Adatvezérelt attribúció (data-driven attribution)

Mit jelent az attribúció, és mi a baj a last-clickkel?

Az attribúció annak eldöntése, hogy egy konverzióért (vásárlás, ajánlatkérés) melyik marketing-érintkezés kapja az érdemet. A vevő ritkán vásárol az első kattintásra: rákeres a Google-ön, lát egy Facebook-hirdetést, visszatér egy remarketing-bannerről, majd napokkal később a brand nevére keresve konvertál.

A klasszikus last-click modell a teljes érdemet az utolsó kattintásnak adja. Ez félrevezető: a brand-keresés úgy néz ki, mintha egyedül hozná a bevételt, miközben valójában a korábbi Facebook- és Display-érintések „melegítették fel” a vevőt. Így könnyen leállítasz egy jól teljesítő felső-tölcsér kampányt, mert a last-click szerint „nem hoz semmit”.

Hogyan osztja el az értéket a DDA?

Az adatvezérelt attribúció a saját fiókod konverziós és nem-konverziós útvonalait elemzi gépi tanulással. Megnézi, hogy egy adott érintkezési pont jelenléte mennyivel növeli a konverzió valószínűségét, és ez alapján tört értékeket oszt szét. Egy vásárlás nem 100%-ban „egy csatornáé”, hanem például 35% Facebook, 25% Google keresés, 40% brand-keresés.

Last-click vs. DDA — konkrét magyar példa

Egy magyar webshop havi 800 000 Ft-ot költ, és 3 csatornán fut. Nézzük, hogyan látszik ugyanaz a 40 konverzió a két modellben:

Last-click alapján a Facebookot leállítanád. DDA alapján kiderül, hogy a Facebook a konverziók harmadát segíti — leállítva a brand-keresés is visszaesne, mert nincs mi felmelegítse a vevőt.

Gyakori hiba: kevés adattal váltasz DDA-ra

A DDA gépi tanuláshoz elég adatot igényel. Kis fiókban (havi néhány konverzió) a modell zajos, megbízhatatlan lesz. Ökölszabály: legyen több tíz konverziód havonta, mielőtt komoly döntést hozol DDA-alapon. Addig a last-click + józan ész (segített konverziók nézése) is jobb, mint egy alultanult modell.