מודל אטריביושן: last-click מול data-driven

מודל אטריביושן הוא הכלל שמחליט לאיזה ערוץ או נקודת מגע במסע הלקוח מיוחס הקרדיט על ההמרה. התשובה הקצרה: last-click נוח ופשוט, אבל הוא מזכה תמיד את נקודת המגע האחרונה ולכן מטה את התמונה; data-driven מדויק יותר כי הוא מחלק את הקרדיט לפי תרומה אמיתית, אבל דורש נפח המרות ותשתית מדידה תקינה. נסביר כאן את ההבדל בשפה פשוטה, מתי כל מודל מתאים, ואיך לבחור בלי לאמץ באופן עיוור את המספר שהפלטפורמה מציגה לכם.

מה זה מודל אטריביושן, בלי הז'רגון

רוב הרכישות לא קורות במגע אחד. לקוח רואה מודעת וידאו, חוזר כעבור יומיים דרך חיפוש בגוגל, מקבל מייל, ולבסוף נכנס ישירות לאתר ורוכש. ארבע נקודות מגע, המרה אחת. מודל האטריביושן הוא ההחלטה איך לחלק את הקרדיט על אותה המרה בין נקודות המגע. זו לא שאלה טכנית בלבד — היא קובעת לאיזה ערוץ תזרימו תקציב מחר. אם המודל מזכה את הערוץ הלא נכון, אתם מגדילים השקעה במקום שבו הביצועים רק נראים טובים.

last-click: הפשטות שעולה ביוקר

במודל last-click כל הקרדיט הולך לנקודת המגע האחרונה לפני ההמרה. זו ברירת המחדל ההיסטורית כי היא פשוטה להבנה ולחישוב. הבעיה: היא מתעלמת מכל מה שהביא את הלקוח עד לשם. ערוצי תפיסה שמייצרים ביקוש — וידאו, סושיאל, תוכן — נראים חלשים, בעוד ערוצי קטיף שסוגרים ביקוש קיים — חיפוש ממותג, רימרקטינג — נראים כמו גיבורים. כך נולדות החלטות תקציב שמקצצות דווקא את מה שמזין את המשפך.

• יתרון: פשוט, שקוף, קל להסבר מול הנהלה.
• חיסרון: מנפח ערוצי תחתית-משפך וקובר את ערוצי ראש-המשפך.
• מתי בכל זאת: עסק קטן עם מסע קצר ומעט ערוצים, או כשנפח ההמרות נמוך מדי למודל אלגוריתמי.

data-driven: מדויק יותר, תובעני יותר

מודל data-driven (לעיתים DDA) מחלק את הקרדיט לפי תרומה ממשית של כל נקודת מגע, על בסיס השוואה בין מסעות שהמירו למסעות שלא. במקום כלל קשיח, אלגוריתם לומד אילו צירופים באמת מזיזים את המחט. GA4 הפך אותו לברירת מחדל, אבל יש תנאי כניסה: צריך נפח המרות מספק וטראקינג נקי. בלי זה, הדאטה שעליו המודל לומד פשוט לא מהימן, והתוצאה מדויקת רק לכאורה.

• יתרון: מפזר קרדיט בצורה הוגנת יותר ומכבד את תרומת ראש-המשפך.
• חיסרון: קופסה שחורה שקשה להסביר, ורגיש לאיכות הנתונים.
• תנאי: נפח המרות חודשי סביר וטראקינג תקין — אחרת המספר מטעה.

ובאמצע: first-click, ליניארי ו-time-decay

בין שני הקצוות יש מודלים מבוססי-כללים. first-click נותן את כל הקרדיט לנקודת המגע הראשונה — ומטה לכיוון ההפוך מ-last-click. ליניארי מחלק שווה בשווה בין כל נקודות המגע. time-decay נותן יותר משקל לנקודות הקרובות בזמן להמרה. הם פשוטים יותר מ-data-driven ופחות מוטים מ-last-click, ולכן יכולים לשמש שלב ביניים סביר עד שנפח הנתונים מצדיק מעבר למודל אלגוריתמי.

