למה מודל Last Click כבר לא מספיק?
במשך שנים, מודל הייחוס 'קליק אחרון' (Last Click) היה ברירת המחדל הבלתי מעורערת בעולם השיווק הדיגיטלי. הרעיון פשוט: 100% מהקרדיט על ההמרה ניתן לאינטראקציה האחרונה שהובילה אליה. זה קל למדידה, קל להבנה, וקל לדיווח להנהלה. אבל הפשטות הזו היא גם החיסרון הגדול ביותר של המודל. להסתמך על Last Click זה כמו לתת את כל הקרדיט על זכייה במשחק כדורגל רק לשחקן שהבקיע את הגול, תוך התעלמות מוחלטת מהמסירות, המהלכים הטקטיים וההגנה שאפשרו את ההבקעה.
בעידן הדיגיטלי, מסע הלקוח הוא מורכב ורב-ערוצי. לקוח פוטנציאלי עשוי לראות מודעת דיספליי, לחפש ביטוי כללי בגוגל, להיחשף לקמפיין רימרקטינג בפייסבוק, ולבסוף לחפש את שם המותג שלכם ישירות ולהמיר. במודל Last Click, כל הקרדיט ילך לקמפיין המותג, בעוד שהערוצים שהיו אחראים על יצירת המודעות והחימום הראשוני של הלקוח ייראו כלא יעילים. התוצאה היא קבלת החלטות מוטעית: אתם עלולים לקצץ תקציבים מערוצים חיוניים בחלק העליון של המשפך (Top of Funnel), פשוט כי הם לא מקבלים קרדיט על התרומה האמיתית שלהם לתהליך.
סקירת מודלי ייחוס מבוססי כללים (Rules-Based Models)
לפני שקופצים למים העמוקים של מודלים אלגוריתמיים, חשוב להכיר את מודלי הייחוס מבוססי הכללים. כל אחד מהם מציע זווית ראייה שונה על מסע הלקוח, אך כולם פועלים לפי לוגיקה קבועה ומוגדרת מראש.
קליק אחרון (Last Click)
כפי שצוין, מודל זה מעניק 100% מהקרדיט לאינטראקציה האחרונה. הוא נוטה להעדיף ערוצים שנמצאים בתחתית המשפך, כמו חיפושי מותג או רימרקטינג, ומתעלם לחלוטין משלבי הגילוי וההתעניינות.
קליק ראשון (First Click)
ההפך הגמור מ-Last Click. מודל זה נותן 100% מהקרדיט לאינטראקציה הראשונה של המשתמש. הוא שימושי כדי להבין אילו ערוצים וקמפיינים מצטיינים ביצירת מודעות וחשיפה ראשונית למותג, אך מתעלם מכל מה שקרה לאחר מכן.
ליניארי (Linear)
מודל דמוקרטי יותר, המחלק את הקרדיט באופן שווה בין כל נקודות המגע במסע הלקוח. אם היו ארבע אינטראקציות, כל אחת תקבל 25% מהקרדיט. זוהי גישה מאוזנת יותר, אך היא מבוססת על ההנחה השגויה שכל אינטראקציה תרמה באותה המידה להמרה.
דעיכה בזמן (Time Decay)
מודל זה נותן יותר משקל לנקודות המגע הקרובות יותר למועד ההמרה. אינטראקציה שקרתה שבעה ימים לפני ההמרה תקבל פחות קרדיט מזו שקרתה יום אחד לפניה. המודל הגיוני, במיוחד במסעות לקוח קצרים, אך הוא עדיין מבוסס על כלל שרירותי ולא על נתונים אמיתיים.
מבוסס מיקום (Position-Based)
ידוע גם כמודל 'אמבטיה' (Bathtub) או U-Shaped. הוא מעניק 40% מהקרדיט לאינטראקציה הראשונה, 40% לאחרונה, ואת 20% הנותרים הוא מחלק באופן שווה בין כל האינטראקציות שביניהן. מודל זה מכיר בחשיבותן של נקודות הפתיחה והסגירה, ומייצג שיפור משמעותי לעומת המודלים הפשוטים יותר.
הכוכב החדש: מודל מבוסס נתונים (Data-Driven Attribution – DDA)
כל המודלים שסקרנו עד כה מבוססים על כללים קבועים מראש. הם מנסים לנחש את חשיבותה של כל נקודת מגע. מודל ה-Data-Driven (DDA) של גוגל משנה את כללי המשחק. במקום להסתמך על ניחושים, הוא משתמש בלמידת מכונה (Machine Learning) כדי לנתח את כל מסעות הלקוח בחשבון שלכם, הן אלו שהסתיימו בהמרה והן אלו שלא. באמצעות השוואה בין אלפי מסלולים שונים, האלגוריתם מזהה דפוסים וקובע את ההסתברות של כל נקודת מגע לתרום להמרה. הקרדיט מחולק באופן דינמי ופרופורציונלי לתרומה המחושבת של כל אינטראקציה. זהו המודל היחיד שמסתכל על הנתונים הייחודיים שלכם כדי לספק תמונה מדויקת. המעבר אליו הוא צעד קריטי עבור כל מי שעוסק בקידום ממומן בגוגל באופן מקצועי.
