چگونه اتریبیوشن مدرن مسیر تصمیم‌گیری بازاریابی را تغییر داد؟

اگر چند سالی در بازاریابی دیجیتال کار کرده باشید، احتمالاً این صحنه برایتان آشناست:

جلسه بررسی و برنامه‌ریزی بودجه است. گزارش‌ها در حال نمایش و اعداد شفاف‌اند.

و ناگهان یکی می‌پرسد:

«پس چرا اینستاگرام هیچ سهمی در فروش نداره؟»

گزارش می‌گوید: صفر.

تجربه تیم می‌گوید: غیرممکن.

اینجا دقیقاً همان نقطه‌ای است که اتریبیوشن از یک موضوع تحلیلی، تبدیل می‌شود به یک مسئله سازمانی و شاید مهم‌تر از آن سیاسی!

این یادداشت، داستان همین نقطه است. داستان اینکه چطور بازاریابی دیجیتال از «آخرین کلیک» به «مدل‌های داده‌محور» رسید. چرا حتی غول‌هایی مثل Amazon و Google به یک مدل واحد بسنده نکردند و اگر امروز مدیر یا متخصص بازاریابی هستیم، چطور باید درباره اتریبیوشن فکر کنیم نه فقط گزارش بگیریم.

پرده اول: عصر سادگی، وقتی آخرین کلیک (Last Click) پادشاه بود!

در سال‌های ابتدایی بازاریابی دیجیتال، دنیا ساده‌تر بود. یک کاربر روی یک تبلیغ کلیک می‌کرد، خرید می‌کرد، و همه راضی بودند. Last Click Attribution دقیقاً با همین منطق متولد شد: «هرکس آخرین ضربه را زد، گل را زده!»

این مدل، ساده بود، قابل‌فهم برای مدیرعامل، قابل‌اجرا برای تیم Performance و مهم‌تر از همه، تصمیم‌گیری را سریع می‌کرد. اما یک مشکل کوچک داشت. مشکلی که بعدها بسیار بزرگ شد. این مدل تمام مسیر قبل از خرید را پاک می‌کرد!

پرده دوم: وقتی مسیر مشتری پیچیده شد

با رشد شبکه‌های اجتماعی، ریتارگتینگ، ایمیل، اپ، پوش‌نوتیفیکیشن و… کاربر دیگر «یک کلیک – یک خرید» نبود. در واقع کاربر:

• سرچ می‌کرد
• مقایسه می‌کرد
• اینستاگرام می‌دید
• چند روز بعد برمی‌گشت
• پیامک تخفیف می‌گرفت
• و نهایتاً خرید می‌کرد

Last Click در اینجا اما همچنان می‌گفت که همه این‌ها مهم نیست، فقط آخرین مرحله مهم است. اینجا بود که مدل‌های Rule-based Multi-touch آمدند:

• Linear
• Time Decay
• Position-Based (U/W Shape)

این مدل‌ها تلاش کردند «منصفانه‌تر» باشند. اما هنوز یک ایراد اساسی داشتند و آن این بود که قانون جای داده را گرفته بود. مثلاً در مدل Linear قانون می‌گوید همه کانال‌ها در همه مراحل سهم یکسانی دارند؛ اما آیا واقعاً همین‌طور است؟ اینکه بگوییم «اول و آخر مهم‌اند» یا «نزدیک‌تر مهم‌تر است»، بیشتر شهود بر اساس تجربه متخصصان بود تا اندازه‌گیری دقیق.

پرده سوم: مدل‌های داده‌محور وارد می‌شوند

اینجا داستان عوض شد. مدل‌های Data-Driven Attribution با یک سؤال ساده شروع شدند: واقعاً وقتی یک کانال در مسیر خرید هست، احتمال خرید چقدر بیشتر می‌شود؟ و اگر نباشد چه اتفاقی می‌افتد؟

این یعنی مقایسه مسیرهای منجر به خرید و بدون خرید، دیدن الگوها، نه اعمال قانون، وزن‌دهی بر اساس اثر واقعی، نه جایگاه ظاهری. به همین دلیل است که امروز در ابزارهایی مثل Google Analytics 4، مدل‌های کلاسیک حذف شده‌اند و مدل Data-Driven پیش‌فرض است. نه به این دلیل که کامل است؛ بلکه چون سوگیری کمتری دارد.

پرده چهارم: الگوریتم‌ها تکامل می‌یابند

دو الگوریتم اینجا بیشتر از همه نقش بازی می‌کنند: Markov و Shapley. این الگوریتم‌ها بر اساس معادلات آماری و تئوری بازی‌ها محاسباتشان را انجام می‌دهند؛ اما لازم نیست برنامه‌نویس باشیم تا بفهمیمشان.

