Multi-Touch Attribution (MTA): Definition og Modeller

Multi-touch attribution (MTA) er en målemodel, der fordeler kreditten for en konvertering på tværs af alle markedsføringsberøringspunkter en kunde har interageret med før købet, i stedet for at give al kredit til en enkelt annonce eller et klik. Hvis en shopper så en native annonce, senere klikkede på en remarketing-annonce og derefter konverterede efter en brandet søgning, tildeler MTA en brøkdel af den konvertering til hvert af de tre berøringspunkter i stedet for at tildele alt til det sidste.

Almindelige MTA-modeller#

Lineære modeller giver hvert berøringspunkt lige meget kredit. Tidshenfald-modeller giver berøringspunkter tættere på konverteringen mere vægt end tidligere. Positionsbaserede (U-formede) modeller giver det første og sidste berøringspunkt en større andel og fordeler resten på midten. Data-drevne eller algoritmiske modeller, ofte bygget på Shapley-værdier eller en lignende spilteoretisk tilgang, estimerer hvert berøringspunkts marginale bidrag direkte fra historiske data i stedet for at anvende en fast regel.

Hvordan det adskiller sig fra single-touch modeller#

Det enkleste alternativ er at give kredit til det berøringspunkt, der fyldte sidst inden for et defineret attributionsvindue, via en konverteringspixel på købstidspunktet. Det er simpelt at beregne, men det undervurderer systematisk øvre-funnel kanaler som native discovery-placeringer, som har en tendens til at introducere et produkt snarere end at lukke salget. MTA forsøger at rette op på dette ved at sprede kreditten på tværs af hele rejsen, hvilket normalt betyder, at øvre-funnel native annoncering og display annoncering ser mere værdifulde ud under en MTA-model end under en last-touch model.

Hvorfor det er blevet sværere at køre#

MTA afhænger af at samle en enkelt brugers berøringspunkter på tværs af enheder og sessioner, hvilket kræver vedvarende identifikatorer: cookies, mobile annonce-ID'er eller et logget-ind bruger-match. Browser-cookie-restriktioner og platformsniveau sporingsbegrænsninger har gjort denne sammenkobling mere utæt over tid, så MTA-modeller læner sig i stigende grad på modelleret eller probabilistisk matching for at udfylde huller snarere end deterministisk kliksporing. Det er en del af grunden til, at flere annoncører nu investerer i indsamling af first-party data, da en brugerpost, du ejer direkte, overlever platformssporingsændringer bedre end en, du lejer.

Hvor det passer ind sammenlignet med andre målinger#

MTA fungerer bedst som en midt-funnel diagnostik, der viser, hvilke berøringspunkter der har en tendens til at optræde sammen på en vindende sti, snarere end som det endelige ord om kanalværdi. Seriøse medieindkøbsteams kontrollerer periodisk, om modellens underforståede kanalværdi overlever et rigtigt eksperimentelt holdout, da en kanal, som MTA siger bidrager med en tredjedel af konverteringerne, stadig kan vise tæt på nul effekt, når du faktisk slukker for den for en testgruppe.

At forstå, hvilke kanaler der driver øvre-funnel bevidsthed, starter med at vide, hvad der faktisk kører. OpenAdLibrary's native ad spy tool viser, hvilke annoncører der aktivt kører native kreativer i din branche, et nyttigt input, før du beslutter, hvor meget attributionskredit en kanal fortjener i din egen model.

Praktiske opsætningsnoter#

At få MTA rigtigt kræver en konsistent sporingsidentifikator på tværs af hvert netværk, så berøringspunkter fra samme bruger faktisk kan matches, plus en attributionsvindue længde anvendt konsekvent på tværs af kanaler. Uoverensstemmende vinduer mellem platforme, et 7-dages vindue på et dashboard og et 30-dages vindue på et andet, vil gøre enhver tværgående kanal MTA-sammenligning ugyldig, før modellen overhovedet kører. At få dine underliggende annonceringsudgifter og konverteringsdata rene er værd at gøre, før du investerer i en mere sofistikeret data-drevet model ovenpå.