מדריך למנהלי שיווק בכירים – חלק 3

כך תבנה מערכת אטריביוציה עצמאית שלא תלויה באלגוריתם של Google

שאלה קריטית למנהלי פרפורמנס:
"איך אני יכול לדעת מה באמת עובד – בלי להסתמך על 'הקופסה השחורה' של DDA?"

חלק א' – שליטה מחודשת במודל האטריביוציה: למה אי אפשר לסמוך על ברירת המחדל?

בעידן שבו מערכות כמו Google Ads ו–Meta Ads הופכות לאוטונומיות לחלוטין, ברירת המחדל של רוב המפרסמים היא להניח: "אם המערכת מקצה את הקרדיט, כנראה שהיא יודעת מה היא עושה." זהו תהליך טבעי של הטמעת אוטומציה, אבל גם מסוכן.

דוגמה: חנות איקומרס ב-B2C

עסק למוצרי קוסמטיקה גילה כי 84% מההמרות מיוחסות לקמפיין רימרקטינג ב־Performance Max. אבל לאחר ניתוח ב־GA4 נמצא שמעל 70% מהלקוחות שנכללו בקבוצת הרימרקטינג כבר ביקרו באתר דרך מודעות יוטיוב ממומנות חודש לפני כן. בפועל, קרדיט הוקצה למי ש"סגר" — לא למי ש"שכנע".

למה זה קורה?

כי מודל DDA של גוגל מבוסס על "סיגנלים חזקים" (Strong Conversion Signals) — לא בהכרח על השפעה סיבתית אמיתית (Causal Impact). התוצאה: העדפה למגעים קרובים להמרה (bottom-funnel), ופחות קרדיט לערוצים שמייצרים ביקוש (demand generation).

הבעיה האסטרטגית:

המודל עובד עבור Google — אבל לא בהכרח עבורך. אם אתה לא שולט על איך המערכת מודדת השפעה, אתה לא שולט בתקציב שלך. ואם אתה לא שולט בתקציב – אתה מאבד יתרון תחרותי.

חלק ב' – איך בונים אטריביוציה עסקית: שלבים, שיטות וכלים

מערכת אטריביוציה איכותית צריכה להיות מותאמת למציאות העסק שלך – לא למה ש-Google רוצה שתמדוד. להלן שלבים ברורים להקמה של אטריביוציה חכמה שמספקת שליטה, גמישות, וניתוח אמיתי.

שלב 1: מיפוי מסע הלקוח (Customer Journey Mapping)

צייר את כל נקודות המגע האפשריות של לקוח – לפני רכישה, בין חשיפה ראשונה ועד קליק ממיר. הכלל הוא: "כל מה שלא ממופה – לא נמדד."

לדוגמה:

• חשיפה ממומנת ב-YouTube (CPM)
• כניסה אורגנית ממנוע חיפוש
• פתיחת ניוזלטר
• קליק בקמפיין שופינג
• רכישה באתר

שלב 2: סיווג נקודות המגע לפי תפקיד

לא כל נקודת מגע זהה:

• מודעות מודעות (Awareness): יוטיוב, טיקטוק, GDN
• מודעות תומכות (Consideration): ניוזלטר, חיפוש ממותג
• מודעות המרה (Conversion): Remarketing, Search מילות תחתית משפך

לכל שלב יש משקל שונה מבחינה שיווקית – ולא צריך לחלק קרדיט באותו אופן.

שלב 3: הגדרת מטריקות עסקיות אמיתיות

במקום לסמוך על ROAS בלבד, הגדר מטריקות משלך:

• CLTV – ערך חיי לקוח
• CAC – עלות רכישת לקוח
• Retention Rate – שיעור שימור
• Lead-to-Close Rate – שיעור סגירת לידים

שלב 4: בניית ניסויים עצמאיים

א. Holdout Testing

קבוצה מסוימת בקהל היעד אינה נחשפת לקמפיין, ואתה בודק האם שיעור ההמרה משתנה.

ב. Geo Experiment

הקצה אזורים גיאוגרפיים לקמפיינים שונים, השווה בין אזור עם קמפיין לאזור ללא.

ג. AB Testing במודלים שונים

השווה בין DDA ל-Last Click על אותו קמפיין.

