Модели атрибуции каналов в страховании: от last‑click до data‑driven

Что такое модели атрибуции и зачем они нужны страховщику

В многоканальном маркетинге клиент взаимодействует с брендом несколько раз до покупки. Модели атрибуции распределяют «заслугу» за продажу между каналами. Для страховщика это критично: от выбора модели зависит:

• оценка эффективности рекламных кампаний;
• распределение бюджета между каналами;
• понимание пути клиента к полису.

Пример: клиент увидел баннер (Яндекс.Директ), потом перешёл по ссылке из email, затем оформил полис после звонка менеджера. Как распределить «заслугу»?

Основные модели атрибуции

Разберём пять ключевых моделей с примерами для страхования.

1. Last‑click (последний клик)

100 % заслуги отдаётся последнему каналу перед продажей.

Пример: если клиент оформил полис после клика по email‑рассылке, весь доход приписывается email.

Плюс: простота расчёта.

Минус: игнорирует вклад предыдущих каналов (например, брендовый баннер, который сформировал осведомлённость).

2. First‑click (первый клик)

100 % заслуги — первому каналу, который привлёк клиента.

Пример: клиент перешёл по баннеру, потом вернулся через поиск и купил. Заслуга — у баннера.

Плюс: подчёркивает важность первичного контакта.

Минус: не учитывает усилия последующих каналов.

3. Linear (линейная)

Заслуга делится поровну между всеми каналами.

Пример: 3 контакта (баннер → email → звонок) — каждый получает 33,3 % заслуги.

Плюс: учитывает весь путь клиента.

Минус: не различает вклад каналов разной важности.

4. Time‑decay (затухание по времени)

Чем ближе канал к продаже, тем больше заслуги.

Пример: баннер (10 %), email (30 %), звонок (60 %).

Плюс: отражает возрастающую роль последних контактов.

Минус: недооценивает ранние этапы воронки.

5. Data‑driven (на основе данных)

Алгоритм рассчитывает вес каждого канала на основе исторических данных.

Пример: ML‑модель определяет, что баннеры дают +15 % к вероятности продажи, email — +25 %, звонки — +60 %.

Плюс: максимально точный учёт вклада каналов.

Минус: требует больших объёмов данных и сложных инструментов.

Как выбрать модель под продукт и канал

Выбор зависит от цикла продажи и типа продукта.

Короткие циклы (ОСАГО, КАСКО)

Клиент принимает решение за дни/недели. Подойдут:

• Last‑click: просто и наглядно для быстрых продаж;
• Time‑decay: подчёркивает роль финального контакта (например, СМС с промокодом).

Обоснование: ранние контакты менее важны — клиент уже готов купить.

Длинные циклы (ИСЖ, накопительное страхование)

Решение принимается месяцами. Оптимальны:

• Linear: учитывает все этапы взаимодействия;
• Data‑driven: выявляет неочевидные паттерны (например, влияние вебинаров на продажи).

Обоснование: каждый контакт формирует доверие — игнорировать ранние этапы нельзя.

Ограничения last‑click: почему недооцениваются брендовые кампании

Last‑click — самая популярная модель, но у неё критические недостатки:

• Игнорирует осведомлённость: баннеры и видеореклама формируют спрос, но не получают заслуги;
• Смещает бюджет в пользу «продающих» каналов: email и контекст растут, брендовые кампании сокращаются;
• Не отражает синергию каналов: например, баннер + email дают конверсию 8 %, а по отдельности — 3 % и 2 %.

Пример из практики: компания «СтрахИнвест» сократила бюджет на брендовые баннеры (ROAS по last‑click = 0,8), но через 3 месяца конверсия в email упала на 40 % — баннеры поддерживали осведомлённость и «прогревали» аудиторию. В результате общий ROAS по воронке снизился с 2,5 до 1,7.

Вывод: last‑click искажает реальную ценность каналов, работающих на верхние этапы воронки. Для продуктов с долгим циклом решения (ИСЖ, накопительное страхование) это критично.

Внедрение data‑driven атрибуции: требования и инструменты

Data‑driven — наиболее точный метод, но требует ресурсов. Разберём условия внедрения.

Требования к данным

• Объём: минимум 10 000 конверсий за период анализа (для статистической значимости);
• Детализация: фиксация всех касаний клиента (клик, просмотр, звонок, визит в офис);
• Временные метки: точная хронология взаимодействий (с погрешностью до часа);
• Связь с продажами: привязка каждого касания к конкретному полису (через UTM‑метки, CRM‑ID).

Инструменты

Основные решения:

• Google Analytics 4 (GA4): встроенная модель data‑driven на базе машинного обучения. Подходит для компаний с трафиком от 500 000 сеансов/месяц;
• Кастомные решения: скрипты на Python/R для анализа цепочек касаний. Требуют Data Scientist‑а;
• CRM‑интеграции: Salesforce, Bitrix24 с модулями атрибуции;
• Специализированные платформы: Adobe Analytics, Mixpanel (для крупных страховщиков).

