Traditionele attributiemodellen zijn regels, geen data-analyses. De meest gebruikte:

• Last-click: het laatste kanaal vóór de aankoop krijgt 100% credit. Simpel maar misleidend.
• First-click: het eerste touchpoint krijgt alle credit. Vergeet de afsluiting.
• Lineair: elk touchpoint krijgt gelijk aandeel. Negeert de relatieve impact van elk kanaal.
• Time-decay: recente touchpoints krijgen meer credit. Enige logica, maar willekeurig gekozen afbraak.

Al deze modellen zijn deterministische regels op basis van aannames. Ze zijn niet gebaseerd op werkelijke causale relaties.

Data-driven attributie gebruikt machine learning om de daadwerkelijke bijdrage van elk kanaal te schatten op basis van conversiedata. In plaats van regels bepaalt het model empirisch welke kanaalcombinaties vaker leiden tot conversie versus welke paden vaker eindigen zonder aankoop.

Google heeft data-driven attributie beschikbaar in Google Ads en Analytics 4. Facebook (Meta) heeft zijn eigen variant. Maar de kwaliteit van deze modellen hangt af van de hoeveelheid data, de volledigheid van de meetketen en de aannames in het model.

Een wiskundig goed onderbouwde aanpak voor attributie is de Shapley value-methode, afkomstig uit speltheorie. Het idee: de bijdrage van een kanaal wordt gemeten door te kijken hoeveel conversies er zijn in alle mogelijke combinaties van kanalen, met en zonder dat kanaal.

In de praktijk betekent dit: als paid search altijd aanwezig is bij conversies maar ook bij niet-conversies, is de incrementele bijdrage lager dan je denkt. Als e-mail altijd aanwezig is bij conversies maar zelden bij niet-conversies, is de bijdrage hoger.

Dit model is rekenintensief maar statistisch eerlijker dan rule-based alternatieven. Het is beschikbaar in Google Analytics 4 en in custom Python-implementaties.

Attribution modelling wordt lastiger naarmate tracking-beperkingen toenemen. Safari blokkeert third-party cookies al jaren. Firefox ook. Google Chrome beperkte third-party cookies. iOS 14+ en ATT vereisen opt-in voor advertentietracking op Apple-apparaten.

Dit betekent dat touchpoints steeds vaker onzichtbaar zijn in de data. Een klik op een Instagram-advertentie is gemeten, maar het bezoek aan de website daarna niet altijd. Dat maakt attributie inherent onvolledig.

AI-modellen kunnen hiervoor gedeeltelijk corrigeren via probabilistische matching en modelling, maar ze lossen het fundamentele probleem van onvolledig trackingdata niet op.

Marketing Mix Modelling (MMM) is een statistische aanpak die aggregate data gebruikt in plaats van individuele klantpaden. Je analyseert de correlatie tussen mediabestedingen per kanaal en verkoopresultaten over tijd.

MMM is minder gevoelig voor tracking-beperkingen, maar vereist jaren historische data en geeft geen inzicht op klantniveau. AI maakt MMM toegankelijker en sneller te berekenen, maar de modelassumpties blijven een bron van onzekerheid.

Mach8 adviseert klanten vaak een combinatie van digital attribution (voor directe kanaaldata) en MMM (voor bredere mediaeffecten) als basis voor budgetbeslissingen.

Wil je echt weten of een kanaal bijdraagt aan conversie, dan is incrementaliteitstest de meest betrouwbare methode. Je verdeelt je doelgroep in twee groepen: één groep die het kanaal ziet, één die het niet ziet. Het verschil in conversie is de incrementele bijdrage.

Dit is duurder en complexer dan modellering, maar het geeft causaliteit in plaats van correlatie. AI helpt bij het ontwerp en de analyse van zulke experimenten, maar de testopzet vergt menselijk oordeel.

Attribution modelling met AI geeft betere inzichten dan rule-based alternatieven, maar is geen perfecte weergave van de werkelijkheid. De onvolledige trackingdata, het causatieprobleem en de modelassumpties blijven uitdagingen.

Wil je jouw attributieaanpak verbeteren? Neem contact op met Mach8 voor een analyse van je meetopzet en de vervolgstappen.