Multi-Touch Attribution

Định nghĩa

Multi-Touch Attribution (MTA) là phương pháp phân bổ giá trị chuyển đổi cho nhiều điểm chạm marketing mà khách hàng đã tương tác trước khi mua hàng. Thay vì "đổ hết công lao" cho kênh cuối cùng (Last-Click), MTA chia sẻ credit cho toàn bộ hành trình — từ lúc khách lần đầu thấy quảng cáo Facebook, xem video TikTok, click email, cho đến khi chốt đơn trên website.

Trong bối cảnh DTC Việt Nam, nơi một khách hàng thường đi qua 5–8 điểm chạm trước khi mua (theo khảo sát nội bộ của nhiều brand mỹ phẩm & thời trang), MTA giúp bạn trả lời câu hỏi cốt lõi: *"Kênh nào thực sự đóng góp vào doanh thu, chứ không chỉ 'ăn may' ở bước cuối?"*

Ví dụ dễ hiểu ()

Hãy tưởng tượng một đội bóng đá. Bàn thắng được ghi bởi tiền đạo — nhưng nếu chỉ thưởng cho người sút, bạn sẽ bỏ qua công của tiền vệ kiến tạo, hậu vệ phá bóng, và cả thủ môn đã cứu thua trước đó.

- Last-Click Attribution = chỉ thưởng tiền đạo ghi bàn.

- Multi-Touch Attribution = chia thưởng theo mức đóng góp: tiền vệ 30%, tiền đạo 40%, hậu vệ 20%, thủ môn 10%.

Trong DTC, "tiền đạo" có thể là Google Search Brand, nhưng "tiền vệ kiến tạo" lại chính là TikTok Ads hoặc KOL review — những kênh khơi gợi nhu cầu ban đầu.

Công thức & các mô hình phổ biến

Giả sử một khách có hành trình 4 điểm chạm trước khi mua đơn 1.200.000 VNĐ:

1. Facebook Ads (nhận biết)

2. TikTok video (cân nhắc)

3. Email khuyến mãi (cân nhắc)

4. Google Search Brand (chuyển đổi)

1. Linear (Tuyến tính)

Mọi điểm chạm nhận credit bằng nhau.

Credit mỗi điểm chạm = Tổng doanh thu / Số điểm chạm
= 1.200.000 / 4 = 300.000 VNĐ

2. Time Decay (Giảm dần theo thời gian)

Điểm chạm càng gần chuyển đổi càng nhận nhiều credit. Công thức tham chiếu:

Credit_i = (2^(t_i / half_life)) / Σ(2^(t_j / half_life))

Với half-life = 7 ngày, điểm chạm cách đây 1 ngày nhận credit gấp đôi điểm cách đây 7 ngày.

3. Position-Based / U-Shaped (Vị trí)

- 40% cho điểm chạm đầu tiên (First Touch)

- 40% cho điểm chạm cuối cùng (Last Touch)

- 20% chia đều cho các điểm chạm ở giữa

First Touch: 1.200.000 × 40% = 480.000 VNĐ
Last Touch: 1.200.000 × 40% = 480.000 VNĐ
Middle (2): 1.200.000 × 20% / 2 = 120.000 VNĐ mỗi điểm

4. Data-Driven Attribution (DDA)

Dùng mô hình machine learning (Markov Chain, Shapley Value) để tính credit dựa trên dữ liệu thực tế của từng brand. Đây là mô hình Google Analytics 4 và các nền tảng MMP (AppsFlyer, Adjust) đang dùng.

Bảng so sánh các mô hình Attribution

Ứng dụng trong DTC Việt Nam

Tình huống thực tế

Một brand mỹ phẩm thuần Việt có doanh thu 4,8 tỷ VNĐ/tháng, chạy đa kênh: Facebook, TikTok Shop, Shopee, Google, Email, Zalo ZNS. Trước đây dùng Last-Click, họ thấy:

- Google Search Brand chiếm 62% credit → tưởng là kênh "vua".

