Thuộc tính Đa chạm (MTA): Định nghĩa & Các mô hình

Thuộc tính đa chạm (MTA) là một mô hình đo lường phân chia công nhận cho một chuyển đổi cho mọi điểm chạm tiếp thị mà khách hàng đã tương tác trước khi mua, thay vì giao toàn bộ công nhận cho một quảng cáo hoặc nhấp chuột duy nhất. Nếu một người mua thấy một quảng cáo native, sau đó nhấp vào quảng cáo tái nhắm, và cuối cùng chuyển đổi sau một tìm kiếm có thương hiệu, MTA sẽ gán một phần tỷ lệ của chuyển đổi đó cho mỗi ba chạm thay vì trao toàn bộ cho chạm cuối cùng.

Các mô hình MTA phổ biến#

Mô hình tuyến tính cho mỗi điểm chạm công nhận bằng nhau. Mô hình giảm dần theo thời gian cho các điểm chạm gần chuyển đổi trọng số cao hơn so với các điểm chạm sớm hơn. Mô hình dựa trên vị trí (dạng U) cho điểm chạm đầu và cuối một phần lớn hơn, phần còn lại được chia đều cho các chạm ở giữa. Các mô hình dựa trên dữ liệu hoặc thuật toán, thường được xây dựng dựa trên giá trị Shapley hoặc một phương pháp lý thuyết trò chơi tương tự, ước tính đóng góp biên của mỗi chạm trực tiếp từ dữ liệu lịch sử thay vì áp dụng quy tắc cố định.

Nó khác gì so với các mô hình chạm đơn#

Lựa chọn đơn giản nhất là công nhận điểm chạm cuối cùng trong một cửa sổ thuộc tính đã định, thông qua một pixel chuyển đổi tại thời điểm mua. Điều này dễ tính nhưng nó luôn đánh giá thấp các kênh ở đầu phễu như các vị trí khám phá native, vốn thường giới thiệu sản phẩm hơn là chốt bán. MTA cố gắng khắc phục điều này bằng cách lan truyền công nhận trên toàn hành trình, thường khiến các quảng cáo native và quảng cáo hiển thị ở đầu phễu trông có giá trị hơn trong mô hình MTA so với mô hình nhấp cuối cùng.

Tại sao việc triển khai trở nên khó hơn#

MTA phụ thuộc vào việc nối các điểm chạm của một người dùng duy nhất qua các thiết bị và phiên, điều này đòi hỏi các định danh cố định: cookie, ID quảng cáo di động, hoặc khớp người dùng đã đăng nhập. Các hạn chế cookie trên trình duyệt và các giới hạn theo dõi ở cấp nền tảng đã làm cho việc nối này rò rỉ hơn theo thời gian, vì vậy các mô hình MTA ngày càng dựa vào khớp mẫu hoặc xác suất để lấp đầy khoảng trống thay vì theo dõi click tracking quyết định. Đó là một phần lý do nhiều nhà quảng cáo hiện đang đầu tư vào việc thu thập dữ liệu sở hữu, vì một hồ sơ người dùng mà bạn sở hữu trực tiếp sẽ tồn tại tốt hơn trước các thay đổi theo dõi của nền tảng so với một hồ sơ bạn thuê.

Vị trí của nó trong các phương pháp đo lường khác#

MTA hoạt động tốt nhất như một công cụ chẩn đoán giữa phễu, cho thấy các điểm chạm thường xuất hiện cùng nhau trên một hành trình thắng, thay vì là lời kết cuối cùng về giá trị kênh. Các đội mua truyền thông nghiêm túc thường kiểm tra định kỳ xem giá trị kênh được mô hình MTA ngụ ý có duy trì được trong một thí nghiệm holdout thực tế không, vì một kênh MTA cho rằng đóng góp một phần ba chuyển đổi vẫn có thể cho thấy hiệu quả gần như bằng không khi bạn thực sự tắt nó cho một nhóm thử nghiệm.

Hiểu được kênh nào đang thúc đẩy nhận thức ở đầu phễu bắt đầu bằng việc biết những gì thực sự đang chạy. Công cụ native ad spy của OpenAdLibrary cho thấy những nhà quảng cáo nào đang chạy sáng tạo native trong lĩnh vực của bạn, là một đầu vào hữu ích trước khi bạn quyết định mức công nhận thuộc tính mà một kênh xứng đáng nhận trong mô hình của riêng bạn.

Ghi chú thiết lập thực tiễn#

Để thực hiện MTA đúng cần một định danh theo dõi nhất quán trên mọi mạng để các điểm chạm từ cùng một người dùng có thể được ghép nối, cộng với một độ dài cửa sổ thuộc tính được áp dụng đồng nhất trên các kênh. Các cửa sổ không khớp giữa các nền tảng, ví dụ một cửa sổ 7 ngày trên một bảng điều khiển và 30 ngày trên bảng khác, sẽ làm cho bất kỳ so sánh MTA đa kênh nào trở nên không hợp lệ trước khi mô hình chạy. Việc làm sạch chi tiêu quảng cáo và dữ liệu chuyển đổi nền tảng của bạn là việc đáng làm trước khi đầu tư vào một mô hình dựa trên dữ liệu phức tạp hơn.