Multi-Touch Attribution (MTA): คำจำกัดความและโมเดล

Multi-touch attribution (MTA) คือโมเดลการวัดผลที่แบ่งเครดิตสำหรับการแปลงผล (conversion) ให้กับทุกจุดสัมผัสทางการตลาด (touchpoint) ที่ลูกค้าได้มีปฏิสัมพันธ์ก่อนการซื้อ แทนที่จะให้เครดิตทั้งหมดแก่วิทยานิพนธ์หรือคลิกเดียว หากผู้ซื้อเห็นโฆษณาแบบเนทีฟ (native ad) จากนั้นคลิกโฆษณาเรทาร์เก็ตติง (retargeting ad) และแปลงผลหลังจากการค้นหาที่มีชื่อแบรนด์ MTA จะกำหนดส่วนแบ่งของเครดิตการแปลงให้กับแต่ละจุดสัมผัสทั้งสาม แทนที่จะมอบให้ทั้งหมดกับจุดสุดท้าย

โมเดล MTA ทั่วไป#

โมเดลเชิงเส้น (Linear models) ให้เครดิตเท่ากันกับทุกจุดสัมผัส โมเดลที่ถ่วงน้ำหนักตามเวลา (Time-decay models) ให้จุดสัมผัสที่ใกล้เคียงกับการแปลงผลมีน้ำหนักมากกว่าจุดที่เกิดก่อนหน้า โมเดลที่ถ่วงน้ำหนักตามตำแหน่ง (Position-based หรือ U-shaped models) ให้ส่วนแบ่งที่ใหญ่กว่ากับจุดสัมผัสแรกและสุดท้าย แล้วแบ่งส่วนที่เหลือให้จุดที่อยู่ตรงกลาง โมเดลที่ขับเคลื่อนด้วยข้อมูลหรือแบบอัลกอริทึม (Data-driven หรือ algorithmic models) ซึ่งมักสร้างจากค่า Shapley หรือแนวทางทฤษฎีเกมที่คล้ายกัน จะประเมินผลส่วนเพิ่ม (marginal contribution) ของแต่ละจุดสัมผัสโดยตรงจากข้อมูลในอดีต แทนที่จะใช้กฎคงที่

ความแตกต่างจากโมเดล Single-Touch#

ทางเลือกที่ง่ายที่สุดคือการให้เครดิตจุดสัมผัสใดก็ตามที่เกิดเป็นลำดับสุดท้ายภายใน ช่วงเวลาการให้เครดิต (attribution window) ที่กำหนดไว้ ผ่าน พิกเซลติดตามการแปลง (conversion pixel) ในตอนที่เกิดการซื้อ ซึ่งง่ายต่อการคำนวณแต่จะทำให้ประเมินค่าช่องทางที่อยู่ตอนต้นของกรวย (upper-funnel) เช่น โฆษณาเนทีฟที่ใช้แนะนำผลิตภัณฑ์ ต่ำกว่าความเป็นจริงอย่างเป็นระบบ MTA พยายามแก้ไขสิ่งนี้โดยกระจายเครดิตไปทั้งเส้นทาง ซึ่งมักหมายความว่า โฆษณาเนทีฟ (native advertising) และ โฆษณาแบบดิสเพลย์ (display advertising) ในช่วงต้นกรวยดูมีคุณค่ามากขึ้นภายใต้โมเดล MTA เมื่อเทียบกับโมเดล last-touch

