W skrócie
7 min czytaniaModel atrybucji marketingowej to reguła decydująca, jak zasługi za jedną konwersję rozkładają się między poprzedzające ją punkty styku. Modele jednopunktowe oddają wszystko jednemu punktowi, a wielopunktowe dzielą tę samą konwersję według wag sumujących się do 100%. Na identycznej ścieżce z czterema punktami styku wyszukiwanie organiczne dostaje 100% przy pierwszym kontakcie, 25% przy modelu liniowym i 13,3% przy zaniku czasowym z okresem siedmiu dni.
Czym jest model atrybucji marketingowej?
Zespoły analityczne wybierają model atrybucji marketingowej, aby zdecydować, jak zasługi za jedną konwersję rozłożyć między poprzedzające ją punkty styku. Model niczego nowego nie obserwuje: stosuje stałą regułę do danych, które twoja analityka już zebrała, a potem wpisuje procent obok każdego kanału. Wybierz model, zanim zaczniesz porównywać kanały, bo dwa modele czytające ten sam dziennik sesji wskażą dwóch różnych zwycięzców.
Zakup za 1 200 $ może nastąpić po wpisie na blogu znalezionym w wyszukiwarce, reklamie na LinkedInie klikniętej pięć dni później i newsletterze otwartym rano w dniu płatności. Płatność to jedna liczba, a model zamienia ją w trzy. Flowsery odczytuje samo zdarzenie płatności dzięki atrybucji przychodów ze Stripe, Paddle, Polar i Lemon Squeezy, więc dzielona kwota to ta, która faktycznie wpłynęła.
Czym różni się atrybucja jednopunktowa od wielopunktowej?
Atrybucja jednopunktowa daje jednemu punktowi styku 100% zasług, a wszystkim pozostałym zero. Atrybucja wielopunktowa rozkłada tę samą konwersję na dwa lub więcej punktów styku, stosując wagi sumujące się do 100%. Atrybucja jednopunktowa nic nie kosztuje, a z jej rachunkami nikt nie dyskutuje; wielopunktowa uzasadnia swoją złożoność, gdy cykl zakupowy trwa dłużej niż jedna sesja.
Pierwszy kontakt i ostatni kontakt to dwa modele jednopunktowe, które odpowiadają na przeciwne pytania. Porównanie pierwszego kontaktu z ostatnim zestawia zasługi za odkrycie z zasługami za domknięcie sprzedaży, dlatego zespoły pozyskiwania i generowania popytu spierają się o jeden panel.

