Современный взгляд на реферальные сети: формализованная причинность и интеграции из коробки

Мы привыкли видеть реферальные сети как цепочки переходов. Они отлично фиксируют события на поверхности воронки, но теряют причинно-следственные связи между участниками и действиями. В статье разбираем, как эта задача решается на уровне архитектуры: от событийного слоя до API-интеграций и построения долгосрочной ценности, превращая данные из CRM и маркетинга в точную карту влияний.

Боли реферальных систем:

Видят последнее касание, но не знают, кто инициировал интерес и как он эволюционировал.
Нет достоверной модели вклада: награды начисляются случайно/дублируются.
Эффективность рекомендателя сводится к количеству привлеченных пользователей, а не к их качеству.
Нельзя связать рекомендации, коммуникации и сделки в единую картину.
Нет единого формата для сквозной аналитики между CRM/платежами/партнёрками.

Итог: искажённая аналитика, утечки бюджета, невозможно честно сравнить каналы.

Recca - событийно-ориентированный слой учёта причинно-следственных связей между участниками.

Он фиксирует все события, роли и связи в виде направленного взвешенного графа, тем самым превращая хаотичные данные из CRM, аналитики и маркетинга в структурированную систему влияний.

Recca делает возможным то, что раньше было разрозненным:

анализ цепочек влияния (кто реально привёл клиента);
реконструкцию ROI на уровне каждой связи;
автоматическое распределение вознаграждений по формальной модели;
бесшовную интеграцию с любыми системами через API и вебхуки.

Основная задача любой теории... - сделать так, чтобы базовые элементы были максимально просты и так малочисленны, как только возможно без ущерба для адекватного представления... о том, что мы наблюдаем на практике.
Альберт Эйнштейн

Каждое взаимодействие фиксируется как событие (Event) с чётко определёнными параметрами:

//Агрегат Event { "event_id": "UUID", // идемпотентность "schema_version": "1.0", "source": "crm|website|lms", "type": "partnership|referral|purchase|lead|view", "participants": [ { "entity_id": "string", "role": "string", "weight_hint": 0.0 } ], "amount": 1000, // опционально для purchase "currency": "RUB", "timestamp": "ISO8601" }

Entity - одноранговые элементы: пользователь, оффер, кампания, компания, товар и т.д. Одна сущность может иметь разные роли в разных событиях: например, пользователь может быть агентом, продавцом, покупателем.

Все события формируют граф взаимодействий. Рёбра - связи между сущностями, веса - количественная мера вклада. Граф динамически обновляется и агрегируется по времени/источникам/типам событий и показывает:

как события распространяются по сети;
где затухают/концентрируются эффекты;
какие узлы наиболее значимы в потоке ценности.

Не просто схема, а живая аналитическая модель для BI, дашбордов и симуляций.

Кстати о симуляциях, посимулировать можно тут.

Trust Layer API - ядро, хранящее и обрабатывающее обезличенные события и вычисляющее веса.
Referral System - прикладной уровень, интерпретирует данные в конкретной бизнес-логике: рассчитывает комиссионные, строит отчёты, обменивается данными с внешними сервисами (CRM, платежки, ИИ, пользовательские приложения и т.д.). Но логика расчёта всегда остаётся математически воспроизводимой и проверяемой.

User/Service ── POST /events ────► Trust Layer (immutable log, weights) │ ├─► GET /attribution?event_id=... │ (пропорции вклада) │ └─► Webhook → Referral System

Идемпотентность по event_id.
Фильтры саморефералов/циклов.
Дедупликация и аудит-трейлы.
Верификация источника (source, подпись, allowlist IP).

Recca переводит объективный язык причинно-следственных связей в экономику. Это не оценка и не репутация, а измерение вклада через алгоритм.

Непредвзятость: один и тот же алгоритм для всех, без ручных исключений.
Верифицируемость: аудит событий без раскрытия персональных данных.
Интегрируемость: возможность подключать любые внешние источники данных, унифицированный JSON/REST, вебхуки, SDK.
Воспроизводимость: расчёт детерминирован, легко повторно посчитать.
Масштабируемость: один и тот же механизм работает для партнёрских сетей, маркетплейсов и DAO.

CAC ↓ за счёт реальной атрибуции и отсечения шума.
LTV ↑ через выявление узлов, действительно влияющих на удержание.
Payback быстрее за счёт точных выплат и автосверок.
0 дублей выплат, <X мин. на закрытие периода.

Система живёт за счёт взаимодействий, где каждое событие порождает цепочку влияния (как дерево коммитов в Git): потоки не только соединяют узлы, но и меняют вероятности будущих событий.

