Attribution Modelleri Arasındaki Gerçek Fark ve Hangisini Kullanmalısınız

Attribution Modelleri Neden Bu Kadar Çok Tartışmaya Yol Açar

Performans ekibinin ücretli aramanın en iyi kanal olduğunu, marka ekibinin YouTube'un daha fazla bütçeyi hak ettiğini ve sosyal medya ekibinin Instagram'ın büyüme motoru olduğunu kanıtlayan bir sunum hazırladığı toplantılarda bulundum. Hepsi aynı veriyi kullanıyor. Hepsi teknik olarak doğru. Ve hepsi yanılıyor.

Sebebi attribution. Özellikle, farklı attribution modellerinin aynı müşteri yolculuğu hakkında temelden farklı hikayeler anlatması. Ve şu anda hangi modeli kullanıyorsanız, farkında olun ya da olmayın, her bütçe kararınızı şekillendiriyor.

Bu teorik bir problem değil. Aylık 500.000 dolar reklam harcayan bir marka, analitik platformunda hangi attribution modelinin seçili olduğuna bağlı olarak "en iyi performans gösteren kanalının" tamamen değiştiğini görebilir. Bu bir yuvarlama hatası değil. Bir açılır menü tarafından yönlendirilen stratejik bir yön değişikliği.

Modeller ve Gerçekte Ne Yaptıkları

Her modeli anlatacağım ama sadece tanımlamak yerine (Google'dan bakabilirsiniz), her birinin neyi yanlış yaptığına odaklanmak istiyorum. Çünkü her model yanlış. Soru, hangisinin yaşayabileceğiniz bir şekilde yanlış olduğu.

Son Tıklama Attribution

Nasıl çalışır: Dönüşüm kredisinin %100'ü, dönüşümden önceki son temas noktasına gider.

Kim sever: Performans pazarlamacıları, ücretli arama ekipleri, kanalı genellikle son tıklama olan herkes.

Ne zaman yalan söyler: Neredeyse her zaman, ama özellikle herhangi bir üst huni aktiviteniz olduğunda. Biri YouTube reklamınızı görüyor, sonra display retargeting reklamınızı, sonra marka adınızı arayıp bir arama reklamına tıklıyor. Son tıklama, tüm işi aramanın yaptığını söylüyor. Gerçekte arama, zaten dönüşecek olan birini yakaladı.

Son tıklama sistematik olarak alt huni kanallarını (arama, retargeting, markalı terimler) aşırı değerlendirir ve farkındalık veya değerlendirme oluşturan her şeyin altını çizer. Son tıklama verilerine dayanarak bütçe kararları alıyorsanız, boru hattınız kuruyuncaya kadar yavaş yavaş üst huninizi aç bırakacaksınız. Sonra arama performansının neden aniden düştüğünü merak edeceksiniz — çünkü onu besleyen kanalları kestiniz.

İlk Tıklama Attribution

Nasıl çalışır: Dönüşüm kredisinin %100'ü, müşteri yolculuğundaki ilk temas noktasına gider.

Kim sever: Marka ekipleri, farkındalık kampanyası yöneticileri, içerik pazarlamacıları.

Ne zaman yalan söyler: Keşif anını aşırı kredilendirir ve farkındalık ile dönüşüm arasında olan her şeyi görmezden gelir. Bir kullanıcı altı ay önce bir Facebook reklamına tıkladı, markanız hakkında bir daha düşünmedi, sonra bir retargeting reklam gördü, bir e-posta aldı ve sonunda dönüşüm yaptı. İlk tıklama, dört sonraki temas noktası gerektiren bir şey için tüm krediyi Facebook'a veriyor.

Doğrusal Attribution

Nasıl çalışır: Kredi, yolculuktaki tüm temas noktaları arasında eşit olarak bölünür.

Kim sever: Adil ve dengeli görünmek isteyen insanlar.

