Attribution-модель для SMB-стека: підхід з AI

Якщо ви власник, що крутить маркетинг через Google, Meta, LinkedIn, email і власний сайт — і ваш CFO хоч раз спитав "який канал реально приносить виручку?" і у вас не було відповіді — це для вас. Attribution на SMB-масштабі не неможлива; вона зазвичай переусладнена.

Чому enterprise attribution падає на SMB-масштабі?

Бо enterprise MTA припускає обʼєми даних, яких у 30-500-людних компаній немає. Статистичні алгоритми, що проектувалися на мільйони touchpoints, поводяться нестабільно на кількох тисячах, які SMB бачить за квартал — а вартість їх роботи зʼїдає маркетинговий бюджет, який вони мали оптимізувати.

Визначення: Multi-touch attribution (MTA) — метод, що розподіляє кредит за конверсію по всіх маркетингових touch'ах клієнта, переважно зважено за позицією, decay або навченою моделлю.

Правильний SMB-підхід — не пропустити attribution. Це використати простішу модель чесно, назвати, що вона не бачить, і використати AI для judgment-шару, до якого дані не доходять.

Як виглядає чесна SMB-attribution модель?

Три шари + явний "unknown".

Шар 1: first-touch. Який канал перший представив клієнта компанії? Найкращий сигнал для top-of-funnel performance.

Шар 2: last-touch. Який канал був активний безпосередньо перед конверсією? Найкращий сигнал для closing-ефективності.

Шар 3: journey-weighted middle. Touch'ам між першим і останнім — невелика фіксована вага; equal split — ок на SMB-масштабі.

Шар 4: явний unknown. Будь-яка конверсія, де ви чесно не можете відновити journey (offline referral, пропущений UTM, cross-device) — у labelled bucket. Не "direct". Не тихо проігнорована.

Unknown bucket — найважливіший. SMB-attribution зазвичай падає бо кожна нетрекана конверсія летить у "organic / direct", який тоді виглядає найкращим каналом — а це насправді unknown bucket у маскуванні.

Де реально допомагає AI?

У чотирьох конкретних місцях. Жодне — "порахувати число attribution".

1. Мапінг UTM-хаосу у канонічні канали

У кожної SMB та сама проблема: тридцять варіантів utm_source для пʼяти каналів. AI чудово першочерково мапить raw UTM-значення у чисті імена каналів, які ви потім ревʼюїте і блокуєте.

2. Перехресне звіряння розбіжностей

Коли Meta каже, що принесла 47 конверсій, а ваш website tracker показує 31 з utm_source=facebook — AI може взяти обидва звіти і запропонувати найімовірніше reconciliation: зазвичай timezone або attribution-window mismatch. Економить години triage.

3. "Ми не знаємо" judgment

Для конверсій у unknown bucket можна дати AI історію взаємодій клієнта (дзвінки, email, support) і запитати "який імовірний first-touch?" Це не точна відповідь — це чесна probabilistic, що краща за silent miscategorisation, у яку дефолтять enterprise-інструменти.

4. Написання тижневого наративу

CFO не хоче таблицю; вона хоче абзац. AI чудово перетворює attribution-числа, обсяг unknown bucket і week-over-week дельти у 3-реченнєвий тижневий narrative.

Шаблон визначення attribution-моделі

SMB Attribution Model v1
Визначення конверсії: [напр. "перше платне замовлення"]
Tracking window: [напр. "60-day lookback"]

Кредит на конверсію:
- First-touch: 40%
- Last-touch: 40%
- Middle: 20% порівну
- Unknown: будь-яка конверсія, де first або last touch не відновлюється надійно → labelled bucket, не призначений

Канонічний список каналів (заблокований):
- paid_search_google
- paid_social_meta
- paid_social_linkedin
- organic_search
- direct_known   (referrer = власний домен чи відомий партнер)
- email_outbound
- email_nurture
- referral_partner
- offline_event
- unknown

Reporting: тижнево, з:
- Кредит на канал
- Розмір unknown bucket у % конверсій (ціль: <25%)
- Confidence note на топ-канал (high / medium / low)

40-40-20 — не магічне; це defensible. Рухайте, якщо є причина. Ціль unknown bucket (<25%) важливіша за точний розподіл.

Tool tip (AIAdvisoryBoard.me): Attribution виправдовує себе лише коли тижневий channel performance читається у Plan → Fact → Gap — що канал мав принести, що приніс, що цей gap означає для наступного тижня spend. Наша операційна система тягне Plan з marketing-коміту, Fact — з platform exports, потім пише Gap-наратив, який CFO реально читає. 7-денна діагностика показує, наскільки великий насправді ваш unknown bucket. На https://aiadvisoryboard.me/?lang=en.

