Atrybucja wielokrotnego dotyku (MTA): definicja i modele

Atrybucja wielokrotnego dotyku (MTA) jest modelem pomiaru, który rozdziela kredyt za konwersję na każdy punkt kontaktowy w marketingu, z którym klient miał styczność przed zakupem, zamiast przyznawać cały kredyt jednej reklamie lub kliknięciu. Jeśli kupujący zobaczył natywną reklamę, później kliknął reklamę remarketingową, a następnie dokonał konwersji po wyszukiwaniu marki, MTA przypisuje ułamkowy udział tej konwersji każdemu z trzech dotyków zamiast przyznać go w całości ostatniemu.

Popularne modele MTA#

Modele liniowe przyznają równy kredyt wszystkim punktom kontaktowym. Modele z malejącym wpływem czasu przyznają większą wagę punktom bliższym konwersji niż wcześniejszym. Modele oparte na pozycji (U‑kształtne) przyznają większy udział pierwszemu i ostatniemu dotykowi, dzieląc resztę pomiędzy środkiem. Modele oparte na danych lub algorytmiczne, często budowane na wartościach Shapleya lub podobnym podejściu z teorii gier, szacują marginalny wkład każdego dotyku bezpośrednio z danych historycznych, zamiast stosować stałą regułę.

Jak różni się od modeli jednopunktowych#

Najprostszą alternatywą jest przyznanie kredytu ostatniemu punktowi kontaktowemu w określonym oknie atrybucji, za pośrednictwem piksela konwersji w momencie zakupu. To proste do obliczenia, ale systematycznie niedocenia kanały górnoprzepustowe, takie jak natywne miejsca odkrywania, które raczej wprowadzają produkt niż zamykają sprzedaż. MTA stara się to skorygować, rozpraszając kredyt na całą ścieżkę, co zwykle sprawia, że górnoprzepustowe reklamy natywne i reklamy display wydają się bardziej wartościowe w modelu MTA niż w modelu ostatniego dotyku.

Dlaczego coraz trudniej to wdrożyć#

MTA zależy od łączenia punktów kontaktowych jednego użytkownika na różnych urządzeniach i sesjach, co wymaga trwałych identyfikatorów: plików cookie, mobilnych identyfikatorów reklamowych lub dopasowania zalogowanego użytkownika. Ograniczenia przeglądarkowych plików cookie oraz ograniczenia śledzenia na poziomie platformy sprawiły, że to łączenie stało się mniej skuteczne, więc modele MTA coraz częściej opierają się na modelowanym lub probabilistycznym dopasowywaniu, aby wypełnić luki zamiast deterministycznego śledzenia kliknięć. To część powodu, dla którego więcej reklamodawców inwestuje w zbieranie danych pierwszej strony, ponieważ rekord użytkownika, który posiadasz bezpośrednio, lepiej przetrwa zmiany w śledzeniu platform niż wynajęty rekord.

Gdzie pasuje w kontekście innych pomiarów#

MTA najlepiej sprawdza się jako diagnostyka środkowego lejka, pokazując, które punkty kontaktowe najczęściej pojawiają się razem na zwycięskiej ścieżce, a nie jako ostateczna wyrocznia wartości kanału. Poważne zespoły zakupów mediów regularnie sprawdzają, czy implikowana wartość kanału w modelu przetrwa rzeczywisty eksperymentalny holdout, ponieważ kanał, który MTA wskazuje jako przyczyniający się do jednej trzeciej konwersji, może wykazać prawie zerowy efekt po jego wyłączeniu w grupie testowej.

Zrozumienie, które kanały generują świadomość w górnym lejku, zaczyna się od poznania tego, co faktycznie jest uruchomione. Narzędzie do podglądu natywnych reklam OpenAdLibrary pokazuje, którzy reklamodawcy aktywnie emisją natywnych kreacji w Twojej branży, co jest przydatnym wkładem przed podjęciem decyzji, ile kredytu atrybucyjnego przyznać danemu kanałowi w własnym modelu.

Praktyczne uwagi dotyczące konfiguracji#

Aby prawidłowo wdrożyć MTA, potrzebny jest spójny identyfikator śledzenia we wszystkich sieciach, aby punkty kontaktowe tego samego użytkownika mogły być dopasowane, oraz konsekwentnie stosowane okno atrybucji we wszystkich kanałach. Niezgodne okna pomiędzy platformami – np. 7‑dniowe okno w jednym dashboardzie i 30‑dniowe w innym – unieważnią każde porównanie MTA między kanałami, zanim model zostanie uruchomiony. Uporządkowanie podstawowych danych o wydatkach na reklamy i konwersjach jest warunkiem wstępnym przed inwestowaniem w bardziej zaawansowany model oparty na danych.