--- title: Атрибуция и реклама questionDates: q-transfer-0119: '2026-10-01' q-transfer-0120: '2026-10-01' q-transfer-0121: '2026-10-01' q-transfer-0122: '2026-10-01' q-transfer-0123: '2026-10-01' q-transfer-0124: '2026-10-01' q-transfer-0125: '2026-10-01' seo: description: >- Тема «Атрибуция и реклама» для собеседования Product Analyst. Как окно атрибуции влияет на канал установки приложения? Что такое модель атрибуции? title: Атрибуция и реклама — Product Analyst --- [Все темы Product Analyst](/prep/product-analyst) ## Как окно атрибуции влияет на канал установки приложения? [#q-transfer-0119] Канал получает credit только если install или re-engagement попадает в заданное окно после клика или показа. Короткое окно уменьшает ложные присвоения, но теряет длинные пути; длинное чаще приписывает органические установки рекламе. Click-through и view-through окна обычно различаются. Нужно отдельно определить момент install или first open и правила re-attribution конкретной MMP. Метка через 3 или 40 дней зависит от этих настроек, поэтому универсального срока нет. Атрибуция не равна инкрементальному эффекту канала. :::note[Ссылки для изучения] 1. [Окна атрибуции установок по кликам и просмотрам: настройка в AppsFlyer](https://support.appsflyer.com/hc/ru/articles/208338403) ::: --- ## Что такое модель атрибуции? [#q-transfer-0120] Модель атрибуции задает, как распределить credit за конверсию между наблюдаемыми касаниями пользователя в выбранном окне. Она фиксирует идентификатор пользователя или устройства, правила дедупликации и момент конверсии. Last-click, first-click и многокасательные модели отвечают на вопрос учета, а не причинности. Ненаблюдаемые касания, cross-device и ограничения платформ меняют результат. Чтобы узнать, сколько конверсий реклама добавила, нужен эксперимент или причинный квазиэксперимент, а не одна атрибуционная таблица. :::note[Ссылки для изучения] 1. [Модели атрибуции: как один путь к покупке распределяется между источниками в Яндекс Метрике](https://yandex.ru/support/metrica/ru/reports/attribution-model) ::: --- ## Как восстановить путь пользователя до установки мобильного приложения? [#q-transfer-0121] Рекламная ссылка несет campaign и click identifiers, MMP фиксирует клик, а SDK приложения связывает их с install и first open. Deferred deep link может после установки открыть нужный экран. Детерминированное сопоставление использует доступные device identifiers, вероятностное менее надежно и ограничивается privacy-политиками. Источники дедуплицируют по правилам окон и приоритета. Полный путь часто восстановить нельзя из-за перехода через store, cross-device, ATT и агрегированных отчетов, поэтому явно указывают наблюдаемую часть. :::note[Ссылки для изучения] 1. [Связь рекламного взаимодействия с первым запуском: Install Referrer, SDK и идентификаторы в AppsFlyer](https://support.appsflyer.com/hc/ru/articles/207447053) ::: --- ## Какие ограничения есть у моделей атрибуции? [#q-transfer-0122] Атрибуция видит только измеренные касания и теряет cross-device, offline и часть walled gardens. Результат зависит от окна и правила credit: last-click переоценивает нижнюю часть воронки, first-click верхнюю, многокасательные модели зависят от данных и допущений. Каналы могут каннибализировать органику, а пользователи с высокой склонностью к покупке чаще видеть рекламу. Поэтому attribution полезна для учета пути, но не дает инкрементальный эффект без эксперимента или причинного дизайна. :::note[Ссылки для изучения] 1. [Почему атрибуция не показывает дополнительный эффект рекламы: примеры инкрементальности AppsFlyer](https://support.appsflyer.com/hc/ru/articles/41021758795025) ::: --- ## Чем измерение customer journey в web отличается от мобильного приложения? [#q-transfer-0123] В web путь чаще связывают cookie, first-party ID и авторизацией, хотя браузерные ограничения и cross-device создают разрывы. В mobile между рекламой и приложением находится store: нужно связать клик с install и first open через MMP, device identifiers, app или universal links и deferred deep links. ATT и SKAdNetwork ограничивают пользовательский уровень данных на iOS. Поэтому одинаковая воронка имеет разные точки наблюдения, окна и неопределенность. Схему событий проектируют отдельно, а не склеивают источники по ненадежным признакам. :::note[Ссылки для изучения] 1. [Идентификация в web: ClientID браузера и собственный UserID в Яндекс Метрике](https://yandex.ru/support/metrica/ru/general/clientid-userid) 1. [Идентификация в mobile: магазин приложений, первый запуск, Install Referrer и ATT](https://support.appsflyer.com/hc/ru/articles/207447053) ::: --- ## Как оценить инкрементальность рекламы без A/B-теста? [#q-transfer-0124] Без индивидуального A/B причинность слабее, но можно использовать естественную вариацию. Difference-in-differences сравнивает изменение с контрольной группой при допущении параллельных трендов. Synthetic control строит взвешенный контроль из других регионов, interrupted time series моделирует тренд и момент вмешательства, matching балансирует наблюдаемые факторы. Geo-experiment все еще является экспериментом, если регионы рандомизированы. Для любого квазиэксперимента показывают pre-trends, placebo-тесты и чувствительность к скрытому confounding, не называя корреляцию гарантированным lift. :::note[Ссылки для изучения] 1. [Оценка эффекта без случайного A/B: diff-in-diff и допущение параллельных трендов](https://habr.com/ru/companies/X5Tech/articles/867734/) ::: --- ## Чем различаются основные модели атрибуции? [#q-transfer-0125] First-touch отдает весь credit первому касанию, last-touch последнему. Linear делит поровну, time-decay сильнее весит поздние касания, position-based повышает вес первого и последнего. Data-driven модель оценивает вклад по наблюдаемым путям, но наследует ограничения данных и не становится автоматически причинной. Выбор зависит от решения и доступной наблюдаемости; изменение длины пути и окна может резко поменять результат. Поэтому модели сравнивают на одних данных и не смешивают их показатели в одном отчете. :::note[Ссылки для изучения] 1. [Сравнение правил атрибуции: первый и последний клик, линейная модель и U-Shape в Roistat](https://help-ru.roistat.com/features/Analitika_i_otchety/Analitika/Modeli_atribucii/) :::