Når en kunde konverterer, sker det sjældent på baggrund af ét enkelt klik. En attribution model fordeler derfor værdien af konverteringen mellem de kanaler og kontaktpunkter, som har bidraget til resultatet, for eksempel organisk søgning, annoncer, e-mail og sociale medier.
Formålet er at vise, hvilke indsatser der faktisk hjælper brugeren frem mod køb, tilmelding eller anden ønsket handling. Den danske betegnelse attributionsmodel bruges også om det samme begreb.
Forskellige modeller fordeler værdien forskelligt. Nogle giver al kredit til første eller sidste kontaktpunkt, mens andre fordeler den mellem flere interaktioner. Det gør modellen nyttig, når man vil forstå kunderejsen og vurdere, hvilke kanaler der skaber værdi.
Tilskrivningsmodeller bruges til at fordele værdien af en konvertering mellem de touchpoints, der har påvirket kunden frem mod køb eller anden ønsket handling. I praksis kobles modellen til konverteringssporing, så virksomheden kan se, hvilke kanaler, kampagner og annoncer der faktisk bidrager i kunderejsen. Det giver et mere retvisende billede end kun at kreditere sidste klik, især når flere kontaktpunkter arbejder sammen.
Indsigten er vigtig, når marketingbudgetter skal fordeles, budstrategier justeres, og kanalvalg vurderes. Hvis en kanal ofte skaber de første besøg, mens en anden lukker salget, kan begge være værdifulde for den samlede ROAS. En god model hjælper derfor med at undgå, at man nedprioriterer aktiviteter, der påvirker efterspørgslen tidligt i forløbet, men sjældent får den sidste interaktion.
Et konkret eksempel kan være en kunde, der først ser en betalt annonce på sociale medier, senere klikker på et nyhedsbrev og til sidst søger på brandnavnet i Google og konverterer. Med en flerkanalsmodel kan værdien fordeles på alle tre touchpoints i stedet for kun på den sidste søgning. Det gør målingen mere brugbar og giver et stærkere grundlag for at optimere både kampagner og den samlede kunderejse.
Valget af model afgør, hvilke marketingindsatser der får æren for en konvertering. Det har stor betydning, fordi samme kunderejse kan se meget forskellig ud alt efter, hvordan værdien fordeles. Første klik giver hele kreditten til den første kontakt, for eksempel et organisk besøg eller en annonce, der skaber den første interesse. Modellen belønner især kanaler, som skaffer opmærksomhed tidligt i forløbet. Sidste klik gør det modsatte og tildeler al værdi til den sidste kanal før konverteringen. Den fremhæver typisk de indsatser, der lukker salget, men undervurderer ofte tidligere påvirkninger.
Lineær attribution fordeler værdien ligeligt mellem alle kontaktpunkter i kunderejsen. Den belønner altså både de første, mellemste og sidste interaktioner og giver et mere balanceret billede af samarbejdet mellem flere kanaler. Til gengæld behandler modellen alle berøringer som lige vigtige, selv om nogle i praksis har haft større betydning end andre.
Datadrevet attribution forsøger at løse netop den udfordring. Her fordeles kreditten ud fra observerede mønstre i data, så de kontaktpunkter, der oftest ser ud til at bidrage til konverteringer, vægtes højere. Modellen belønner derfor ikke en fast placering i rejsen, men den faktiske sandsynlige effekt. Det giver ofte et mere retvisende billede, men kræver tilstrækkelige data og kan være sværere at gennemskue. I praksis er forskellen enkel: Første klik fremhæver introduktion, sidste klik fremhæver afslutning, lineær model deler æren, og datadrevet attribution prøver at afspejle den reelle påvirkning.
Den rigtige attributtionsmodel afhænger først og fremmest af, hvad virksomheden vil optimere. Hvis målet er at skabe flere hurtige salg fra få kanaler, kan en simpel model som sidste klik være tilstrækkelig. Er formålet derimod at forstå hele samspillet mellem SEO, annoncer, e-mail og direkte trafik, bør man vælge en model, der fordeler værdien på flere kontaktpunkter. En god tommelfingerregel er, at korte kunderejser ofte kan måles med enklere modeller, mens lange og mere komplekse forløb kræver en bredere vurdering.
