Có lẽ đối với bất kỳ một Marketer nào khi bước chân vào lãnh địa của đa thiết bị và đa kênh giao tiếp – nơi mà mỗi điểm tương tác của người dùng với thương hiệu đều có thể góp phần tạo nên hành động chuyển đổi sau cùng trong phễu mua hàng – thì Attribution chính là khái niệm “khó tiêu hóa nhất”. Nghe có vẻ lý tưởng hóa về khả năng của mô hình Attribution, nhưng thực ra nó không quá xa vời.
Attribution – theo định nghĩa từ Cục quảng cáo tương tác IAB – là quá trình nhận dạng loạt hành động của người dùng đóng góp vào một thành quả nhất định, và sau đó, phân bổ thành quả này thành từng giá trị qui kết tương ứng với mỗi hành động cụ thể trên.
Vì thị trường Việt Nam chưa có tên gọi chính thức cho Attribution, nên dựa vào định nghĩa của IAB có thể tạm gọi Attribution là “Sự phân bổ giá trị đóng góp”. Hiện nay, quá trình này được ứng dụng nhiều nhất trong môi trường tiếp thị đa thiết bị và kênh giao tiếp nên thỉnh thoảng Attribution còn được gọi là “mô hình đa kênh”. Vấn đề gây đau đầu nhất cho Markerter xuất phát từ đây – khi phải nhận dạng, đo lường ảnh hưởng của từng kênh giao tiếp, từng điểm tương tác lên kết quả mong đợi (một chuyển đổi – conversion, ROI,...), qua đó đưa ra kế hoạch tối ưu hóa ngân sách quảng cáo.
Một số người cho rằng mô hình Attribution đo lường không chính xác, bởi vì trong suốt quá trình chuyển đổi có sự hiện diện của những quảng cáo “không được nhìn thấy” (Non-viewable Ads – có quảng cáo nhưng người dùng không thấy được). Số khác thì cho rằng quá trình Attribution không chứng minh được mối quan hệ nhân quả giữa giá trị của từng kênh với kết quả chuyển đổi sau cùng, do đó nó thường bị xem nhẹ.
Có vẻ như những người phản đối ở trên đã hơi vội vàng kết luận khi chưa thực sự tìm hiểu kỹ về Attribution, cũng như bỏ lỡ những khía cạnh chi tiết và các ứng dụng cụ thể mà nó có thể mang lại cho hoạt động marketing và phân bổ ngân sách.
Attribution: chính xác hay không chính xác?
Có một số lượng lớn và đa dạng các nhà cung cấp, các công cụ và những phương pháp triển khai liên quan đến Attribution. Chính vì vậy không thể chỉ sử dụng cách tiếp cận tổng quát để mô tả một qui trình Attribution cụ thể.
Nếu những người chỉ trích ở trên đang đề cập đến mô hình Attribution tĩnh “truyền thống”, được cung cấp bởi máy chủ (Ad server) hoặc từ các nền tảng phân tích trên trang – ví dụ như mô hình last-touch, first-touch, U-shaped, time-based hay mô hình trọng số – thì đúng là quá trình Attribution này thiếu chính xác, do sự tồn tại của các quảng cáo “không có khả năng được nhìn thấy”. Lúc này việc phân bổ mức độ đóng góp một cách tùy ý cho mọi lượt hiển thị và nhấp chuột vào quảng cáo sẽ có hại nhiều hơn có lợi.
Tuy nhiên, nếu những ý kiến chỉ trích nhắm đến dạng mô hình Attribution khác – một giải pháp thiên về thuật toán và xác thực (legitimate, algorithmic Attribution) – thì rõ ràng, những người này chưa hiểu gì về cách thức mô hình này hoạt động.
- Đầu tiên, không phải mọi công cụ phân tích Attribution đều tính tất cả lượt hiển thị (Impression) khi mô hình hóa hành trình chuyển đổi của khách hàng. Thỉnh thoảng, các lượt hiển thị “không được nhìn thấy” có thể bị loại khỏi tập dữ liệu ngay từ kết quả đầu ra của máy chủ (Ad server) hoặc của một nền tảng phân tích độc lập. Còn đối với phần lớn trường hợp tính năng này không sẵn có, thì vẫn có những cách khác có thể loại bỏ đại đa số các quảng cáo “không được nhìn thấy” trên.
Ví dụ: Những quảng cáo “không có khả năng được nhìn thấy”, hoặc “có khả năng được nhìn thấy nhưng khả năng chuyển đổi kém” hầu như luôn có tần suất hiển thị rất cao so với những quảng cáo có thể tạo ra chuyển đổi. Do đó bằng cách loại bỏ những giá trị cá biệt (có tần suất hiển thị cao khác thường) khỏi tập dữ liệu, chúng ta có thể loại trừ phần lớn những quảng cáo “không có khả năng được nhìn thấy” cũng như những quảng cáo “có khả năng được nhìn thấy nhưng chất lượng thấp” ở trên.
