Multi-Touch Attribution (MTA): Definition & modeller

Multi-touch attribution (MTA) är en mätningsmodell som fördelar kredit för en konvertering över varje marknadsföringskontaktpunkt en kund interagerat med innan köpet, snarare än att ge all kredit till en enda annons eller klick. Om en shopper såg en native‑annons, senare klickade på en retargeting‑annons och sedan konverterade efter en varumärkes‑sökning, tilldelar MTA en bråkdel av den konverteringen till var och en av de tre beröringarna istället för att ge hela krediten till den sista.

Vanliga MTA‑modeller#

Linjär modeller ger varje kontaktpunkt lika mycket kredit. Tidsförfall‑modeller ger kontaktpunkter närmare konverteringen mer vikt än tidigare. Positionsbaserade (U‑formade) modeller ger den första och sista beröringen en större andel, och delar resten över mitten. Data‑drivna eller algoritmiska modeller, ofta byggda på Shapley‑värden eller en liknande spel‑teoretisk metod, uppskattar varje kontakts marginalbidrag direkt från historiska data istället för att tillämpa en fast regel.

Hur det skiljer sig från single‑touch‑modeller#

Det enklaste alternativet är att ge kredit till den kontaktpunkt som senast avfyrades inom ett definierat attribution window, via en conversion pixel i köptillfället. Det är enkelt att beräkna men undervärderar systematiskt övre‑funnel‑kanaler som native discovery‑placeringar, som tenderar att introducera en produkt snarare än att sluta affären. MTA försöker korrigera detta genom att sprida kredit över hela vägen, vilket vanligtvis innebär att övre‑funnel‑native advertising och display advertising ser mer värdefulla ut under en MTA‑modell än de gör under en last‑touch‑modell.

Varför det har blivit svårare att köra#

MTA är beroende av att sammanfoga en enskild användares kontaktpunkter över enheter och sessioner, vilket kräver beständiga identifierare: cookies, mobila annons‑ID:n eller en inloggad användarmatchning. Webbläsarcookie‑restriktioner och plattforms‑nivå spårningsgränser har gjort den sammanslagningen mer läckande över tid, så MTA‑modeller lutar i allt högre grad på modellerad eller probabilistisk matchning för att fylla luckor snarare än deterministisk click tracking. Det är en del av varför fler annonsörer nu investerar i insamling av first‑party data, eftersom en användarpost du äger direkt överlever plattforms‑spårningsförändringar bättre än en du hyr.

Var det passar in tillsammans med annan mätning#

MTA fungerar bäst som ett diagnostiskt verktyg för mitten‑funnel, som visar vilka kontaktpunkter som tenderar att dyka upp tillsammans på en vinnande väg, snarare än som det slutgiltiga ordet om kanalvärde. Seriösa media‑inköps‑team kontrollerar periodiskt om modellens underförstådda kanalvärde överlever ett riktigt experimentellt holdout, eftersom en kanal MTA säger bidrar med en tredjedel av konverteringar fortfarande kan visa nära noll effekt när du faktiskt stänger av den för en testgrupp.

Att förstå vilka kanaler som driver övre‑funnel‑medvetenhet börjar med att veta vad som faktiskt körs. OpenAdLibrary's native ad spy tool visar vilka annonsörer som aktivt kör native‑kreativ i din vertikal, ett användbart underlag innan du bestämmer hur mycket attribution‑kredit en kanal förtjänar i din egen modell.

Praktiska installationsanteckningar#

Att få MTA rätt kräver en konsekvent spårningsidentifierare över varje nätverk så att kontaktpunkter från samma användare faktiskt kan matchas, plus en attribution window‑längd som tillämpas konsekvent över kanaler. Mismatcherade fönster mellan plattformar, ett 7‑dagars fönster på en instrumentpanel och ett 30‑dagars fönster på en annan, gör alla tvär‑kanal‑MTA‑jämförelser ogiltiga innan modellen ens körs. Att få dina underliggande ad spend‑ och konverteringsdata rena är värt att göra innan du investerar i en mer sofistikerad data‑driven modell ovanpå dem.