Коротко — комбинируйте каузальные эксперименты и агрегатные/пользовательские модели. Ниже — практические методы, ключевые метрики и формулы.
Методы атрибуции (что использовать и зачем)
- Инкрементальность (эксперименты, RCT / geo‑тесты / holdout): даёт причинную оценку вклада. Сравнивают тестовую и контрольную группы.
- Инкрементальные продажи: $\Delta =S_{treat}-S_{control}$.
- Увеличение в процентах: $\%uplift=\frac{S_{treat}-S_{control}}{S_{control}}\times 100\%$.
- iROAS: $iROAS=\frac{\Delta }{Adspend}$.
- Маркетинг‑микс моделирование (MMM, эконометрическое моделирование): работает на агрегированных временных рядах (канал → продажи), учитывает сезонность, тренды, ценовую и промоактивность.
- Базовая форма: $Sale{s}_t={\beta }_0+{\sum }_j{\beta }_j{X}_{j,t}+\gamma Z_t+{\epsilon }_t$.
- Добавляйте adstock/carry‑over и взаимодействия между каналами.
- Data‑driven (path‑level) атрибуция: на уровне сессий/путей — Markov / Shapley / машинное обучение.
- Markov removal effect: $Remova{l}_i=1-\frac{P_{conv}^{(-i)}}{P_{conv}^{(full)}}$.
- Shapley для вклада канала $i$: ${\varphi }_i=\sum _{S\subseteq N\setminus \{i\}}\frac{|S|!(|N|-|S|-1)!}{|N|!}[v(S\cup \{i\})-v(S)]$.
- Простые модели (для оперативных отчётов): last‑click, first‑click, linear, time‑decay — используются как ориентиры, но они не измеряют каузальность.
Как связать онлайн‑исследование с офлайн‑покупкой (внедрение)
- Импорт офлайн‑продаж в CRM/POS и матчинг с онлайн‑идентификаторами (email, loyalty ID, телефон) через privacy‑safe clean room.
- Store‑visit и store‑sales attribution: геофенсинг/мобильные сигналы, купоны/промокоды, call tracking, QR/скидочные коды, loyalty‑card cross‑match.
- Окно атрибуции: выбирайте реалистичное окно между последним контактом онлайн и офлайн‑покупкой (напр., $7$, $14$, $30$ дней) и тестируйте чувствительность.
Ключевые метрики
- Инкрементальные продажи: $\Delta =S_{treat}-S_{control}$.
- Incremental ROAS: $iROAS=\frac{Incrementalrevenue}{Adspend}$.
- Uplift%: $\frac{\Delta }{S_{control}}$.
- Assisted conversions / assisted value: сколько офлайн‑продаж были предварительно «ассистированы» каналом (по путям).
- Share of incremental demand: доля инкрементальных продаж, приписанных каналу (по Shapley/Markov/MMM).
- LTV uplift: прирост жизненной ценности клиентов, привлечённых через конкретные цифровые каналы.
- Store visits → sales conversion rate: $\frac{Storesales}{Storevisits}$.
Практические рекомендации (коротко)
1. Начните с RCT/geo‑тестов для ключевых каналов — это даст чистую каузальную оценку вклада.
2. Параллельно держите MMM для стратегического распределения бюджета и сезонного планирования.
3. Используйте data‑driven атрибуцию (Shapley/Markov) для распределения дохода по путям и оптимизации тактик.
4. Интегрируйте офлайн‑POS/CRM и применяйте детерминированный или probabilistic match; если возможно — используйте clean rooms.
5. Отслеживайте инкрементальность (iROAS, uplift) как основной KPI, а не только last‑click ROAS.
6. Проверяйте чувствительность результатов к выбору окна атрибуции и учёту carry‑over.
Ограничения
- Алгоритмическая атрибуция не всегда даёт каузальность (нужны эксперименты).
- MMM даёт агрегированную картину (низкая гранулярность).
- Качество данных о сопоставлении online↔offline критично; приватность и сопоставимость ограничивают точность.
Итог: для корректной оценки цифровых каналов при online→offline пути комбинируйте инкрементальные эксперименты (каузальность), MMM (стратегия) и data‑driven атрибуцию (распределение по путям), измеряйте инкрементальные продажи, iROAS и assisted metrics, и надёжно связывайте офлайн‑продажи с онлайн‑идентификаторами.