Jak każdy model atrybucji dzieli tę samą ścieżkę?
Przepuść jedną identyczną ścieżkę przez siedem znanych modeli, a ten sam punkt styku będzie wart od 100% do zera. Ścieżka wygląda tak: dzień 1, wyszukiwanie organiczne i wpis na blogu; dzień 4, reklama na LinkedInie; dzień 9, kliknięcie w newsletterze; dzień 12, wizyta bezpośrednia zakończona konwersją.
| Model | Organiczne, dzień 1 | Reklama LinkedIn, dzień 4 | Newsletter, dzień 9 | Bezpośrednie, dzień 12 | Zawyża wartość |
|---|---|---|---|---|---|
| Pierwszy kontakt | 100% | 0% | 0% | 0% | SEO, social media, display |
| Ostatni kontakt | 0% | 0% | 0% | 100% | Wyszukiwanie brandowe, retargeting |
| Ostatni niebezpośredni | 0% | 0% | 100% | 0% | Ostatnie kliknięcie płatne lub z polecenia |
| Liniowy | 25% | 25% | 25% | 25% | Tanie, częste kontakty, np. e-mail |
| Zanik czasowy, okres 7 dni | 13,3% | 17,9% | 29,3% | 39,5% | Kanały domykające |
| Oparty na pozycji, 40/20/40 | 40% | 10% | 10% | 40% | Oba końce, celowo |
| Oparty na danych, przykładowy wynik | 31% | 24% | 18% | 27% | To, na co pozwala twój wolumen |
Pierwsze sześć wierszy to arytmetyka, którą dokładnie odtworzysz na swoich danych. Wiersz modelu opartego na danych to wynik wyliczony dla jednego konta, a nie stała reguła, więc twoje liczby będą inne. Przeczytaj kolumnę ruchu organicznego od góry do dołu: ten wpis na blogu jest wart 100% zakupu, 40%, 13,3% albo nic, a nie zmienił się ani jeden bajt danych o sesjach.
Jak modele zaniku czasowego i oparty na pozycji obliczają wagi?
Zanik czasowy nadaje każdemu punktowi styku surową wagę, która zmniejsza się o połowę co okres połowicznego zaniku, a następnie normalizuje wagi tak, by sumowały się do 100%.
weight = 0.5 ^ (days before conversion / half-life)
Przy okresie połowicznego zaniku wynoszącym siedem dni i konwersji w dniu 12 kontakt organiczny jest oddalony o 11 dni, więc jego surowa waga to 0,5 ^ (11 / 7) = 0,336. Reklama na LinkedInie uzyskuje 0,453, newsletter 0,743, a wizyta bezpośrednia 1,000. Suma wynosi 2,532, więc ruch organiczny dostaje 0,336 / 2,532 = 13,3%. Skróć okres do trzech dni, a ruch organiczny spadnie do 4,5%, choć kampania się nie zmieniła.
Model oparty na pozycji nie wymaga strojenia. Daje 40% pierwszemu kontaktowi, 40% ostatniemu, a pozostałe 20% dzieli między kontakty środkowe: po 10% przy dwóch, po 6,7% przy trzech. Model liniowy jest jeszcze prostszy: 100 podzielone przez liczbę punktów styku.
Czym jest okno atrybucji i jak zmienia wynik?
Okno atrybucji to maksymalny wiek, jaki może mieć punkt styku, by nadal kwalifikował się do zasług, i usuwa ono wiersze, zanim model w ogóle zadziała. Skróć okno atrybucji na powyższej ścieżce do siedmiu dni, a organiczny kontakt z dnia 1 i kontakt z LinkedIna z dnia 4 przestaną istnieć: newsletter i wizyta bezpośrednia podzielą między siebie całe 100%, więc w modelu liniowym newsletter skoczy z 25% do 50%, a ruch organiczny spadnie do zera.
Okno ma tak samo duże znaczenie jak model, a mimo to zespoły kopiują je z domyślnych ustawień platformy bez sprawdzania. Zmierz medianę dni od pierwszego kontaktu do zakupu i ustaw okno dłuższe od niej.
Dlaczego każdy model atrybucji jest tylko szacunkiem?
Każdy model jest szacunkiem, bo lista punktów styku jest niekompletna, zanim reguła zostanie zastosowana. Ograniczenia przeglądarek ucinają wczesną historię: Intelligent Tracking Prevention firmy Apple ogranicza w Safari własne pliki cookie zapisywane skryptem do siedmiu dni, a Total Cookie Protection Mozilli domyślnie blokuje w Firefoksie pliki cookie podmiotów trzecich, więc przeglądarka może zapomnieć pierwszą połowę 30-dniowej ścieżki. Luki między urządzeniami są jeszcze poważniejsze: telefon, na którym wyświetliła się reklama, i laptop, na którym dokonano płatności, to dwaj anonimowi odwiedzający, dopóki ta osoba nie zaloguje się na obu.
Adblockery, okna prywatne, przeglądarki w aplikacjach i linki udostępniane bez parametrów UTM usuwają kolejne wiersze, a linki wklejone na czacie trafiają do ruchu bezpośredniego. Flowsery z założenia działa bez plików cookie i jest hostowane w UE, co usuwa baner zgody ze ścieżki pomiaru, ale nadal nie zobaczy zakupu na urządzeniu, które nigdy nie zetknęło się z reklamą. Traktuj wynik modelu jak ranking, na podstawie którego działasz, a nie księgę, którą audytujesz.
Panel w czasie rzeczywistym
Śledzenie celów
Śledzenie bez cookie

