Multi-Touch Attribution (MTA): Definíció és Modellek

A multi-touch attribution (MTA) egy olyan mérési modell, amely a konverzió kreditjét a vásárlás előtt a vásárlóval kapcsolatba lépett minden marketing érintési pont között osztja szét, ahelyett, hogy az egészet egyetlen hirdetésnek vagy kattintásnak adná. Ha egy vásárló látott egy natív hirdetést, később rákattintott egy remarketing hirdetésre, majd egy márkakeresés után konvertált, az MTA a konverzió egy-egy töredékrészét rendeli hozzá a három érintés mindegyikéhez, ahelyett, hogy az egészet az utolsónak ítélné.

Gyakori MTA modellek#

A lineáris modellek minden érintési pontnak egyenlő kreditet adnak. Az időbeli lecsengésű modellek a konverzióhoz közelebbi érintési pontoknak nagyobb súlyt adnak, mint a korábbiaknak. A pozícióalapú (U-alakú) modellek az első és az utolsó érintésnek nagyobb részesedést adnak, a maradékot pedig a középsők között osztják szét. Az adatvezérelt vagy algoritmikus modellek, amelyek gyakran Shapley-értékekre vagy hasonló játékelméleti megközelítésre épülnek, közvetlenül a történelmi adatokból becsülik meg az egyes érintések marginális hozzájárulását, ahelyett, hogy fix szabályt alkalmaznának.

Miben különbözik az egyszeri érintésű modellektől#

A legegyszerűbb alternatíva az, hogy a konverzió előtt egy meghatározott attribúciós ablakon belül utoljára aktiválódott érintési pont kapja a kreditet, a vásárlás pillanatában létrehozott konverziós pixel révén. Ez egyszerű kiszámítani, de rendszerszerűen alábecsüli a felső tölcsérbeli csatornákat, mint például a natív felfedező elhelyezéseket, amelyek általában bemutatják a terméket, nem pedig zárják le az eladást. Az MTA ezt próbálja korrigálni azzal, hogy a kreditet az egész útvonalon szétosztja, ami általában azt jelenti, hogy a felső tölcsérbeli natív hirdetés és display hirdetés értékesebbnek tűnik egy MTA modell alatt, mint egy last-touch modell alatt.

Miért vált nehezebbé a működtetése#

Az MTA egyetlen felhasználó érintési pontjainak összekapcsolásától függ eszközök és munkamenetek között, ami állandó azonosítókat igényel: sütiket, mobil hirdetési azonosítókat vagy bejelentkezett felhasználói párosítást. A böngészős süti-korlátozások és a platformszintű követési korlátok idővel kevésbé megbízhatóvá tették ezt az összekapcsolást, így az MTA modellek egyre inkább a modellezett vagy valószínűségi párosításra támaszkodnak a hiányosságok pótlására, nem pedig determinisztikus kattintáskövetésre. Ez az egyik oka annak, hogy egyre több hirdető fektet ma elsődleges adatok gyűjtésébe, mivel egy Ön által birtokolt felhasználói rekord jobban ellenáll a platformkövetési változásoknak, mint egy bérelt.

Hogyan illeszkedik más mérési módszerek mellé#

Az MTA leginkább középső tölcsérbeli diagnosztikai eszközként működik jól, megmutatva, hogy mely érintési pontok szoktak együtt megjelenni egy sikeres útvonalon, nem pedig mint a csatornaérték végső szava. A komoly médiavásárló csapatok időnként ellenőrzik, hogy a modell által implikált csatornaérték túlél-e egy valós kísérleti kizárást, mivel egy olyan csatorna, amelyről az MTA azt mondja, hogy a konverziók egyharmadáért felelős, még mindig közel nulla hatást mutathat, ha valóban kikapcsolják egy tesztcsoport számára.

Annak megértése, hogy mely csatornák hajtják a felső tölcsérbeli tudatosságot, azzal kezdődik, hogy tudjuk, mi fut valójában. Az OpenAdLibrary natív hirdetés kém eszköze megmutatja, mely hirdetők futtatnak aktívan natív kreatíveket az Ön vertikálijában, ami hasznos információ, mielőtt eldöntené, hogy egy csatorna mennyi attribúciós kreditet érdemel a saját modelljében.

Gyakorlati beállítási megjegyzések#

Az MTA helyes működtetése következetes követési azonosítót igényel minden hálózaton, hogy ugyanazon felhasználó érintési pontjai valóban összepárosíthatók legyenek, valamint egy, a csatornák között következetesen alkalmazott attribúciós ablak hosszúságot. Az eltérő ablakok a platformok között – egy irányítópulton 7 napos, egy másikon 30 napos ablak – bármely keresztcsatornás MTA összehasonlítást érvénytelenné tesz, még mielőtt a modell elindulna. Az alapul szolgáló hirdetési kiadások és konverziós adatok megtisztítása megéri, mielőtt egy kifinomultabb, adatvezérelt modellbe fektetne rá.