„Ha nem lett volna az a Facebook-hirdetés, akkor is vásárolt volna?” – ez a kérdés minden, marketingdöntésekért felelős szakember fejében felmerül, ha elég mélyre néz. A konverzió – legyen az vásárlás, regisztráció vagy ajánlatkérés – önmagában még semmit nem mond el az előzmények értékéről. A múlt eseményeit ugyan vissza lehet követni analitikában, de az ok-okozati viszonyokat csak különleges módszerekkel lehet megragadni. Mégis, a legtöbb cég nap mint nap költ el milliókat kampányokra anélkül, hogy valójában tudná, melyik csatorna hajtotta a teljesítményt, és melyik volt csak utasa az eseményeknek. A marketing atribúció kérdésköre évtizedek óta kísérti az iparágat, ám most, hogy az adatelemzés és a gépi tanulás eszköztára drámaian fejlődött, ideje új alapokra helyezni a témát. Ez a cikk azoknak szól, akik nem csak adatokat akarnak látni, hanem valódi oksági viszonyokat szeretnének feltérképezni a kampányaik mögött.
Marketing atribúció
A marketing atribúció hagyományosan abból az igényből született, hogy meg tudjuk válaszolni: „melyik marketingcsatorna hozta a vásárlót?”. Első ránézésre egyszerű kérdésnek tűnik, de valójában zavarba ejtően összetett, főleg a digitális ökoszisztéma mai komplexitása mellett. A felhasználó először egy TikTok-videón találkozik a termékkel, majd hetekkel később egy keresés során újra eléri, végül egy retargeting hirdetés tereli vissza a webshopba, ahol konvertál. Az események láncolata hosszú és nem determinisztikus – vagyis nem tudjuk biztosan, hogy a Facebook-hirdetés nélkül is megtörtént volna-e a vásárlás. Az attribúciós modellek épp ezért próbálják becsülni az egyes csatornák „hozzájárulását”, különböző szabályok mentén. Az egyszerűbb modellek – például az utolsó kattintás elve – szinte teljesen figyelmen kívül hagyják az előzményeket, míg az arányos vagy idő-alapú modellek megpróbálják igazságosabban szétosztani az „érdemet”. Ezek azonban továbbra is statikus szabályrendszerek, amelyek képtelenek felfogni a valódi oksági összefüggéseket. Épp ezért új szemléletre van szükség: az oksági inferenciára.
Statisztikai okság
A statisztikai okság, vagy más néven kausális inferencia olyan módszertani keretrendszert kínál, amely nem azt vizsgálja, mi történt – hanem azt, hogy mi történt volna másképp egy adott tényező hiányában. Ez a szemlélet évtizedek óta jelen van az orvostudományban és közgazdaságtanban, de a marketingben csak az utóbbi években kezdett el terjedni. A kausális modellezés célja nem a múlt leírása, hanem a döntéshozatal támogatása: megbecsülni, hogy mekkora volt egy adott marketingcsatorna valódi hatása a konverziók számának növekedésére. Ehhez elengedhetetlenül szükségesek az ún. kontrafaktuális megközelítések – vagyis olyan modellek, amelyek megpróbálják rekonstruálni, mi történt volna egy másik világban, ha a felhasználó nem találkozik az adott hirdetéssel. Az egyik legelterjedtebb módszer a propensity score matching, amely statisztikailag hasonló felhasználókat csoportosít és hasonlít össze – mintha egy természetes kísérletet szimulálnánk. A másik eljárás, az uplift modeling, azt próbálja megbecsülni, hogy a hirdetés hatására mekkora emelkedést (uplift) tapasztalunk a konverziókban, egy hasonló kontrollcsoporthoz képest. Ezek a módszerek sokkal közelebb visznek a valódi oksági viszonyok megértéséhez, mint a klasszikus attribúciós modellek.
Oksági gondolkodás
Az oksági gondolkodás azonban nem csak statisztikai kérdés, hanem szemléleti váltás is. A marketing világában sokszor hajlamosak vagyunk determinisztikusan gondolkodni: „A kampány futott → jöttek a vásárlások → tehát a kampány hozta őket.” Ez azonban csak akkor igaz, ha biztosan tudjuk, hogy a kampány hiányában nem történt volna meg a vásárlás. Ez pedig ritkán van így. Az emberek döntéseit rengeteg tényező befolyásolja: előzetes márkaismeret, társadalmi ajánlások, árak, időzítés, versenytársak akciói. Az oksági modellek segítségével viszont elkezdhetjük kizárni a „zajokat” és közelíteni az igazsághoz. Egy jól felépített kausális elemzés nem csupán a hirdetések hatásosságát méri, hanem azt is megmutatja, hol pazarolunk el pénzt olyan csatornákra, amelyek csak „ráülnek” a meglévő keresletre, de nem növelik azt. Ez a különbség az ún. inkrementális hatás és a puszta jelenlét között. Az inkrementalitás – vagyis az a plusz, amit egy csatorna valóban hozzáad – az egyetlen dolog, ami üzleti szempontból releváns.
