Марковские цепи в атрибуции генеративного поиска: оценка вклада скрытых ИИ-касаний в длинные B2B-сделки

Кризис классической атрибуции в эпоху диалогового поиска

В сложных B2B-продажах цикл сделки традиционно длится от нескольких месяцев до года. В принятии решения участвует закупочный комитет из пяти-семи специалистов: от технических лидеров и системных архитекторов до финансовых директоров. На протяжении этого пути компания совершает десятки взаимодействий с информационным полем вендора.

Однако классические аналитические платформы продолжают оценивать этот процесс через упрощенные эвристические модели. Доминирующий подход Last Non-Direct Click или атрибуция по последнему платному клику систематически приписывают 100% ценности закрытой сделки брендовому поиску, прямому заходу на сайт или узкотаргетированной рекламе на финальном этапе переговоров. В результате каналы, сформировавшие потребность и определившие шортлист поставщиков, объявляются неэффективными.

Ситуация драматически усложнилась с интеграцией генеративных поисковых ассистентов в повседневную практику технических специалистов. Эксперты формулируют развернутые промпты с техническими требованиями, ограничениями архитектуры и критериями безопасности непосредственно в диалоговых системах. В этот момент бренд либо попадает в синтезированный ИИ-ответ и становится базовым кандидатом, либо исключается из рассмотрения задолго до первого официального контакта с отделом продаж.

Традиционная веб-аналитика фиксирует лишь верхушку айсберга: прямой визит системного архитектора на страницу документации. За кадром остается многочасовое исследование рынка в поисковом ИИ-ассистенте, где архитектура решения была сопоставлена с конкурентами и признана оптимальной.

Феномен скрытых ИИ-касаний (Dark Generative Funnel)

Влияние генеративных движков на B2B-сделки обладает выраженной спецификой, которая делает стандартный учет переходов невозможным:

• Нулевой клик (Zero-Click Discovery): Инженер или руководитель получает исчерпывающее сравнение платформ непосредственно в интерфейсе генеративного ответа. Ссылка на сайт вендора цитируется как источник данных, но физический переход не совершается. Название бренда и его ключевые преимущества откладываются в памяти лица, принимающего решения.
• Потеря и деградация реферера: Когда переход из генеративного сервиса всё же происходит, реферерные заголовки часто очищаются браузерами или средами выполнения. В аналитических отчетах такие визиты маскируются под категорию Direct или неразмеченный органический трафик.
• Распределенное исследование внутри комитета: Разные участники рабочей группы задают смежные вопросы разным диалоговым системам: служба безопасности проверяет сертификацию, разработчики — поддержку стандартов интеграции, аналитики — совокупную стоимость владения. Суммарный вес этих взаимодействий огромен, но разрознен.

Математический аппарат: Дискретные цепи Маркова

Для преодоления ограничений эвристик применяется вероятностное моделирование на основе дискретных цепей Маркова (Discrete-Time Markov Chains, DTMC). Марковский процесс позволяет представить весь многоканальный путь клиента как случайное блуждание по ориентированному графу состояний.

Основные элементы модели

• Пространство состояний (S): Множество всех возможных точек контакта, через которые проходит потенциальный клиент. Сюда входят каналы: органический поиск, генеративные поисковые ассистенты, профильный контент-маркетинг, профильные сообщества, вебинары, контекстная реклама и прямые обращения.
• Начальное состояние (Start): Фиктивный узел, обозначающий начало пути исследования проблемы.
• Поглощающие состояния (Absorbing States): Финальные исходы цепочки, из которых нет дальнейших переходов: «Успешная сделка» (Конверсия) и «Отказ / Выход из воронки» (Отвал).
• Вероятность перехода (P_ij): Вероятность того, что после контакта с каналом i клиент на следующем шаге перейдет к каналу j или завершит взаимодействие.

