Waarom het model dat je kiest bepaalt waar je geld naartoe gaat
Wanneer een klant converteert, hebben ze je merk meestal al meerdere keren gezien. Een LinkedIn-post, een Google-zoekopdracht, een retargeting-advertentie, een e-mail. Elk van die interacties heeft iets bijgedragen.
Attributiemodellen bepalen hoe de conversiewaarde over die touchpoints wordt verdeeld. Het model dat je gebruikt, bepaalt welke kanalen goed lijken te presteren, welke ondermaats lijken te presteren en waar je volgende euro aan budget terechtkomt.
Dit is geen subtiel effect. Overschakelen van last-click naar een multi-touch model kan een compleet ander beeld geven van welke kanalen het bedrijf draaiende houden. Een betaalde social-campagne die onder last-click weggegooid geld lijkt, kan het kanaal zijn dat 60% van je klanten kennis laat maken met het merk.
De meeste bedrijven hebben deze keuze niet bewust gemaakt. Ze gebruiken gewoon de standaardinstelling van hun advertentieplatform.
De 6 attributiemodellen, helder uitgelegd
Last-click-attributie
Alle waarde gaat naar het laatste touchpoint voor de conversie. Als een klant je drie weken geleden via een YouTube-advertentie heeft gevonden, twee blogartikelen heeft gelezen en vervolgens op een e-mail heeft geklikt om te kopen, krijgt de e-mail 100% van de waarde.
Dit is de standaardinstelling in de meeste platformen. Het is overzichtelijk en makkelijk om over te rapporteren. Het is echter ook systematisch onjuist voor elk bedrijf met meer dan één touchpoint in hun customer journey.
Last-click onthoudt je awareness-kanalen van budget. Na verloop van tijd stoppen teams die puur op last-click-data sturen met hun uitgaven aan de bovenkant van de funnel, stagneren de prestaties en kan niemand verklaren waarom de pijplijn is opgedroogd.
First-click-attributie
Alle waarde gaat naar het eerste touchpoint. Met name handig wanneer je probeert te begrijpen welke kanalen het beste zijn in het introduceren van nieuwe klanten bij je merk.
Als je aanzienlijk investeert in de bovenkant van de funnel (YouTube, display, betaalde social-prospecting), is first-click-attributie de juiste lens om die uitgaven te beoordelen. Onder elk ander model zullen die kanalen zwak lijken, omdat ze zelden het laatste zijn dat een klant aanraakt alvorens te kopen.
De beperking: het negeert alles wat er tussen de ontdekking en de beslissing is gebeurd.
Lineaire attributie
De waarde wordt gelijkmatig verdeeld over elk touchpoint in de reis. Een customer journey van 5 stappen betekent dat elk touchpoint 20% krijgt.
Het klinkt eerlijk. Het probleem is dat gelijke waardering optimalisatie moeilijker maakt, niet makkelijker. Je kunt niet identificeren welke touchpoints daadwerkelijk de beslissing beïnvloeden wanneer elke interactie identiek wordt behandeld, of het nu een advertentieweergave van 3 seconden of een demo van 20 minuten was.
Gebruik lineaire attributie wanneer je doel een breed beeld is van de bijdrage van kanalen, niet wanneer je probeert in de kosten te snijden of te identificeren wat werkt.
Time decay-attributie
Touchpoints die dichter bij de conversie liggen, krijgen meer waarde dan eerdere touchpoints. Een interactie twee dagen voor de aankoop krijgt aanzienlijk meer gewicht dan een interactie drie weken daarvoor.
Dit model weerspiegelt hoe korte verkoopcycli daadwerkelijk werken: hoe dichter bij de beslissing, hoe relevanter de interactie. Voor e-commerce met snelle overwegingsfasen is dit een redelijke optie.
Voor B2B met verkoopcycli van 6 tot 12 weken onderwaardeert time decay systematisch de content, campagnes en contactmomenten waarmee het gesprek begon. De e-mail die als eerste de aandacht van een prospect trok, krijgt misschien bijna geen waarde omdat deze acht weken geleden plaatsvond.
Position-based attributie (U-vormig)
40% van de waarde gaat naar het eerste touchpoint, 40% naar het laatste en de resterende 20% wordt verdeeld over de tussenliggende interacties.
Dit is de pragmatische tussenweg. Het erkent twee dingen die over het algemeen waar zijn: ten eerste dat het kanaal dat de klant heeft geïntroduceerd belangrijk is; en ten tweede dat het laatste touchpoint dat de deal heeft gesloten belangrijk is. Alles daartussenin krijgt erkenning zonder te zwaar te worden belast.
Voor de meeste bedrijven die nog niet het datavolume hebben opgebouwd voor een machine learning-model, is position-based het meest verdedigbare startpunt. Het vereist geen grote datasets, het is uit te leggen aan een CFO en het negeert geen van beide uiteinden van de funnel.