ד. שימוש ב-Conversion Lift Study (Meta או YouTube Brand Lift)

חלק ג' – חיבור כלים, מערכות ומודלים למערכת אחת חכמה

מודל אטריביוציה עצמאי הוא לא רק שינוי פילוסופי – זהו גם פרויקט טכנולוגי.
עליך לחבר בין פלטפורמות שונות, לאחד דאטה, ולהקים תשתית אנליטית נוחה וניתנת לאימות.

שלב 1: שילוב מקורות מידע (Data Integration)

כלי חובה:

• Google Analytics 4
• CRM (כמו Hubspot, Salesforce)
• מערכת BI (Looker, PowerBI, Tableau)
• קובצי Data Export מ-Google Ads ו-Meta

מטרתך: ליצור תצוגה אחת של משפך השיווק מכל הערוצים – כולל המרות, touchpoints וזמן ביניהם.

שלב 2: יצירת מודל מותאם אישית (Attribution Framework)

באמצעות אנשי דאטה, BI או אפילו Excel חכם, אפשר לבנות מודלים אלטרנטיביים כמו:

• Attribution by Influence – מתן משקל יחסי לפי מיקום + סוג הערוץ
• Weighted Position – חלוקת קרדיט של 20/60/20 לפי תרומה יחסית
• Custom ML Model – מודל מותאם לעסק ע”י Python ו־BigQuery

שלב 3: ניטור, בקרה ודיווח חכם

יצירת דשבורד תקופתי שמסכם:

• KPI בפועל מול תחזית
• השוואה בין ערוצים
• ערך כל Touchpoint – כולל רווח תפעולי ולא רק עלות/הכנסה

מסקנת הסדרה: השליטה חוזרת לידיים שלך

Google רוצה שתסמוך עליה. אבל בתור מנהל שיווק – אתה לא יכול להרשות לעצמך לסמוך בעיניים עצומות.
מודל DDA הוא כלי עוצמתי – אך עליך לבנות מערכת מדידה, ניתוח ופעולה משלך.

האטריביוציה שלך לא נגמרת בדו"ח של גוגל – היא מתחילה באסטרטגיה שלך.

 

מודל אטריביוציה	לוגיקה בסיסית	יתרונות	חסרונות	מתי לבחור
Last Click	100% מהקרדיט לקליק האחרון לפני ההמרה	קל להבנה, שימושי לעסקים קטנים או כאשר תהליך המכירה קצר מאוד	מתעלם מחשיפה מוקדמת – עלול להטות קמפיינים שמסייעים אך לא סוגרים	עסקים קטנים, קמפיינים נקודתיים, פעולות עם מטרה אחת ברורה
First Click	100% מהקרדיט לקליק הראשון במסע הלקוח	עוזר להבין אילו קמפיינים יוצרים חשיפה ראשונית – מתאים לבניית מודעות	מזניח קמפיינים שמקרבים להמרה – לא מתאים למדידת תהליך סגירה	קמפיינים של מיתוג, חדירה לשוק חדש, או פרסום יוטיוב ממוקד חשיפה
Linear	חלוקה שווה בין כל נקודות המגע	מבטיח שמרכיבי המשפך השיווקי מקבלים קרדיט שווה – טוב במערכות פשוטות	לא מבחין בין ערוצים חזקים לחלשים – שוויון מלא עלול להטעות	שילוב ערוצים רב אך ללא גישה לניתוח עמוק – מתאים לשיווק רב-ערוצי פשוט
Time Decay	קרדיט עולה ככל שנקודת המגע קרובה להמרה	מדמה תהליך קבלת החלטות הדרגתי – שימושי בעסקאות עם זמן החלטה ארוך	מתעלם מהשפעות מוקדמות, עלול להעדיף touchpoints מיותרים	עסקים עם משפך ארוך ורב שלבים – B2B, מוצרים יוקרתיים
Position-Based	40% לקליק ראשון, 40% לקליק אחרון, 20% מחולק בין השאר	מאזן בין חשיפה לבין המרה – שימושי במסעות שיווק מורכבים	קשה ליישום ללא הבנה אסטרטגית של תהליך השכנוע	מותגים עם משפך שיווק מאוזן – מודעות ראשוניות, remarketing וסגירה
Data-Driven Attribution (DDA)	למידת מכונה מחשבת את התרומה היחסית של כל אינטראקציה	המודל היחיד שמזהה דפוסי השפעה חבויים ומנתח התנהגות בפועל	קופסה שחורה, לא ניתן להסבר מלא, מחייב נפח המרות גבוה ונתונים עקביים	מותגים דיגיטליים עם דאטה רב, צוות אנליטי, ותקציבים גדולים