Свойство марковости предполагает, что вероятность перехода в следующее состояние зависит исключительно от текущего канала. Хотя в реальном поведении клиента предыстория имеет значение, практика доказала: цепи Маркова первого и второго порядков дают превосходную аппроксимацию для длинных многоканальных цепочек, сохраняя вычислительную устойчивость и прозрачность интерпретации.

Построение матрицы переходных вероятностей

На основе исторических данных обо всех путях (как завершившихся контрактом, так и прервавшихся) рассчитывается матрица переходов P. Элемент матрицы p_ij определяется как отношение количества зафиксированных переходов из состояния i в состояние j к общему числу переходов из состояния i ко всем доступным узлам:

• В числителе — сумма переходов по траектории от канала A к каналу B.
• В знаменателе — суммарное число любых последующих действий пользователей после посещения канала A.
• Сумма вероятностей в каждой строке матрицы строго равна единице, что гарантирует сохранение стохастического баланса системы.

Расчет эффекта исключения (Removal Effect)

Главным инструментом оценки вклада конкретного канала в марковских моделях является алгоритм Removal Effect (эффект изъятия). Вместо назначения произвольных весов первому или последнему касанию модель измеряет уязвимость всей системы продаж при гипотетическом исчезновении исследуемого источника.

Этапы вычисления Removal Effect для канала генеративного поиска

1. Расчет базовой конверсии системы: Вычисляется суммарная вероятность перехода из начального узла Start в поглощающее состояние «Успешная сделка» по всем существующим траекториям полного графа.
2. Имитация отключения канала: Из графа полностью удаляется узел, соответствующий генеративному поиску. Все входящие в него вероятностные потоки перенаправляются в поглощающее состояние «Отказ / Выход из воронки» (поскольку альтернативный маршрут через ИИ-поиск становится недоступен).
3. Расчет усеченной конверсии: Определяется новая вероятность достижения целевого состояния «Успешная сделка» в графе без исследуемого узла.
4. Определение абсолютного коэффициента влияния: Removal Effect вычисляется по формуле: разность между базовой вероятностью и вероятностью без данного канала, деленная на базовую вероятность конверсии.
5. Нормализация весов атрибуции: Полученные коэффициенты всех каналов суммируются, и доля каждого канала делится на их общую сумму. В результате сумма долей составляет 100%, предоставляя математически выверенное распределение вклада в выручку.

Если при удалении узла «Генеративный поиск» общая вероятность заключения сделок в длинном цикле падает на 35%, это означает, что даже при скромном прямом трафике ИИ-касание служило ключевым связующим звеном, переводящим холодный интерес в стадию активного рассмотрения архитектуры.

Сравнение марковской атрибуции с классическими моделями

Чтобы понять глубину расхождений в оценке каналов, рассмотрим, как различные подходы интерпретируют типичную B2B-цепочку: первичное исследование в диалоговом ИИ-поиске, затем изучение экспертной статьи в блоге через органику, повторный уточняющий промпт в ИИ-ассистенте, переход на вебинар и закрытие сделки через брендовый поиск.

Модель последнего взаимодействия (Last Click)

• Распределение ценности: 100% приписывается брендовому поисковому запросу.
• Искажение: Верхний и средний уровни воронки оцениваются как нулевые. Маркетинг делает ложный вывод о необходимости вкладывать весь бюджет в контекст на бренд, сокращая инвестиции в экспертный контент и представленность в поисковых ИИ-системах.

Модель первого взаимодействия (First Touch)

• Распределение ценности: 100% отдается первичному упоминанию в генеративном ответе.
• Искажение: Полностью игнорируется сложная валидация продукта на последующих этапах, что ведет к недооценке вебинаров, документации и конверсионных посадочных страниц.

Линейная атрибуция (Linear)

• Распределение ценности: Ценность делится поровну между всеми зарегистрированными касаниями (по 20% каждому узлу пятизвенной цепи).
• Искажение: Критически важные узлы фильтрации и принятия решений уравниваются со случайными транзитными кликами.