Ne zaman yalan söyler: Her etkileşimi eşit derecede önemli sayar, ki bu nadiren doğrudur. Kullanıcının fark bile etmediği kazara bir display gösterimi, anlaşmayı kapatan bir ürün demosuyla aynı krediyi alıyor. Doğrusal attribution diplomatik cevaptır, doğru cevap değil.

Zamana Bağlı Attribution

Nasıl çalışır: Dönüşüme yakın temas noktaları daha fazla kredi alır, kredi zamanda geriye gittikçe üstel olarak azalır.

Kim sever: Son tıklamadan daha sofistike bir şey isteyen ama veri odaklıya hazır olmayan ekipler.

Ne zaman yalan söyler: Yakınlığın önem demek olduğunu varsayar, ki bu her zaman doğru değildir. Bazen ilk temas noktası (güvenilen bir kaynaktan gelen yönlendirme, ikna edici bir içerik) kritik andı ve sonraki her şey sadece logistikti.

Pozisyon Bazlı (U-Şeklinde) Attribution

Nasıl çalışır: İlk temas noktasına %40, son temas noktasına %40 ve kalan %20 aradaki her şey arasında eşit olarak bölünür.

Kim sever: Hem keşfi hem dönüşümü kredilendirirken aradakilerin varlığını kabul etmek isteyen ekipler.

Ne zaman yalan söyler: 40/40/20 dağılımı tamamen keyfi. Neden %40? Neden 30/30/40 değil? O dağılımın arkasında veri yok. Ayrıca ortadaki temas noktalarının en önemli olabileceğini tamamen görmezden gelir — alıcıyı gerçekten ikna eden bir ürün karşılaştırma sayfası veya vaka çalışması kredinin %3'ünü alabilir.

Veri Odaklı Attribution

Nasıl çalışır: Makine öğrenmesi, gerçek dönüşüm verilerinizi analiz ederek her temas noktasının dönüşüme katkıda bulunma istatistiksel olasılığına göre kredi atar.

Kim sever: Google (bunu kullanmanızı gerçekten istiyorlar).

Ne zaman yalan söyler: Kural bazlı modellerden daha iyi ama gerçek sınırlamaları var:

• Önemli dönüşüm hacmi gerektirir (Google Ads için son 30 günde en az 300 dönüşüm ve 3.000 reklam etkileşimi)
• Sadece kendi ekosistemindeki temas noktalarını dikkate alır. Google'ın veri odaklı attribution'ı Meta temas noktalarını göremez, ve tersi de geçerli
• Hala bir model, gerçeklik değil. Google'ın en iyi tahmini, Google'ın verisine dayanarak, Google'ın çıkarlarına hizmet ediyor
• Metodolojiyi denetleyemezsiniz — kara kutu

Not: Google, 2023 itibarıyla Google Ads'ta son tıklama, ilk tıklama, doğrusal, zamana bağlı ve pozisyon bazlı modelleri kullanımdan kaldırdı ve herkesi veri odaklıya yönlendirdi. Bu veri odaklının mükemmel olduğu için değil — Google'ın anlatı üzerinde daha fazla kontrol istemesi.

Attribution Seçimi Bütçenizi Nasıl Değiştirir

Bu neden pratikte önemli olduğunu göstermek için basitleştirilmiş bir örnek. Dört temas noktası olan bir müşteri yolculuğu düşünün:

CMO, varsayılan modelin anlattığı hikayeyi görür. Bütçe buna göre akar. Varsayılan son tıklamaysa, üst huni harcaması her çeyrekte kesilir çünkü "performans göstermiyor." İki çeyrek sonra boru hattı daha zayıf ama kimse noktaları birleştirmiyor.