- TikTok chỉ chiếm 8% credit → suýt bị cắt ngân sách.

Khi chuyển sang Position-Based MTA, bức tranh đổi hoàn toàn:

- TikTok nhận 27% credit (vai trò khơi gợi nhu cầu).

- Google Search Brand giảm còn 31% (thực chất chỉ "hứng" khách đã có ý định).

- Email + Zalo nhận 18% (nuôi dưỡng giỏ hàng bỏ quên).

Kết quả sau 3 tháng tái phân bổ ngân sách: ROAS tổng tăng từ 2,8 lên 3,9, doanh thu tăng +34% mà không tăng chi phí media.

Khi nào nên dùng MTA?

- Chu kỳ mua dài (> 7 ngày): mỹ phẩm, thời trang, nội thất, sản phẩm mẹ & bé.

- Nhiều kênh song song: Facebook + TikTok + Google + Shopee + Email.

- Có tracking đủ tốt: UTM chuẩn, GA4, server-side tracking, hoặc MMP.

- Ngân sách media > 200 triệu VNĐ/tháng — dưới ngưỡng này, lợi ích MTA chưa bù được chi phí triển khai.

7 hiểu lầm phổ biến

1. "MTA là công cụ, không phải phương pháp." — Sai. MTA là *cách tư duy* về phân bổ credit; công cụ chỉ là phương tiện.

2. "Dùng GA4 là có MTA ngay." — Không hẳn. GA4 mặc định vẫn có Last-Click; bạn phải chủ động chọn mô hình Data-Driven.

3. "MTA thay thế được MMM." — Không. MTA tốt cho *digital*, MMM (Marketing Mix Modeling) tốt cho *offline + tổng thể*. Nên kết hợp.

4. "Càng nhiều điểm chạm càng chính xác." — Sai. Nếu tracking lỗi (mất UTM, cross-device không nối được), nhiều touch chỉ làm *nhiễu* thêm.

5. "MTA chỉ dành cho brand lớn." — Không đúng. Brand nhỏ có thể bắt đầu với Position-Based đơn giản trên Google Sheets.

6. "Credit chia đều là công bằng." — Sai. Linear thường phản ánh sai thực tế vì không phải touch nào cũng đóng góp như nhau.

7. "Chuyển sang MTA là ROAS tăng ngay." — Không. Cần 4–8 tuần để data đủ "chín" và team hiểu lại bức tranh kênh.

Thuật ngữ liên quan

- Last-Click Attribution — Mô hình gán 100% credit cho điểm chạm cuối.

- First-Click Attribution — Mô hình gán 100% credit cho điểm chạm đầu.

- Marketing Mix Modeling (MMM) — Mô hình thống kê phân bổ doanh thu ở cấp tổng thể, bao gồm cả offline.

- Incrementality Testing — Thử nghiệm A/B để đo *tác động thực* của một kênh, bổ trợ cho MTA.

- Customer Journey Analytics — Phân tích toàn bộ hành trình khách hàng, đầu vào của MTA.

- UTM Parameters — Tham số gắn URL để tracking nguồn traffic, nền tảng của mọi mô hình attribution.

- Server-Side Tracking — Tracking phía server, giúp dữ liệu attribution chính xác hơn trong thời đại cookie bị hạn chế.

- Shapley Value — Phương pháp toán học chia credit công bằng dựa trên lý thuyết trò chơi, dùng trong DDA.

Tóm lại: Với DTC Việt Nam đang cạnh tranh khốc liệt trên đa nền tảng, Multi-Touch Attribution không còn là "nice-to-have" mà là điều kiện sống còn để phân bổ ngân sách đúng chỗ. Hãy bắt đầu từ Position-Based, chuẩn hóa UTM, rồi tiến lên Data-Driven khi data đủ lớn.