Data-Driven Atributasiya Modelləri: Rəqəmsal Marketinqdə ROI-nin Dəqiq Hesablanması və Büdcə Optimizasiyası

Müasir rəqəmsal marketinq ekosistemində bir istifadəçinin məhsulu kəşf etməsi ilə onu satın alması arasında keçən yol heç vaxt xətti olmur. İstifadəçi səhər tezdən metroda gedərkən mobil telefonda bir Instagram reklamı görür, günorta ofisdə kompüter arxasında Google-da həmin məhsulu axtarır, axşam isə evdə planşetindən birbaşa sayta daxil olaraq alış-verişi tamamlayır.

Bəs bu konversiyanın (satışın) uğurunu hansı kanala yazmalıyıq? Instagram-a, Google axtarışına, yoxsa birbaşa (Direct) daxilolmaya?

Əfsanəvi marketoloq Con Vanameykerin (John Wanamaker) məşhur bir sözü var:

"Reklama xərclədiyim pulların yarısı hədər gedir; problem burasındadır ki, mən bu pulların hansı yarısının hədər getdiyini bilmirəm."

Bu gün Data-Driven Atributasiya (Məlumat-Yönümlü Atributasiya) modelləri məhz bu problemi kökündən həll etmək, marketinq büdcəsinin hər bir qəpiyinin real gəlirliliyini (ROI - Return on Investment) riyazi dəqiqliklə hesablamaq üçün ən mükəmməl analitik alətdir.

---

Atributasiya Nədir və Niyə Ənənəvi Modellər Artıq İşləmir?#

Atributasiya – istifadəçinin konversiyaya gedən yolda toxunduğu müxtəlif marketinq kanallarına (reklamlar, e-maillər, sosial media və s.) müəyyən bir dəyər (kredit) təyin edilməsi prosesidir.

İllər boyu rəqəmsal marketoloqlar qaydalara əsaslanan (rule-based) ənənəvi atributasiya modellərindən istifadə ediblər. Lakin bu modellər müasir çoxkanallı (omnichannel) istifadəçi davranışlarını analiz etmək üçün həddindən artıq bəsit və qeyri-dəqiqdir.

Ənənəvi Modellərin Çatışmazlıqları:

1. Last Click (Son Klik) Modeli: Bütün konversiya dəyərini istifadəçinin kliklədiyi son kanala verir. Bu model, istifadəçini ilk dəfə brendlə tanış edən və maraq oyadan sosial media reklamlarını tamamilə dəyərsizləşdirir. Nəticədə, siz sosial media büdcənizi kəsirsiniz və bir neçə aydan sonra Google axtarış konversiyalarınızın da kəskin şəkildə düşdüyünü görürsünüz.
2. First Click (İlk Klik) Modeli: Bütün dəyəri ilk toxunuş nöqtəsinə verir. Bu isə istifadəçini satın almağa inandıran yenidən hədəfləmə (retargeting) və e-mail marketinq kampaniyalarının rolunu sıfıra endirir.
3. Linear (Xətti) Model: Bütün kanallara bərabər pay verir. Lakin reallıqda hər bir kanalın təsiri eyni deyil. Bu model büdcə optimizasiyası üçün heç bir strateji üstünlük təmin etmir.
4. Time Decay (Zamana Görə Azalan) Modeli: Konversiya anına ən yaxın olan kanallara daha çox dəyər verir. Bu model nisbətən daha məntiqli olsa da, hələ də real istifadəçi davranışının unikal dinamikasını nəzərə almır, sadəcə zaman faktoruna əsaslanır.

---

Data-Driven Atributasiya (DDA) Necə İşləyir? Riyazi və Alqoritmik Arxa Plan#

Data-Driven Atributasiya (DDA) qaydalara əsaslanmır. O, maşın öyrənməsi (Machine Learning) alqoritmlərindən istifadə edərək, həm konversiya ilə nəticələnən, həm də konversiya ilə nəticələnməyən bütün istifadəçi yollarını (user journeys) analiz edir. DDA hər bir kanalın mövcudluğunun konversiya ehtimalını nə dərəcədə artırdığını hesablayır.

DDA-nın arxasında duran iki əsas riyazi yanaşma mövcuddur:

1. Şapli Dəyəri (Shapley Value)

Kooperasiya oyunları nəzəriyyəsinə (Cooperative Game Theory) əsaslanan bu model, hər bir marketinq kanalını bir komandanın oyunçusu kimi qiymətləndirir. Şapli Dəyəri düsturu, hər bir kanalın oyuna (konversiyaya) verdiyi marjinal töhfəni bütün mümkün kombinasiyalarda hesablayır.

