DATA-DRIVEN ATTRIBUTION MODELING IN DIGITAL MARKETING

Galyna CHORNOUS; Mariana PETROVA; Maryna HORNA; Nikolay PENEV; Maiia PUSTOVIT

doi:10.17721/1728-2667.2026/228-1/20

Автор(и)

Галина ЧОРНОУС, д-р екон. наук, проф. Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0003-4889-1247
Маріана ПЕТРОВА, д-р фіз.-мат. наук, проф. St. Cyril and St. Methodius University of Veliko Tarnovo
Марина ГОРНА, канд. екон. наук, доц. Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0002-6011-5753
Ніколай ПЕНЕВ, канд. екон. наук, доц. Trakia University
Майя ПУСТОВІТ, бакалавр Київський національний університет імені Тараса Шевченка

DOI:

https://doi.org/10.17721/1728-2667.2026/228-1/20

Ключові слова:

Маркетингова атрибуція, цифровий маркетинг, атрибуція на основі даних, значення Шеплі, ланцюги Маркова, мультиканальна аналітика, Python

Анотація

В с т у п . У сучасному цифровому середовищі маркетингові комунікації стали багатоканальними, персоналізованими та динамічними, що зумовлює зростаючу потребу у точному вимірюванні ефективності кожної взаємодії користувача з брендом. Традиційні правила маркетингової атрибуції, які надають усю цінність одній точці контакту, вже не забезпечують належного рівня аналітичної точності. У відповідь на ці виклики все ширше застосовують економіко-математичні методи, зокрема й моделі на основі ланцюгів Маркова та значень Шеплі, що дають змогу аргументовано й кількісно обґрунтовано розподіляти цінність між усіма каналами.

М е т о д и . Методологія дослідження ґрунтується на поєднанні загальнонаукових і спеціалізованих методів. Зокрема, використано теоретичне моделювання, порівняльний аналіз, а також стохастичне моделювання (ланцюги Маркова) та теорію кооперативних ігор (значення Шеплі).

Р е з у л ь т а т и . У цьому дослідженні вивчено проблему маркетингової атрибуції в цифровому середовищі, доведено обмеженість традиційних моделей та обґрунтовано переваги адаптивних підходів, таких як ланцюги Маркова та значення Шеплі. Практична реалізація та порівняльний аналіз моделі на основі значень Шеплі підтвердили її вищу точність і здатність об'єктивно оцінювати внесок кожного каналу, що дозволило сформулювати цінні рекомендації для оптимізації маркетингових стратегій.

В и с н о в к и . Розроблено та впроваджено модель атрибуції на основі значень Шеплі, що дає змогу враховувати маржинальний внесок каналів у всіх можливих комбінаціях взаємодій, на відміну від традиційних моделей маркетингової атрибуції, що засновані на правилах. Результати дослідження можуть бути використані компаніями для точнішого оцінювання ефективності маркетингових каналів, оптимізації бюджету та підвищення рентабельності інвестицій у цифрову рекламу.

Завантажити

Дані для завантаження поки недоступні.

Посилання

Ben Mrad, A., & Hnich, B. (2024). Intelligent attribution modeling for enhanced digital marketing performance. Intelligent Systems with Applications, 21, 200337. https://doi.org/10.1016/j.iswa.2024.200337.

Cain, P. M. (2014). Brand management and the marketing mix model. Journal of Marketing Analytics, 2(1), 33–42.

Chornous G., & Fareniuk Y. (2021). Marketing mix modeling for pharmaceutical companies on the basis of data science technologies. Access to science, business, innovation in digital economy, 2(3), 274–289. https://doi.org/10.46656/access.2021.2.3(6)

Cooper, A. (2022, December 31). How Shapley values work. https://www.aidancooper.co.uk/how-shapley-values-work/

Dhar, S., & Singh, N. (2020). Attribution Modelling in Marketing: Literature Review and Research Agenda. Academy of Marketing Studies Journal, 24(4), 1–21. https://www.abacademies.org/articles/Attribution-modelling-inmarketing-Literature-review-and-Research-Agenda-1528-2678-24-4-313.pdf

Dorokhova, L., Kuusik, A., Dimitrov, R., Pentus, K., Dorokhov, O., & Petrova, M. (2023). Planning the digital marketing budget: computer modelling for decision making. Access to science, business, innovation in the digital economy, 4(2), 248–260. https://doi.org/10.46656/access.2023.4.2(7)

Gaur, J., & Bharti, K. (2020). Attribution Modelling in Marketing: Literature Review and Research Agenda. Academy of Marketing Studies Journal, 24(4), 1–21. https://www.abacademies.org/articles/attribution-modelling-in-marketingliterature-review-and-research-agenda-9492.html

Gujar, P., Paliwal, G., Panyam, S., & Kewalramani, C. (2024). Тhe evolution of ads marketing mix modeling (MMM): From regression models to AI-powered planning for SMBs. IEEE Technology and Engineering Management Society Journal, 1(1), 1–6. https://doi.org/10.1109/TEMSCONLATAM61834.2024.10717768.