ทำไมการใช้งานจึงยากขึ้น#

MTA ต้องอาศัยการเชื่อมต่อจุดสัมผัสของผู้ใช้รายเดียวกันข้ามอุปกรณ์และเซสชัน ซึ่งจำเป็นต้องมีตัวบ่งชี้ถาวร: คุกกี้, รหัสโฆษณาบนมือถือ (mobile ad IDs) หรือการจับคู่ผู้ใช้ที่ล็อกอินแล้ว ข้อจำกัดเกี่ยวกับคุกกี้ในเบราว์เซอร์และขีดจำกัดการติดตามในระดับแพลตฟอร์มทำให้การเชื่อมต่อนี้คลาดเคลื่อนมากขึ้นตามเวลา ดังนั้นโมเดล MTA จึงหันมาใช้การจับคู่แบบจำลอง (modeled) หรือเชิงความน่าจะเป็น (probabilistic) เพื่อเติมเต็มช่องว่าง แทนที่จะใช้ การติดตามคลิก (click tracking) แบบกำหนดแน่นอน (deterministic) นี่เป็นส่วนหนึ่งของเหตุผลที่ทำให้ผู้ลงโฆษณาหันมาลงทุนในการเก็บรวบรวม ข้อมูลภาคแรก (first-party data) มากขึ้น เนื่องจากบันทึกข้อมูลผู้ใช้ที่คุณเป็นเจ้าของโดยตรงสามารถอยู่รอดได้ดีกว่าที่คุณเช่ามา เมื่อมีการเปลี่ยนแปลงการติดตามของแพลตฟอร์ม

ตำแหน่งของ MTA เมื่อเปรียบเทียบกับการวัดผลรูปแบบอื่น#

MTA ทำงานได้ดีที่สุดในฐานะเครื่องมือวินิจฉัยช่วงกลางของกรวย (mid-funnel diagnostic) เพื่อแสดงให้เห็นว่าจุดสัมผัสใดมักปรากฏร่วมกันในเส้นทางที่นำไปสู่การซื้อสำเร็จ มากกว่าที่จะเป็นคำตัดสินสุดท้ายเกี่ยวกับคุณค่าของแต่ละช่องทาง ทีมซื้อสื่อระดับมืออาชีพมักจะตรวจสอบเป็นระยะว่าคุณค่าของช่องทางที่โมเดลบ่งชี้ไว้ยังคงอยู่หรือไม่เมื่อทำการทดลองแบบยับยั้งช่องทางจริง (holdout test) เนื่องจากแม้ MTA จะระบุว่าช่องทางหนึ่งมีส่วนทำให้เกิดการแปลงผลหนึ่งในสาม แต่ช่องทางนั้นอาจยังแสดงผลใกล้เคียงศูนย์เมื่อคุณปิดมันจริงๆ สำหรับกลุ่มทดสอบ

การทำความเข้าใจว่าช่องทางใดกำลังขับเคลื่อนการรับรู้ในขั้นต้นของกรวย เริ่มต้นด้วยการรู้ว่าอะไรกำลังทำงานอยู่จริง เครื่องมือ สอดแนมโฆษณาเนทีฟ (native ad spy tool) ของ OpenAdLibrary แสดงให้เห็นว่าผู้ลงโฆษณาใดกำลังใช้งานครีเอทีฟเนทีฟอย่างแข็งขันในสายงานของคุณ ซึ่งเป็นข้อมูลที่มีประโยชน์ก่อนที่คุณจะตัดสินใจว่าแต่ละช่องทางควรได้รับเครดิตในโมเดลของคุณมากน้อยเพียงใด

ข้อควรทราบสำหรับการตั้งค่าเชิงปฏิบัติ#

การทำให้ MTA ถูกต้องต้องอาศัยตัวระบุการติดตามที่สอดคล้องกันในทุกเครือข่าย เพื่อให้สามารถจับคู่จุดสัมผัสจากผู้ใช้รายเดียวกันได้จริง รวมทั้งต้องใช้ ความยาวของช่วงเวลาการให้เครดิต (attribution window) ที่สอดคล้องกันในทุกช่องทาง หากช่วงเวลานั้นไม่ตรงกันระหว่างแพลตฟอร์ม เช่น 7 วันบนแดชบอร์ดหนึ่ง และ 30 วันบนอีกแดชบอร์ดหนึ่ง การเปรียบเทียบ MTA ข้ามช่องทางใดๆ ก็จะไม่ถูกต้องก่อนที่โมเดลจะเริ่มทำงานซะด้วยซ้ำ การทำให้ข้อมูลพื้นฐานของ งบประมาณโฆษณา (ad spend) และข้อมูลการแปลงผลสะอาดและถูกต้องนั้นคุ้มค่าก่อนการลงทุนในโมเดลที่ขับเคลื่อนด้วยข้อมูลที่ซับซ้อนยิ่งขึ้น