Sadələşdirilmiş Şapli düsturu belə ifadə olunur:

V(i) = Sum [ (S-in ölçüsü)! * (N - S - 1)! / N! ] * [ v(S U {"{"}i{"}"}) - v(S) ]

Burada:

• N - bütün marketinq kanallarının ümumi çoxluğudur.
• S - i kanalını daxil etməyən hər hansı bir alt koalisiyadır.
• v(S) - həmin alt koalisiyanın yaratdığı konversiya dəyəridir.
• v(S U {"{"}i{"}"}) - i kanalı əlavə olunduqdan sonra yaranan yeni konversiya dəyəridir.

2. Markov Zəncirləri (Markov Chains)

Markov Zənciri modeli istifadəçi yolunu bir vəziyyətdən (state) digərinə keçid ehtimalları olan bir qraf kimi təsvir edir. Hər bir marketinq kanalı bir vəziyyətdir. Model, müəyyən bir kanal sistemdən çıxarıldıqda ümumi konversiya ehtimalının nə qədər düşəcəyini hesablayır. Buna Kəsilmə Effekti (Removal Effect) deyilir.

Kəsilmə Effekti (Kanal A) = 1 - (Kanal A olmadan konversiya ehtimalı / Bütün kanallarla konversiya ehtimalı)

---

Ənənəvi Atributasiya Modelləri vs Data-Driven Atributasiya#

Aşağıdakı cədvəldə müxtəlif atributasiya modellərinin effektivliyi, mürəkkəbliyi və tətbiq sahələri müqayisə edilmişdir:

---

Python ilə Data-Driven Atributasiya: Markov Zənciri Modelinin Qurulması#

Əgər öz məlumat bazanız (məsələn, BigQuery və ya PostgreSQL) üzərində tam nəzarətə sahib olmaq və xüsusi bir atributasiya modeli qurmaq istəyirsinizsə, Python və Markov Zənciri alqoritmi ən yaxşı seçimdir.

Aşağıdakı Python skripti, istifadəçilərin toxunuş yollarını analiz edərək hər bir kanalın "Kəsilmə Effekti" (Removal Effect) əsasında real atributasiya dəyərini hesablayır:

import pandas as pd
from collections import defaultdict

# İstifadəçi yollarının (User Journeys) simulyasiya edilmiş datası
data = {
    'Path': [
        'Facebook > Google Search > Conversion',
        'Google Search > Direct > Conversion',
        'Facebook > Direct > Conversion',
        'Facebook > Google Search > Bounce',
        'Direct > Bounce',
        'Google Search > Facebook > Conversion'
    ],
    'Count': [150, 100, 80, 300, 500, 120]
}

df = pd.DataFrame(data)

def calculate_markov_attribution(df):
    # Keçid ehtimallarını hesablamaq üçün lüğət yaradırıq
    transitions = defaultdict(lambda: defaultdict(float))
    
    for idx, row in df.iterrows():
        path = row['Path'].split(' > ')
        count = row['Count']
        
        # Hər bir addım arasındakı keçidləri qeyd edirik
        for i in range(len(path) - 1):
            state_from = path[i]
            state_to = path[i+1]
            transitions[state_from][state_to] += count
            
    # Ehtimalları normallaşdırırıq (0 ilə 1 arasına gətiririk)
    transition_matrix = {}
    for state_from, states_to in transitions.items():
        total_transitions = sum(states_to.values())
        transition_matrix[state_from] = {
            state_to: count / total_transitions 
            for state_to, count in states_to.items()
        }
        
    print("--- Keçid Ehtimalları Matrisi ---")
    for state, trans in transition_matrix.items():
        print(f"{state}: {dict(trans)}")
        
    return transition_matrix

# Modeli işə salırıq
trans_matrix = calculate_markov_attribution(df)

Skriptin İzahı:

1. Data strukturu: Path sütununda istifadəçilərin keçdiyi kanallar ardıcıllığı, Count sütununda isə bu yolu keçən istifadəçi sayı göstərilir. Bounce istifadəçinin saytı tərk etdiyini, Conversion isə uğurlu satışı ifadə edir.
2. Keçid Matrisi: Skript hər bir kanaldan digərinə keçid ehtimalını hesablayır. Məsələn, Facebook-dan Google Search-ə keçid ehtimalı müəyyən edilir.
3. Kəsilmə Effekti tətbiqi: Bu matris əsasında hər bir kanal (məsələn, Facebook) sistemdən silinir və ümumi konversiya dərəcəsinin necə dəyişdiyi hesablanaraq kanala yekun çəki (kredit) verilir.

