# Атрибуція paid ads з AI: розплутуємо multi-touch

> First-touch, last-touch, linear, data-driven — кожна модель бреше в свій бік. Як SMB без аналітичної команди запускає AI-assisted multi-touch attribution, що тримає удар від фінансів.

- Автор: Ярослав Максимович (Founder & CEO, AI Advisory Board)
- Опубліковано: 2026-06-19
- Оновлено: 2026-10-26
- Джерело: https://aiadvisoryboard.me/uk/blog/paid-ads-attribution-solving-multi-touch-mess

Якщо ти засновник і дивишся на paid-ads дашборд, що каже «канал X дав 110% атрибутованого revenue» — ти вже знаєш, що модель атрибуції бреше. Просто ще не знаєш, у який бік.

## TL;DR

- Чотири стандартні моделі (first-touch, last-touch, linear, data-driven) брешуть кожна у свій бік; обрати одну і триматися — чесніше за усереднення.
- SMB без аналітичної команди може запустити AI-assisted multi-touch attribution через тріангуляцію трьох виглядів — platform-reported, self-reported, time-shift — замість довіряти будь-якому одному дашборду.
- Щотижневий Plan → Fact → Gap дайджест атрибуції захищає рекламний бюджет на board meeting значно краще за найгарніший Looker.

## Чому кожна модель атрибуції бреше?

Бо кожна модель кодує теорію поведінки покупця, а реальність не вкладається в жодну окрему теорію. Покупець бачив LinkedIn-рекламу у жовтні, гуглив у листопаді, клікнув ретаргетинг у грудні, купив після рекомендації у січні. Кожна модель обирає, кому з цих дотиків віддати кредит.

> **Визначення:** Multi-touch attribution (MTA) — будь-яка модель, що розподіляє кредит за одну конверсію між кількома touchpoint, з якими покупець стикнувся до покупки.

Для SMB обман — це не аналітична проблема, а проблема захисту бюджету. Коли платформа каже, що paid social дав €120k, а CFO трасує тільки €38k у pipeline — хтось бреше. Зазвичай обидва.

## Які 4 моделі і як вони брешуть?

Той самий шлях покупця, чотири версії, хто заслуговує кредиту.

### First-touch

100% кредиту першому touchpoint. Бреше на користь brand-awareness каналів (LinkedIn, display, подкасти).

> **Визначення:** First-touch attribution — 100% кредиту конверсії віддається першій маркетинговій взаємодії покупця з брендом.

### Last-touch

100% кредиту останньому touchpoint перед конверсією. Бреше на користь capture-каналів (Google search, бренд-ретаргетинг).

### Linear

Кредит рівними частками між усіма touchpoint. Бреше тим, що ставить brand-awareness impression і high-intent клік як однаково важливі. Математично охайно, стратегічно оманливо.

### Data-driven

Платформенні алгоритми присвоюють кредит за історичними патернами конверсій. Бреше непрозорістю — ваги не аудитуєш, а у платформ vested interest, щоб їхні канали скорилися високо.

Найменш погана опція для SMB: брати last-touch як операційну метрику, потім тріангулювати ще двома виглядами перед будь-яким квартальним бюджетним рішенням.

## Метод тріангуляції

Три незалежні вигляди тих самих тижневих конверсій. Де всі троє згоден — вір. Де розходяться — оце і є інсайт атрибуції.

### Вигляд 1: Platform-reported

Що кожна рекламна платформа стверджує, що вона привезла. Завищено, але стабільно завищено — користуйся трендом, не абсолютом.

### Вигляд 2: Self-reported (post-purchase опитування)

Одне питання на сторінці підтвердження замовлення або першому onboarding-екрані: «Звідки ви про нас вперше почули?». Free-text. AI категоризує відповіді за вашою таксономією каналів.

> **Визначення:** Self-reported attribution — відповідь покупця на «звідки ви про нас вперше почули», категоризована постфактум; хронічно недорахує платних каналів, але виставляє word-of-mouth.

Цей вигляд систематично недорахує paid (покупець пам'ятає друга, який порекомендував, а LinkedIn-рекламу забуває). Gap між platform-reported і self-reported — сам по собі інсайт.

### Вигляд 3: Time-shift тест

Зупини один paid-канал на 2 тижні. Зміряй обсяг конверсій. Поверни. Дельта — з поправкою на сезонність — це incremental value.

Це єдиний вигляд, що дає причинно-наслідковий доказ. Запускай поквартально на кожен великий канал.

## Copy/paste промпт тріангуляції

Для щотижневого review через три вигляди.

```
Роль: Senior marketing analyst, multi-touch attribution
triangulation для SMB [N] людей у [галузь].

Вхідні (на канал, останні 7 днів):
- Platform-reported конверсії: [N]
- Self-reported відповіді з згадкою каналу: [N]
- Загалом відповідей опитування: [N]
- Витрати: [€]
- Активний/призупинений time-shift тест? [Y/N]

Для кожного каналу:
1. Платформенний CPA (витрати / platform-reported конверсії).
2. Self-report share (відповіді з каналом / всі відповіді).
3. Фларгати, якщо platform-reported і self-report share
   розходяться більше ніж у 2 рази — це trust gap.
4. Якщо активний time-shift тест — порахувати incremental
   конверсії проти control-тижня.
5. Рекомендація: hold spend, scale, cut або pause-test.

Вивід: markdown-таблиця, рядок на канал,
колонки на метрики, trust-gap флаг, рекомендація.
Наприкінці — 3-рядковий "що змінилося цього тижня" саммарі.

Жорстко: не давати єдиного "true" CPA.
Завжди показувати platform-вигляд і тріангульований
поруч. Gap — це і є інсайт.
```

Обмеження «не давати єдиного true CPA» зупиняє AI від колапсу тріангуляції в одну фальшиву цифру, яку процитують на board meeting.