Атрибуция на основе цепей Маркова (Markov Chains)

• Распределение ценности: Динамическое распределение пропорционально доказанному коэффициенту Removal Effect.
• Преимущество: Модель объективно распознает, что без второго ИИ-касания, снявшего архитектурные возражения, 80% пользователей уходили в отвал. Канал получает заслуженную долю в 35-40% атрибутированного дохода.

Методология выявления и оцифровки скрытых ИИ-касаний

Чтобы математический аппарат цепей Маркова получил достоверные входные данные, агентство Cobalt Media рекомендует трехуровневую систему сбора сигналов о присутствии компании в ответах генеративных систем:

1. Трекинг прямого и реферерного трафика из ИИ-систем

• Мониторинг специфических рефереров поисковых диалоговых интерфейсов и мобильных клиентов ассистентов.
• Фиксация параметров в логах веб-сервера при обращении краулеров генеративных систем к специализированным файлам разметки и документации.
• Выделение сегментов сессий с глубоким изучением узкоспециализированных страниц сразу после безанкорного захода.

2. Атрибуция на основе опросов в CRM (Self-Reported Attribution)

• Внедрение обязательного открытого вопроса в формы заявки на демонстрацию продукта: «Где вы впервые узнали о нашем решении или сопоставляли его с аналогами?».
• Лингвистический парсинг упоминаний поиска через диалоговые ИИ-интерфейсы и внесение соответствующего дискретного события в историческую цепочку клиента в CRM.

3. Корреляционный анализ видимости в генеративном поиске (GEO)

• Регулярный замер индекса цитируемости и присутствия бренда в пуле целевых промптов (Share of Model Voice).
• Сопоставление временных рядов появления рекомендаций бренда в диалоговых ответах со всплесками прямого трафика и прямых запросов в отдел продаж.
• Обогащение марковского графа виртуальными вероятностными узлами экспозиции в генеративных движках на основе когортного анализа.

Пошаговый план внедрения марковской атрибуции в B2B-компании

1. Консолидация идентификаторов пользователей: Объединение данных веб-аналитики, логов сервера и записей CRM с использованием единого сквозного идентификатора контакта или учетной записи компании (Account-Based Attribution).
2. Сборка цепочек взаимодействий: Преобразование разрозненных сессий в упорядоченные последовательности каналов для каждой сделки за последние 6-12 месяцев, включая как успешные контракты, так и отказы на стадии квалификации.
3. Калибровка шага цепи: Определение оптимального тайм-аута между касаниями для длинных B2B-циклов (например, объединение плотных сессий одной недели в единое состояние для предотвращения искусственного раздувания графа).
4. Вычисление переходной матрицы и Removal Effect: Программный расчет графа переходов, симуляция исключения каждого источника и получение нормализованных весов атрибуции.
5. Корректировка стратегии оптимизации под генеративный поиск (GEO): Перенаправление ресурсов контент-маркетинга и технического SEO на наполнение источников, которые служат фактологической базой для ИИ-поисковиков: подробная техническая документация, структурированные ответы на архитектурные вопросы, открытые бенчмарки и независимые отраслевые обзоры.

Стратегический вывод для директоров по маркетингу

В условиях, когда этап первичного выбора B2B-поставщиков смещается в генеративные поисковые системы, опора на традиционные метрики кликабельности и модели Last-Click ведет к стратегическому проигрышу. Марковские цепи и расчет эффекта исключения позволяют снять пелену с темной зоны воронки и математически доказать: инвестиции в присутствие бренда в ответах поисковых ассистентов являются фундаментом для закрытия самых дорогих и масштабных контрактов.

Cobalt Media проведет предварительный аудит, определит приоритетные направления роста и подготовит прозрачную оценку работ без обещаний гарантированного места в выдаче.

по теме

Услуга и связанный разбор

Стоимость SEO-продвижения↗Бесплатный SEO-Аудит↗