Hosahally, S., Bharadwaj, M., Zaremba, A., & Volkova, O. (2025). Measuring digital advertising in a post-cookie era: A study of marketing-mix models, attribution and incrementality. Journal of Digital & Social Media Marketing. 12(4), 348–373. https://doi.org/10.69554/wsat6359.

Kamena, R. (2021). Moving towards inferential attribution modelling in a world without third-party cookies. Applied Marketing Analytics: The Peer-Reviewed Journal. 7(2), 122–130. https://doi.org/10.69554/gltl7716.

Karray S., Martín-Herrán G., Sigué S. P. Managing advertising investments in marketing channels. Journal of Retailing and Consumer Services, 2022, 65, 102852. https://doi.org/10.1016/j.jretconser.2021.102852

Lee, J., Jung, O., Lee, Y., Kim, O., & Park, C. (2021). A Comparison and Interpretation of Machine Learning Algorithm for the Prediction of Online Purchase Conversion. Journal of Theoretical and Applied Electronic Commerce Research, 16(5), 1472–1491. https://doi.org/10.3390/jtaer16050083

Li, Y., Xie, Y., & Zheng, Z. (2017). Modeling Multi-Channel Advertising Attribution Across Competitors. Microeconomics: Intertemporal Consumer Choice & Savings eJournal, (Working Paper No. 3047981, pp. 1–58).https://doi.org/10.2139/ssrn.3047981.

Mathew, M. (2016). Attribution: Untangling the web of confusion – a primer for marketers. Applied Marketing Analytics: The Peer-Reviewed Journal, 329–339. https://doi.org/10.69554/ijhx1689.

Mehta, K., & Singhal, E. (2020). Marketing channel attribution modelling: Markov chain analysis. International Journal of Indian Culture and Business Management, 21(1), 63–77. https://doi.org/10.1504/ijicbm.2020.10027991

Méndez-Suárez, M., & Monfort, A. (2021). Marketing Attribution in Omnichannel Retailing, Springer (114–120). https://doi.org/10.1007/978-3-030-76935-2_14.

Mulc, T., Anderson, M., Cubre, P., Zhang, H., Liu, I., & Kumar, S. (2025). NNN: Next-Generation Neural Networks for Marketing Mix Modeling. ArXiv,abs/2504.06212. https://doi.org/10.48550/arXiv.2504.06212.

Ravid, R. (2025). Marketing Mix Modeling in Lemonade. ArXiv, abs/2501.01276. https://doi.org/10.48550/arXiv.2501.01276.

Sciarrino, J., Friedman, J., Kirk, W. T., Mayers, C. A., & Prudente, J. J. (2025). Salespersons as media channel: Making marketing mix modelling work for business-to-business. Journal of Digital & Social Media Marketing,12(4). https://doi.org/10.69554/WNIS8466

Seth, S., & Ramakrishnan, S. (2025). Innovations in Multi-Touch Attribution Models: Beyond Traditional Marketing Analytics in the Pharmaceutical Sector. 2025 International Conference on Emerging Smart Computing and Informatics (ESCI) (pp. 1–5). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/ESCI63694.2025.10988316. https://doi.org/10.1109/ESCI63694.2025.10988316.

Sharma, P., Meena, J., & Ibrahim, S. (2017). Media mix modeling comparison of interaction model to simple log-linear model. Asian Journal of Pharmaceutical and Clinical Research, 10, 390. 10.22159/ajpcr.2017.v10s1.19763.

Sun, Y. (2023). Marketing attribution models: A survey of techniques used in the industry. Statsig. https://www.statsig.com/blog/marketing-attributionmodels-tech-survey

Yusup, M., Wijono, S., Manongga, D., Sembiring, I., Prasetyo, S. Y., & Wellen, T. (2024). Systematic Literature Review: The Role of Artificial Intelligence in Digital Marketing. Journal Sensi, 10(1), 56–66. https://doi.org/10.33050/sensi.v10i1.3117

Zhao, K., Mahboobi, S. J., & Bagheri, S. R. (2022). Some game theoretic marketing attribution models. Annals of Operations Research, 322, 153–179. https://doi.org/10.1007/s10479-022-04944-5

Zhou, S., Pei, Q., & Li, J. (2024). From Multi-Touch Attribution to Marketing Mix Modeling: Leveraging Multi-Information Fusion for Advanced Advertising Analytics. IEEE/WIC International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT) (pp. 677–681). ). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/WIIAT62293.2024.00109.