Почему атрибуция сложнее в B2B
В B2C путь клиента короткий: увидел рекламу - кликнул - купил. Один или два касания. Last-click атрибуция работает приемлемо.
В B2B путь выглядит так: LinkedIn ad (не кликнул) - органическая статья в поиске (читал 10 минут) - ретаргетинг (кликнул, но закрыл) - рекомендация коллеги (зашёл напрямую) - форма на сайте - 3 звонка с SDR - демо с AE - 45 дней обсуждения - покупка.
Какому каналу приписать продажу? Все существующие модели дают частично неправильный ответ.
Четыре основные модели
Last-click
100% кредита - последнему каналу перед конверсией. Обычно это органический поиск или прямой заход.
Проблема: недооценивает каналы которые работают в начале воронки (LinkedIn, дисплейная реклама, контент). Маркетолог режет бюджет на то что реально строит спрос.
Где применимо: короткий цикл сделки (до 7 дней), один явный канал привлечения.
First-click
100% кредита - первому касанию. Противоположная крайность.
Проблема: игнорирует всё что происходит перед покупкой. Если первое касание - органика, вы никогда не узнаете что именно подтолкнуло к финальному решению.
Где применимо: когда важно понять что именно строит первичную осведомлённость о продукте.
Linear
Кредит распределяется поровну между всеми касаниями.
Проблема: первый просмотр LinkedIn-рекламы (5 секунд) получает столько же веса сколько demo-звонок который длился час.
Где применимо: как базовая модель когда нет данных о качестве взаимодействий.
Time-decay
Больше веса получают поздние касания. Логика: что ближе к покупке, то важнее.
Проблема: недооценивает ранние каналы которые формируют спрос. Особенно несправедлива для content-маркетинга.
Где применимо: короткий цикл сделки где последние касания действительно важнее.
Data-driven атрибуция
Google Ads и GA4 предлагают data-driven модель: алгоритм сам определяет вес каждого касания на основе исторических данных о конверсиях.
Звучит как решение. Но в B2B есть проблемы:
- Нужны тысячи конверсий для достаточного обучения. У большинства B2B-компаний - десятки в месяц.
- Конверсия которую видит Google (лид на сайте) - не финальная конверсия (закрытая сделка). Алгоритм обучается на неправильной цели.
- Модель работает в рамках данных Google. Касания в LinkedIn, direct, referral - в черном ящике.
Что реально работает для B2B
Вместо одной «правильной» модели - комбинация подходов:
First + last touch в CRM
Сохраняйте в CRM два поля: источник первого касания и источник последнего касания перед лидом. Анализируйте оба. Это даёт понимание что генерирует осведомлённость и что триггерит заявку.
Revenue по каналу
Самая важная метрика: сколько ARR принёс каждый канал за квартал. Считается вручную: взять закрытые сделки за квартал, посмотреть их источник в CRM, суммировать по каналам.
Это не real-time, но это честная цифра на основе реальных денег.
Инструменты замыкания рекламы на CRM
Для автоматизации: нужен инструмент который видит данные рекламных платформ (spend, клики) и данные CRM (лиды, сделки) одновременно и строит сквозную аналитику.
Prooflytics решает именно эту задачу - соединяет данные Meta, Google, LinkedIn с воронкой в CRM и показывает cost per closed deal по каждой кампании без ручных сводных таблиц.
Практический совет
Не тратьте недели на выбор «идеальной» модели атрибуции. Начните с простого:
- UTM в каждую рекламную ссылку
- Источник сохраняется в CRM при создании лида
- Раз в месяц: выгрузка закрытых сделок с источником, сравнение с рекламным бюджетом по каналам
Это занимает 2-3 часа в месяц и даёт 80% нужной информации для бюджетных решений.
Автоматизацию добавите когда базовая дисциплина работает стабильно.
Вывод
Не существует атрибуционной модели которая идеально описывает реальность B2B-продаж. Last-click занижает top-of-funnel, first-click занижает bottom-of-funnel, linear слишком механистичен.
Правильный подход: принять ограничения любой модели, использовать несколько метрик параллельно и принимать решения на основе revenue по каналу, а не только CPL или CPC.