Google'ın Veri Odaklıya İtişi (Ve Arkasındaki Nedenler)

Google, eski attribution modellerini ölçüm doğruluğunu önemsediği için kullanımdan kaldırmadı. Stratejik nedenler var:

Anlatı üzerinde daha fazla kontrol. Kural bazlı modellerle perspektifinizi destekleyen modeli seçebiliyordunuz. Veri odaklı, Google'ın kontrol ettiği bir kara kutu. Algoritmayla tartışamazsınız ve farklı bir hikaye anlatmak için farklı bir model seçemezsiniz.

Google Ads harcaması için daha iyi gerekçe. Veri odaklı attribution, Google'ın temas noktalarına son tıklamadan daha cömert olma eğilimindedir. Algoritma bir YouTube gösteriminin dönüşüme katkıda bulunduğuna karar verdiğinde, bu Google'ın makine öğrenmesinin Google'ın reklam ürününü doğrulaması. Uygun.

Otomasyonla uyum. Google'ın akıllı teklif stratejileri, attribution modelini kontrol ettiklerinde daha iyi çalışır. Veri odaklı attribution ile tROAS teklifi kullanıyorsanız, tüm optimizasyon döngüsü Google'a içseldir.

Veri odaklının alternatiflerden daha kötü olduğunu söylemiyorum. Çoğu reklamveren için son tıklamadan gerçekten daha iyi. Ama Google'ın bunu itmesinin nedeni fedakarlık değil — strateji.

Çoklu Dokunma Attribution Hakkındaki Dürüst Gerçek

Attribution modellerini tartışarak paragraflar geçirdikten sonra duymak zor olan bir şey var: bir kategori olarak çoklu dokunma attribution'ın, hiçbir modelin çözemeyeceği temel problemleri var.

Problem 1: Duvarla çevrili bahçeler. Google Meta temas noktalarını göremez. Meta Google temas noktalarını göremez. TikTok ikisini de göremez. Her platformun attribution'ı silolarda. Çoklu dokunma attribution sadece tek bir platformun dünya görüşü içinde çalışır.

Problem 2: Cihazlar arası körlük. Bir kullanıcı Instagram reklamınızı telefonunda görüyor, dizüstü bilgisayarında araştırma yapıyor ve iş masaüstünde dönüşüm yapıyor. Kimlik çözümlemeniz olağanüstü olmadıkça, attribution sistemi bir yolculuk değil, üç farklı kullanıcı görür.

Problem 3: Korelasyon vs nedensellik. Birinin dönüşümden önce bir reklama maruz kalması, reklamın dönüşüme neden olduğu anlamına gelmez. Attribution modelleri temas noktalarını sayar. Etkiyi ölçmez.

Problem 4: Gösterim problemi. Bir display gösterimi temas noktası olarak sayılmalı mı? 2 saniye oynayan bir video? Açılan ama tıklanmayan bir e-posta? "Dokunma" olarak neyin sayılacağının sınırını nereye çizdiğiniz sonuçları dramatik olarak değiştirir.

Artımlılık Testi Nedir ve Neden Daha İyi

Attribution modelleri size topun gole girmeden önce kime dokunduğunu söylüyorsa, artımlılık testi hangi oyuncuların takımı gerçekten daha fazla maç kazandırdığını söyler.

Artımlılık testi, reklamınızın olduğu durumu olmadığı durumla karşılaştırarak reklamcılığınızın nedensel etkisini ölçer. Bu, olaydan sonra kredi atayan attribution'dan temelden farklıdır.

En yaygın yaklaşımlar:

Coğrafi kaldırma testleri. Kampanyanızı bazı coğrafi bölgelerde çalıştırın ama diğerlerinde çalıştırmayın (benzerlik için eşleştirilmiş). İki grup arasındaki dönüşüm oranlarını karşılaştırın. Fark, artımlı kaldırmanız — reklam olmadan gerçekleşmeyecek olan dönüşümler.

Kontrol grubu testleri. Hedeflenebilir bir kitle içinde, bir bölümüne (test grubu) rastgele reklam gösterin ve geri kalanından (kontrol grubu) reklam esirgerin. Dönüşüm oranlarını karşılaştırın.

