Attribution modeling: którego modelu atrybucji użyć i kiedy
Klient zobaczył reklamę na Instagramie, tydzień później wpisał markę w Google, kliknął w link w newsletterze, a kupił dopiero z reklamy remarketingowej. Który kanał dostał ten przychód w Twoim raporcie? Odpowiedź zależy wyłącznie od modelu atrybucji, który masz ustawiony. I zwykle jest ustawiony przypadkiem.
Model atrybucji to reguła podziału zasługi za konwersję pomiędzy punkty styku na ścieżce klienta. Brzmi technicznie, a w praktyce decyduje o tym, który kanał dostanie budżet w przyszłym kwartale. Zły model po cichu przesuwa pieniądze tam, gdzie ich nie trzeba, i głodzi kanały, które realnie budują sprzedaż.
Po co w ogóle model atrybucji
Ścieżka do zakupu rzadko jest jednym kliknięciem. W e-commerce to często kilka wizyt z różnych źródeł w ciągu kilku dni, w B2B kilkanaście punktów styku rozłożonych na tygodnie. Ktoś musi zdecydować, jak podzielić jedną konwersję między wszystkie te kontakty. Tym kimś jest model atrybucji.
Konsekwencja jest prosta. Jeśli model przypisuje całą zasługę ostatniemu kliknięciu, kampanie górnej części lejka (zasięg, budowanie popytu) będą wyglądać na nierentowne, bo rzadko domykają sprzedaż w tej samej sesji. Wycinasz je, sprzedaż spada za dwa miesiące, a nikt nie łączy tych faktów. Model atrybucji to soczewka, przez którą patrzysz na cały budżet. A każda soczewka zakrzywia obraz na swój sposób.
Przegląd modeli atrybucji
Modeli jest kilka i różnią się jedną rzeczą: jak rozkładają zasługę wzdłuż ścieżki. Od najprostszych po ten, który liczy za Ciebie algorytm.
| Model | Jak dzieli zasługę | Do czego się nadaje |
|---|---|---|
| Last click | Cała zasługa dla ostatniego kliknięcia przed konwersją | Krótkie ścieżki, sprzedaż impulsowa, szybka diagnostyka |
| First click | Cała zasługa dla pierwszego kontaktu | Ocena kanałów pozyskujących nowy ruch |
| Linear | Równo między wszystkie punkty styku | Gdy cała ścieżka ma się liczyć tak samo |
| Position-based | Zwykle 40% pierwszy, 40% ostatni, 20% środek | Docenienie i pozyskania, i domknięcia |
| Time decay | Więcej zasługi dla kontaktów bliżej konwersji | Dłuższe cykle, gdzie finał waży bardziej |
| Data-driven | Algorytm liczy realny wkład każdego kanału z danych konta | Konta z wystarczającym wolumenem konwersji |
Pierwsze pięć to modele regułowe: z góry zadana matematyka, która nie zmienia się wraz z danymi. Data-driven jest inne z natury. Zamiast sztywnej reguły algorytm porównuje ścieżki, które skończyły się konwersją, ze ścieżkami, które się nią nie skończyły, i szacuje, ile realnie dołożył każdy punkt styku. W GA4 to domyślny model, a klasyczne modele regułowe Google w raportach atrybucji stopniowo wycofał.
Który model do jakiego biznesu
Dobór modelu zależy od tego, jak wygląda Twoja ścieżka zakupowa i ile masz danych.
- E-commerce z krótką ścieżką i niskim koszykiem. Last click bywa wystarczający do bieżącej optymalizacji, bo decyzja zapada szybko. Zestawiaj go jednak z data-driven, żeby nie przeoczyć kanałów budujących pierwszą wizytę.
- E-commerce z rozważanym zakupem. Position-based albo data-driven, bo klient wraca kilka razy z różnych źródeł, zanim kupi. Last click zawyży tu remarketing i markowy Search.
- Generowanie leadów i B2B. Data-driven lub time decay, a najlepiej wsparcie modelami spoza czystej atrybucji kliknięć. Ścieżka jest długa i wielodotykowa.
- Konto z małym wolumenem. Data-driven potrzebuje danych, żeby liczyć sensownie. Przy kilkudziesięciu konwersjach miesięcznie prostszy model regułowy bywa uczciwszy niż algorytm karmiony szumem.
Zwycięzcy dla wszystkich nie ma. Model dobierasz do długości ścieżki, wolumenu i pytania, które zadajesz danym.
Granice atrybucji kliknięć
Każdy model z tej listy dzieli tylko to, co widzi, czyli kliknięcia i wizyty z pomiarem. Poza kadrem zostaje sporo. Reklama, którą ktoś zobaczył i nie kliknął, a która i tak zadziałała. Rozmowa ze znajomym. Billboard. Wpływ marki, który nie zostawia śladu w analityce. Atrybucja kliknięć przypisuje całą sprzedaż mierzalnym punktom styku, choć część popytu powstaje zupełnie poza nimi.
