Attribuutiomalli ratkaisee, mille mainoskanavalle kampanjan tulos kirjataan – ja tämä valinta vaikuttaa suoraan siihen, mihin markkinointipäällikkö seuraavana kuukautena ohjaa mediabudjetin. Jos yritys käyttää ensimmäisen kosketuksen mallia, some- ja display-mainonta näyttävät arvokkaammilta kuin ne todellisuudessa ovat; jos taas mitataan vain viimeistä kosketusta, hakusanamainonta ja brändihaku vievät kunnian muiden kanavien tekemästä työstä. Kumpikaan malli ei kerro koko totuutta, ja väärä valinta johtaa helposti siihen, että toimivia kanavia leikataan ja tehottomia kasvatetaan.
Mitä attribuutiomalli oikeastaan mittaa
Attribuutiolla tarkoitetaan tapaa, jolla konversio – esimerkiksi ostotapahtuma tai liidilomakkeen täyttö – jaetaan niiden mainoskosketusten kesken, jotka asiakas kohtasi ennen ostopäätöstä. Käytännössä asiakaspolku sisältää usein useita kosketuspisteitä: hän näkee display-mainoksen, klikkaa myöhemmin Instagram-mainosta, ja päätyy lopulta ostamaan Google-haun kautta. Attribuutiomalli päättää, mikä näistä kolmesta saa kiitoksen konversiosta – tai jaetaanko kiitos jotenkin niiden kesken.
Tämä ei ole pelkkä raportointikysymys. Mediabudjetin allokointi, kanavien KPI-tavoitteet ja jopa mediatoimiston palkkiomallit voivat perustua siihen, mikä attribuutiomalli on käytössä. Siksi mallin valinta kannattaa tehdä tietoisesti, ei oletusasetuksena analytiikkatyökalusta.
Ensimmäisen kosketuksen malli – vahvuudet ja sudenkuopat
Ensimmäisen kosketuksen (first-touch) mallissa koko konversion arvo annetaan sille kanavalle, joka toi asiakkaan ensimmäisen kerran kosketuksiin brändin kanssa. Malli sopii hyvin silloin, kun halutaan ymmärtää, mikä toiminta herättää uutta kysyntää – esimerkiksi kuinka hyvin display-mainonta tai sisältömarkkinointi tuo uusia potentiaalisia asiakkaita tietoisuuden piiriin.
Ongelma syntyy, kun first-touch-dataa käytetään ainoana mittarina koko kampanjan onnistumisen arviointiin. Malli aliarvioi systemaattisesti kanavia, jotka toimivat ostopolun loppupäässä, kuten hakusanamainontaa tai retargeting-kampanjoita. Pk-yritys, joka leikkaa hakusanamainonnan budjettia first-touch-lukujen perusteella, saattaa huomata myynnin laskevan – vaikka raportti näytti hakusanoilla olevan vähän ”ansiota” konversioista.
Viimeisen kosketuksen malli – miksi se on yhä yleisin
Viimeisen kosketuksen (last-touch tai last-click) malli on edelleen oletusasetus useimmissa analytiikka-alustoissa, koska se on tekninen helpoin toteuttaa: koko konversion arvo menee sille kanavalle, jonka kautta asiakas viimeksi tuli sivustolle ennen ostoa. Tämä selittää, miksi hakusanamainonta ja brändihaku näyttävät usein poikkeuksellisen tehokkailta – ne kaappaavat kysynnän, jonka muut kanavat ovat jo herättäneet. Tarkempaa kuvaa hakusanamainonnan rakenteesta ja hakutermien roolista käsitellään artikkelissa hakusanamainonnan hallinnasta.
Yleinen virhe on uskoa, että last-click-malli kertoo ”totuuden” siitä, mikä kanava toimii. Todellisuudessa se kertoo vain, mikä kanava oli viimeisenä ennen ostoa – ei sitä, mikä kanava teki raskaimman työn asiakkaan vakuuttamisessa. Tämä on yksi yleisimmistä väärinkäsityksistä media-alalla: monet yritykset optimoivat mainosbudjettinsa yksinomaan last-click-datan perusteella ja ihmettelevät, miksi kokonaismyynti ei kasva, vaikka yksittäiset kanavat näyttävät hyviltä.
Monikosketusmallit tarjoavat realistisemman kuvan
Ensimmäisen ja viimeisen kosketuksen mallien väliin sijoittuu joukko monikosketusmalleja (multi-touch attribution), jotka jakavat konversion arvon useamman kosketuspisteen kesken:
Lineaarinen malli jakaa arvon tasan kaikkien kosketuspisteiden kesken. Se on yksinkertainen, mutta ei erottele kosketuspisteiden todellista vaikutusta.
Aikahajonta-malli (time decay) antaa enemmän painoarvoa konversiota lähempänä oleville kosketuksille. Se sopii hyvin lyhyen harkinta-ajan tuotteille.
Asemapohjainen malli (position-based tai U-muotoinen) painottaa ensimmäistä ja viimeistä kosketusta, esimerkiksi 40 % molemmille ja loput 20 % jaetaan väliin jääneiden kosketusten kesken.
