التعريف
نموذج الإسناد هو القاعدة أو المنهجية التي تُوزّع بموجبها فضل التحويل (Conversion) على القنوات ونقاط التواصل (Touchpoints) التي مرّ بها العميل قبل إتمام عملية الشراء. في التجارة الإلكترونية المباشرة (DTC)، لا يكفي أن تعرف أن عميلاً اشترى منك، بل تحتاج أن تعرف أي قناة تستحق الفضل في هذا الشراء: هل هي إعلان فيسبوك الذي رآه أول مرة؟ أم الإيميل الذي فتحه قبل ساعتين؟ أم البحث في جوجل الذي قاده إلى صفحة المنتج؟
هذا التوزيع ليس ترفاً تحليلياً، بل هو الأساس الذي تُبنى عليه قرارات الميزانية التسويقية. إذا أسندت الفضل للقناة الخطأ، ستضخّ أموالك في مكان لا يُنتج مبيعات فعلية، وستوقف قناة تعمل بصمت في الخلفية.
تشبيه مبسّط
تخيّل فريق كرة قدم سجّل هدفاً. المهاجم هو من أودع الكرة في الشباك، لكن الهدف ما كان ليحدث لولا تمريرة صانع الألعاب، ولا استحواذ خط الوسط، ولا خروج المدافع بالكرة من الخلف. نموذج الإسناد هو الطريقة التي تقرر: من هو "رجل المباراة"؟ هل تكافئ المهاجم فقط (Last Click)؟ أم توزّع المكافأة على كل من شارك في الهجمة (Linear)؟ أم تعطي وزناً أكبر لصانع الألعاب الذي فتح اللعب (Position-Based)؟
في التجارة الإلكترونية، "المهاجم" هو الإعلان الأخير الذي نقر عليه العميل، لكن "صانع الألعاب" غالباً هو الفيديو التوعوي أو مقال المدونة الذي زرع الرغبة أول مرة.
الصيغة الرياضية
1. Last Click (النقرة الأخيرة)
Credit(Channel_i) = 1 إذا كانت Channel_i هي آخر نقطة تواصل Credit(Channel_i) = 0 لجميع القنوات الأخرى
2. Linear (الخطي)
Credit(Channel_i) = 1 / N حيث N = إجمالي عدد نقاط التواصل في المسار
3. Position-Based / U-Shaped (القائم على الموضع)
40% للنقطة الأولى + 40% للنقطة الأخيرة + 20% موزّعة على الباقي Credit(First) = 0.40 Credit(Last) = 0.40 Credit(Middle_i) = 0.20 / (N - 2)
4. Time Decay (التلاشي الزمني)
Credit(Channel_i) = (2^(-t_i / T)) / Σ(2^(-t_j / T)) حيث t_i = الوقت المنقضي منذ نقطة التواصل، T = نصف العمر (Half-life)
5. Data-Driven (المدفوع بالبيانات)
لا توجد صيغة ثابتة؛ يعتمد النموذج على خوارزميات التعلم الآلي (Shapley Value أو Markov Chains) لتوزيع الفضل بناءً على مسارات التحويل الفعلية.
جدول المقارنة بين النماذج
| النموذج | كيف يوزّع الفضل | الأفضل لـ | العيب الرئيسي | مثال رقمي (3 نقاط: إعلان → إيميل → بحث) |
|---|---|---|---|---|
| **Last Click** | 100% للنقطة الأخيرة | قياس الأداء المباشر والمبيعات السريعة | يُهمل قنوات التوعية | بحث: 100% |
| **First Click** | 100% للنقطة الأولى | فهم ما يجذب العميل أول مرة | يُهمل قنوات الإغلاق | إعلان: 100% |
| **Linear** | بالتساوي على كل النقاط | المسارات القصيرة والمتوازنة | يمنح نفس الوزن لTouchpoint ضعيف | 33.3% لكل قناة |
| **Position-Based** | 40% أول + 40% آخر + 20% وسط | إستراتيجيات الوعي + الإغلاق معاً | قد يُهمل الوسط الفعّال | إعلان 40% / إيميل 20% / بحث 40% |
| **Time Decay** | وزن أكبر للنقاط الأقرب للتحويل | الدورات القصيرة (أقل من 7 أيام) | يُقلّل من قيمة التوعية المبكرة | إعلان 15% / إيميل 35% / بحث 50% |
| **Data-Driven** | حسب تأثير كل نقطة فعلياً | الميزانيات الكبيرة والبيانات الغزيرة | يحتاج حجم بيانات ضخم | يختلف حسب البيانات |
سيناريوهات التطبيق في DTC
السيناريو 1: متجر عطور في الخليج
عميل رأى إعلان TikTok (نقطة 1)، ثم فتح إيميل خصم 15% (نقطة 2)، ثم بحث في جوجل عن "أفضل عطر عود" (نقطة 3)، ثم اشترى. بإجمالي قيمة سلة 420 ريال سعودي.
