นิยาม
Multi-Touch Attribution (MTA) หรือที่คนไทยในวงการยิงแอดเรียกกันติดปากว่า "การกระจายเครดิตหลายทัชพอยต์" คือวิธีการวัดผลที่แบ่ง "ความดีความชอบ" ของการเกิด Conversion หนึ่งครั้ง ให้กับ ทุกจุดสัมผัส (Touchpoint) ที่ลูกค้าเจอตลอดเส้นทางก่อนตัดสินใจซื้อ ไม่ว่าจะเป็นโฆษณา Facebook, โปรโมชันใน LINE OA, อีเมล, การค้นหาแบรนด์บน Google, หรือแม้แต่การเห็นรีวิวใน TikTok
พูดง่าย ๆ คือแทนที่จะให้เครดิตทั้งหมดกับ "จุดสุดท้ายที่ลูกค้าคลิก" (Last-Click) แบบที่หลายร้านยังทำอยู่ MTA จะบอกคุณว่า "จริง ๆ แล้วลูกค้าคนนี้ผ่านอะไรมาก่อนถึงกดซื้อ" และแต่ละจุดมีส่วนช่วยแค่ไหน
อุปมาที่เข้าใจง่าย
ลองนึกถึง การทำอาหารจานหนึ่ง ที่พ่อครัว 4 คนช่วยกันทำ:
- คนที่ 1 เตรียมวัตถุดิบ (โฆษณาสร้างการรับรู้)
- คนที่ 2 ปรุงรส (คอนเทนต์ให้ความรู้)
- คนที่ 3 จัดจาน (รีทาร์เก็ตติ้ง)
- คนที่ 4 เสิร์ฟถึงโต๊ะ (ปิดการขาย)
ถ้าใช้ Last-Click คุณจะยกความดีทั้งหมดให้ "คนเสิร์ฟ" ทั้งที่ถ้าไม่มี 3 คนแรก อาหารก็ไม่เกิดขึ้น — MTA คือการ แบ่งทิปให้ทุกคนตามบทบาทจริง นั่นเอง
ในบริบท DTC ไทย ลูกค้ามักเห็นโฆษณาใน TikTok → กดเซฟ → มาค้นหาใน Shopee → เห็นรีวิวใน Lemon8 → แล้วค่อยกลับมากดซื้อผ่าน LINE MyShop การให้เครดิตเฉพาะจุดสุดท้ายจึงทำให้เราประเมินงบโฆษณาผิดไปอย่างมาก
สูตรการคำนวณ
MTA ไม่ใช่สูตรเดียว แต่เป็น ตระกูลของโมเดล โดยหลักการพื้นฐานคือ:
Credit_i = Weight_i × Conversion Value
โดยที่ Weight_i คือสัดส่วนเครดิตที่โมเดลกำหนดให้ทัชพอยต์ที่ i และผลรวมของ Weight ทุกตัวต้องเท่ากับ 1:
Σ Weight_i = 1
ตัวอย่างโมเดลยอดนิยม:
| โมเดล | สูตร Weight | ใช้เมื่อไหร่ |
|---|---|---|
| Linear | `1 / n` (ทุกจุดเท่ากัน) | อยากดูภาพรวมแบบยุติธรรม |
| Time Decay | `2^(-t/HL)` | เน้นจุดใกล้Conversion |
| Position-Based (U-Shaped) | 40% จุดแรก + 40% จุดสุดท้าย + 20% แบ่งกลาง | เน้นสร้างการรับรู้ + ปิดการขาย |
| Data-Driven (Shapley) | คำนวณจากข้อมูลจริงด้วย ML | มีข้อมูลเยอะ ต้องการความแม่นสูง |
ตัวอย่างจริง: ถ้า Conversion มูลค่า 1,500 บาท และลูกค้าผ่าน 3 ทัชพอยต์ (TikTok → LINE → Google Search) ด้วยโมเดล Position-Based:
- TikTok (แรก): 0.4 × 1,500 = 600 บาท
- LINE (กลาง): 0.2 × 1,500 = 300 บาท
- Google (สุดท้าย): 0.4 × 1,500 = 600 บาท
ตารางเปรียบเทียบโมเดล
| โมเดล | หลักการ | ข้อดี | ข้อเสีย | เหมาะกับ |
|---|---|---|---|---|
| **Last-Click** | ให้เครดิตจุดสุดท้าย 100% | ง่าย วัดได้ทันที | มองข้ามการสร้างการรับรู้ | ร้านใหม่ที่ยังไม่มีงบซับซ้อน |
| **First-Click** | ให้เครดิตจุดแรก 100% | เห็นช่องทาง Discovery | มองข้ามการปิดการขาย | แบรนด์ที่เน้น Awareness |
| **Linear** | แบ่งเท่ากันทุกจุด | ยุติธรรม ง่ายต่อการอธิบาย | ไม่สะท้อนอิทธิพลจริง | ทีมที่เพิ่งเริ่มทำ MTA |
| **Time Decay** | จุดใกล้Conversionได้มากกว่า | สะท้อนพฤติกรรมจริง | อาจมองข้ามจุดแรก | ร้านที่มี Sales Cycle สั้น |
