Attribuzione Multi-Touch (MTA): Definizione e Modelli

L'attribuzione multi-touch (MTA) è un modello di misurazione che suddivide il credito per una conversione tra tutti i punti di contatto di marketing con cui un cliente ha interagito prima dell'acquisto, invece di assegnare tutto il credito a un singolo annuncio o click. Se un acquirente ha visto un annuncio native, poi ha cliccato su un annuncio di retargeting e infine ha convertito dopo una ricerca brandizzata, la MTA assegna una quota frazionata di quella conversione a ciascuno dei tre contatti invece di attribuirla tutta all'ultimo.

Modelli MTA comuni#

I modelli lineari attribuiscono lo stesso credito a ogni punto di contatto. I modelli a decadimento temporale danno più peso ai punti di contatto più vicini alla conversione rispetto a quelli più precedenti. I modelli basati sulla posizione (a forma di U) assegnano una quota maggiore al primo e all'ultimo contatto, distribuendo il resto al centro. I modelli basati sui dati o algoritmici, spesso costruiti su valori di Shapley o su un approccio simile della teoria dei giochi, stimano il contributo marginale di ogni contatto direttamente dai dati storici invece di applicare una regola fissa.

Come differisce dai modelli single-touch#

L'alternativa più semplice è attribuire il credito al punto di contatto che è avvenuto per ultimo all'interno di una definita finestra di attribuzione, tramite un pixel di conversione al momento dell'acquisto. È semplice da calcolare ma sottovaluta sistematicamente i canali in alto funnel come i posizionamenti di native discovery, che tendono a introdurre un prodotto piuttosto che chiudere la vendita. La MTA cerca di correggere questo diffondendo il credito lungo l'intero percorso, il che di solito fa apparire più preziose le native advertising e le display advertising in alto funnel rispetto a quanto non siano sotto un modello last-touch.

Perché è diventato più difficile da gestire#

La MTA dipende dall'unire i punti di contatto di un singolo utente attraverso dispositivi e sessioni, il che richiede identificatori persistenti: cookie, ID pubblicitari mobile o una corrispondenza utente loggata. Le restrizioni sui cookie dei browser e i limiti di tracciamento a livello di piattaforma hanno reso questa unione più dispersa nel tempo, così i modelli MTA si affidano sempre più a corrispondenze modellate o probabilistiche per colmare le lacune anziché al click tracking deterministico. Questo è parte del motivo per cui più inserzionisti ora investono nella raccolta di first-party data, poiché un record utente di proprietà sopravvive meglio ai cambiamenti di tracciamento delle piattaforme rispetto a uno affittato.

Dove si colloca rispetto ad altre misurazioni#

La MTA funziona al meglio come diagnostica di medio funnel, mostrando quali punti di contatto tendono a comparire insieme su un percorso vincente, piuttosto che come verità assoluta sul valore del canale. I team di media buying seri verificano periodicamente se il valore di canale implicito dal modello resiste a un vero esperimento di holdout, poiché un canale che la MTA indica contribuire a un terzo delle conversioni può comunque mostrare un effetto quasi nullo una volta disattivato per un gruppo di test.

Capire quali canali stanno generando consapevolezza in alto funnel parte dal sapere cosa è realmente in esecuzione. Il native ad spy tool di OpenAdLibrary mostra quali inserzionisti stanno attivamente pubblicando creatività native nel tuo settore, un input utile prima di decidere quanto credito di attribuzione un canale merita nel tuo modello.

Note pratiche per l'implementazione#

Ottenere una MTA corretta richiede un identificatore di tracciamento coerente su ogni rete affinché i punti di contatto dello stesso utente possano essere effettivamente abbinati, oltre a una lunghezza di finestra di attribuzione applicata in modo coerente tra i canali. Finestre non corrispondenti tra piattaforme, ad esempio una finestra di 7 giorni su un dashboard e una di 30 giorni su un altro, renderanno qualsiasi confronto cross-channel MTA invalido prima ancora che il modello venga eseguito. Pulire i dati di ad spend e di conversione di base è fondamentale prima di investire in un modello più sofisticato basato sui dati.