Datakvaliteten er mindst lige så vigtig som selve modellen. Hvis sporingen er begrænset, kanalnavne er uens, eller konverteringer kun registreres delvist, giver avancerede modeller sjældent mere præcise svar. I simple måleopsætninger er det ofte bedre at vælge en gennemsigtig model, som organisationen forstår og kan arbejde med. I mere modne opsætninger, hvor data er konsistente på tværs af kanaler og enheder, kan positionsbaserede eller datadrevne modeller give mere retvisende indsigter.
Se også på længden af kunderejsen. Ved impulskøb og lokale ydelser vil det sidste eller første klik ofte forklare en stor del af salget. Ved B2B, dyrere produkter eller tjenester med længere beslutningstid bør man i højere grad kreditere både tidlige og sene berøringer. Vælg derfor ikke den mest avancerede model som standard, men den model der passer bedst til mål, datagrundlag og kanalopsætning.
Attribuering giver sjældent et fuldstændigt billede af, hvad der faktisk skaber en konvertering. Målingen bygger ofte på cookies og andre identifikatorer, som kan forsvinde, blokeres eller udløbe. Når cookies slettes, browsere begrænser sporing, eller brugeren skifter mellem privat og almindelig browsing, brydes den registrerede brugerrejse. Det betyder, at enkelte kanaler enten får for lidt eller for meget kredit.
Samtykke påvirker også datakvaliteten direkte. Hvis en del af de besøgende afviser statistik- eller marketingcookies, bliver deres adfærd kun målt delvist eller slet ikke. Resultatet er ikke nødvendigvis forkert, men det er ufuldstændigt. Derfor bør tal fra attribueringsmodeller læses som et estimat baseret på de brugere, der faktisk kan måles.
Der er desuden væsentlige forskelle mellem platformsdata og den samlede virkelighed. Annonceplatforme rapporterer ofte ud fra deres egne regler, egne vinduer for konvertering og egne identitetsgrafer. I såkaldte walled gardens er data kun synlige inden for den enkelte platform, hvilket gør uafhængig sammenligning vanskelig. Cross-device-måling er også en klassisk svaghed: En person kan se en annonce på mobil, undersøge videre på tablet og konvertere på computer. Uden sikker sammenknytning mellem enheder bliver dele af rejsen overset eller fejlfordelt.
I praksis møder mange begrebet, når de sammenligner konverteringer i Google Ads med tal i GA4. Her kan rapporterne afvige, selv når de bygger på de samme kampagner. Forklaringen er ofte, at platformene ikke fordeler værdi på samme måde, og at de samtidig arbejder med forskellige målelogikker og datagrundlag.
I Google Ads er fokus typisk på annonceinteraktioner og den værdi, der tilskrives klik på tværs af kampagner, søgeord og annoncer. GA4 ser bredere på brugerrejsen og kan inddrage flere kanaler, sessioner og hændelser i analysen. Det betyder, at den samme konvertering kan blive placeret forskelligt afhængigt af valgt model, konverteringsvindue og rapportvisning.
Derfor bør tal fra de to værktøjer ikke forventes at matche én til én. Forskelle i sporing, samtykke, identifikation af brugere og tidspunktet for registrering kan også påvirke resultaterne. Når man vurderer effekt, er det vigtigste at forstå, hvilken logik rapporten bygger på, før man sammenligner data eller træffer beslutninger.
De to metoder svarer på forskellige spørgsmål. Attribuering fordeler værdien af en konvertering på de kontaktpunkter, en bruger har haft på sin vej mod køb eller lead. Den bruges især, når man vil forstå kanalernes rolle i den konkrete brugerrejse, for eksempel om søgning, sociale medier eller e-mail typisk skaber første klik eller afslutter salget.
Marketing mix modeling måler derimod den samlede effekt af marketing på et højere niveau. Her ser man ikke på den enkelte bruger, men på, hvordan investeringer i kanaler påvirker salg over tid, ofte sammen med faktorer som sæson, priser, kampagner og markedssituation.
Kort sagt: Brug attribuering til optimering af digitale touchpoints og konverteringsforløb. Brug marketing mix modeling, når du vil vurdere den overordnede effekt af mediemixet og fordele budgetter mere strategisk.
