Multi-Touch Attribution (MTA): Definice a modely

Multi-touch attribution (MTA) je měřicí model, který rozděluje zásluhu za konverzi napříč všemi marketingovými touchpointy, se kterými zákazník přišel do kontaktu před nákupem, místo aby připsal veškerou zásluhu jedné reklamě nebo kliknutí. Pokud nakupující viděl native ad, později klikl na retargetingovou reklamu a poté konvertoval po brandovém vyhledávání, MTA přiřadí zlomkový podíl této konverze každému ze tří dotyků, místo aby ji celou připsal poslednímu.

Běžné modely MTA#

Lineární modely přisuzují každému touchpointu stejnou zásluhu. Modely s časovým útlumem (time-decay) přikládají touchpointům blíže ke konverzi větší váhu než těm dřívějším. Poziční modely (U-shaped) přisuzují prvnímu a poslednímu dotyku větší podíl a zbytek rozdělují mezi prostřední. Data-driven nebo algoritmické modely, často postavené na Shapleyho hodnotách nebo podobném přístupu z teorie her, odhadují marginální přínos každého dotyku přímo z historických dat, místo aby aplikovaly pevné pravidlo.

Jak se liší od single-touch modelů#

Nejjednodušší alternativou je připsání zásluhy tomu touchpointu, který se aktivoval jako poslední v rámci definovaného attribution window, prostřednictvím conversion pixelu v okamžiku nákupu. To je jednoduché na výpočet, ale systematicky podhodnocuje hornofunilové kanály, jako jsou native discovery placementy, které spíše produkt představují, než aby prodej uzavíraly. MTA se to snaží napravit rozložením zásluhy napříč celou cestou, což obvykle znamená, že hornofunilová native advertising a display advertising vypadají v modelu MTA cenněji než v last-touch modelu.

Proč je jeho provádění obtížnější#

MTA závisí na spojení touchpointů jednoho uživatele napříč zařízeními a relacemi, což vyžaduje trvalé identifikátory: cookies, mobilní reklamní ID nebo párování přihlášeného uživatele. Omezení cookies v prohlížečích a limity sledování na úrovni platforem toto spojování postupně ztěžují, takže modely MTA se stále více spoléhají na modelované nebo pravděpodobnostní párování, aby zaplnily mezery, místo deterministického click trackingu. To je jeden z důvodů, proč více inzerentů nyní investuje do sběru first-party dat, protože záznam uživatele, který vlastníte přímo, přežije změny v platformovém sledování lépe než ten, který si pronajímáte.

Jaké má místo vedle dalších měření#

MTA funguje nejlépe jako středofunilová diagnostika, která ukazuje, které touchpointy se obvykle objevují společně na vítězné cestě, spíše než jako konečné slovo o hodnotě kanálu. Seriózní nákupní týmy pravidelně kontrolují, zda hodnota kanálu implikovaná modelem přetrvá skutečný experimentální holdout, protože kanál, kterému MTA připisuje třetinu konverzí, může při skutečném vypnutí pro testovací skupinu stále vykazovat téměř nulový efekt.

Pochopení toho, které kanály pohánějí povědomí v horním funilu, začíná tím, že víte, co se skutečně spouští. Nástroj pro sledování native reklam od OpenAdLibrary ukazuje, kteří inzerenti ve vašem oboru aktivně spouštějí native kreativa, což je užitečný vstup předtím, než se rozhodnete, jak velkou zásluhu v atribuci si kanál zaslouží ve vašem vlastním modelu.

Praktické poznámky k nastavení#

Správné fungování MTA vyžaduje konzistentní sledovací identifikátor napříč každou sítí, aby bylo možné touchpointy od stejného uživatele skutečně spárovat, plus konzistentně aplikovanou délku attribution window napříč kanály. Neshodující se okna mezi platformami, například 7denní okno na jednom dashboardu a 30denní na jiném, zneplatní jakékoli cross-channel srovnání MTA ještě předtím, než model vůbec poběží. Uvedení vašich základních dat o ad spendu a konverzích do čistého stavu stojí za to ještě před investicí do sofistikovanějšího data-driven modelu, který na nich bude postaven.