Datadrevet attribution

Datadrevet attribution er en model, som Google Ads og Google Analytics 4 bruger til at fordele kredit for et salg mellem de kontaktpunkter, en kunde havde på vejen. I stedet for faste regler som "sidste klik" vægter modellen kanalerne ud fra jeres egne konverteringsdata ved hjælp af maskinlæring. Resultatet er fraktioneret kredit, men også en model der kan være svær at gennemskue.

Sådan virker datadrevet attribution i praksis

Datadrevet attribution lærer af rigtige kunderejser: hvilke kanaler folk så, i hvilken rækkefølge, og hvilke trips der oftest ender i en konvertering. Det minder om en dommer, der vejer vidners forklaringer i stedet for at give al æren til den sidste, der talte. I praksis betyder det, at en søgeannonce, en annonce på sociale medier og en e-mail kan få hver deres andel af kreditten for et køb. Modellen kræver et vist antal konverteringer for at lære noget pålideligt, og eftersom den er baseret på maskinlæring, er de præcise vægte ikke let gennemgåelige.

Hvorfor ledere skal forstå datadrevet attribution

Tal, du får fra DDA, er et beslutningsgrundlag. Men tallene kommer fra en sort boks, trænet på platformens egne data, så du skal kende begrænsningerne før du omlægger budgetter. Spørg: hvilke konverteringsdefinitioner blev brugt, hvor langt tilbage ser modellen (lookback window), og om cross-device-data indgår. Bed også om tests, holdout- eller lift-studier, før du flytter store beløb. Og husk: sammenlign ikke tal direkte mellem forskellige platformers modeller uden justering.

Eksempel: Datadrevet attribution hos en marketingansvarlig

En e-handelschef midt i planlægningen af en 14-dages forårsudsalg besluttede at skifte kampagnesporing til datadrevet attribution to uger før kampagnen gik i luften. Først viste rapporterne, at betalt søgning stod for 60 procent af salget. Men efter en hurtig gennemgang af konverteringsvinduer og en manuel check af en række kunderejser, fandt teamet, at sociale annoncer ofte var assistancer tidligt i forløbet. Det krævede to arbejdsdage at justere konverteringsdefinitioner og en efterfølgende A/B-test for at bekræfte ændringen. Læringen: modellen ændrede tallene, men det kostede tid at forstå hvorfor.

Datadrevet attribution er ikke det samme som Marketing Mix Modeling

DDA arbejder på bruger- og session-niveau med hændelser; Marketing Mix Modeling (MMM) ser på aggregatdata over tid. MMM-løsninger som Metas Robyn og Googles Meridian modellerer kanalers effekt på salget på et højere niveau og er mindre afhængige af cookies. Brug MMM, når du vil sammenligne offline- og onlinekanaler eller have et komplet billede på tværs af platforme.

Hvad du skal være opmærksom på

Modellen er datasulten: for få konverteringer giver usikre vægte. Platformsbias sker, når et system kun ser egne annoncer. Sammenlign altid konverteringsdefinitioner og kør eksterne tests, før du omlægger store budgetter. Kombinér DDA med eksperimenter eller MMM for at få både detaljerede brugerrejser og et overordnet, tværkanalsyn... hvis du er lidt smart, får du begge dele.

Vil I arbejde videre med datadrevet attribution på jeres egne opgaver, er det dét, en AI-workshop går ud på. Skal I beslutte, hvor meget datadrevet attribution må fylde hos jer, er det den slags valg, AI-rådgivning handler om.