директор и машина · маркетинг · заметка с планёрки · запись № 045 · 25 августа 2026 · Давид Герштейн

Почему UTM-метки теряются у части лидов — и как ИИ восстанавливает источник

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные.

Если у вас в отчёте есть строка «источник не определён» — вы принимаете решения по неполной картине. Вопрос только в том, насколько неполной: у нас таких лидов было около 15%, и это оказались не случайные крохи, а вполне конкретные деньги.

Скажу сразу: я эту строку полгода считал погрешностью и не трогал. Моя ошибка — смотрел на процент, а не на деньги за ним. Ниже — как мы отдали «ничью» часть машине, что вышло и что пока нет.

Планёрка, вторник, отчёт по лидам за месяц. Оля показывает воронку — и в самом низу таблицы строка «источник: —», то есть без UTM-метки. Пятнадцать процентов. Все молчат секунды три, потом кто-то спрашивает: «Это баг?»

Не баг. Это люди, которые почистили куки, включили блокировщик рекламы или зашли с приватной вкладки. UTM-метки теряются ещё до того, как форма отправлена. В обычный месяц таких 10–15%. В декабре, когда трафик другой и часть заявок идёт через мессенджеры без ссылки на конкретное объявление, доля подскочила до 30%. Треть лидов — и мы не знаем, откуда они.

Дальше выясняется вторая часть проблемы, ещё неприятнее первой: часть лидов, наоборот, размечена — но два-три раза. Одна точка входа плодит дубликаты в CRM, и конверсия по отчёту падает день ото дня, хотя реальная ситуация не меняется. Руководитель нашёл это случайно, листая утренний отчёт: цифры не бились, а виноват оказался не отдел продаж, а склейка данных.

Что делают с лидами без UTM-метки — и почему это дорого

Скорее всего, у вас сейчас первый вариант — и он самый дорогой.

Первый инстинкт — доразметить руками. Оля неделю сидела и вручную сопоставляла заявки без метки с рекламным кабинетом: смотрела время визита, страницу входа, текст обращения, пыталась угадать источник по стилю формулировок. Неделя рабочего времени маркетолога — это примерно 40 часов. По ставке около 1 000 ₽/час (оценка) — 40 000 ₽ в месяц уходит просто на то, чтобы понять, откуда пришли люди, которые и так уже стали лидами.

При этом решение неточное: человек угадывает источник по интуиции, а не по системе признаков. И в отчёт всё равно попадает пометка «предположительно», которую руководитель на планёрке видит как повод не доверять цифре целиком. Один из участников тогда прямо сказал: «Отсутствие информации — это отсутствие рычагов давления, и это меня прям очень сильно бесит». По сути — без источника нельзя ни хвалить канал, ни резать его бюджет с уверенностью.

Разделить конверсию по каналам (условно Директ и Яндекс) без нормальной атрибуции вообще не получается — и это одна из причин, почему лиды есть, а куда уходят деньги между маркетингом и продажами — непонятно. Здесь же речь только про один узкий кусок: что делать с лидами, у которых просто нет метки.

Что попробовали: машина вместо ручной разметки

Логика, которую вы можете повторить: если человек по косвенным признакам понимает, откуда пришёл лид, значит эти признаки формализуемы — а раз формализуемы, их можно отдать машине.

Решили не гадать руками, а отдать черновую сортировку модели. Идея простая: у лида без UTM всё равно остаётся след — referrer, user agent, страница входа, время визита, текст заявки. По этим косвенным признакам модель не восстановит метку дословно, но может дать вероятностную гипотезу источника и объяснить, почему так решила. Дальше маркетолог смотрит только на те случаи, где уверенность низкая, а не разбирает всю пачку заново.

Технически это выгрузка из amoCRM по вебхуку — каждый новый лид без поля utm_source уходит в отдельную обработку. На входе — JSON с полями, которые CRM и так собирает:

Ты — аналитик атрибуции лидов. На вход поступает лид без UTM-метки.
Твоя задача: оценить наиболее вероятный источник трафика и указать
уровень уверенности. Не выдумывай источник, если признаков недостаточно —
в этом случае честно ставь "unknown".