رویکرد الگوریتم مارکوف Markov این است که می‌پرسد:

«اگر این کانال را کامل حذف کنیم، فروش چقدر می‌ریزد؟»

اگر حذف یک کانال افت بزرگی ایجاد کند، یعنی آن کانال واقعاً مهم بوده، حتی اگر آخرین تماس نبوده باشد.

رویکرد الگوریتم شاپلی Shapley خیلی انسانی‌تر است، شاپلی می‌گوید:

«بیایید منصف باشیم. هر کانال را در همه ترکیب‌های ممکن ببینیم و ببینیم چقدر به نتیجه کمک کرده؟»

این مدل‌ها این مسئله را حل می‌کنند که بعضی کانال‌ها «اعتبار می‌گیرند» ولی «ارزش نمی‌سازند»؛ از طرفی هم بعضی کانال‌ها ارزش می‌سازند؛ ولی در Last Click دیده نمی‌شوند.

جالب است بدانید که تحقیقات جدید روی مدل‌هایی با توجه‌ به کمبود داده و حریم خصوصی کار می‌کنند و در حال‌ توسعه نسل بعدی الگوریتم‌ها هستند. پژوهش‌های اخیر تلاش می‌کنند حتی بدون داده‌های کاربرمحور (user-level) هم اتریبیوشن را با داده‌های تجمیعی انجام دهند. عبارت «Causal-Driven Attribution» برای جستجوی بیشتر در این موضوع می‌تواند سرنخ خوبی باشد.

پرده پنجم: بزرگان فروش آنلاین در دنیا از چه مدلی استفاده می‌کنند؟

خیلی‌ها فکر می‌کنند که کسب‌وکارهای بزرگی مثل گوگل و آمازون که به‌نوعی بخشی از استانداردهای تبلیغات آنلاین را تعیین می‌کنند، احتمالاً از پیشرفته‌ترین مدل ممکن استفاده می‌کنند یا احتمالاً مدل‌هایی به کار می‌گیرند که تا سال‌ها اطلاعاتی از آن‌ها منتشر نخواهد شد! اما واقعیت خیلی جالب‌تر است. آن‌ها هم از همین مدل‌ها استفاده می‌کنند؛ اما نه از تنها یک مدل!

گوگل در مستندات گوگل آنالیتیکس اعلام کرده که از یک مدل اختصاصی شاپلی در Data-Driven Attribution استفاده می‌کند. اگرچه داده‌ها را بر اساس سایر مدل‌ها هم نمایش می‌دهد. آمازون هم در Amazon Attribution اعلام کرده است که برای کانال‌های خارج از آمازون، هنوز Last Click استفاده می‌کند. اما در Amazon Ads، از مدل‌های داده‌محور و الگوریتمی استفاده می‌شود. چرا؟ چون این بزرگان فهمیده‌اند که یک مدل برای همه تصمیم‌ها کافی نیست و برای تصمیم‌گیری از چند مدل در کنار هم استفاده می‌کنند.

پرده ششم: یعنی چه «چند مدل را کنار هم استفاده کنیم»؟

اگر در حوزه Attribution مطالعه کرده باشید، این جمله را زیاد دیده‌اید؛ اما کمتر توضیح داده می‌شود. معنایش این نیست که همه چیز را قاطی کنیم. معنایش این است که Last Click برای تصمیم‌های اجرایی کوتاه‌مدت و مدل‌های داده‌محور و الگوریتمی برای تصمیم‌های بودجه‌ای و استراتژیک بهتر هستند. این یعنی تعصب نداشته باشیم و یک مدل را به‌عنوان «حقیقت مطلق» در نظر نگیریم؛ بلکه مدل‌ها را برای هدف‌های متفاوت به کار ببریم. به‌‌طور کلی:

• برای تیم Performance و بهینه‌سازی‌های روزانه (Bid / Budget کوتاه‌مدت): Last Click یا Time Decay چون ساده، کم‌هزینه، سریع و پایدار است.

• برای تصمیم‌سازی بودجه ماهانه/فصلی و اینکه کدام کانال واقعاً کمک می‌کند: Data-Driven / Algorithmic

به زبان ساده:

Last Click برای «عملیات» خوب است.

Data-Driven برای «سیاست‌گذاری‌های کلان‌تر و بودجه» بهتر است.

در پایان به نظرم مهم است این موضوع را درک کرده باشیم که اتریبیوشن ابزار نیست، طرز فکر است. اتریبیوشن قرار نیست حقیقت مطلق را بگوید یا یک عدد نهایی بدهد. اتریبیوشن قرار است گفت‌وگوی درست‌تری درباره بودجه بسازد، از سوگیری‌ها جلوگیری و تصمیم را آگاهانه‌تر کند.

اگر یک جمله بخواهم از این یادداشت بماند این است که:

مدل اتریبیوشن خوب، مدلی نیست که عدد بدهد، مدلی است که تصمیم را بهتر کند.