Czym jest atrybucja deklaratywna i dlaczego zespoły stosują ją równolegle?
Atrybucja deklaratywna to pytanie w formularzu rejestracji lub płatności o to, skąd kupujący się o tobie dowiedział, zapisywane w karcie klienta. Istnieje, bo dane o kliknięciach są precyzyjne w tym, co zarejestrowały, i ślepe na wszystko inne: wzmiankę w podcaście, społeczność na Slacku, wystąpienie na konferencji, polecenie od kolegi. Żaden skrypt tego nie zobaczy.
Zespoły stosują oba podejścia, bo ich błędy się równoważą. Dane o kliknięciach są szczegółowe, ale urwane; odpowiedź w formularzu jest nieostra i obciążona zawodnością pamięci, ale obejmuje kanały niewidoczne dla analityki. Porównuj je co miesiąc, a gdy formularz ciągle wskazuje kanał, któremu atrybucja oparta na danych przypisuje prawie zero, odkrywasz martwy punkt, a nie zdezorientowanego kupującego.
Jaki model atrybucji marketingowej wybrać?
Wybierz model dopasowany do długości cyklu sprzedaży. Cykle krótsze niż tydzień z jednym lub dwoma punktami styku prawie nic nie tracą przy modelu ostatniego niebezpośredniego kontaktu, a jego stosowanie nic nie kosztuje. Cykle dłuższe niż 30 dni z czterema lub więcej punktami styku wymagają modelu opartego na pozycji albo, gdy masz dość ścieżek, by wagi przestały się zmieniać między odświeżeniami, modelu opartego na danych.
Ustal jeden model jako oficjalną liczbę firmy, aby spory o budżet miały wspólny punkt odniesienia, a obok niego trzymaj pierwszy i ostatni kontakt jako granice uczciwego przedziału. Kanał wygrywający we wszystkich trzech zasługuje na większy budżet. Kanał wygrywający tylko w jednym mówi ci coś o modelu, a nie o kanale.
Najczęściej zadawane pytania
Czym różni się model atrybucji od okna atrybucji?
Model decyduje, jak zasługi dzielą się między kwalifikujące się punkty styku. Okno decyduje, które punkty styku w ogóle się kwalifikują, określając, jak daleko wstecz może leżeć kontakt, by się liczył. Okno działa pierwsze, więc krótkie okno zeruje kanały, które model by dobrze wynagrodził.
Który model atrybucji jest najdokładniejszy?
Żaden nie jest dokładny, bo żaden nie obserwuje związku przyczynowego. Każdy stosuje założenie do niekompletnej listy punktów styku, więc właściwe pytanie brzmi: które założenie pasuje do twojego cyklu zakupowego. Model oparty na danych sprawdza się, gdy masz odpowiednią liczbę ścieżek; gdy jej nie masz, najmocniejszym wyborem domyślnym jest model oparty na pozycji.
Dlaczego platforma reklamowa i narzędzie analityczne pokazują różne liczby?
Platformy reklamowe przypisują konwersje na podstawie własnego grafu zalogowanych tożsamości i liczą konwersje po wyświetleniu w ramach własnych ustawień okresu wstecz. Narzędzia analityczne przypisują je według sesji, domyślnie stosują ostatni niebezpośredni kontakt i nigdy nie widzą wyświetlenia, które nie dało kliknięcia. Ten sam zakup zostaje przypisany dwukrotnie, dlatego konwersje raportowane przez platformy sumują się do więcej niż rzeczywista liczba zamówień.
Ilu punktów styku potrzebuje model oparty na danych?
Tylu ścieżek z konwersją i bez niej, by wyliczone wagi przestały się przesuwać między odświeżeniami. Obserwuj dwa lub trzy kolejne przeliczenia: jeśli udział kanału zmienia się o kilka punktów bez zmiany kampanii, model dopasowuje się do szumu. Wróć do modelu opartego na pozycji, dopóki wolumen nie wzrośnie.
Czy atrybucja ostatniego niebezpośredniego kontaktu całkowicie ignoruje ruch bezpośredni?
Ten model pomija kontakt bezpośredni i nagradza poprzedni identyfikowalny kanał. Istnieje, bo duża część tego, co analityka oznacza jako ruch bezpośredni, to ruch błędnie przypisany: usunięta strona odsyłająca, link z komunikatora, adres z zakładek. Ceną jest to, że prawdziwe wizyty bezpośrednie nigdy nie pojawiają się jako nagrodzony kanał.
Czy mogę stosować więcej niż jeden model atrybucji naraz?
Uruchamianie kilku modeli na tych samych danych o konwersjach to właśnie sens powyższej tabeli. Wskaż jeden jako raportowaną liczbę, aby decyzje budżetowe miały jeden punkt odniesienia, a pierwszy i ostatni kontakt trzymaj obok niego jako przedział. Kanał w pierwszej trójce w każdym modelu to bezpieczne miejsce na większe wydatki.
Czy zmiana modelu atrybucji wymaga nowego śledzenia?
Nie. Model to reguła stosowana do danych, które twoja analityka już zebrała, a nie nowy pomiar, więc zamiana pierwszego kontaktu na model oparty na pozycji daje nowy zestaw procentów z tego samego dziennika punktów styku. Twoje tagi i piksele się nie zmieniają.
Jak Flowsery oblicza przychód przypisany do każdego punktu styku?
Flowsery odczytuje samo zdarzenie płatności dzięki integracjom atrybucji przychodów ze Stripe, Paddle, Polar i Lemon Squeezy. Kwota dzielona między punkty styku to ta, która faktycznie wpłynęła, a nie liczba oszacowana na podstawie dziennika kliknięć platformy reklamowej.
Jak długie powinno być okno atrybucji?
Ustaw je dłuższe niż mediana dni od pierwszego kontaktu do zakupu, a nie na domyślną wartość platformy. Okno krótsze od tej mediany usuwa prawdziwe punkty styku, zanim model zadziała, tak jak siedmiodniowe okno kasuje organiczny kontakt z dnia 1 na 12-dniowej ścieżce.
Jak model oparty na pozycji dzieli środkowe 20%, gdy są trzy punkty styku zamiast dwóch?
Model oparty na pozycji zawsze daje 40% pierwszemu kontaktowi i 40% ostatniemu, zostawiając 20% na to, co między nimi. Dwa środkowe punkty styku dzielą to po 10%; po dodaniu trzeciego każdy spada do 6,7%.
Panel w czasie rzeczywistym
Śledzenie celów
Śledzenie bez cookie
Czy ten artykuł był pomocny?
Chętnie poznamy opinię!
Częściej widoczni w Google
Jedno kliknięcie ustawia Flowsery jako preferowane źródło, dzięki czemu nasze artykuły pojawiają się wyżej w Najważniejszych artykułach, trybie AI i Przeglądach od AI.
Jeszcze jedno...
Flowsery
Analityka witryny skupiona na przychodach
Każdy odwiedzający, źródło i konwersja w czasie rzeczywistym. Prosto, skutecznie i bez plików cookie.
Panel w czasie rzeczywistym
Śledzenie celów
Śledzenie bez cookie
Powiązane hasła ze słownika