Do tego sam pomiar się kurczy: ograniczenia ciasteczek third-party, blokery, prywatność na iOS i wymóg zgód sprawiają, że część ścieżek jest niekompletna albo modelowana. Żaden model atrybucji nie odpowie na pytanie, które naprawdę Cię interesuje: ile z tej sprzedaży wydarzyłoby się i tak, gdybym nie wydał na ten kanał ani złotówki. Na to pytanie odpowiadają metody pomiaru przyrostu, opisane w tekście o incrementality, testach holdout i geo lift. Traktuj atrybucję jako narzędzie do rozkładu zasługi. Dowodu przyczynowości w niej nie ma.
Atrybucja mówi, którędy szła sprzedaż. Nie mówi, ile z niej zawdzięczasz reklamie. To dwa różne pytania i mylenie ich kosztuje budżet.
Atrybucja a długi cykl B2B
W B2B model atrybucji napotyka ścianę wcześniej niż gdziekolwiek indziej. Cykl zakupowy trwa tygodnie albo miesiące, decyduje komitet, a najważniejsza część procesu (rozmowy handlowe, rekomendacje, oferty) w ogóle nie zostawia śladu w narzędziu analitycznym. Domyślne okna atrybucji bywają krótsze niż sam cykl, więc pierwszy kontakt zdąży wypaść z pomiaru, zanim dojdzie do zakupu.
Efekt jest taki, że atrybucja last click w B2B potrafi przypisać niemal wszystko markowemu Search i bezpośrednim wejściom, bo to ostatni krok przed formularzem. Kanały, które zbudowały świadomość i zaufanie pół roku wcześniej, znikają z raportu. Jak to rozplątać, rozkładam osobno w artykule o atrybucji w długim cyklu B2B. Skrót: im dłuższy cykl, tym mniej ufaj pojedynczemu modelowi i tym mocniej opieraj decyzje o CRM i realny przyrost.
Praktyczny wybór
Zamiast szukać modelu idealnego, ustaw proces, który daje uczciwy obraz.
- Wybierz model bazowy pod swój biznes. Krótka ścieżka i duży wolumen: last click do operacji, data-driven do przeglądu. Długa ścieżka: position-based albo data-driven. To Twój punkt odniesienia na co dzień.
- Porównuj co najmniej dwa modele. Zestaw last click z data-driven na tych samych danych. Różnica pokazuje, które kanały są przeceniane, a które niedoceniane. Sam ten kontrast jest cenniejszy niż wybór jednego modelu.
- Ustaw okno atrybucji pod realny cykl. Domyślne 30 dni nie pasuje do zakupu, który zajmuje kwartał. Dopasuj okno, zanim zaczniesz wyciągać wnioski.
- Trzymaj model osobno od decyzji o skali. Atrybucja pomaga optymalizować podział wewnątrz miksu. O tym, czy kanał w ogóle dokłada sprzedaż, rozstrzygaj testem przyrostu, nie przesunięciem w raporcie.
- Nie zmieniaj modelu w połowie okresu. Zmiana reguły podziału zmienia historyczne liczby. Ustal model, trzymaj go i porównuj okres do okresu na tej samej podstawie.
Model atrybucji to założenie o tym, jak działa Twój marketing, zapisane w postaci reguły podziału. Wybierz je świadomie, zamiast zostawiać ustawienie domyślne, którego nikt nie ruszał. Jeśli budujesz analitykę marketingu wewnątrz firmy i chcesz oprzeć decyzje o alokacji budżetu na twardym gruncie, zajmuję się tym w ramach programu in-housingu.
Twój raport pokazuje ścieżkę czy realny przyrost?
Pomagam firmom ustawić atrybucję tak, żeby liczby prowadziły do dobrych decyzji budżetowych, a nie tylko wypełniały slajd. Od doboru modelu, przez okna atrybucji, po pomiar realnego wpływu kanałów.
PorozmawiajmyNajczęstsze pytania
Który model atrybucji jest najlepszy?
Nie istnieje jeden najlepszy model dla wszystkich. Wybór zależy od długości ścieżki zakupowej i wolumenu konwersji. Przy krótkich ścieżkach i dużym ruchu last click wystarcza do bieżącej optymalizacji, a data-driven do przeglądu. Przy dłuższych ścieżkach lepiej sprawdza się position-based albo data-driven. Najwięcej wartości daje porównywanie dwóch modeli na tych samych danych, bo różnica między nimi pokazuje, które kanały są przeceniane, a które niedoceniane.
Czym jest atrybucja data-driven w GA4?
Data-driven to model, w którym algorytm sam szacuje realny wkład każdego punktu styku, zamiast stosować sztywną regułę podziału. Porównuje ścieżki zakończone konwersją ze ścieżkami, które konwersją się nie skończyły, i na tej podstawie rozkłada zasługę. W GA4 jest to model domyślny. Działa sensownie dopiero przy wystarczającym wolumenie konwersji, więc na małych kontach jego przewaga nad prostymi modelami bywa niewielka.
Czy atrybucja last-click jeszcze ma sens?
Tak, ale w wąskim zakresie. Last click dobrze nadaje się do szybkiej diagnostyki i do biznesów z krótką ścieżką zakupową, gdzie decyzja zapada w jednej lub dwóch sesjach. Traci sens jako jedyne źródło prawdy o budżecie, bo przypisuje całą zasługę ostatniemu kliknięciu i zaniża wartość kanałów budujących popyt wcześniej na ścieżce. Warto go używać jako jeden z modeli w porównaniu, nie jako podstawę wszystkich decyzji o alokacji.