En attribution model er en metode til at fordele værdien af en konvertering mellem de kanaler og kontaktpunkter, der har bidraget til resultatet. Det kan for eksempel være betalt søgning, e-mail, sociale medier eller organisk trafik.
Formålet er at vise, hvilke indsatser der skaber effekt i kunderejsen, så man kan træffe bedre beslutninger om budget, kampagner og optimering.
En attributionsmodel bruges til at vurdere, hvordan forskellige marketingkanaler bidrager til konverteringer. Den hjælper med at forstå, om en kanal primært skaber opmærksomhed tidligt i forløbet eller oftere står for den afsluttende handling.
Det gør det lettere at fordele budgetter mere retvisende og undgå kun at belønne den kanal, der fik det sidste klik.
De mest kendte modeller er første klik, sidste klik, lineær attribution og datadrevet attribution. Første klik giver al værdi til den første kontakt, mens sidste klik giver al værdi til den sidste.
Lineær attribution fordeler værdien ligeligt mellem alle kontaktpunkter, og datadrevet attribution forsøger at vægte bidraget ud fra faktiske mønstre i data. Valget afhænger af både mål, datakvalitet og kunderejsens kompleksitet.
Første klik tilskriver hele konverteringen til den kanal, der skabte den første registrerede kontakt. Det er nyttigt, hvis man vil forstå, hvilke indsatser der skaber den første interesse.
Sidste klik giver i stedet al kredit til den sidste kanal før konverteringen. Den model er enkel og let at læse, men den overser ofte de tidligere påvirkninger, som også har haft betydning.
Datadrevet attribution er mest relevant, når virksomheden har nok konverteringsdata og en stabil sporingsopsætning. Modellen er især nyttig ved længere eller mere komplekse kunderejser, hvor flere kanaler spiller sammen.
Hvis datagrundlaget er tyndt eller usikkert, kan en enklere og mere gennemsigtig model være et bedre valg. En avanceret model er kun værdifuld, hvis data faktisk kan bære den.
Valget af model kan ændre, hvilke kanaler der ser mest værdifulde ud i rapporteringen. Den samme konvertering kan få én kanal til at se stærk ud i en sidste klik-model og en anden kanal til at se stærk ud i en første klik- eller flerkanalsmodel.
Derfor påvirker modellen både dine analyser og de beslutninger, du træffer på baggrund af dem. Rapporterne skal altid læses i lyset af den logik, som modellen bygger på.
Der findes ikke én model, som er bedst i alle tilfælde. Den rigtige løsning afhænger af virksomhedens mål, længden på kunderejsen og hvor pålidelig konverteringssporingen er.
Hvis du vil forstå mere end blot den sidste annonceinteraktion, vil en model, der fordeler værdi mellem flere berøringer, ofte være mere nyttig. Det vigtigste er at vælge en model, som passer til din forretning, og bruge den konsekvent i evalueringen.
På tværs af flere kanaler ser attribution på hele den registrerede brugerrejse frem mod konverteringen. Hvis en person først klikker på en annonce, senere åbner en e-mail og til sidst kommer ind via en søgning, kan modellen fordele værdien mellem disse berøringer.
Det giver et mere nuanceret billede af samspillet mellem kanalerne. Samtidig bliver målingen mere sårbar over for manglende samtykke, skift mellem enheder og begrænset sporing.
Attribution arbejder på bruger- og kontaktpunktsniveau og forsøger at fordele værdien af konverteringer mellem konkrete interaktioner i kunderejsen. Den bruges typisk til at forstå og optimere digitale kanaler.
Marketing mix modeling ser derimod på den samlede effekt af marketing på et mere overordnet niveau. Her analyserer man ofte salg over tid i relation til medietryk, sæson, pris og andre eksterne faktorer.
Attributionsmodeller er afhængige af, at brugerrejsen kan måles korrekt. I praksis giver cookietab, samtykke, adblockere, platformsiloer og cross-device-adfærd ofte huller i data.
Det betyder, at attribuering sjældent er et perfekt facit. Resultaterne bør derfor bruges som et kvalificeret estimat og helst vurderes sammen med andre målemetoder og forretningsdata.