Багатоточкова атрибуція (MTA): визначення та моделі

Багатоточкова атрибуція (MTA) — це модель вимірювання, яка розподіляє кредит за конверсію між усіма маркетинговими точками дотику, з якими взаємодіяв клієнт перед покупкою, замість того, щоб віддавати весь кредит одному оголошенню або кліку. Якщо покупець побачив нативне оголошення, пізніше натиснув ретаргетингове оголошення, а потім конвертувався після брендового пошуку, MTA призначає часткову частку цієї конверсії кожному з трьох дотиків замість того, щоб присудити всю її останньому.

Поширені моделі MTA#

Лінійні моделі надають кожній точці дотику однаковий кредит. Моделі з часовим затуханням надають точкам дотику, ближчим до конверсії, більшої ваги, ніж раннім. Позиційні (U-подібні) моделі надають першому та останньому дотику більшу частку, розподіляючи решту між середніми. Моделі, керовані даними або алгоритмічні, часто побудовані на значеннях Шеплі або подібному підході теорії ігор, оцінюють граничний внесок кожного дотику безпосередньо з історичних даних, замість застосування фіксованого правила.

Чим вона відрізняється від одноточкових моделей#

Найпростіша альтернатива — нарахування кредиту тій точці дотику, яка спрацювала останньою в межах визначеного вікна атрибуції, за допомогою пікселя конверсії у момент покупки. Це просто обчислити, але систематично недооцінює канали верхньої частини воронки, такі як нативні розміщення для відкриття, які зазвичай знайомлять із продуктом, а не закривають продаж. MTA намагається виправити це, розподіляючи кредит по всьому шляху, що зазвичай означає, що нативна реклама та медійна реклама верхньої частини воронки виглядають ціннішими в моделі MTA, ніж у моделі за останнім дотиком.

Чому це стало складніше реалізувати#

MTA залежить від об'єднання точок дотику одного користувача на різних пристроях і сеансах, що вимагає постійних ідентифікаторів: файлів cookie, рекламних ідентифікаторів мобільних пристроїв або відповідності зареєстрованого користувача. Обмеження на файли cookie в браузерах і обмеження відстеження на рівні платформ зробили це об'єднання менш надійним з часом, тому моделі MTA все частіше покладаються на змодельоване або ймовірнісне зіставлення для заповнення прогалин, а не на детерміністичне відстеження кліків. Це одна з причин, чому все більше рекламодавців інвестують у збір даних першої сторони, оскільки запис користувача, яким ви володієте безпосередньо, краще переживає зміни платформного відстеження, ніж той, який ви орендуєте.

Де вона вписується поряд з іншими методами вимірювання#

MTA найкраще працює як діагностика середньої частини воронки, показуючи, які точки дотику зазвичай з'являються разом на успішному шляху, а не як остаточне слово про цінність каналу. Серйозні команди медіабаїнгу періодично перевіряють, чи витримує передбачувана модельна цінність каналу реальний експериментальний холдаут, оскільки канал, який, за словами MTA, вносить третину конверсій, може показати майже нульовий ефект, коли ви насправді вимикаєте його для тестової групи.

Розуміння того, які канали стимулюють обізнаність на верхній частині воронки, починається зі знання того, що насправді запущено. Інструмент шпигунства за нативною рекламою OpenAdLibrary показує, які рекламодавці активно запускають нативні креативи у вашій вертикалі, що є корисним вхідним даним, перш ніж вирішити, скільки кредиту атрибуції заслуговує канал у вашій власній моделі.

Практичні зауваження щодо налаштування#

Правильне налаштування MTA вимагає послідовного ідентифікатора відстеження в кожній мережі, щоб точки дотику одного користувача можна було фактично зіставити, а також довжини вікна атрибуції, яка застосовується послідовно в усіх каналах. Неузгоджені вікна між платформами, 7-денне вікно на одній панелі та 30-денне на іншій, зроблять будь-яке порівняння MTA між каналами недійсним ще до запуску моделі. Очищення ваших базових даних про витрати на рекламу та конверсії є вартим зусиль, перш ніж інвестувати в більш складну модель, керовану даними, поверх неї.