Multi-Touch Attribution (MTA): Definisjon og Modeller

Multi-touch attribution (MTA) er en målemodell som fordeler kreditten for en konvertering på alle markedsføringsberøringspunktene en kunde hadde kontakt med før et kjøp, i stedet for å gi all kreditt til en enkelt annonse eller et klikk. Hvis en shopper så en native annonse, senere klikket på en retargeting-annonse, og deretter konverterte etter et merkesøk, tildeler MTA en brøkdel av den konverteringen til hvert av de tre berøringspunktene i stedet for å tildele alt til det siste.

Vanlige MTA-modeller#

Lineære modeller gir hvert berøringspunkt lik kreditt. Tid-forfall-modeller gir berøringspunkter nærmere konverteringen mer vekt enn tidligere. Posisjonsbaserte (U-formede) modeller gir det første og siste berøringspunktet en større andel, og fordeler resten på de midterste. Data-drevne eller algoritmiske modeller, ofte bygget på Shapley-verdier eller en lignende spillteoretisk tilnærming, estimerer hvert berøringspunkts marginale bidrag direkte fra historiske data i stedet for å bruke en fast regel.

Hvordan det skiller seg fra single-touch-modeller#

Det enkleste alternativet er å gi kreditt til hvilket som helst berøringspunkt som utløste sist innenfor et definert attribusjonsvindu, via en konverteringspiksel i kjøpsøyeblikket. Det er enkelt å beregne, men det systematisk undervurderer øvre-funnel-kanaler som native discovery-plasseringer, som har en tendens til å introdusere et produkt snarere enn å lukke salget. MTA prøver å korrigere for dette ved å spre kreditt på tvers av hele reisen, noe som vanligvis betyr at øvre-funnel native annonsering og displayannonsering ser mer verdifulle ut under en MTA-modell enn under en last-touch-modell.

Hvorfor det har blitt vanskeligere å kjøre#

MTA er avhengig av å sy sammen en enkelt brukers berøringspunkter på tvers av enheter og økter, noe som krever vedvarende identifikatorer: informasjonskapsler, mobile annonse-ID-er eller en innlogget brukermatch. Begrensninger på nettleserinformasjonskapsler og sporingsbegrensninger på plattformnivå har gjort denne sammenføyningen mer lekk over tid, så MTA-modeller støtter seg i økende grad på modellert eller sannsynlighetsbasert matching for å fylle hull snarere enn deterministisk klikksporing. Det er en del av grunnen til at flere annonsører nå investerer i førstepartsdatainnsamling, siden en brukerpost du eier direkte overlever plattformsporingsendringer bedre enn en du leier.

Hvor det passer sammen med annen måling#

MTA fungerer best som en midt-funnel-diagnostikk, som viser hvilke berøringspunkter som vanligvis dukker opp sammen på en vinnende reise, snarere enn som det siste ordet på kanalverdi. Seriøse medieinnkjøpsteams sjekker periodisk om modellens impliserte kanalverdi overlever en reell eksperimentell holdout, siden en kanal MTA sier bidrar med en tredjedel av konverteringene likevel kan vise nesten null effekt når du faktisk slår den av for en testgruppe.

Å forstå hvilke kanaler som driver bevissthet i øvre funnel starter med å vite hva som faktisk kjører. OpenAdLibrary's native ad spy tool viser hvilke annonsører som aktivt kjører native kreativer i din bransje, et nyttig innspill før du bestemmer hvor mye attribusjonskreditt en kanal fortjener i din egen modell.

Praktiske oppsettsnotater#

Å få MTA riktig krever en konsistent sporingsidentifikator på tvers av hvert nettverk slik at berøringspunkter fra samme bruker faktisk kan matches, pluss en attribusjonsvindu-lengde som brukes konsekvent på tvers av kanaler. Uoverensstemmende vinduer mellom plattformer, et 7-dagers vindu på ett dashbord og et 30-dagers vindu på et annet, vil gjøre enhver tverrkanal MTA-sammenligning ugyldig før modellen i det hele tatt kjører. Å få dine underliggende annonseutgifter og konverteringsdata rene er verdt å gjøre før du investerer i en mer sofistikert data-drevet modell på toppen av det.