прямих угод і захист виплат детально розібрані у матеріалі про direct deals без CPA-мережі.

Висновки: три принципи, які реально змінюють результат

Мультиканальна атрибуція , це не про красиві звіти. Це про те, щоб не платити 70% бюджету за канали, які лише «добивають» готових покупців, і не скорочувати канали, що реально ведуть нових людей у воронку.

Перший принцип: attribution model має відповідати довжині воронки. Для коротких імпульсних воронок достатньо last-click або time-decay. Для фінансів і підписок , мінімум time-decay з вікном 14-30 днів.

Другий принцип: зміни бюджету треба тестувати поступово і з витримкою 14-21 день між змінами. Attribution-ефекти від скорочення верхньої воронки завжди приходять із затримкою, і якщо ти реагуєш на тижневі дані , ти вже запізнюєшся.

Третій принцип: технічна якість даних важливіша за вибір моделі. Duplicate conversions, відсутні click chains або некоректний attribution window знецінюють будь-яку модель. Починай з аудиту збору даних, а не з вибору між лінійною та time-decay.

Арбітраж у 2026 стає все складнішим технічно, але attribution , це одна з тих областей, де навіть базові покращення дають вимірюваний результат вже за 3-4 тижні. Для тих, хто хоче глибше розібратися з трекінг-інструментами, є сенс переглянути підбірку топ трекерів конверсій для афіліатів у 2026.