- Thứ hai, không giống các mô hình tĩnh, mô hình “Học máy” (machine learning – phương pháp tự động tạo ra các chương trình máy tính bằng việc phân tích các tập dữ liệu) được thiết kế để “tưởng thưởng” cho những quảng cáo đã có đóng góp, và loại trừ những quảng cáo không mang lại kết quả. Khi việc sử dụng công nghệ cookie không còn mang lại nhiều hiệu quả, thì rõ ràng một mô hình Attribution mới sử dụng các thuật toán tốt sẽ được đánh giá cao hơn.
Tóm lại, với việc loại bỏ những giá trị bất thường trong tần suất hiển thị và sử dụng mô hình “Học máy” để phân bổ ngân sách cho các kênh tương tác, nhiều mô hình Attribution hiện nay đã có khả năng chắt lọc những tín hiệu có ý nghĩa khỏi những thông tin nhiễu, thậm chí cả khi những thông tin nhiễu này rất khó phát hiện.
Ngoài ra, việc mô hình Attribution dựa trên thuật toán không chứng minh được tương quan giữa “ảnh hưởng của từng kênh giao tiếp” với “thành quả sau cùng” không phải là điều đáng lo ngại. Trong thống kê, phương pháp thường được sử dụng trong trường hợp này là đưa vào trong phân tích một “nhóm kiểm soát” (control group) để đưa ra kết luận mang tính nhân quả. (có thể xem cách thức hoạt động của control group để loại bỏ yếu tố gây nhiễu và chỉ ra mối quan hệ nhân quả trong thống kê tại đây). Dù không phải là phương pháp hoàn hảo nhất, nó vẫn có khả năng giúp nhà quảng cáo tối ưu hóa ngân sách.
Đừng đi tìm mô hình Attribution hoàn hảo
Việc phàn nàn rằng mô hình Attribution không đủ chính xác thì cũng giống như việc so sánh đẹp xấu giữa tranh của Monet với Picasso. Và nó đặc biệt không hợp lý khi nhiều Advertiser vẫn đang sử dụng các phân tích “thủ công” để đánh giá hiệu quả cho từng kênh giao tiếp, thay vì sử dụng những thuật toán tối ưu hơn như phân tích ở trên.
Không thể phủ nhận mô hình Attribution còn tồn tại nhiều điểm yếu liên quan đến khả năng “được nhìn thấy” của quảng cáo, độ an toàn thương hiệu, phòng chống gian lận (Fraud), kết nối thiết bị, hợp nhất dữ liệu và những giải pháp công nghệ quảng cáo cốt lõi khác. Nhưng việc thiếu các giải pháp để chủ động ứng phó với các yếu điểm trên không phải là lý do vững chắc để tiếp tục dựa vào những thang đo “có từ thế kỷ trước” như click-through rates hay converting clicks.
Các triết gia lỗi lạc như Voltaire, Confucius và Aristotle đã từng nói: “Perfect is the enemy of good” (cầu toàn đâm ra hỏng việc). Trớ trêu là điều này lại đang diễn ra đối với các mô hình Attribution chỉ dựa trên những cú nhấp chuột. Trong khi đó, mặc dù không đảm bảo có được mọi câu trả lời với 100% độ chính xác, nhưng việc sử dụng một mô hình Fractional Attribution tốt có thể giúp nâng cao thành quả truyền thông so với những mô hình “tĩnh” và mô hình “dựa trên các nhấp chuột”.
Và rõ ràng, dù các Advertiser không thể tìm ra được một mô hình Attribution hoàn hảo nhất, thì ít nhất với những công cụ và dữ liệu hiện có, họ vẫn có thể tạo ra những mô hình đa kênh phù hợp và mang hiệu quả cho riêng mình.
Hãy bắt đầu thiết kế mô hình Attribution cho riêng mình
Từ các phân tích ở trên, có thể thấy rõ vai trò của các công cụ lọc quảng cáo “có khả năng được nhìn thấy”, cũng như các phương pháp nghiên cứu về tính nhân quả. Do đó, sẽ rất hợp lý nếu có thể kết hợp chúng vào các mô hình Attribution.
Marketer có thể bắt đầu bằng việc sử dụng các công cụ nhận diện gian lận, nhận biết các quảng cáo “không có khả năng được nhìn thấy” và những vị trí đặt quảng cáo (placement) đáng ngờ cho các chiến dịch của mình. Kết quả đầu ra từ những công cụ này sau đó nên được tích hợp vào mô hình Attribution, và Marketer nên dành ra một ít ngân sách thử nghiệm để tìm kiếm mô hình tối ưu nhất.
Nghe có vẻ lý tưởng hóa về khả năng của mô hình Attribution kiểu mới nêu trên, nhưng thực ra nó không quá xa vời. Khi ngành trưởng thành hơn, những khả năng này sẽ được hợp nhất, các nhà quảng cáo có thể thuần thục trong việc sử dụng các công cụ và toàn ngành sẽ tiến đến gần hơn với “cõi niết bàn” của Marketing.
Nguồn: adexchanger.com
Không ghi tác giả