Данные лида (JSON):
{
  "lead_id": "8842",
  "created_at": "2026-08-12T14:03:00",
  "referrer": "android-app://com.google.android.gm",
  "landing_page": "/uslugi/otsenka",
  "device": "mobile",
  "form_text": "интересует расчёт стоимости, хочу успеть до конца месяца",
  "utm_source": null,
  "utm_campaign": null
}

Верни JSON строго по схеме:
{
  "lead_id": string,
  "probable_source": string,   // например: "email", "organic", "paid_social", "direct", "unknown"
  "confidence": number,        // от 0 до 1
  "reasoning": string          // короткое объяснение на основе признаков
}

Пример ответа модели на этот лид:

{
  "lead_id": "8842",
  "probable_source": "email",
  "confidence": 0.62,
  "reasoning": "Referrer указывает на переход из Gmail-приложения, формулировка заявки похожа на отклик на рассылку, а не на рекламный оффер. Уверенность средняя — нет данных о конкретной кампании."
}

Отдельным промптом та же модель ищет дубликаты: сравнивает email, телефон и временной интервал между заявками с одной точки входа — и тут стоит помнить, что из этих данных можно отправлять в нейросеть, а что нельзя. Помеченные повторы не считаются отдельными лидами в отчёте по конверсии.

Что получилось, а что ещё нет

Из пятнадцати процентов «ничьих» лидов модель уверенно (confidence выше 0.7) размечает примерно половину — дальше это ложится в ваш отчёт с пометкой источника, а не прочерком. Остальные так и остаются «unknown», и это честно: лучше открытый пробел, чем красиво угаданная неправда. На ваш отдел с полутора сотнями лидов в месяц это означает, что из примерно 18 неразмеченных заявок (оценка, 12% от 150) девять получают вероятный источник автоматически, а не ждут, пока у Оли будет свободная неделя.

Дедупликация сработала быстрее и понятнее: за первый же месяц отчёт по конверсии перестал «проседать» из-за задвоенных карточек — это было видно сразу, без сложных расчётов. А вот с восстановлением источника мы пока в процессе: часть гипотез модели маркетолог перепроверяет вручную, потому что «reasoning» иногда цепляется не за тот признак. Ещё не знаем, стабилизируется ли точность на новых данных или придётся дообучать промпт под конкретные паттерны трафика.

Вывод такой: ИИ не заменяет UTM-метки и не чинит блокировщики кук — это вообще не про него. Он снимает самую нудную часть работы — не сидеть и не гадать по каждому лиду вручную, а получать пачку гипотез сразу с пометкой, где модель уверена, а где нет. По деньгам это та самая неделя маркетолога в месяц, около 40 000 ₽ (оценка) — и это без учёта того, сколько на самом деле стоит сам ИИ в месяц — именно эффект от разметки, без остальных изменений в отделе.

И вещь важнее самой разметки. Умение открыть отчёт и спросить, чего в нём нет, — это управленческий навык, и его придётся освоить. Руководитель, который видит дыру в данных раньше подчинённых, стоит дороже того, кто читает готовые проценты. У меня этот навык вырос дорого — через месяцы решений вслепую.

Проверьте сегодня одну цифру — долю лидов без источника. Больше десяти процентов — значит, на эту часть бюджета вы платите вслепую, и никакая аналитика это не вылечит, пока дыра в разметке открыта. Как собрать разметку и что делать с дублями — разложено в бесплатном курсе.

Частые вопросы

Это то же самое, что генератор UTM-меток?

Нет, задача обратная. Генератор собирает размеченную ссылку до запуска рекламы — это работа исполнителя перед кампанией. Здесь лид уже пришёл, метки у него нет и размечать нечего; вопрос управленческий — чем закрыть дыру в отчёте, по которому вы режете бюджеты. Генератор её не закрывает.

Чем это отличается от построения сквозной аналитики?

Сквозная аналитика связывает рекламу, заявки и деньги целиком — это отдельный проект на недели. Здесь разобран один её узкий участок: лиды, у которых метки нет вообще. Систему это не заменяет, а закрывает дыру, из-за которой её отчёт врёт.

Можно ли восстановить UTM-метку, если лид уже пришёл без неё?

Точную UTM-метку — нет, она формируется только при переходе по размеченной ссылке. Но по косвенным признакам (referrer, страница входа, текст заявки) ИИ-модель может дать вероятный источник с оценкой уверенности — этого достаточно для отчёта, но не для точной атрибуции.

Сколько лидов обычно приходят без UTM-метки?

В среднем 10–15% от общего числа лидов, а в пиковые месяцы (например, декабрь) доля может вырасти до 30% — из-за блокировщиков рекламы, приватных вкладок и заявок из мессенджеров без ссылки на конкретное объявление.

Как ИИ находит дубли лидов в CRM?

Модель сравнивает email, телефон и временной интервал между заявками с одной точки входа и помечает вероятные повторы — это не даёт задвоенным карточкам искажать отчёт по конверсии.

#аналитика и отчётность #ии и нейросети #ошибки и провалы