היתרונות המרכזיים של Data-Driven
- הבנה מדויקת של מסע הלקוח: קבלת תמונה מלאה ואמיתית על הערך של כל ערוץ, קמפיין ומילת מפתח.
- אופטימיזציה חכמה יותר: הקצאת תקציבים יעילה המבוססת על תרומה אמיתית ל-ROI, ולא רק על סמך האינטראקציה האחרונה.
- שיפור ב-ROAS: על ידי השקעה מושכלת בנקודות המגע הנכונות לאורך כל המשפך, ניתן להגדיל באופן משמעותי את ההחזר על ההשקעה בפרסום.
- סינרגיה עם Smart Bidding: אסטרטגיות בידינג אוטומטיות כמו Target CPA ו-Target ROAS פועלות בצורה מיטבית כאשר הן 'מוזנות' בנתונים ממודל DDA. המודל מספק להן דאטה איכותי ומדויק יותר, מה שמוביל להחלטות בידינג טובות יותר.
דרישות להפעלת DDA
בעבר, גוגל הציבה דרישות סף מחמירות של נפח נתונים (קליקים והמרות) כדי להפעיל את מודל ה-DDA. החדשות הטובות הן שכיום המודל זמין כברירת מחדל עבור רוב חשבונות הפרסום, גם אלו עם נפח נתונים נמוך יותר. גוגל משתמשת במודלים כלליים כדי לגשר על פערי נתונים עד שהחשבון הספציפי צובר מספיק מידע. זה הופך את הכלי המתקדם הזה לנגיש מתמיד.
איך לבחור וליישם את המודל הנכון לארגון שלך?
המעבר למודל ייחוס מתקדם יותר אינו רק שינוי טכני בהגדרות החשבון, אלא שינוי אסטרטגי באופן שבו הארגון מודד הצלחה. התהליך צריך לכלול מספר שלבים מרכזיים.
- הגדרת מטרות ויעדים (KPIs): לפני שבוחרים מודל, חשוב להבין מה מנסים להשיג. האם המטרה היא מקסום מכירות בטווח הקצר? או אולי בניית מותג וחשיפה לקהלים חדשים? התשובה תשפיע על האופן שבו תפרשו את הנתונים.
- ניתוח מסע הלקוח הטיפוסי: השתמשו בדוחות 'נתיבים מובילים' (Top Paths) בגוגל אנליטיקס ובגוגל אדס כדי להבין את מורכבות מסע הלקוח שלכם. האם הוא קצר ומהיר (למשל, שירותי חירום) או ארוך ומפותל (למשל, רכישת רכב)? ככל שהמסע ארוך יותר, כך מודל DDA יהיה בעל ערך רב יותר.
- שימוש בכלי השוואת המודלים: בגוגל אדס קיים כלי (Model Comparison Tool) המאפשר להשוות זה לצד זה את מודל הייחוס הנוכחי שלכם מול מודלים אחרים. תוכלו לראות כיצד המעבר למשל מ-Last Click ל-DDA ישפיע על חלוקת הקרדיט בין הקמפיינים השונים. זהו כלי חיוני להבנת ההשלכות לפני ביצוע השינוי.
- יישום, הטמעה ומעקב: לאחר שבחרתם במודל DDA, יש ליישם אותו ברמת הגדרות ההמרה בחשבון. זכרו שלמודל לוקח זמן ללמוד ולהתייצב. חשוב לתת לו מספר שבועות לפני שמסיקים מסקנות ומתחילים לבצע שינויים אסטרטגיים. תהליך זה הוא לב ליבו של ניהול קמפיינים בגוגל מודרני ויעיל.
כאן דן סונגו. חן, מייסד PPC-Israel, ואני מדברים המון על האתגרים הגדולים של מנהלי שיווק. אחד הנושאים שעולים שוב ושוב הוא 'חור שחור' בהבנת ה-ROI האמיתי. מנהלים רואים דאטה, אבל לא תמיד מבינים את הסיפור שמאחוריו. חן אמר לי פעם: 'המעבר מ-Last Click ל-Data-Driven הוא כמו לעבור מצפייה במשחק כדורגל דרך חור המנעול לצפייה בו בשידור 4K מכל הזוויות. פתאום אתה מבין את כל המהלכים שהובילו לשער, לא רק את הבעיטה האחרונה'. הציטוט הזה הוא הסיבה שהחלטתי לכתוב את המדריך הזה, כדי לתת לכם, המנהלים והאנליסטים, את הכלים לצפות במשחק המלא.
