Multi-Touch Attribution (MTA): Ορισμός & Μοντέλα

Το Multi-touch attribution (MTA) είναι ένα μοντέλο μέτρησης που μοιράζεται την πίστωση μιας μετατροπής σε κάθε σημείο επαφής του πελάτη με το μάρκετινγκ πριν από την αγορά, αντί να δίνει όλη την πίστωση σε ένα μόνο διαφημιστικό ή κλικ. Αν ένας αγοραστής είδε μια native διαφήμιση, αργότερα κλικαρε μια διαφήμιση retargeting και στη συνέχεια έκανε μετατροπή μετά από μια αναζήτηση με το brand, το MTA αναθέτει ένα κλασματικό μερίδιο αυτής της μετατροπής σε καθεμία από τις τρεις επαφές, αντί να την αποδώσει όλη στην τελευταία.

Κοινά μοντέλα MTA#

Τα γραμμικά μοντέλα δίνουν ίση πίστωση σε κάθε σημείο επαφής. Τα μοντέλα time-decay δίνουν στα σημεία επαφής πιο κοντά στη μετατροπή μεγαλύτερη βαρύτητα από ό,τι στα προηγούμενα. Τα μοντέλα position-based (U-shaped) δίνουν στο πρώτο και στο τελευταίο σημείο επαφής ένα μεγαλύτερο μερίδιο, μοιράζοντας το υπόλοιπο στα ενδιάμεσα. Τα μοντέλα που βασίζονται σε δεδομένα ή αλγοριθμικά, συχνά χτισμένα σε τιμές Shapley ή μια παρόμοια προσέγγιση θεωρίας παιγνίων, εκτιμούν την οριακή συμβολή κάθε επαφής απευθείας από ιστορικά δεδομένα, αντί να εφαρμόζουν έναν σταθερό κανόνα.

Πώς διαφέρει από τα μοντέλα single-touch#

Η απλούστερη εναλλακτική είναι η πίστωση στο σημείο επαφής που ενεργοποιήθηκε τελευταίο μέσα σε ένα καθορισμένο παράθυρο attribution, μέσω ενός pixel μετατροπής τη στιγμή της αγοράς. Αυτό είναι απλό στον υπολογισμό αλλά υποτιμά συστηματικά τα κανάλια πιο πάνω στο funnel, όπως οι native placements ανακάλυψης, που τείνουν να εισάγουν ένα προϊόν παρά να κλείσουν την πώληση. Το MTA προσπαθεί να διορθώσει αυτό μοιράζοντας την πίστωση σε όλο το μονοπάτι, που συνήθως σημαίνει ότι η native διαφήμιση και η display διαφήμιση πιο πάνω στο funnel φαίνονται πιο πολύτιμες κάτω από ένα μοντέλο MTA από ό,τι κάτω από ένα μοντέλο last-touch.

Γιατί έχει γίνει πιο δύσκολο να τρέξει#

Το MTA εξαρτάται από τη συρραφή των σημείων επαφής ενός μόνο χρήστη σε διάφορες συσκευές και συνεδρίες, που απαιτεί μόνιμους αναγνωριστικούς: cookies, mobile ad IDs ή αντιστοίχιση με συνδεδεμένο χρήστη. Οι περιορισμοί στα cookies των browsers και τα όρια παρακολούθησης σε επίπεδο πλατφόρμας έχουν κάνει αυτή τη συρραφή πιο διαρροϊκή με το χρόνο, έτσι τα μοντέλα MTA βασίζονται όλο και περισσότερο σε μοντελοποιημένη ή πιθανοτική αντιστοίχιση για να καλύψουν κενά, αντί σε ντετερμινιστική παρακολούθηση κλικ. Αυτός είναι ένας από τους λόγους για τους οποίους περισσότεροι διαφημιστές επενδύουν πλέον στη συλλογή δεδομένων πρώτου μέρους, καθώς ένας εγγραφή χρήστη που κατέχετε άμεσα επιβιώνει καλύτερα στις αλλαγές παρακολούθησης πλατφορμών από έναν που νοικιάζετε.

Πού ταιριάζει μαζί με άλλες μετρήσεις#

Το MTA λειτουργεί καλύτερα ως διαγνωστικό στο μέσο του funnel, δείχνοντας ποια σημεία επαφής τείνουν να εμφανίζονται μαζί σε ένα νικηφόρο μονοπάτι, παρά ως η τελική λέξη για την αξία ενός καναλιού. Σοβαρές ομάδες αγοράς μέσων ελέγχουν περιοδικά αν η υπονοούμενη αξία καναλιού του μοντέλου επιβιώνει σε ένα πραγματικό πειραματικό holdout, καθώς ένα κανάλι που το MTA λέει ότι συμβάλλει στο ένα τρίτο των μετατροπών μπορεί ακόμα να δείχνει σχεδόν μηδενικό αποτέλεσμα μόλις το απενεργοποιήσετε για μια δοκιμαστική ομάδα.

Η κατανόηση των καναλιών που οδηγούν την ευαισθητοποίηση πιο πάνω στο funnel ξεκινά με το να γνωρίζετε τι τρέχει πραγματικά. Το εργαλείο κατασκοπείας native διαφημίσεων του OpenAdLibrary δείχνει ποιοι διαφημιστές τρέχουν ενεργά native δημιουργικό περιεχόμενο στον τομέα σας, μια χρήσιμη πληροφορία πριν αποφασίσετε πόση πίστωση attribution αξίζει ένα κανάλι στο δικό σας μοντέλο.

Πρακτικές σημειώσεις ρύθμισης#

Για να λειτουργήσει σωστά το MTA απαιτείται ένας συνεπής αναγνωριστικός παρακολούθησης σε κάθε δίκτυο, ώστε τα σημεία επαφής από τον ίδιο χρήστη να μπορούν πραγματικά να αντιστοιχηθούν, συν ένα μήκος παραθύρου attribution που εφαρμόζεται με συνοχή σε όλα τα κανάλια. Μη ταιριαστά παράθυρα μεταξύ πλατφορμών, ένα παράθυρο 7 ημερών σε ένα dashboard και ένα παράθυρο 30 ημερών σε ένα άλλο, θα κάνουν οποιαδήποτε σύγκριση MTA μεταξύ καναλιών άκυρη πριν ακόμη τρέξει το μοντέλο. Το να έχετε τα υποκείμενα δεδομένα δαπανών διαφήμισης και μετατροπών καθαρά αξίζει τον κόπο πριν επενδύσετε σε ένα πιο εξελιγμένο μοντέλο που βασίζεται σε δεδομένα πάνω τους.