Kompletny przewodnik po atrybucji konwersji w e-commerce

Czym właściwie jest atrybucja konwersji

Atrybucja konwersji odpowiada na pytanie, który punkt styku z marką (reklama, e-mail, wejście organiczne, wizyta bezpośrednia) zasługuje na uznanie za doprowadzenie do zakupu. W praktyce klient rzadko kupuje po jednym kontakcie. Typowa ścieżka to kilka do kilkunastu interakcji rozłożonych w czasie: zobaczenie reklamy na Instagramie, wyszukanie marki w Google tydzień później, powrót przez e-mail z kodem rabatowym, finalny zakup po bezpośrednim wejściu na stronę.

Model atrybucji decyduje, jak podzielić zasługę między te punkty. To nie jest wybór czysto techniczny. Model, który stosujesz, bezpośrednio wpływa na to, które kanały wyglądają na skuteczne w raportach, a to z kolei wpływa na decyzje budżetowe.

Modele jednopunktowe (single-touch)

Last-click

Cała wartość konwersji trafia do ostatniego punktu styku przed zakupem, z pominięciem wszystkiego, co działo się wcześniej na ścieżce. To domyślny model w wielu prostych raportach i najłatwiejszy do interpretacji.

Problem: systematycznie faworyzuje kanały działające na dole lejka, takie jak remarketing czy wyszukiwanie brandowe, bo to one najczęściej są ostatnim kliknięciem przed zakupem. Kanały budujące świadomość na górze lejka, jak social czy display, wypadają w tym modelu słabo, mimo że mogły zainicjować całą ścieżkę.

First-click

Odwrotność last-click: cała zasługa trafia do pierwszego punktu styku. Dobrze pokazuje, które kanały skutecznie wprowadzają nowych klientów do lejka, ale ignoruje wszystko, co działo się między pierwszym kontaktem a zakupem, w tym często decydujący moment konwersji.

Last non-direct click

Wariant last-click, który pomija wejścia bezpośrednie (direct) i przypisuje zasługę ostatniemu zidentyfikowanemu źródłu przed nimi. Rozwiązuje częściowo problem znikającej atrybucji, gdy klient wpisuje adres strony z pamięci po wcześniejszym kontakcie z reklamą, ale wciąż jest modelem jednopunktowym z tymi samymi ograniczeniami co last-click.

Modele wielopunktowe (multi-touch)

Model liniowy

Zasługa rozkłada się równo między wszystkie punkty styku na ścieżce. Prosty w interpretacji, ale zakłada, że każdy kontakt ma taką samą wagę, co rzadko odzwierciedla rzeczywistość. Kliknięcie w reklamę remarketingową tuż przed zakupem zwykle ma inny wpływ niż przypadkowe zobaczenie posta w mediach społecznościowych trzy tygodnie wcześniej.

Model oparty na czasie (time decay)

Punkty styku bliższe momentowi konwersji otrzymują większą wagę niż te odległe w czasie. Logiczne założenie: im bliżej zakupu dany kontakt, tym silniejszy prawdopodobny wpływ na decyzję. Sprawdza się przy krótszych cyklach zakupowych, gdzie kolejność kontaktów ma znaczenie.

Model pozycyjny (position-based, U-shaped)

Standardowo 40 procent zasługi trafia do pierwszego punktu styku, 40 procent do ostatniego, a pozostałe 20 procent rozkłada się równo między punkty pośrednie. Kompromis między docenieniem kanałów inicjujących ścieżkę i tych domykających sprzedaż, kosztem uproszczenia wszystkiego, co dzieje się w środku.

Data-driven attribution (algorytmiczna)

Zamiast z góry ustalonych reguł, wagi poszczególnych punktów styku są wyliczane na podstawie analizy rzeczywistych danych konwersji w koncie: porównania ścieżek, które zakończyły się zakupem, z tymi, które nie doprowadziły do konwersji. To domyślny model w GA4 od momentu wycofania modeli regułowych z tego narzędzia.

Ograniczenie: algorytm potrzebuje wystarczającej liczby konwersji i interakcji, żeby wyliczyć statystycznie sensowne wagi. Przy niskim wolumenie danych, typowym dla mniejszych sklepów lub nowych kont reklamowych, wyniki mogą być niestabilne albo GA4 może nie mieć wystarczających danych, żeby zastosować model w pełni.

Jak wybrać model atrybucji

Atrybucja w GA4 w praktyce

GA4 domyślnie stosuje data-driven attribution dla konwersji w ramach właściwości, ale dane te dotyczą wyłącznie interakcji zarejestrowanych przez Google (Google Ads, wyszukiwanie organiczne, ruch bezpośredni, referral). Konwersje inicjowane w innych ekosystemach, na przykład kliknięcie w reklamę na Meta czy TikTok, trafiają do GA4 jako ruch z danego źródła, ale sam model atrybucji Google nie ma wglądu w to, jak te platformy oceniałyby ten sam punkt styku po swojej stronie.

To źródło rozbieżności opisywane w kontekście różnic między raportami platform reklamowych: każda z nich, włącznie z GA4, patrzy na tę samą ścieżkę przez własny, częściowo niekompatybilny model.

Ograniczenia wszystkich modeli atrybucji opartych na punktach styku

Niezależnie od wybranego modelu, atrybucja multi-touch bazuje na możliwości śledzenia użytkownika na przestrzeni czasu, co w środowisku ograniczonych cookies trzecich stron i rosnącej prywatności przeglądarek staje się coraz trudniejsze. Część ścieżki użytkownika bywa niewidoczna, na przykład gdy przechodzi między urządzeniami bez zalogowania się do konta.

To ograniczenie jest jednym z powodów, dla których część firm uzupełnia atrybucję o metody niezależne od śledzenia pojedynczego użytkownika, takie jak Marketing Mix Modeling, oraz o testy przyrostowe weryfikujące rzeczywisty wpływ kanału niezależnie od modelu atrybucji.

Najczęstsze pytania

Który model atrybucji jest najlepszy?

Nie ma jednego uniwersalnie najlepszego modelu. Wybór zależy od długości cyklu zakupowego, liczby kanałów i wolumenu danych, jaki generuje konto.

Czy warto zmieniać model atrybucji w trakcie roku?

Zmiana modelu zmienia sposób raportowania wyników historycznych, co utrudnia porównania rok do roku. Jeśli zmiana jest konieczna, warto ją odnotować i uwzględnić przy analizie trendów.

Czy data-driven attribution zawsze jest lepsze od modeli regułowych?

Zwykle tak, przy wystarczającym wolumenie danych. Przy bardzo małej liczbie konwersji model regułowy, na przykład position-based, może dawać bardziej stabilny i przewidywalny obraz.

Sprawdź, który model atrybucji najlepiej odzwierciedla rzeczywistą ścieżkę zakupową Twoich klientów, zamiast polegać na ustawieniu domyślnym.

TRIVERO Team