मल्टी-टच एट्रिब्यूशन (MTA): परिभाषा और मॉडल

मल्टी-टच एट्रिब्यूशन (MTA) एक मापन मॉडल है जो खरीदारी से पहले ग्राहक के साथ इंटरैक्ट किए गए हर मार्केटिंग टचपॉइंट के बीच कन्वर्ज़न का श्रेय बांटता है, बजाय इसके कि सारा श्रेय किसी एक विज्ञापन या क्लिक को दे दिया जाए। अगर कोई शॉपर एक नेटिव एड देखता है, बाद में एक रीटारगेटिंग एड पर क्लिक करता है, और फिर एक ब्रांडेड सर्च के बाद कन्वर्ट होता है, तो MTA उस कन्वर्ज़न का एक आंशिक हिस्सा तीनों टच को देता है, न कि सारा श्रेय आखिरी वाले को।

सामान्य MTA मॉडल#

लीनियर मॉडल हर टचपॉइंट को बराबर श्रेय देते हैं। टाइम-डिके मॉडल कन्वर्ज़न के करीब आने वाले टचपॉइंट्स को शुरुआती वालों की तुलना में अधिक वेटेज देते हैं। पोजिशन-बेस्ड (U-शेप्ड) मॉडल पहले और आखिरी टच को एक बड़ा हिस्सा देते हैं, और बाकी को बीच के टचपॉइंट्स में बांट देते हैं। डेटा-ड्रिवेन या एल्गोरिदमिक मॉडल, जो अक्सर शैप्ली वैल्यू या इसी तरह के गेम-थ्योरी एप्रोच पर बने होते हैं, ऐतिहासिक डेटा से सीधे प्रत्येक टच के मार्जिनल योगदान का अनुमान लगाते हैं, बजाय किसी फिक्स्ड रूल को लागू करने के।

यह सिंगल-टच मॉडल से कैसे अलग है#

सबसे सरल विकल्प है, किसी परिभाषित एट्रिब्यूशन विंडो के अंदर आखिर में फायर हुए टचपॉइंट को श्रेय देना, खरीदारी के समय एक कन्वर्ज़न पिक्सेल के माध्यम से। इसे कैलकुलेट करना सरल है लेकिन यह सिस्टमैटिक रूप से अपर-फनल चैनलों जैसे नेटिव डिस्कवरी प्लेसमेंट्स को कम आंकता है, जो आमतौर पर बिक्री पूरी करने के बजाय प्रोडक्ट का परिचय कराते हैं। MTA पूरे पथ में श्रेय बांटकर इसका सुधार करने की कोशिश करता है, जिसका मतलब आमतौर पर यह होता है कि नेटिव एडवरटाइजिंग और डिस्प्ले एडवरटाइजिंग एक MTA मॉडल के तहत लास्ट-टच मॉडल की तुलना में अधिक मूल्यवान दिखते हैं।

यह चलाना क्यों मुश्किल हो गया है#

MTA एक ही यूज़र के टचपॉइंट्स को डिवाइस और सत्रों के आर-पार जोड़ने पर निर्भर करता है, जिसके लिए स्थायी आइडेंटिफायर चाहिए: कुकीज़, मोबाइल एड आईडी, या लॉग्ड-इन यूज़र मैच। ब्राउज़र कुकी प्रतिबंधों और प्लेटफॉर्म-लेवल ट्रैकिंग सीमाओं ने समय के साथ इस जोड़ को कमज़ोर बना दिया है, इसलिए MTA मॉडल अब गैप भरने के लिए डिटरमिनिस्टिक क्लिक ट्रैकिंग के बजाय मॉडल्ड या प्रोबेबिलिस्टिक मैचिंग पर अधिक निर्भर हो रहे हैं। यही एक कारण है कि अधिक विज्ञापनदाता अब फर्स्ट-पार्टी डेटा संग्रह में निवेश कर रहे हैं, क्योंकि आपके पास मौजूद सीधा यूज़र रिकॉर्ड प्लेटफॉर्म ट्रैकिंग बदलावों के मुकाबले आपके द्वारा किराए पर लिए गए रिकॉर्ड से बेहतर बच पाता है।

यह अन्य मापन के साथ कहाँ फिट बैठता है#

MTA सबसे अच्छा एक मिड-फनल डायग्नोस्टिक के रूप में काम करता है, जो दिखाता है कि कौन से टचपॉइंट्स एक सफल पथ पर एक साथ दिखाई देते हैं, बजाय इसके कि चैनल वैल्यू पर अंतिम शब्द हो। गंभीर मीडिया-बायिंग टीमें समय-समय पर जांचती हैं कि क्या मॉडल द्वारा दर्शाई गई चैनल वैल्यू एक वास्तविक एक्सपेरिमेंटल होल्डआउट में बची रहती है, क्योंकि एक चैनल जिसके बारे में MTA कहता है कि वह एक-तिहाई कन्वर्ज़न में योगदान दे रहा है, वह आपके द्वारा टेस्ट ग्रुप के लिए वास्तव में बंद करने पर शून्य के करीब प्रभाव भी दिखा सकता है।

यह समझना कि कौन से चैनल अपर-फनल जागरूकता चला रहे हैं, इस बात से शुरू होता है कि वास्तव में क्या चल रहा है। OpenAdLibrary का नेटिव एड स्पाई टूल दिखाता है कि आपके वर्टिकल में कौन से विज्ञापनदाता सक्रिय रूप से नेटिव क्रिएटिव चला रहे हैं, यह एक उपयोगी इनपुट है इससे पहले कि आप तय करें कि आपके अपने मॉडल में एक चैनल को कितना एट्रिब्यूशन श्रेय मिलना चाहिए।

प्रैक्टिकल सेटअप नोट्स#

MTA को सही तरीके से चलाने के लिए हर नेटवर्क पर एक सुसंगत ट्रैकिंग आइडेंटिफायर चाहिए ताकि एक ही यूज़र के टचपॉइंट्स वास्तव में मैच किए जा सकें, साथ ही एक एट्रिब्यूशन विंडो लंबाई जो सभी चैनलों पर सुसंगत रूप से लागू हो। प्लेटफॉर्म्स के बीच मिसमैच्ड विंडो, एक डैशबोर्ड पर 7-दिन की विंडो और दूसरे पर 30-दिन की विंडो, किसी भी क्रॉस-चैनल MTA तुलना को मॉडल चलने से पहले ही अमान्य बना देगी। अपने अंडरलाइंग एड स्पेंड और कन्वर्ज़न डेटा को साफ करना, इसके ऊपर एक अधिक परिष्कृत डेटा-ड्रिवेन मॉडल में निवेश करने से पहले करने लायक है।