[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-multi-touch-attribution::ru":3,"gloss-cluster-multi-touch-attribution::ru":23,"gloss-next-multi-touch-attribution::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"multi-touch-attribution","analytics","Многоканальная атрибуция (Multi-Touch Attribution)","Многоканальная атрибуция распределяет заслугу за конверсию между всеми маркетинговыми точками касания, с которыми взаимодействовал клиент, — статьёй в блоге, ретаргетинговой рекламой, вебинаром, демо, — вместо того чтобы отдавать 100% последнему клику. Разные модели взвешивают касания по-разному: линейная (поровну), с временным затуханием (недавние касания весомее), U- или W-образная (доминируют первое и последнее касание) или data-driven модели, которые выучивают веса из исторических данных. Для SaaS-разработчиков с длинными многосессионными B2B-циклами атрибуция по последнему клику систематически переоценивает нижние каналы воронки (брендовый поиск) и обделяет верхний контент, который на самом деле создал спрос, — и вы урезаете не тот бюджет. Инструменты вроде Dreamdata и HockeyStack строят такие модели на объединённых клиентских путях. Практический совет: ни одна модель атрибуции не является *истиной*; каждая — это линза, и они будут расходиться. Выберите одну основную модель, держите её стабильной, чтобы тренды оставались сопоставимыми, и относитесь к атрибуции как к ориентиру для распределения бюджета, а не к бухгалтерски точной правде. Тесты инкрементальности (holdout-эксперименты) лучше отвечают на вопрос о причинности.","Многоканальная атрибуция делит заслугу за конверсию между всеми касаниями вместо 100% последнему клику: линейно, с затуханием, U-образно или по данным.",null,[11,14,17,20],{"slug":12,"name":13},"customer-data-platform","Платформа клиентских данных (CDP)",{"slug":15,"name":16},"funnel","Воронка (Funnel)",{"slug":18,"name":19},"north-star-metric","Метрика «Полярная звезда» (North Star Metric)",{"slug":21,"name":22},"product-analytics","Продуктовая аналитика",[24,28,31,35,38,39,42,45,48,51,54,57],{"slug":25,"category":5,"name":26,"updated_at":27},"ab-testing","A\u002FB-тестирование","2026-08-24T02:46:38+00:00",{"slug":29,"category":5,"name":30,"updated_at":27},"active-user","Активный пользователь (DAU, WAU, MAU)",{"slug":32,"category":5,"name":33,"updated_at":34},"autocapture","Автозахват (Autocapture)","2026-08-24T02:46:37+00:00",{"slug":36,"category":5,"name":37,"updated_at":27},"cost-per-resolution","Стоимость решения обращения (cost per resolution)",{"slug":12,"category":5,"name":13,"updated_at":34},{"slug":40,"category":5,"name":41,"updated_at":27},"deflection-rate","Доля самообслуживания (deflection rate)",{"slug":43,"category":5,"name":44,"updated_at":27},"guardrail-metric","Метрика-ограничитель",{"slug":46,"category":5,"name":47,"updated_at":34},"identity-resolution","Разрешение идентичности (Identity Resolution)",{"slug":49,"category":5,"name":50,"updated_at":27},"novelty-effect","Эффект новизны",{"slug":52,"category":5,"name":53,"updated_at":34},"retention-curve","Кривая удержания (Retention Curve)",{"slug":55,"category":5,"name":56,"updated_at":27},"sample-ratio-mismatch","Расхождение долей выборки (SRM)",{"slug":58,"category":5,"name":59,"updated_at":27},"seat-utilization","Утилизация лицензий (seat utilization)"]