Multi-Touch Attribution (MTA): הגדרה ומודלים

Multi-touch attribution (MTA) הוא מודל מדידה המחלק את הקרדיט להמרה על פני כל נקודות המגע השיווקיות שאיתן לקוח בא במגע לפני הקנייה, במקום לתת את כל הקרדיט למודעה או ללחיצה בודדת. אם קונה ראה מודעת native, לאחר מכן לחץ על מודעת retargeting, ואז המיר לאחר חיפוש מותגי, MTA מקצה נתח חלקי מאותה המרה לכל אחד משלושת המגעים במקום להעניק את כולה לאחרון שבהם.

מודלי MTA נפוצים#

מודלים ליניאריים מעניקים לכל נקודת מגע קרדיט שווה. מודלי time-decay מעניקים לנקודות מגע הקרובות יותר להמרה משקל רב יותר מאשר למוקדמות יותר. מודלים מבוססי-מיקום (U-shaped) מעניקים למגע הראשון והאחרון נתח גדול יותר, ומחלקים את השאר על פני האמצע. מודלים מבוססי-נתונים או אלגוריתמיים, הנבנים לעתים קרובות על ערכי Shapley או גישה דומה מתורת המשחקים, מעריכים את התרומה השולית של כל מגע ישירות מנתונים היסטוריים במקום להחיל כלל קבוע.

כיצד זה שונה ממודלים חד-מגעיים#

לופה פשוטה היא מתן קרדיט לנקודת המגע האחרונה שהתרחשה בתוך חלון attribution מוגדר, באמצעות pixel המרה ברגע הרכישה. זה פשוט לחישוב אך הוא מעריך באופן שיטתי ערוצים בחלק העליון של המשפך כמו placements גילוי native, שנוטים להציג מוצר ולא לסיים את המכירה. MTA מנסה לתקן זאת על ידי פיזור הקרדיט על פני כל המסלול, מה שבדרך כלל אומר ש-פרסום native ו-פרסום display בחלק העליון של המשפך נראים בעלי ערך רב יותר תחת מודל MTA מאשר תחת מודל last-touch.

מדוע זה הפך לקשה יותר להפעלה#

MTA תלוי בחיבור נקודות המגע של משתמש יחיד על פני מכשירים וסשנים, מה שדורש מזהה מתמשך: cookies, מזהה פרסום לנייד (mobile ad ID), או התאמה של משתמש מחובר. הגבלות על cookies בדפדפן ומגבלות מעקב ברמת הפלטפורמה הפכו את החיבור הזה לדולף יותר עם הזמן, ולכן מודלי MTA מסתמכים יותר ויותר על התאמה מודלינגית או הסתברותית כדי למלא פערים במקום על מעקב לחיצות דטרמיניסטי. זו חלק מהסיבה לכך שיותר מפרסמים משקיעים כעת באיסוף נתוני first-party, מכיוון שרשומת משתמש שבבעלותך ישרדה שינויים במעקב הפלטפורמה טוב יותר מאשר אחת שאתה שוכר.

היכן זה משתלב לצד מדידות אחרות#

MTA עובד הכי טוב כאבחון במרכז המשפך, המציג אילו נקודות מגע נוטות להופיע יחד במסלול מנצח, ולא כמילה האחרונה לגבי ערך הערוץ. צוותי רכישת מדיה רציניים בודקים מעת לעת האם ערך הערוץ המשתמע מהמודל שורד ניסוי holdout אמיתי, מכיוון שערוץ ש-MTA אומר שתורם שליש מההמרות יכול עדיין להראות אפקט קרוב לאפס ברגע שאתה מכבה אותו בפועל לקבוצת ניסוי.

הבנה אילו ערוצים מניעים מודעות בחלק העליון של המשפך מתחילה בידיעה מה רץ בפועל. כלי הריגול למודעות native של OpenAdLibrary מראה אילו מפרסמים מריצים באופן פעיל קריאייטיב native בנישה שלך, קלט שימושי לפני שאתה מחליט כמה קרדיט attribution מגיע לערוץ במודל שלך.

הערות מעשיות להגדרה#

הצלחה עם MTA דורשת מזהה מעקב עקבי בכל רשת כך שניתן יהיה להתאים נקודות מגע מאותו משתמש, בנוסף לאורך חלון attribution המוחל באופן עקבי על פני כל הערוצים. חלונות לא תואמים בין פלטפורמות, חלון של 7 ימים בלוח מחוונים אחד וחלון של 30 ימים באחר, יהפכו כל השוואת MTA חוצת-ערוצים ללא תקפה עוד לפני שהמודל רץ. ניקוי נתוני ההוצאה על פרסום וההמרה הבסיסיים שלך שווה את המאמץ לפני השקעה במודל מבוסס-נתונים מתוחכם יותר על גביהם.