A kérdés azonban még e ponton sem tekinthető lezártnak. A statisztikai modellek sem tudnak csodát tenni, ha az adatminőség nem megfelelő, vagy ha a vizsgálati keretek túl szűkek. A legtöbb e-kereskedő például nem rendelkezik elegendő konverzióval ahhoz, hogy megbízható uplift modellt futtasson minden csatornára. Ráadásul a marketing világában gyakori, hogy a különböző csatornák összjátéka számít – vagyis az egyik hirdetés hatása csak akkor jelentkezik, ha egy másik is jelen van. Ez a probléma a játékelmélethez vezet el minket, amely a közös hozzájárulás elosztásának egyik legfejlettebb modelljét kínálja: a Shapley-értékeket. A Shapley-érték lényege, hogy minden csatorna hozzájárulását annak alapján számolja ki, hogy mekkora értéket ad hozzá az összteljesítményhez különböző kombinációkban. Ez nem csak statisztikailag megalapozott, de méltányos is: a csatorna annyit ér, amennyit hozzátesz a játékhoz, nem pedig amennyi kattintása volt.
Shapley-értékek
A Shapley-értékek alkalmazása a marketingben radikálisan más megközelítést jelent, mint a klasszikus, lineáris vagy szabályalapú modellek. Ez a módszer nemcsak azt kérdezi meg, hogy „milyen csatornákon ment végig az ügyfél?”, hanem azt is, hogy „mennyiben változott volna a konverziós arány, ha ez vagy az a csatorna kimarad?”. A modell minden lehetséges sorrendet és csatornakombinációt figyelembe vesz, majd kiszámítja, hogy az adott csatorna átlagosan mennyivel növeli a teljesítményt a többihez képest. Ez nem egyszerű: a számítási komplexitás gyorsan exponenciálissá válik, és a módszer önmagában nem válaszolja meg, hogyan kezeljük a külső körülmények változását. De pontosan itt rejlik az ereje: nem ad elhamarkodott következtetéseket, hanem megköveteli, hogy az elemző valóban megértse, hogyan működnek együtt a kampányelemek. A Google Attribution 360 például már ilyen elven működik, és az iparági tapasztalatok szerint gyakran éppen azokat a csatornákat „hozza ki” magas értékűként, amelyek a klasszikus modellekben háttérbe szorultak volna – például a márkaismertségre ható, első kontaktusok. Ez azért fontos, mert gyakran ezek adják a konverziók valódi alapját, csak nem a kampány utolsó lépéseként jelennek meg. A Shapley-érték tehát nem csak szám, hanem figyelmeztetés: ne keverjük össze a láthatóságot a hozzájárulással.
Ennek ellenére nem szabad azt hinnünk, hogy a Shapley-érték vagy a kausális modellek önmagukban mindenre választ adnak. Minden modell csak olyan jó, amennyire a bemeneti adat és az értelmezési keret az. Ha a marketingcsapat nincs tisztában azzal, hogyan definiálja pontosan a „konverziót”, vagy ha a kampánycélok nincsenek összhangban az üzleti célokkal, akkor még a legpontosabb oksági becslések is félrevezetők lehetnek. Ráadásul ezek a modellek gyakran nem látszanak „transzparensnek” az üzleti döntéshozók számára – egy Shapley-értékes riport nem fogja intuitívan meggyőzni azt, aki ahhoz szokott, hogy utolsó kattintás alapján optimalizálja a büdzsét. Itt jön képbe a szakmai edukáció szerepe. A modern marketingnek egyre kevésbé szabadna pusztán „kreatív iparágnak” látszania – valójában ez az a terület, ahol a pszichológia, az adat, az üzlet és az etika keresztezik egymást. Az oksági attribúciót alkalmazó szakember valójában nemcsak elemző, hanem döntéstámogató tanácsadó is. A szerepe nem abban áll, hogy „kimondja, mi működik”, hanem abban, hogy rávilágít: mit érdemes kipróbálni, mit lehet elhagyni, és hol érdemes mélyebbre ásni. Ez a hozzáállás viszont csak akkor működik, ha a szervezeti kultúra elbírja a komplexitást, és nem kényszeríti vissza a gondolkodást egyszerű riportokra redukált „siker- vagy bukásnarratívákba”.
A végső kérdés tehát nem az, hogy „melyik csatorna hozza a konverziót?” – hanem az, hogy „hogyan hozzunk jobb döntéseket a jövőbeni kampányokkal kapcsolatban?”. Az attribúciós modellezés valódi értéke abban áll, hogy segít elválasztani az illúziót a valóságtól. A legtöbb üzleti környezetben nem az a kérdés, hogy egy hirdetés hatott-e, hanem hogy jobban hatott-e, mint amit máshol tehettünk volna a pénzzel. A modern marketingben a verseny előnye nem abból származik, hogy mennyit költünk, hanem abból, hogy mire költjük el okosan. Ezért az oksági gondolkodás nemcsak az analitika új szintje, hanem a stratégia alapja: képesek vagyunk-e úgy modellezni a valóságot, hogy ne csak a múltat lássuk benne, hanem a jövő lehetőségeit is?
Források:
-
Judea Pearl: Causality: Models, Reasoning, and Inference
-
Google Attribution 360 – dokumentáció és alkalmazási esettanulmányok
-
Hansen & Shapley (1953): A Value for n-person Games – játékelméleti alapok