דוגמה מספרית: אותה המרה, שני מודלים

נניח מסע לקוח עם שלוש נגיעות לפני רכישה של 1,000 ש"ח: חשיפה למודעת וידאו בפייסבוק, קליק על מודעת חיפוש גנרי בגוגל, ולבסוף כניסה דרך חיפוש ממותג. ב-last-click כל ה-1,000 ש"ח נזקפים לחיפוש הממותג — הערוץ שרק קטף ביקוש שכבר נוצר. במודל data-driven אותם 1,000 ש"ח מתחלקים בין שלוש הנגיעות לפי תרומתן, כך שגם הווידאו שיצר את החשיפה הראשונית וגם החיפוש הגנרי מקבלים נתח. המספרים המדויקים הם דוגמה בלבד — הנקודה היא שאותה המרה מספרת שני סיפורי תקציב שונים לחלוטין, ועל הסיפור הזה אתם בונים את ההחלטות.

מסגרת בחירה: איזה מודל מתאים לעסק שלכם

במקום לשאול מה המודל הטוב ביותר, שאלו שלוש שאלות:

• כמה ארוך מסע הלקוח? מסע קצר וזול סובל last-click; מסע ארוך עם כמה נגיעות דורש מודל שמכבד את כל הדרך.
• כמה המרות יש בחודש? נפח נמוך — הישארו במודל מבוסס-כללים; נפח גבוה — data-driven יתחיל לעבוד לטובתכם.
• כמה נקי הטראקינג? consent, חסימות וקוקיז צד-שלישי שוחקים את הנתונים. מודל מתוחכם על דאטה חלקית שווה פחות ממודל פשוט על דאטה אמינה.

מודל אטריביושן לא מגלה את האמת — הוא מציע פרשנות. התפקיד שלכם הוא לבחור את הפרשנות שמובילה להחלטות תקציב טובות יותר, לא את זו שמחמיאה לערוץ מסוים.

אטריביושן זה לא אותו דבר כמו אינקרמנטליות

אפילו המודל המתוחכם ביותר עונה על שאלה אחת: איך לחלק קרדיט על המרות שקרו. הוא לא עונה על השאלה החשובה יותר — אילו המרות לא היו קורות בלי הפרסום. זו אינקרמנטליות, ונמדדת בעיקר בניסויים מבוקרים כמו geo-tests והחזקות תקציב, ולא במודל זקיפה. אטריביושן עוזר לנהל את התקציב היומיומי; אינקרמנטליות עוזרת לדעת אם הערוץ בכלל מושך במשקל שלו. שילוב של שניהם, מעל מקור אמת אחד, הוא מה שמפריד מדידה אמיתית מדיווח יפה.

למה המספר בפלטפורמה כמעט תמיד מנופח

כל פלטפורמת פרסום מודדת אטריביושן לעצמה ולפי החלון שנוח לה, ולכן סכום ההמרות המדווחות בפייסבוק, גוגל וטיקטוק כמעט תמיד גדול מסך המכירות האמיתי. זו לא בהכרח רמאות — זו שיטה. הדרך לצאת מהאשליה היא להשוות מול מקור אמת אחד: ה-CRM או מערכת ההכנסות, ולהסתכל על מדידה חוצת-ערוצים (blended) לצד הדיווח הפלטפורמתי. הרחבנו על כך במאמר על ROAS אמיתי מול ROAS בפלטפורמה.

שלוש טעויות שחוזרות שוב ושוב

• להחליף מודל ואז להשוות תוצאות לפני ואחרי כאילו הביצועים השתנו — בעוד רק כללי הזקיפה השתנו.
• לסמוך על data-driven בלי לבדוק שהטראקינג נקי; מודל חכם על נתונים שבורים מסוכן יותר ממודל פשוט.
• לקבל את אטריביושן הפלטפורמה כאמת, בלי להצליב מול ה-CRM וההכנסה בפועל.

השורה התחתונה: אין מודל אטריביושן מושלם, יש מודל שמתאים לבשלות הנתונים ולמסע הלקוח שלכם. התחילו במודל שאתם מבינים ויכולים להסביר, חברו אותו למקור אמת אחד, ושדרגו ל-data-driven כשהנפח מצדיק. מי שרוצה לראות איך נראית מדידה שקופה שמחברת הוצאת פרסום להכנסה אמיתית — אפשר לבקש מאיתנו דוח שקיפות לדוגמה ולראות את התמונה המלאה במקום מספר בודד מהפלטפורמה.