атрибуція (attribution)

Також називають: мобільна атрибуція, маркетингова атрибуція

Приписування заслуги за нового користувача чи покупку каналу або кампанії. На мобільних зараз спирається на механізми сторів, що захищають приватність і дають агреговані дані із затримкою.

Атрибуція (attribution) визначає, якому каналу чи кампанії приписати встановлення, реєстрацію чи покупку. Класична вебатрибуція відстежує людину між точками контакту й застосовує правило: останній дотик (last touch), перший дотик (first touch) або розподіл заслуги між кількома дотиками (multi-touch).

Мобільна атрибуція у 2026 році працює за значно суворіших правил приватності:

Відстеження потребує дозволу. На iOS пов'язувати користувача між застосунками й сайтами інших компаній можна лише з його явної згоди, і значна частка людей відмовляє. На Android користувач може скинути або видалити рекламний ідентифікатор, а правила приватності платформи продовжують змінюватися. Приховане «зняття відбитків» (fingerprinting — зіставлення пристроїв за IP-адресою та характеристиками) порушує правила платформ.
Механізми атрибуції магазинів застосунків, що захищають приватність, заповнюють прогалину. Коли реклама приводить до встановлення, платформа сама надсилає рекламодавцеві звіт (postback) про те, що кампанія дала встановлення, плюс грубе значення конверсії, яке застосунок виставляє за ранньою поведінкою користувача. Ці звіти агреговані (без ідентифікаторів користувачів), затримуються на випадковий проміжок, надходять у кількох часових вікнах протягом перших тижнів і містять менше деталей для малих кампаній, щоб жодну людину не можна було виокремити.
Власні посилання лишаються детермінованими. Посилання-запрошення, реферальні й глибокі посилання (deep links), які ви генеруєте самі, точно кажуть, звідки прийшов користувач, бо це ваші власні (first-party) дані.

Практичний наслідок: для більшості платного трафіку ROI кожної реклами на рівні користувача й у реальному часі більше не доступний. Команди поєднують кілька недосконалих поглядів: звіти механізмів магазинів — для результатів на рівні кампаній, власні посилання — для своїх каналів, LTV когорт за каналами — там, де його видно, тести на інкрементальність — щоб перевірити, що насправді додають платні витрати, і дедалі частіше моделювання маркетингового міксу (marketing mix modeling), яке статистично оцінює внесок кожного каналу за витратами й результатами в часі. У кошику «органіки» завжди є встановлення, які насправді привели платні кампанії, але які не вдалося атрибутувати.

Приклад

У жовтні Halves отримує 12 000 встановлень. Атрибуція в Theo:

Джерело	Встановлення	Звідки відомо
Запрошення	3 600	власні посилання-запрошення Halves (точно)
Пошукова реклама в магазині	700	звіт кампанії від магазину
Платні соцмережі	2 100	звіти механізму магазину (агреговані, із затримкою)
Неатрибутовані («органіка»)	5 600	усе інше
Разом	12 000	3 600 + 700 + 2 100 + 5 600 ✓

Кабінет платформи соцмереж приписує собі 3 000 встановлень — на 900 більше, ніж у звітах магазину, бо рахує також тих, хто лише бачив рекламу, і застосовує власне моделювання. Жодне число не є «правдою»: у звітах магазину бракує встановлень, для яких деталі приховано або звіт ще не надійшов (останні дні жовтня неповні), а цифра платформи містить людей, які встановили б застосунок і так.

Theo звітує про платні соцмережі як «2 100 атрибутованих встановлень, частина з 5 600 органічних, імовірно, теж завдяки рекламі; інкрементальний ефект перевіримо гео-тестом», а не обирає лестиві 3 000.

Типові помилки

Складати заяви всіх платформ. Кабінет кожного каналу приписує заслугу собі; сума часто перевищує реальні встановлення.
Вважати останні дні остаточними. Звіти механізмів магазинів надходять із затримкою; свіжі періоди завжди виглядають слабшими, доки дані не «осядуть».
Вважати «органіку» безкоштовними користувачами. Частина її — платний трафік, який не вдалося атрибутувати; скорочення витрат може зменшити й «органіку».
Ототожнювати атрибуцію з причиною. Те, що встановлення приписали рекламі, не означає, що реклама його спричинила; тестуйте інкрементальність.
Гнатися за даними на рівні користувача через fingerprinting. Це порушує правила платформ і закони про приватність; будуйте аналітику на агрегованих даних.