שאלה שמנהל שיווק חייב לשאול את עצמו: “האם אני באמת יודע מאיפה באות ההמרות שלי?”
מה הבעיה? מדוע בכלל יש צורך באטריביוציה חדשה?
בכל מערכת פרסום, ההצלחה נמדדת לרוב דרך המרות (Conversions) — רכישה, רישום, שליחת טופס או פעולה עסקית אחרת. אבל כמעט אף לקוח לא רוכש במגע ראשון. לקוח עובר דרך מסע: חיפוש בגוגל, צפייה ביוטיוב, ביקור באתר, קמפיין רימרקטינג, תוצאה אורגנית… ובסוף? המרה.
השאלה היא: מי מבין כל השלבים "מקבל את הקרדיט" על ההמרה?
המודלים הישנים, כמו Last Click Attribution (מודל הקליק האחרון), פשוט נתנו את הקרדיט לערוץ האחרון שבו בוצעה ההמרה. כך לדוגמה, קמפיין רימרקטינג זול היה מקבל את כל ההוקרה — למרות שמודעת הווידאו הראשונה הייתה זו שבנתה את המודעות למותג.
כאן נכנס לתמונה Data-Driven Attribution (ובקיצור: DDA) – מודל חדש מבוסס למידת מכונה, שמנסה להעריך בצורה חכמה יותר את התרומה היחסית של כל נקודת מגע (Touchpoint) לאורך מסלול ההמרה.
איך עובד Data-Driven Attribution?
במקום להעניק קרדיט מלא לנקודת מגע אחת, מודל DDA מנתח מאות אלפי מסעות לקוח, ומשווה בין כאלה שהסתיימו בהמרה לבין כאלה שלא. על בסיס ההבדלים ביניהם, המודל מזהה אילו אינטראקציות "דחפו" את המשתמש קדימה לעבר המרה – ומעניק להן משקל יחסי.
המונחים המרכזיים כאן:
- Touchpoint – כל אינטראקציה של המשתמש עם אחד מהנכסים הדיגיטליים שלך (מודעה, עמוד נחיתה, מייל, חיפוש ממותג וכו').
- Incrementality – השפעה תוספתית. האם הנקודה באמת תרמה להמרה, או שהמשתמש היה ממיר גם בלעדיה?
- Signal Strength – עוצמת האות. כמה עוצמתי או משמעותי הייתה האינטראקציה מבחינת כוונת רכישה או מעורבות.
בפועל, גוגל ו-Meta מפעילות מערכות ML שמזהות דפוסי המרה לאורך זמן ומשנות את חלוקת הקרדיט באופן אוטומטי. למשל, חיפוש ממותג עשוי לקבל פחות קרדיט לעומת צפייה בסרטון YouTube שמתרחשת מוקדם יותר, אך משפיעה על ההחלטה.
מתי זה התחיל – ולמה עכשיו זה נהיה חשוב יותר?
Data-Driven Attribution הוא אינו מושג חדש. הוא הוצג לראשונה ב־Google Ads כבר ב־2016, אך הפך לברירת מחדל רק מ־2021–2022, עם ההשקה הרשמית של מודל ה־DDA החדש.
מ־2023, עם ההסרה של מודל הקליק האחרון (Last Click) בחלק מהממשקים, והמעבר הגובר ל־Performance Max – DDA הפך לסטנדרט דה-פקטו. כיום, כל חשבון Google Ads פעיל (שיש בו די המרות) כבר רץ על בסיס DDA, גם אם המפרסם עצמו לא מודע לכך.
למה זה קרה דווקא עכשיו?
- הגבלות פרטיות (Privacy-First Advertising) כמו iOS14, ביטול Third-Party Cookies, גרמו לכך שמעקב ישיר הפך קשה יותר.
- הסתמכות על Machine Learning הפכה לפיתרון המועדף בזכות יכולתו לזהות דפוסים גם כאשר נתוני משתמש בודד חסרים.
- מודלים חדשים כמו Performance Max לא חושפים מילות מפתח או Placement – ולכן מחייבים מודל אטריביוציה מערכתי.
מה היתרון של DDA?
- דיוק גבוה יותר במדידה – המודל אינו מסתמך על כלל אחד נוקשה, אלא מתאים את עצמו לדפוסי ההתנהגות של המשתמשים בפועל.
- זיהוי ערוצים עליונים בתהליך (Upper Funnel) – מסעות שיווקיים ארוכים (כמו B2B או מוצרים מורכבים) מקבלים סוף־סוף מדידה של touchpoints מוקדמים.
- שיפור אוטומטי של הביצועים – כאשר מערכת Google לומדת אילו נקודות באמת תורמות להמרה, היא יכולה להשקיע תקציב חכם יותר.
- שקיפות חלקית בתוך Google Ads – ניתן לראות דוחות אטריביוציה עם חלוקת קרדיט, אם כי לא בכל רזולוציה.
אז מה הבעיה?
הבעיה המרכזית: שקיפות חלקית בלבד. המודל נחשב לקופסה שחורה – מפרסמים אינם רואים בדיוק כיצד האלגוריתם קבע את המשקל לכל Touchpoint.
כך לדוגמה:
- אתה עשוי לגלות ש־Performance Max מקבל 80% מהקרדיט, אך לא תדע מהו תפקיד הקמפיין הממותג.
- אין פירוט ברמת מילת מפתח או Placement.
- מדידת “המרות מסייעות” (Assisted Conversions) נעלמת בתוך ממוצעים.
המשמעות: קל מאוד להתבלבל או להסתנוור ממספרים. מפרסם עלול להסיק שקמפיין מסוים “מנצח”, כשלמעשה הוא רק קוצר את הפירות של קמפיינים אחרים.
כפי שציין Frederick Vallaeys (2022) בספרו Unlevel the Playing Field, אחת הסכנות המרכזיות של DDA היא “הטיית אוטומציה” (Automation Bias) — הנטייה להניח שהמודל תמיד צודק, רק כי הוא מבוסס על בינה מלאכותית. זה פוגע ביכולת של משווקים לבקר, להצליב ולשאול שאלות.
מה אומרים המחקרים?
בסקירה של ה־University of Illinois (Chen et al., 2023), נמצא כי שימוש ב־DDA אכן שיפר מדדי ROAS בכ־12% לעומת Last Click – אך במקביל גרם ל־16% מהמפרסמים להזרים יותר תקציב לקמפיינים שתרומתם העסקית האמיתית הייתה שולית.
במחקר אחר שהתפרסם ב־MDPI Journal of Marketing Analytics, Zand & Hessami (2022) מדגישים: בארגונים ללא תשתית מדידה עצמאית, DDA יוצר "התמכרות מדידה" — כלומר, הסתמכות מלאה על מערכת מדידה אחת שמגדירה את המציאות.
אז מה עושים?
בחלק הבא נעסוק בדיוק בזה — אבל כבר עכשיו הנה כמה עקרונות ראשונים:
- אל תסמכו רק על DDA – תמיד השוו מול נתונים נוספים (CRM, Google Analytics, מחזור מכירה).
- שלבו בדיקות אינקרמנטליות (Uplift Testing) – בדקו את ההשפעה של קמפיינים על קבוצות בקרה שלא נחשפות.
- הגדירו יעדים עסקיים, לא רק המרות טכניות – מתי הפניה הפכה למכירה? מתי רכישה הפכה ללקוח חוזר?