Açma/kapama testleri. Bir kanalı belirli bir süre tamamen kapatın ve genel dönüşümler üzerindeki etkiyi ölçün. Basit ama bir kanalın gerçekten bir şey yapıp yapmadığını belirlemek için etkili.

Neden artımlılık daha iyi:

• Korelasyon değil nedenselliği ölçer
• Gerçekten önemli olan soruyu cevaplar: "Bu dönüşüm reklamım olmadan da olur muydu?"
• Duvarla çevrili bahçeler arasında çalışır çünkü reklam platformu verisi değil iş sonuçlarını ölçüyorsunuz

• Bazı dönüşümleri feda etmeyi gerektirir (bazı insanlara reklam göstermemeniz gerekir)
• Zaman alır — haftalarca veya aylarca veriye ihtiyacınız var
• Birçok pazarlama ekibinin sahip olmadığı istatistiksel titizlik gerektirir
• Sonuçlar genellikle rahatsız edicidir

Pratik Bir Attribution ve Ölçüm Yaklaşımı

Hiçbir attribution modelinin mükemmel olmadığı ve artımlılık testinin çaba gerektirdiği göz önüne alındığında, çoğu reklamveren için önerilerim:

Adım 1: Varsayılan olarak veri odaklı attribution kullanın. Mükemmel değil ama Google Ads ve GA4 içinde günlük optimizasyon için en az yanlış olan seçenek.

Adım 2: Büyük bütçe kararlarını sadece attribution verisine dayanarak almayın. Tek girdi değil, bir girdi olarak kullanın. Trend analizi, tüm kanallardaki harmanlanmış ROAS ve sağduyu ile birleştirin.

Adım 3: En büyük kanallarınızda artımlılık testleri yapın. En fazla bütçe alan kanallarla başlayın. Onları kapatmanın (veya önemli ölçüde azaltmanın) toplam dönüşümleri gerçekten etkileyip etkilemediğini test edin.

Adım 4: Markalı arama tuzağına dikkat edin. Markalı arama ROAS'ınız astronomikse, o bütçeyi %50 azalttığınızda ne olduğunu test edin. Organik boşluğun çoğunu dolduruyorsa, zaten gelen trafik için fazla ödüyordunuz.

Adım 5: Kusursuzluğu kabul edin. Asla mükemmel ölçümünüz olmayacak. Hedef yönsel olarak doğru olmak, kesin olarak yanlış olmak değil.

Bu Sizi Nerede Bırakıyor

Attribution bir mercek, mikroskop değil. Size gerçekliğin faydalı ama bozulmuş bir görünümünü verir. Bozulma hangi modeli seçtiğinize bağlıdır ve her model farklı bir yönde bozar.

Bunu iyi yöneten reklamverenler tek bir modele tapmaz. Taktik optimizasyon için veri odaklı attribution'a, stratejik bütçe tahsisi için artımlılık testlerine bakar ve gerçek olamayacak kadar iyi görünen herhangi bir sayıyı sorgulamak için yeterli sağlıklı şüpheciliği korurlar.

Hangi attribution modelinin işinize uyduğunu anlamaya çalışıyorsanız veya mevcut kurulumunuzun bütçeyi yanlış yerlere gönderdiğinden şüpheleniyorsanız, AdCharta bunu çözmenize yardımcı olabilir. Markalarla birlikte doğru ölçüm çerçeveleri uygulamak, artımlılık testleri yapmak ve sadece uygun bir hikaye değil gerçeği anlatan raporlama oluşturmak için çalışıyoruz. Durumunuzu konuşmak isterseniz bize ulaşın.

Reklam Performansınızı Büyütmeye Hazır Mısınız?

Mevcut reklam yapınızın ücretsiz analizini alın ve keşfedilmemiş büyüme fırsatlarını keşfedin.