Усиливающие петли - положительная обратная связь, где каждое новое взаимодействие увеличивает вероятность следующих: больше вклада → больше веса → больше вовлечения.
Пример: пользователь привёл клиента → получил вес за успешную рекомендацию → система повышает его репутацию/рейтинг → он привлекает больше клиентов → и так далее.
Стабилизирующие петли - отрицательная обратная связь, стремящаяся ограничить рост и удержать систему в равновесии: отсутствие результата → снижение веса → балансировка.
Пример: слишком частая рекомендация без покупок → снижение веса → меньше показов → меньше новых взаимодействий.

Таким образом, система сама формирует поведенческие паттерны, и сеть сама приходит к устойчивому состоянию без ручной модерации.

Мы используем понятие вознаграждения через распределение потока, в котором вес одного события влияет на перераспределение будущих потоков. Вес - не просто константа, а функция от события и контекста. Это создаёт основу для реферальных каскадов и сетевых эффектов:

Вес передаётся по графу с затуханием: по времени или расстоянию от источника;
Учитывает объем сделки / историю взаимодействий / уникальность связей (например, первое касание ценнее);
Каждый участник системы получает свою долю, в зависимости от веса его связей в цепочке.
Это стимулирует вовлечение в долгосрочные и качественные связи, а не в разовые действия.

Дает возможности:

задать кастомную формулу calculateWeight(event), делает Trust Layer более гибким;
задать разные модели распределения веса: линейная, логарифмическая, кастомная;
экспериментировать с эффектами, как в системной динамике (например, запускать симуляции).

Елена становится агентом второго уровня. Михаил (L1) получает +7, Елена (L2) +3, вклад затухает пропорционально расстоянию до источника события.

R_k = C * (α^(k-1)) / Σ(α^(j-1))

где C - общий пул вознаграждения (ставка реферального пула * сумма сделки), α - коэффициент затухания (0 < α < 1), k - уровень агента, L - глубина цепочки.

ΔScore_agent,k = β * (C/100) * (R_k / C)

где β - коэффициент роли (например, 2).

Чем ближе агент к источнику события, тем выше вклад. Даже отдаленные связи сохраняют влияние, но с меньшей амплитудой. Это создает "затухающие каскады заслуг", математическую основу для справедливой реферальной системы.

Модель исключает дубли, предсказуема, пригодна для A/B и офлайн-пересчётов.

1) Отправка события покупки:

POST /events { "event_id": "d5d9c3d2-9d9e-4a9c-a0d2-6a4b8a6c2a11", "schema_version": "1.0", "source": "shop", "type": "purchase", "participants": [ {"entity_id": "user:buyer_42", "role": "buyer"}, {"entity_id": "user:agent_mikhail", "role": "agent"}, {"entity_id": "offer:premium_course", "role": "offer"}, {"entity_id": "org:school_xyz", "role": "seller"} ], "amount": 1000, "currency": "EUR", "timestamp": "2025-10-21T07:30:00Z" }

2) Получение пропорций распределения:

GET /attribution?event_id=d5d9c3d2-9d9e-4a9c-a0d2-6a4b8a6c2a11 { "total": {"amount": 1000, "currency": "EUR"}, "pool": {"r": 0.1, "C": 100}, "alpha": 0.7, "shares": [ {"entity_id": "user:agent_mikhail", "role": "agent", "R_k": 70}, {"entity_id": "user:elena_l2", "role": "agent_l2", "R_k": 30} ] }

3) Выплата/проводка на стороне вашей ERP/CRM/платежки по полученным shares.

Пример интерпретации: Агент L1 получает 70 % пула, L2 - 30 % при α=0.7. Ближе к источнику - больше вклад; дальние связи не исчезают, но затухают. Это даёт затухающие каскады влияния.

Точный расчёт ROI по каждому каналу и агенту.
Автоматизация начисления вознаграждения без ручных сверок.
Возможность white-label-встраивания в существующие продукты.

Прозрачная карта влияний в команде и партнёрской сети.
Прогнозирование каскадных эффектов (вирусность, churn, LTV).
A/B на уровне событий, а не только кампаний.

Простая модель данных (Entity–Event–Role).
REST/вебхуки/SDK, идемпотентность, аудит-трейлы

Точный учёт вклада преподавателей/амбассадоров/агентов в регистрацию учеников.

Атрибуция на уровне клиента/аккаунта, автоначисления партнёрам.

Доли подрядчиков, дизайнеров, менеджеров в выручке кампаний.

Распределение токенов/голосов по формальным событиям

Кто реально двигает спрос, а не кто первый кликнул.

Recca - это математика причинности для реферальной экономики. Она объединяет данные, устраняет человеческий фактор и строит доказуемую карту влияний, по которой можно: