Kontrybucja vs atrybucja — 30% budżetu w złych decyzjach
Większość firm myli kontrybucję z atrybucją i traci przez to 20-30% budżetu reklamowego na nieoptymalne alokacje. Markov chains i Shapley values jako rozwiązanie.
Oto problem, który widzę u co drugiego klienta: mylenie kontrybucji z atrybucją. To nie jest błąd semantyczny — to błąd kosztujący realne pieniądze.
Czym się różnią?
Atrybucja odpowiada na pytanie: który kanał *otrzymuje credit* za konwersję?
Kontrybucja odpowiada na pytanie: który kanał *faktycznie przyczynił się* do decyzji zakupowej?
Last-click attribution przypisuje 100% konwersji ostatniemu kanałowi przed zakupem. Ale czy naprawdę Google Search "zrobił" sprzedaż, jeśli klient wcześniej: 1. Zobaczył reklamę na TikToku 2. Obejrzał review na YouTube 3. Kliknął link w newsletterze 4. I dopiero potem wyszukał markę?
Ile to kosztuje?
W analizie jednego z klientów e-commerce (fashion, ~2M PLN budżetu rocznego):
- Last-click dawał ~80% attribution do Google Search
- Po analizie kontrybucji: Google Search "tylko" 45%, reszta rozkłada się na Social + Display
- Efekt: klient ciął budżety Social bo "nie konwertowały" — a był to właśnie kanał, który inicjował ścieżkę zakupową
Modele, które działają
Markov Chain Attribution
Markov chains modelują prawdopodobieństwo konwersji dla każdej możliwej ścieżki. Kluczowy insight: removal effect — jak zmniejsza się prawdopodobieństwo konwersji gdy usuniemy dany kanał ze ścieżki?
Kanał z wysokim removal effect = wysoka prawdziwa kontrybucja.
Implementacja w R lub Python — dane z GA4 + CRM. Dla dużych klientów realizuję to w ramach Advanced Analytics.
Shapley Values (teoria gier)
Shapley values to fair-share distribution — matematycznie sprawiedliwy podział "nagrody" (konwersji) między uczestników "gry" (kanałów).
Zaleta: nie faworyzuje ani pierwszego, ani ostatniego dotyku. Wada: obliczeniowo kosztowny przy wielu kanałach (2^n kombinacji).
W praktyce: dla 5-8 kanałów — Shapley jest feasible. Powyżej — Markov lepszy.
Data-Driven Attribution w Google
Google Ads/GA4 DDA używa własnej wersji Shapleya/ML. Dostępne od ~1000 konwersji/miesiąc. Dla mniejszych klientów: niewystarczające dane, model się "gubia".
Jak zacząć bez zaawansowanych modeli?
1. Holdout tests — wyłącz jeden kanał na 2 tygodnie dla losowej grupy. Czy sprzedaż spada? 2. Assisted conversions raport w GA4 — nie zastąpi Markova, ale daje kierunek 3. Incrementality testing — Meta ma narzędzie do tego built-in
Jeśli chcesz zrobić to porządnie — zapraszam do rozmowy o Performance Control.
Wniosek
Jeśli podejmujesz decyzje budżetowe na podstawie last-click attribution — z dużym prawdopodobieństwem tracisz 20-30% effectiveness swoich kampanii.
Nie dlatego, że kanały "nie działają". Dlatego, że błędnie mierzysz jak działają.
Kontrybucja ≠ atrybucja. I ta różnica kosztuje.