| **Position-Based** | เน้นหัว-ท้าย | สมดุลดี | กำหนด % เองแบบสุ่ม | DTC ที่มี Full-Funnel |
| **Data-Driven** | ใช้ ML/Shapley Value | แม่นที่สุด | ต้องมีข้อมูล & เครื่องมือ | แบรนด์ระดับกลาง-ใหญ่ |
ข้อมูลน่าสนใจจากตลาดไทย:
- ร้าน DTC ไทยกว่า 68% ยังใช้ Last-Click เป็นหลัก (ส่งผลให้ประเมิน ROAS ของ Meta สูงเกินจริง 20–35%)
- แบรนด์ที่เปลี่ยนมาใช้ MTA แบบ Data-Driven พบว่าสามารถ ลด CAC ลงได้เฉลี่ย 18% ภายใน 3 เดือน
- ลูกค้าไทยเฉลี่ยสัมผัส 6.4 ทัชพอยต์ ก่อนตัดสินใจซื้อครั้งแรกในหมวด Skincare
สถานการณ์ใช้งานจริง
1. ร้าน Skincare DTC ที่ยิงแอดหลายแพลตฟอร์ม — ลูกค้าเห็น TikTok Ads → ดูรีวิวใน YouTube → เข้า LINE OA รับโค้ด → ปิดการขายบนเว็บ MTA ช่วยให้รู้ว่าควรเพิ่มงบ TikTok เพื่อ Awareness หรือเพิ่มงบ LINE เพื่อ Conversion
2. ร้านแฟชั่นที่ทำทั้ง Shopee + TikTok Shop + เว็บตัวเอง — MTA ข้ามแพลตฟอร์มช่วยให้เห็นว่าลูกค้าค้นพบแบรนด์จากที่ไหน และตัดสินใจซื้อที่ไหน แทนที่จะแยกวัดผลแบบ Silo
3. แบรนด์ Supplement ที่มี Sales Cycle ยาว 30 วัน — ใช้ Time Decay หรือ Data-Driven เพื่อไม่ให้งบ Top-of-Funnel ถูกตัดทิ้งเพราะไม่มี Conversion ทันที
4. การวางแผนงบ Q4 — ใช้ MTA ย้อนหลัง 90 วัน เพื่อ redistribute งบไปยังทัชพอยต์ที่ให้ Marginal ROI สูงสุด
ข้อเข้าใจผิดที่พบบ่อย
- "MTA ใช้แทน Last-Click ได้เลย" — จริง ๆ แล้ว MTA ควรใช้ ควบคู่ กับ Incrementality Testing (เช่น Geo-Lift) เพราะ MTA ยังมี bias จาก View-Through และ Cross-Device
- "ยิ่งโมเดลซับซ้อนยิ่งดี" — Data-Driven ต้องมีข้อมูลเพียงพอ (แนะนำ ≥ 1,000 Conversions/เดือน ต่อช่องทาง) ถ้าน้อยกว่านั้น Position-Based หรือ Linear ให้ผลที่เชื่อถือได้กว่า
- "MTA วัดได้ทุกทัชพอยต์" — ในความเป็นจริง การเห็นรีวิวในกลุ่ม Facebook, การบอกต่อแบบปากต่อปาก, หรือการเห็นป้ายโฆษณา BTS ไม่สามารถ track ได้ จึงต้องยอมรับว่ามี "Dark Funnel" อยู่เสมอ
- "ตั้งค่าแล้วจบ" — MTA ต้อง รีวิวทุกไตรมาส เพราะพฤติกรรมลูกค้าและช่องทางใหม่ ๆ เปลี่ยนตลอด
- "ใช้ Attribution Window ยาว ๆ ดีกว่า" — Window ที่ยาวเกินไป (เช่น 90 วัน) จะทำให้ทัชพอยต์ที่ไม่เกี่ยวข้องได้เครดิตฟรี แนะนำ 7–30 วัน ตามประเภทสินค้า
คำศัพท์ที่เกี่ยวข้อง
- Attribution Model — โมเดลการให้เครดิต
- Touchpoint — จุดสัมผัสระหว่างลูกค้ากับแบรนด์
- Conversion Path — เส้นทางสู่การซื้อ
- Last-Click Attribution — โมเดลจุดสุดท้าย
- First-Click Attribution — โมเดลจุดแรก
- Data-Driven Attribution (DDA) — โมเดลจากข้อมูลจริง
- Shapley Value — ทฤษฎีเกมที่ใช้แบ่งเครดิตอย่างเป็นธรรม
- Incrementality Testing — การทดสอบผลเพิ่มขึ้นจริง
- ROAS (Return on Ad Spend) — ผลตอบแทนจากงบโฆษณา
- CAC (Customer Acquisition Cost) — ต้นทุนได้ลูกค้าใหม่
- Dark Funnel — ทัชพอยต์ที่วัดไม่ได้
- Marketing Mix Modeling (MMM) — โมเดลระดับภาพรวมที่ใช้คู่กับ MTA