> **Tool tip (AIAdvisoryBoard.me):** Атрибуція — найдорожча Plan → Fact → Gap проблема в маркетингу. План — «витратити €X на канал Y цього місяця». Факт — «платформа каже Y дав €A, опитування каже €B, time-shift каже €C». Gap між цими трьома — це місце, де бюджет неправильно розподіляється. SMB без аналітиків палять 20-40% paid spend, бо ніхто не проганяє це щотижня. 7-денна діагностика показує патерн gap до будь-якого rollout — подивись: https://aiadvisoryboard.me/?lang=en.

## Manager scan (приклад 2-хвилинного дайджесту)

- **Plan:** €40k paid social, €25k Google search, €10k display цього місяця
- **Fact:** Платформа звітує €68k атрибутованого revenue (170% від витрат)
- **Gap:** Self-report опитування атрибутує 31% pipeline до "друг / рекомендація" — paid-канали завищені
- **Plan:** LinkedIn-реклама приводить кваліфікований pipeline
- **Fact:** Платформа показує 42 конверсії, опитування — 8% згадок LinkedIn
- **Gap:** Trust gap >2x — рекомендую time-shift тест наступного місяця
- **Plan:** Google search на ціль €18 CPA
- **Fact:** Платформа показує €22 CPA
- **Gap:** Трохи вище цілі; поки не actionable — моніторити ще 2 тижні
- **Plan:** Display retargeting тримати плоско
- **Fact:** Призупинено на 2-тижневий time-shift тест
- **Gap:** Обсяг конверсій впав на 6% — incremental value display реальний, але менший, ніж стверджує платформа
- **Plan:** Квартальний бюджетний review наступного тижня
- **Fact:** Тріангульований вигляд готовий
- **Gap:** Немає — board pack використовує тріангульовані, не платформенні цифри

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

B2B services фірма на 110 людей витрачала близько €55k/місяць на paid: 60% LinkedIn, 25% Google search, 15% display. Looker-дашборд на last-touch говорив, що LinkedIn робить ~4x ROAS. Фінанси не могли це звести з реальними closed-deals. Додали post-purchase опитування, прогнали 2-тижневу паузу LinkedIn як time-shift, review щотижневий. Тріангульований вигляд: LinkedIn давав brand awareness для ~35% покупців, але отримував кредит за 70% конверсій від платформи. Google search був реальним last-touch capture-каналом для більшості paid-атрибутованих угод. Зрізали LinkedIn на 30%, перенаправили в реферальну програму (найбільше self-reported джерело), і за 6 тижнів загальний кваліфікований pipeline виріс приблизно на п'яту частину — на меншому paid spend.

> **Note on this case:** Приклад ілюстративний — на типових патернах у компаніях 30-500 людей, не за одним клієнтом. Цифри — округлені наближення поширених діапазонів, не гарантії.

> **Tool tip (AIAdvisoryBoard.me):** SMB не тріангулюють атрибуцію, бо ніхто не володіє щотижневим дайджестом. Платформенні цифри легкі — платформи їх присилають; self-report і time-shift потребують живої руки. Щоденна Plan → Fact → Gap система, що сама тягне платформенні цифри, підказує категоризувати опитування і трекає активні time-shift тести, прибирає відмазку «нема часу підтримувати». Подивитися, як 7-денна діагностика автоматично виводить цей патерн: https://aiadvisoryboard.me/?lang=en.

## FAQ

**Можемо просто взяти Google data-driven attribution і довіряти?**
Google data-driven скорить Google-канали добре — було б дивно, якби ні. Тріангуляція з self-reported і time-shift ловить цей bias. Бери data-driven як один вхід, ніколи як єдиний.

**Хіба post-purchase опитування не мають низького response rate?**
20-40% response rate — типово для одного питання на сторінці підтвердження замовлення. Цього достатньо, щоб детектити 2x trust gap. Не достатньо для fine-tuning, але ти й не fine-tune'еш — ти детектиш, який канал бреше.

**А iOS 14 / cookie deprecation, що ламає платформенні цифри?**
Це і є причина існування цього методу. Платформенні цифри прогресивно менш довірчі з 2021. Тріангуляція — не workaround degradation-у, а спосіб захистити бюджет, коли трекінг ламається ще далі.

**Як часто time-shift на кожен канал?**
Поквартально на великий канал. Частіше — операційно болюче; рідше — пропускає сезонні зрушення incremental value.

**Це замінює нашу аналітичну платформу?**
Ні. Це шар над аналітичною платформою — те, що звітує аналітика, потрапляє у Вигляд 1. Метод працює і з €200k Adobe-стеком, і з €50/місяць Plausible.

## Висновок

Кожна модель атрибуції бреше у свій бік. Захищуваний відповідь для SMB без аналітиків — тріангуляція: platform-reported, self-reported, time-shift, щотижневий review як Plan → Fact → Gap. Trust gap між трьома виглядами — це і є реальний інсайт; колапс у одне число вбиває інсайт.

Обери last-touch як операційну метрику. Підніми post-purchase опитування. Заплануй перший time-shift тест.

Якщо хочеш систему, що автоматично показує Plan → Fact → Gap — щодня, через усю компанію — подивись, як працює 7-денна діагностика: https://aiadvisoryboard.me/?lang=en.

---

Цитуючи, посилайтесь на https://aiadvisoryboard.me/uk/blog/paid-ads-attribution-solving-multi-touch-mess. Більше статей: https://aiadvisoryboard.me/uk/blog