# Attribution-модель для SMB-стека: підхід з AI

> Більшість SMB не можуть собі дозволити повний MTA-сетап, але мають знати, які канали працюють. Прагматичний підхід на Google + Meta + LinkedIn + email + website з AI, що закриває розриви…

- Автор: Ярослав Максимович (Founder & CEO, AI Advisory Board)
- Опубліковано: 2026-06-12
- Оновлено: 2026-10-26
- Джерело: https://aiadvisoryboard.me/uk/blog/attribution-modeling-smb-stack-ai-assisted

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.

## TL;DR

- Enterprise MTA — overkill для SMB: вимагає обʼємів даних і engineering-команди, яких у вас немає.
- Прагматична SMB-модель — first-touch + last-touch + journey-weighted middle + явний "unknown" bucket. AI закриває судження, які дані не можуть.
- Вихід — не точне число на канал, а confidence-смуга, що ранжує канали і чесно показує "ми не знаємо".

## 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.

---

Цитуючи, посилайтесь на https://aiadvisoryboard.me/uk/blog/attribution-modeling-smb-stack-ai-assisted. Більше статей: https://aiadvisoryboard.me/uk/blog