- بنموذج Last Click: جوجل تحصل على 420 ريال كاملة → ستزيد ميزانية Google Ads وتوقف TikTok.
- بنموذج Position-Based: TikTok 168 ريال، الإيميل 84 ريال، جوجل 168 ريال → تحافظ على التوازن.
السيناريو 2: متجر ملابس رياضية
مسار تحويل من 5 نقاط تواصل على مدى 12 يوماً، قيمة السلة 680 درهم إماراتي. بنموذج Time Decay مع نصف عمر 7 أيام:
- النقطة الأولى (قبل 12 يوم): وزن ~8%
- النقطة الأخيرة (قبل ساعة): وزن ~45%
- النقاط الوسطى: توزّع الباقي
السيناريو 3: متجر إلكترونيات
معدل التحويل الكلي 2.4%، لكن عند تحليل المسارات بنموذج Data-Driven تبيّن أن إعلانات YouTube التوعوية ترفع معدل التحويل إلى 3.8% عند إضافتها للمسار، رغم أنها لا تحصل على أي فضل في Last Click. هذا الفارق (1.4 نقطة مئوية) يترجم إلى آلاف الريالات شهرياً.
الأخطاء الشائعة
1. الاعتماد الكامل على Last Click: هو النموذج الافتراضي في Google Analytics وMeta، لكنه يقتل قنوات التوعية (YouTube, TikTok, Influencers) لأنها نادراً ما تكون النقرة الأخيرة.
2. مقارنة النماذج بدون توحيد النافذة الزمنية: نافذة 7 أيام في Meta مقابل 30 يوماً في Google تُنتج أرقاماً مضللة.
3. تجاهل المسارات متعددة الأجهزة: العميل يرى الإعلان على الجوال ويشتري من اللابتوب. إذا لم يكن التتبع موحّداً (Cross-Device)، سيضيع الإسناد.
4. الخلط بين الإسناد والزيادة الإضافية (Incrementality): الإسناد يقيس "من لمس العميل"، لكن لا يقيس "هل كان سيشتري بدون هذا الإعلان؟". استخدم اختبارات Holdout لقياس Incrementality.
5. عدم مراجعة النموذج دورياً: سلوك العميل يتغير موسمياً (رمضان، الجمعة البيضاء). نموذج يعمل في مارس قد يفشل في نوفمبر.
مصطلحات ذات صلة
- Touchpoint (نقطة تواصل): أي تفاعل بين العميل والعلامة التجارية.
- Conversion Path (مسار التحويل): تسلسل النقاط التي مرّ بها العميل حتى الشراء.
- Lookback Window (نافذة النظر للخلف): المدة الزمنية التي يُحتسب فيها التفاعل.
- Incrementality (الزيادة الإضافية): قياس الأثر الحقيقي للإعلان بعيداً عن الإسناد.
- Multi-Touch Attribution (MTA): إسناد متعدد النقاط، عكس Last Click.
- Marketing Mix Modeling (MMM): نموذج إحصائي يُكمّل MTA على مستوى القنوات الكلية.
- Shapley Value: طريقة رياضية لتوزيع الفضل بعدالة بين اللاعبين (القنوات) في نظرية الألعاب التعاونية.
- Cross-Device Tracking: تتبّع العميل عبر أجهزته المختلفة لبناء مسار موحّد.