Модель похожа на «Атрибуцию на основе данных» от Google Analytics. Тоже использует машинное обучение для составления портретов аудитории и лучшего определения тех, кто чаще достигает конверсионного действия на сайте.
Эта модель атрибуции будет полезна для:
Сигналов для учета конверсий в ней намного больше, чем в любой другой модели. Напомним: в 2021 году к стандартным сигналам учета (демография, регион и т.п.) добавился кросс-девайс. Он учитывал входы одного человека с различных устройств. Теперь же учитываются еще и домохозяйства. Это группа устройств в рамках, например, одной семьи, которую технология Крипта вычисляет с помощью математических алгоритмов. Так можно понять вклад в конверсию каждого устройства конкретного домохозяйства.
Использование этой модели ускоряет обучение кампаний. Автоматическая атрибуция даёт больше данных для обучения конверсионных стратегий в Директе. Так, на проекте по доставке посылок, с атрибуцией «Последний значимый переход кросс-девайс» обучение вышло на приемлемый CPA только с 3-4 недели:
А с применением автоматической модели атрибуции со старта обучения кампании — CPA был ниже уже со второй недели:
Если нужно более полно оценить влияние вашей рекламной кампании на количество получаемых конверсий.
Яндекс особенно рекомендует «Автоматическую модель атрибуции», если Директ — ваш основной канал получения конверсий.
С ней вы сможете учитывать алгоритмы, которые не учитываются в других моделях атрибуции, а значит — отследить уникальные пути совершения конверсий, в которых поучаствовала ваша реклама в Директе.
Она учитывает не только последние переходы, но и историю визитов. И, важно — то, как в конкретный момент реклама в Директе влияла на получение конверсии. А значит — мы можем оптимизировать кампанию и получить больше конверсий по проекту в целом, чем было до применения «Автоматической модели атрибуции».