Co widzi atrybucja deklaratywna, czego nie pokażą dane o kliknięciach
Pole atrybucji deklaratywnej wyłapuje podcasty, polecenia i dark social, których śledzenie kliknięć nigdy nie zapisze. Skąd biorą się zniekształcenia i jak je uzgodnić.


Jak okno atrybucji decyduje, które punkty styku dostają zasługę
Zmień okno atrybucji z 7 na 90 dni, a jedno zamówienie za 1 800 $ opłaci trzy różne zestawy kanałów. Zobacz obliczenia i aktualne ustawienia domyślne platform.


Co ścieżka konwersji pokazuje, zanim ktoś kupi
Ścieżka konwersji to uporządkowana lista kanałów, z którymi kupujący się zetknął. Jak GA4 dzieli ją na punkty wczesne, środkowe i późne oraz co z tym zrobić.


Jak działa test prawnie uzasadnionego interesu z art. 6 ust. 1 lit. f RODO
Prawnie uzasadniony interes w art. 6 ust. 1 lit. f RODO, cytowany z EUR-Lex, wraz z trzyczęściowym testem EROD i wyjaśnieniem, dlaczego analityka wciąż budzi spory.


Co zapisują dane clickstream, wiersz po wierszu
Każdy wiersz danych clickstream to jedno trafienie ze znacznikiem czasu, identyfikatorem i adresem URL, dlatego RODO i CCPA uznają eksport za dane osobowe.


Co pokazuje diagram Sankeya, czego nie pokaże lejek
Diagram Sankeya zachowuje przepływ: wszystko, co wchodzi do węzła, musi z niego wyjść. Kiedy pomaga w analityce, kiedy wprowadza w błąd i które narzędzia go rysują.
Powiązane artykuły


Wzór na średnią wartość zamówienia krok po kroku
Wzór na średnią wartość zamówienia dzieli przychód przez liczbę zamówień, a jeden kod rabatowy lub zasady zwrotów mogą po cichu zniekształcić każdą raportowaną liczbę.


Wzór na typowy współczynnik porzuceń koszyka
Około siedem na dziesięć koszyków w sklepach internetowych nie kończy się zamówieniem, a wzór na współczynnik porzuceń pokazuje, ile przychodu ta luka oznacza w danym miesiącu.


Jedna strona z ruchem rozstrzyga spór o współczynnik odrzuceń i wyjść
Różnica między współczynnikiem odrzuceń a współczynnikiem wyjść sprowadza się do dwóch mianowników. Jeden cennik daje w tym samym tygodniu 40% wyjść i 15% odrzuceń.

