Çoklu Dokunuş Atıfı (MTA): Tanım ve Modeller

Çoklu dokunuş atıfı (MTA), bir müşterinin satın almadan önce etkileşimde bulunduğu her pazarlama temas noktasına dönüşüm kredisini dağıtan bir ölçüm modelidir; kredinin tamamını tek bir reklam ya da tıklamaya vermek yerine. Bir alışverişçi bir yerel reklam gördü, ardından yeniden hedefleme reklamına tıkladı ve son olarak markalı bir arama sonrası dönüşüm sağladıysa, MTA bu dönüşümün kesirli bir payını üç temasın her birine atar, tüm krediyi son tıklamaya vermek yerine.

Yaygın MTA modelleri#

Doğrusal modeller, her temas noktasına eşit kredi verir. Zaman-azalma modelleri, dönüşüme daha yakın temas noktasına daha fazla ağırlık verir. Konuma dayalı (U-şekilli) modeller, ilk ve son temasa daha büyük bir pay verir, geri kalanını ortadaki temalar arasında dağıtır. Veri odaklı veya algoritmik modeller, genellikle Shapley değerleri ya da benzeri bir oyun teorisi yaklaşımı üzerine kuruludur; sabit bir kural uygulamak yerine her temasın marjinal katkısını tarihsel verilerden doğrudan tahmin eder.

Tek dokunuş modellerinden farkı nedir?#

En basit alternatif, tanımlı bir atıf penceresi içinde en son gerçekleşen teması kredi vermektir; bu, satın alma anındaki bir dönüşüm pikseli aracılığıyla yapılır. Bu hesaplama kolaydır ancak üst huni kanallarını sistematik olarak değersizleştirir; örneğin yerel keşif yerleştirmeleri, bir ürünü tanıtırken satış kapatmaz. MTA, krediyi tüm yol boyunca yayarak bunu düzeltmeye çalışır; bu genellikle üst huni yerel reklamcılık ve görüntülü reklamcılıknın bir son dokunuş modeline göre daha değerli görünmesini sağlar.

Uygulaması neden zorlaştı?#

MTA, tek bir kullanıcının temalarını cihazlar ve oturumlar arasında birleştirmeye dayanır; bu da kalıcı tanımlayıcılar gerektirir: çerezler, mobil reklam kimlikleri veya oturum açmış kullanıcı eşleştirmesi. Tarayıcı çerez kısıtlamaları ve platform düzeyindeki izleme sınırlamaları, bu birleştirmeyi zamanla daha sızıntılı hâle getirdi; bu yüzden MTA modelleri giderek modelleme veya olasılıksal eşleştirmeye yönelerek boşlukları doldurur, deterministik tıklama takibi yerine. Bu da daha fazla reklamcının artık birinci taraf veri toplama yatırımı yapmasının bir parçasıdır; çünkü doğrudan sahip olduğunuz bir kullanıcı kaydı, platform izleme değişikliklerine karşı daha dayanıklıdır.

Diğer ölçüm yöntemleriyle nasıl konumlanır?#

MTA, bir orta huni tanıma aracı olarak en iyi çalışır; kazanan bir yolda birlikte ortaya çıkan temaları gösterir, kanal değerinin son sözü değildir. Ciddi medya satın alma ekipleri, modelin önerdiği kanal değerinin gerçek bir deneysel tutumda hayatta kalıp kalmadığını periyodik olarak kontrol eder; çünkü bir kanalın MTA'sı dönüşümlerin üçte birine katkıda bulunduğunu söylese de, o kanalı bir test grubunda kapattığınızda etkisi neredeyse sıfır olabilir.

Hangi kanalların üst huni farkındalığını artırdığını anlamak, gerçekte neyin çalıştığını bilmekle başlar. OpenAdLibrary'nin yerel reklam casusluk aracı sizin dikeyinizde hangi reklamverenlerin aktif olarak yerel yaratıcıları çalıştırdığını gösterir; bu, kendi modelinizde bir kanala ne kadar atıf kredisi vermeniz gerektiğine karar vermeden önce faydalı bir girdi sağlar.

Pratik kurulum notları#

MTA'yı doğru bir şekilde uygulamak, aynı kullanıcıdan gelen temaların eşleşebilmesi için her ağda tutarlı bir izleme tanımlayıcısı gerektirir; ayrıca bir atıf penceresi uzunluğunun kanallar arasında tutarlı bir şekilde uygulanması gerekir. Platformlar arasında uyumsuz pencereler – bir gösterge panelinde 7 günlük pencere, diğerinde 30 günlük pencere – herhangi bir çapraz kanal MTA karşılaştırmasını model çalışmadan geçersiz kılar. Temel reklam harcaması ve dönüşüm verilerinizi temizlemek, daha sofistike bir veri odaklı model üzerine yatırım yapmadan önce yapılması gereken bir adımdır.