מידול ייחוס הוא הפרקטיקה האנליטית של הענקת קרדיט להמרה, כגון רכישה, השארת פרטי ליד או הרשמה, לנקודות מגע שיווקיות השונות שאיתן הלקוח היה במגע לפני השלמת הפעולה. מאחר שלקוחות מודרניים נפגשים עם מותג בדרך כלל בכמה ערוצים, למשל תוצאת חיפוש אורגנית, מודעת רימרקטינג, פוסט ברשת חברתית וביקור ישיר, לפני שהם מבצעים המרה, מודלי ייחוס מספקים דרך שיטתית לענות על השאלה אילו מנקודות המגע האלה ראויות לכמה קרדיט, ובהמשך לכך היכן להקצות את תקציב השיווק. סוגי המודלים הנפוצים כוללים ייחוס קליק אחרון (last-click), שמעניק 100 אחוז מהקרדיט לנקודת המגע האחרונה לפני ההמרה, ייחוס קליק ראשון (first-click), ייחוס ליניארי, שמחלק את הקרדיט שווה בשווה בין כל נקודות המגע, מודלים של דעיכה לאורך זמן, שמעניקים משקל רב יותר לנקודות מגע הקרובות להמרה, וייחוס מבוסס נתונים, שמשתמש בשיטות סטטיסטיות או בלמידת מכונה כדי לחלק קרדיט על סמך דפוסים שנצפו בנתיבי המרה רבים.
ייחוס חשוב משום שבחירת המודל יכולה לשנות באופן דרמטי את האופן שבו עסק תופס את האפקטיביות של ערוצים וקמפיינים בודדים, וזה בתורו מכתיב החלטות תקציב בסכומים משמעותיים. מודל קליק אחרון, שעדיין ברירת המחדל בהגדרות אנליטיקס בסיסיות רבות, נוטה להעריך ביתר ערוצים בתחתית המשפך, כגון חיפוש ממותג ורימרקטינג, שלעיתים קרובות הם נקודת המגע האחרונה פשוט משום שהם מופיעים מאוחר במסע, ולהעריך בחסר ערוצים בראש המשפך, כמו שיווק תוכן, רשתות חברתיות ופרסום תצוגה, שבונים מודעות ושיקול דעת מוקדם יותר. מחקרים על מסעות לקוח מרובי נקודות מגע מצאו שנתיב רכישה טיפוסי ב-B2B יכול לכלול שש אינטראקציות נפרדות ויותר בכמה ערוצים לאורך שבועות או חודשים, דבר שייחוס קליק אחרון פשוט אינו מסוגל לייצג.
הטמעת מידול ייחוס דורשת תשתית מעקב אמינה, הכוללת בדרך כלל שילוב של פרמטרי UTM, עוגיות או מזהים מצד ראשון, ופלטפורמת נתוני לקוחות או כלי אנליטיקס שמסוגלים לחבר נקודות מגע בין סשנים, ובאופן אידיאלי גם בין מכשירים. פלטפורמות כמו Google Analytics 4 ו-HubSpot מציעות כמה אפשרויות מודל מובנות, בעוד שארגונים מתוחכמים יותר בונים מודלים מותאמים מבוססי נתונים באמצעות מחסני נתונים בשילוב טכניקות סטטיסטיות כמו מידול שרשראות מרקוב או חישובי ערך שפלי (Shapley), שמעריכים את התרומה השולית של כל נקודת מגע להמרה באמצעות סימולציה של השפעת הסרתה מהנתיבים שנצפו.
מגבלה משמעותית שלעיתים מתעלמים ממנה היא שאף מודל ייחוס, מתוחכם ככל שיהיה, אינו יכול ללכוד במלואם ערוצים שפועלים במידה רבה מחוץ לנקודות מגע דיגיטליות הניתנות למעקב, כגון שיחות בין אנשים, פרסום אופליין או מודעות למותג שנבנתה לאורך שנים, ולכן יש להתייחס לייחוס בדרך כלל כראיה מכוונת ולא כחשבון מלא של סיבתיות. הסתמכות גוברת על הגנות פרטיות, ובהן הפסקת התמיכה בעוגיות צד שלישי, ההגבלות שהציגה App Tracking Transparency של iOS ומגבלות מעקב ברמת הדפדפן, פגעה גם בדיוק המעקב בין מכשירים ובין סשנים, ודחפה ארגונים רבים לעבר בדיקות תוספתיות (incrementality), כגון ניסויי קבוצת ביקורת גיאוגרפיים, כשיטה משלימה או חלופית למדידת ההשפעה האמיתית של ערוצים.
עבור חברת ייעוץ בתחום הצמיחה או ה-CRO, מידול ייחוס מספק את בסיס הראיות לתעדוף ההשקעה בעבודת ניסויים ואופטימיזציה, שכן ערוץ שנראה כמניע נפח המרות חזק לפי מודל אחד עשוי להיראות פחות ערכי בהרבה לפי מודל אחר. אנשי המקצוע ממליצים בדרך כלל להשוות תוצאות בין שני סוגי מודלים לפחות, למשל קליק אחרון ומודל מבוסס נתונים או ליניארי, כדי לזהות ערוצים שהערך הנתפס שלהם משתנה משמעותית בהתאם למתודולוגיה, משום שאלה הערוצים שהכי סביר שינוהלו באופן שגוי תחת מבט יחיד ופשטני מדי. התוצר המעשי של עבודה זו הוא בדרך כלל הקצאת תקציב מעודכנת ומפה ברורה יותר של נקודות המגע במשפך שמצדיקות במיוחד תשומת לב ייעודית לאופטימיזציית המרות.
עוד מונחים שמתחילים ב-A
בדיקות A/Bמדדי AARRR (Pirate Metrics)מעל הקפל (Above the Fold)קריטריוני קבלה (Acceptance Criteria)נגישות (עמידה בתקן WCAG)ביקורת נגישות (Accessibility Audit)שיווק שותפים (Affiliate Marketing)אפורדנס (Affordance)פיתוח זריז (Agile Development)עיצוב אטומי (Atomic Design)חלון שיוך (Attribution Window)ערך הזמנה ממוצע (AOV)