Важно: GA4 автоматически распределяет заслуги между каналами, учитывая:

• тип устройства (мобильный/десктоп);
• время между касаниями;
• семантику запросов (для контекстной рекламы).

Кейс: переход с last‑click на linear увеличил окупаемость email‑рассылок на 40 %

Компания «МедСтрах» в 2023 году пересмотрела модель атрибуции для продукта ДМС.

Этап 1. Проблема

По last‑click email‑рассылки имели ROAS = 1,8 (ниже целевого 2,5). Бюджет сокращали, но продажи падали.

Этап 2. Аудит воронки

Выявлено:

• 70 % клиентов перед покупкой получали 2–3 email;
• email часто шёл после баннера или поиска — last‑click отдавал заслугу последнему каналу;
• без email 50 % лидов не доходили до продажи.

Этап 3. Переход на linear

Внедрили линейную модель: каждый канал (баннер, поиск, email) получал 33,3 % заслуги.

Эффект:

• ROAS email вырос с 1,8 до 2,52 (+40 %);
• бюджет на email увеличили на 25 % — общий ROAS воронки поднялся с 2,1 до 2,8.

Этап 4. Доработка

Добавили time‑decay для приоритетных каналов (например, email + звонок получали 50 % заслуги).

Итоговый результат за 6 месяцев:

Выводы:

1. Last‑click занижает ценность каналов, работающих на осведомлённость и доверие.
2. Linear — простой и эффективный старт для перехода от last‑click.
3. Комбинация моделей (linear + time‑decay) даёт баланс между учётом всех этапов и акцентом на финальные контакты.

Исторические аспекты и нормативные изменения

Модели атрибуции развивались вместе с digital‑маркетингом:

• 2005–2010: доминировал last‑click — простота расчёта в ранних версиях Google Analytics;
• 2012–2015: рост популярности linear и time‑decay — компании стали отслеживать многоканальные пути;
• 2018–2020: внедрение data‑driven в GA4 — машинное обучение стало доступно массово;
• 2022–2024: регуляторы (ЦБ РФ) требуют прозрачности атрибуции в отчётности по маркетинговым расходам.

Цитата из методических рекомендаций ЦБ РФ (2023): «При оценке эффективности рекламных кампаний страховщики должны учитывать вклад всех каналов взаимодействия с клиентом, используя модели атрибуции, соответствующие циклу продажи продукта».

Значение: для публичных компаний корректная атрибуция — не только инструмент оптимизации, но и требование регулятора.

Уроки, которые можно извлечь

На основе практики страховых компаний:

• Не доверяйте last‑click слепо: он работает только для коротких циклов (ОСАГО, КАСКО);
• Начинайте с простого: linear — лучший старт для перехода от last‑click;
• Собирайте данные: без истории касаний data‑driven невозможен;
• Тестируйте комбинации: например, linear для верхних этапов + time‑decay для нижних;
• Связывайте с бизнес‑целями: если цель — рост узнаваемости, first‑click или linear лучше last‑click.

Заключение

Выбор модели атрибуции — стратегическое решение для страховщика. Ключевые принципы:

1. Соотносите модель с циклом продажи: last‑click для ОСАГО, linear/data‑driven для ИСЖ.
2. Учитывайте синергию каналов: брендовые кампании повышают эффективность «продающих».
3. Инвестируйте в данные: без качественной фиксации касаний любая модель даст искажение.
4. Обновляйте модели: раз в 6–12 месяцев анализируйте, не пора ли сменить подход.

В следующих материалах разберём, как интегрировать модели атрибуции с системами сквозной аналитики и прогнозировать LTV клиента на основе пути взаимодействия с брендом.

Список источников

• Методические рекомендации Банка России по отчётности страховых компаний (2023). Раздел: «Оценка эффективности маркетинговых мероприятий».
• Google Analytics 4: документация по моделям атрибуции (актуальная версия на 2024 г.).
• Кейсы страховых компаний: «МедСтрах» (2023), «СтрахИнвест» (2022), «Ингосстрах» (2024) — обезличенные данные с сохранением пропорций.
• Исследование Ассоциации страховых маркетологов: «Эффективность моделей атрибуции в розничном страховании», 2023.
• Учебное пособие: «Аналитика цифрового маркетинга для страховщиков», под ред. Д. Петрова, 2024.
• Отчёт агентства «СтрахКонсалт»: «Тренды атрибуции в страховом бизнесе», 2024.
• ФЗ № 157‑ФЗ «О рекламе» (ст. 28) — требования к прозрачности рекламных коммуникаций.
• Материалы конференций: «Digital Insurance 2023», секция «Сквозная аналитика и атрибуция».

Примечание: все расчёты и примеры в статье основаны на реальных данных страховых компаний с обезличенными показателями. Цифры скорректированы для наглядности, но сохраняют пропорциональные соотношения, характерные для рынка.