Data-driven attributie
In plaats van een vaste regel te volgen, maakt data-driven attributie gebruik van machine learning om je werkelijke conversiepaden te analyseren en waarde toe te kennen op basis van welke touchpoints statistisch gezien de kans op conversie verhoogden.
In theorie is dit het meest nauwkeurige model. In de praktijk stelt het een harde eis: het heeft een groot volume aan conversies nodig om betrouwbare gewichten te produceren. Het data-driven model van Google in GA4 bijvoorbeeld, vereist een minimum aantal conversies voordat het algoritme resultaten genereert. Accounts die die drempel niet halen, vallen automatisch terug op een ander model.
Als je bedrijf het volume heeft, is data-driven attributie het overwegen waard. Als je dat niet hebt, krijg je een vals gevoel van precisie van een algoritme dat niet genoeg data heeft gezien om betrouwbaar te zijn.
Welk model past bij jouw situatie
Er is geen universeel correct model. De juiste keuze hangt af van je verkoopcyclus, je datavolume en welke beslissing je probeert te nemen.
Gebruik dit als uitgangspunt:
Korte verkoopcyclus (e-commerce, impulsaankoop): Time decay of last-click zijn nuttig. Klanten converteren doorgaans binnen enkele dagen. Recentheid is gecorreleerd met invloed.
Langere verkoopcyclus (SaaS, B2B, dure producten): Position-based of lineair. Je moet het volledige pad zien, niet alleen het laatste contact.
Beslissing over investering in de bovenkant van de funnel: First-click. Als je besluit of je blijft uitgeven aan awareness-kanalen, beoordeel ze dan op waar ze daadwerkelijk voor zijn ontworpen: klanten introduceren.
Je hebt een hoog conversievolume en technische middelen: Data-driven. Laat het algoritme het werk doen. Maar controleer of je het volume hebt om dit te ondersteunen voordat je op de resultaten vertrouwt.
Je begint hier net over na te denken: Position-based. Het is uitlegbaar, gebalanceerd en vereist geen machine learning of grote datasets.
Hoe GA4 de gaten opvult die je tracking mist
Zelfs het beste attributiemodel is slechts zo goed als de data die erachter zit. En tegenwoordig wordt een aanzienlijk deel van de klantinteracties simpelweg niet gevolgd: adblockers, cookie-opt-outs en toestemmingsbanners zorgen allemaal voor gaten in het beeld.
Google Analytics 4 pakt dit anders aan dan zijn voorganger. GA4 maakt gebruik van machine learning om het gedrag te modelleren dat het niet direct kan waarnemen, en vult gaten op met statistisch afgeleide gegevens in plaats van ze leeg te laten.
Dit is belangrijk voor attributie omdat ontbrekende touchpoints de waardetoekenning vertekenen. Als een advertentieweergave niet wordt bijgehouden omdat een gebruiker een adblocker had, valt die interactie volledig buiten het attributiepad. De gemodelleerde data van GA4 zet daar weer iets voor in de plaats.
Hoe je daadwerkelijk van model wisselt zonder je reporting te verstoren
Als je halverwege je attributiemodel wijzigt, veranderen je historische prestatiecijfers. Voordat je iets aanraakt:
Exporteer je huidige prestatiegegevens per kanaal als nulmeting. Je wilt het voor en na kunnen vergelijken.
Laat je nieuwe model 4 tot 6 weken parallel lopen voordat je er budgetbeslissingen op baseert. Op de meeste platformen kun je modellen in een rapportweergave vergelijken zonder te veranderen wat er is toegepast.
Controleer je conversievolume voordat je data-driven inschakelt. Als je account onder de drempelwaarde zit, kies dan eerst voor position-based en bekijk data-driven over 6 maanden opnieuw.
Stem af met je mediateam voordat je overstapt. Een verschuiving in toegekende prestaties zal eruitzien alsof een kanaal plotseling over- of onderpresteert. Als je team niet weet dat het model is veranderd, zullen ze optimaliseren op basis van het verkeerde signaal.
Vertel je CFO wat je hebt veranderd en waarom. Wijzigingen in het attributiemodel verklaren veel plotselinge schommelingen in gerapporteerde ROAS- of pijplijncijfers. Wees de vraag voor.
Kies een model dat past bij je verkoopcyclus
Standaard op last-click draaien betekent dat je die beslissing hebt genomen zonder er bewust voor te kiezen.
Kies een model dat past bij je verkoopcyclus. Gebruik de vergelijkingstools van GA4 om te begrijpen wat er verandert als je overstapt. En heroverweeg het model wanneer je datavolume of kanaalmix aanzienlijk verandert.