Manager scan (2-хвилинний digest)

• Визначення конверсії записане — одне на метрику, без drift
• UTM-хаос звужений до заблокованого канонічного списку, ревʼю квартально
• 40-40-20 first/last/middle, або документована альтернатива — без "AI це зробив"
• Unknown bucket названий, виміряний, трекається — ніколи не у direct/organic
• Unknown bucket <25% конверсій; вище — дані надто шумні для spend-рішень
• Confidence-смуга (high/medium/low) на топ-канал щотижня
• AI для UTM-мапінгу, reconciliation, narrative — не для credit assignment
• Платформенні числа диф'аться тижнево проти власного трекера; gap логується
• Spend-рішення посилаються на attribution + confidence-смугу, не на голий headline
• Квартально: чи модельний "best channel" вижив у holdout-тестах (пауза spend, виміряний lift)?

Micro-case (що змінюється за 7-14 днів)

B2B-сервісна SMB на 75 людей розподіляла бюджет за "що каже Meta dashboard про найбільше lead'ів" два квартали. Meta показувала високий conversion count; реальна виручка з тих lead'ів була мала бо low-intent. Зібрали 40-40-20 модель із заблокованим канонічним списком, дали AI UTM-хаос для першочергового мапінгу, виявили unknown bucket на 41% конверсій — тобто дві третини історичного attribution були ненадійні. До тижня 2 модель показала LinkedIn paid social і одного referral partner реальними драйверами виручки, unknown bucket скоротився до 22% через кращу UTM-гігієну. Meta все ще давала volume; просто не той сегмент. Перекроїли spend mid-quarter на confidence-band-aware базі, не на headline, і виручка на маркетинговий долар покращилась наступного місяця. Чесність unknown bucket — те, що зробило рішення defensible.

Note on this case: Приклад ілюстративний — на основі типових патернів у компаніях 30-500 людей, не конкретний клієнт. Числа — округлені діапазони, не гарантії.

Tool tip (AIAdvisoryBoard.me): SMB-attribution рішення йдуть боком бо marketing і finance дивляться на різні числа. Маркетинг звітує platform conversions; фінанси — зібрану виручку; ніхто не володіє мостом. Наша операційна система робить цей міст видимим як Plan → Fact → Gap на канал, з AI-наративом, що пояснює дельти мовою, зрозумілою обом. Старт 7-денної діагностики на https://aiadvisoryboard.me/?lang=en.

FAQ

Чому не data-driven attribution у GA4? На SMB-обʼємах GA4 модель часто падає на last-click бо даних не вистачає для fit. Ви отримуєте sophisticated-звучне число, що по суті last-click із зайвими кроками. Краще бути явним про свою модель.

Як щодо server-side tracking і CAPI? Варто робити для каналів, де це матиме значення (Meta особливо). Server-side покращує inputs моделі, але не саму модель. Робіть; атрибуйте на чистіших inputs.

Як обробляти offline-конверсії чи sales-closed deals? Так само — назвіть як канал ("sales_outbound" або "offline_event"), призначайте кредит за тими ж правилами, і прийміть, що first-touch для них часто в unknown bucket. Це чесно, не fail.

Чи запускати holdout-тести? Так, квартально. Поставте один канал на павзу 2 тижні (або geo-holdout, якщо multi-region) і виміряйте реальний lift. Holdout-результат, не output моделі, — це правда.

CMO хоче одне ROI-число на канал. Дати? Дайте з confidence-смугою. Point estimate без смуги — це precision-брехня. CMO має навчитись, що "LinkedIn ROI: 3.2x ± 1.0 (medium)" корисніше за "LinkedIn ROI: 3.2x".

Висновок

SMB-attribution — не precision-вправа; це ranking-вправа з чесними confidence-смугами. First-touch, last-touch, equal-middle, названий unknown. AI допомагає на messy-краях — UTM, reconciliation, narrative — не у самому credit assignment.

Заблокуйте список каналів. Шипніть просту модель. Скорочуйте unknown bucket. Додайте confidence до кожного звіту.

Якщо хочете систему, що автоматично показує Plan → Fact → Gap — включно з каналами, де ви чесно не знаєте — дивіться, як працює 7-денна діагностика на https://aiadvisoryboard.me/?lang=en.