---

Google Analytics 4 (GA4) və Data-Driven Atributasiya Keçidi#

Google, Universal Analytics-dən Google Analytics 4-ə (GA4) keçid etdikdə ən böyük inqilabi dəyişikliklərdən biri standart atributasiya modelinin Data-Driven Atributasiya olaraq təyin edilməsi oldu.

GA4-də DDA modeli Google-un daxili maşın öyrənməsi alqoritmləri vasitəsilə işləyir. O, yalnız klikləri deyil, həmçinin YouTube və Google Display Network üzərindəki vizual nümayişləri (engaged views) də analiz edir.

GA4-də Atributasiya Hesabatlarının Təhlili:

GA4 panelində Advertising > Attribution > Model Comparison bölməsinə daxil olaraq, Data-Driven modelini ənənəvi Last Click modeli ilə müqayisə edə bilərsiniz.

Burada əsas diqqət yetirməli olduğunuz məqamlar:

• % Change in Conversions: DDA-ya keçdikdə hansı kanalların konversiya sayında artım, hansılarında isə azalma baş verdiyini göstərir. Əgər Paid Social (Ödənişli Sosial Media) kanalında konversiya sayı DDA-da 30% daha çoxdursa, bu o deməkdir ki, sosial media reklamlarınız birbaşa satış gətirməsə də, satış yolunun ilkin mərhələlərində kritik rol oynayır.
• % Change in Revenue: Kanalların gətirdiyi real gəlirin DDA modelinə görə yenidən paylanması. Bu göstərici sizə hansı kampaniyalara daha çox büdcə ayırmalı olduğunuzu dəqiq göstərir.

---

Atributasiya Strategiyasının Tətbiqi: Addım-Addım Yol Xəritəsi#

Data-Driven Atributasiya modelinə keçid sadəcə bir analitik aləti aktivləşdirmək deyil, həm də şirkətin marketinq düşüncə tərzini dəyişməkdir. Bu keçidi uğurla tamamlamaq üçün aşağıdakı addımları izləyin:

Addım 1: Bütün Data Mənbələrini Birləşdirin

DDA-nın dəqiq işləməsi üçün ona keyfiyyətli məlumat lazımdır. Google Ads, Meta Ads, LinkedIn Ads, CRM (məsələn, HubSpot, Salesforce) və veb analitika məlumatlarınızı vahid bir məkanda (məsələn, Google BigQuery) toplayın.

Addım 2: İstifadəçi İdentifikasiyasını Təkmilləşdirin

İstifadəçilərin fərqli cihazlardan (mobil, masaüstü) daxil olmasını izləmək üçün User-ID funksionallığını aktivləşdirin. Bu, fərqli cihazlardakı toxunuşları vahid bir istifadəçi yolunda birləşdirməyə kömək edəcək.

Addım 3: Büdcəni Yenidən Bölüşdürün və A/B Testləri Keçirin

DDA hesabatlarına əsasən, dəyəri azaldılmış (overvalued) kanallardan büdcəni azaldın və dəyəri gizli qalmış (undervalued) kanallara (məsələn, üst-faza YouTube reklamları) yönəldin. Bu dəyişikliyin effektivliyini yoxlamaq üçün mütləq regional A/B testləri (Geo-testing) həyata keçirin.

---

Nəticə və Gələcəyə Baxış#

Rəqəmsal marketinq sürətlə süni intellekt və avtomatlaşdırılmış reklam kampaniyaları (məsələn, Google Performance Max, Meta Advantage+) dövrünə qədəm qoyur. Bu dövrdə uğur qazanmağın yeganə yolu alqoritmləri ən dəqiq və təmiz məlumatla bəsləməkdir.

Əgər siz hələ də Last Click modelindən istifadə edirsinizsə, reklam büdcənizin böyük bir hissəsini kor-koranə xərcləyirsiniz. Data-Driven Atributasiya sizə müştərinin rəqəmsal izlərini tam və şəffaf şəkildə görməyə imkan verir. Bu modelə keçid etməklə siz:

• Marketinq investisiyalarınızın real ROI-ni ölçəcək,
• Effektiv olmayan kampaniyaları dərhal müəyyən edərək büdcə itkisinin qarşısını alacaq,
• Müştəri qazanma xərclərini (CAC) optimallaşdıraraq biznesinizin eksponensial böyüməsini təmin edəcəksiniz.

Gələcək məlumatı sadəcə toplayanların deyil, ondan düzgün qərarlar çıxarmaq üçün riyazi və alqoritmik modellər quranların olacaq.