Data-driven attribuutio käyttää koneoppimista arvioimaan kunkin kosketuspisteen todellista vaikutusta konversioon historiadatan perusteella. Tämä on tarkin vaihtoehto, mutta vaatii riittävän suuren datamäärän toimiakseen luotettavasti – pienellä mainosbudjetilla dataa ei yksinkertaisesti kerry tarpeeksi mallin kouluttamiseen.
Ohjelmallisessa ostamisessa attribuution merkitys korostuu entisestään, koska kampanjat pyörivät usein useilla DSP-alustoilla samanaikaisesti. Sitä, miten ohjelmallinen ostaminen ja huutokauppamekanismi käytännössä toimivat, käsitellään tarkemmin artikkelissa ohjelmallisesta ostamisesta.
iOS 14 ja evästeiden hiipuminen vaikeuttivat mittausta
Applen vuonna 2021 tekemät tietosuojamuutokset iOS 14 -käyttöjärjestelmässä rajoittivat sovellusten mahdollisuuksia seurata käyttäjiä laitteiden ja sovellusten välillä. Tämä heikensi erityisesti Facebook- ja Instagram-mainonnan konversioseurantaa ja pakotti mediatoimistot ja markkinoijat etsimään vaihtoehtoisia mittaustapoja, kuten server-side-seurantaa ja mallinnettua konversiodataa.
Samaan aikaan kolmannen osapuolen evästeiden asteittainen poistuminen selaimista on tehnyt käyttäjän polun seuraamisesta eri kanavien välillä yhä vaikeampaa. Tämä on yksi syy siihen, miksi marketing mix modeling (MMM) on noussut takaisin suosioon rinnalle attribuutiomalleille – se ei vaadi yksittäisen käyttäjän seurantaa vaan perustuu kokonaistason data-analyysiin myynnin ja mediainvestointien välillä.
Näin valitset oikean mallin omaan tilanteeseen
Mallin valinta riippuu ostopolun pituudesta, budjetin koosta ja käytettävissä olevasta datamäärästä. Muutama käytännön ohjenuora:
Jos ostopolku on lyhyt ja harkinta-aika vähäinen, last-click-malli voi riittää hyvin karkeaksi mittariksi. Jos taas kyseessä on B2B-hankinta tai korkean hinnan tuote, jossa harkinta-aika venyy viikkoihin tai kuukausiin, tarvitaan väistämättä monikosketusmalli tai marketing mix modeling kokonaiskuvan saamiseksi.
Budjetin koko määrittää myös käytännön mahdollisuuksia: data-driven-attribuutio vaatii tyypillisesti vähintään kymmeniä tuhansia euroja kuukausittaista mediabudjettia, jotta mallille kertyy riittävästi konversiodataa. Pienemmällä budjetilla kannattaa turvautua yksinkertaisempiin sääntöpohjaisiin malleihin, kuten aikahajonta- tai asemapohjaiseen malliin.
Attribuutiomallin valinta ja sen tulkinta ovat myös hyvä testi sille, kuinka analyyttisesti valittu mediatoimisto oikeasti toimii. Vinkkejä sopivan kumppanin arviointiin löytyy artikkelista mediatoimiston valinnasta.
UKK – attribuutiomallit
Mikä attribuutiomalli on paras aloittavalle yritykselle?
Yksiselitteistä parasta mallia ei ole. Pienelle mediabudjetille asemapohjainen tai aikahajonta-malli tarjoaa usein tasapainoisemman kuvan kuin puhdas first-click tai last-click, koska se huomioi useamman kosketuspisteen vaikutuksen ilman raskasta datavaatimusta.
Voiko attribuutiomallia vaihtaa kesken kampanjan ilman ongelmia?
Mallin voi vaihtaa, mutta silloin historiadata ei ole enää suoraan vertailukelpoista uuden datan kanssa. Kannattaa dokumentoida vaihdon ajankohta selkeästi ja välttää suoria vertailuja eri mallien tuottamien lukujen välillä.
Takaako oikea attribuutiomalli paremmat mainostulokset?
Ei. Attribuutiomalli on mittausväline, ei kasvun tae – se auttaa ymmärtämään, mistä konversiot todennäköisesti syntyvät, mutta lopputulos riippuu edelleen tuotteesta, kilpailutilanteesta ja luovan sisällön laadusta.
Yhteenveto
Ensimmäisen ja viimeisen kosketuksen mallit ovat molemmat yksinkertaistuksia, jotka kertovat vain osan totuudesta asiakkaan ostopolusta. Kumpaakin käytettäessä yksinään syntyy helposti vääristynyt kuva siitä, mikä mediakanava todella ansaitsee lisäbudjettia. Monikosketusmallit ja data-driven-attribuutio antavat tarkemman kuvan, mutta vaativat riittävän datamäärän toimiakseen luotettavasti.
Käytännön suositus on testata vähintään kahta eri mallia rinnakkain ja verrata, miten kanavien saama arvo muuttuu mallin mukaan. Kun mediatoimiston kanssa sovitaan KPI-mittareista ja raportoinnista, kannattaa samalla kirjata sopimukseen, mitä attribuutiomallia raportoinnissa käytetään ja kuka omistaa kampanjadatan – tämä ehkäisee myöhempiä tulkintaerimielisyyksiä siitä, mikä kanava oikeasti tuotti tuloksen.
