كانت مبيعاتنا تأتي من المجهول: كيف أنقذتنا ‘نماذج الإحالة متعددة اللمس’ من جحيم النقرة الأخيرة؟

يا جماعة الخير، السلام عليكم ورحمة الله.

قبل كم سنة، كنت أشتغل مع شركة ناشئة متحمسة، الشباب فيها شعلة نشاط. كانوا يصرفون ميزانية تسويق محترمة على كل المنصات اللي ممكن تتخيلوها: إعلانات فيسبوك وانستغرام، حملات على جوجل، كتابة محتوى للمدونة، ورسائل بريد إلكتروني أسبوعية. المبيعات كانت تيجي، والحمد لله، لكن كان فيه إشي غريب ومحيّر.

في اجتماعنا الأسبوعي، فتح مدير التسويق تقرير جوجل أناليتكس وقال بنبرة محبطة: “يا أبو عمر، شوف الأرقام. 80% من مبيعاتنا جاية من ‘Direct’ (الزيارات المباشرة) أو من بحث مدفوع على اسم علامتنا التجارية. باقي القنوات يا دوب بتحقق إشي. أنا بفكر أوقف ميزانية المدونة وإعلانات السوشيال ميديا ونركز كل فلوسنا على إعلانات جوجل.”

وقتها، حسيت بغصة. وقفت للحظة وقلتله: “يا صاحبي، مش معقول! هل بتصدق إنه العميل بصحى الصبح فجأة وبقرر يكتب اسم موقعنا ويدخل يشتري؟ أكيد لأ. العميل هاد شاف إعلان إلنا على فيسبوك قبل أسبوع، وقرأ مقالة في مدونتنا قبل يومين، وبعدها وصلته رسالة على إيميله، وفي الآخر لما قرر يشتري، فتح جوجل وكتب اسمنا. إحنا بنعطي كل الفضل لآخر خطوة وبننسى كل التعب اللي قبلها. إحنا عايشين في جحيم اسمه ‘النقرة الأخيرة’.”

هذا الموقف كان نقطة تحول. من هنا بدأت رحلتنا لاستكشاف عالم “نماذج الإحالة متعددة اللمس” (Multi-Touch Attribution)، العالم اللي أنقذ استراتيجيتنا التسويقية من قرارات كانت ممكن تكون كارثية.

“جحيم النقرة الأخيرة”: ليش النموذج التقليدي بطل ينفع؟

خليني أبسط الموضوع. تخيل فريق كرة قدم سجل هدف خرافي. نموذج “النقرة الأخيرة” (Last-Click Attribution) هو بالضبط زي لما كل الجمهور والمحللين يعطوا كل الفضل للاعب اللي سدد الكرة في المرمى، ويتجاهلوا تمامًا المدافع اللي قطع الكرة، ولاعب الوسط اللي بنى الهجمة، والجناح اللي مرر التمريرة الحاسمة.

في التسويق الرقمي، هذا النموذج ينسب 100% من قيمة التحويل (بيع، تسجيل، إلخ) إلى آخر قناة تفاعل معها العميل قبل إتمام التحويل. لو العميل شاف إعلانك على انستغرام، بعدين بحث عنك في جوجل، ودخل على موقعك من نتيجة البحث واشترى، جوجل هو اللي بياخد كل المجد.

مشكلة هذا النموذج: أنه يقدم صورة مشوهة وغير كاملة للواقع. إنه يدفعك لاتخاذ قرارات خاطئة، مثل إيقاف قنوات مهمة جدًا في مرحلة “الوعي” و”الاهتمام” لأنها ببساطة لا تظهر كـ “النقرة الأخيرة”.

الدخول إلى عالم “الإحالة متعددة اللمس” (Multi-Touch Attribution)

هنا يأتي دور الحل الذكي. نماذج الإحالة متعددة اللمس هي طريقة أكثر عدلاً وواقعية لقياس الأداء التسويقي. بدلاً من إعطاء كل الفضل لنقطة اتصال واحدة، تقوم هذه النماذج بتوزيع الفضل على مجموعة من نقاط الاتصال التي ساهمت في رحلة العميل.

الفكرة هي الاعتراف بأن رحلة العميل ليست خطًا مستقيمًا، بل هي عبارة عن شبكة معقدة من التفاعلات عبر قنوات مختلفة. هدفنا هو فهم دور كل قناة في هذه الرحلة.

أشهر نماذج الإحالة متعددة اللمس

يوجد عدة نماذج مشهورة، كل واحد منها له فلسفته الخاصة في توزيع القيمة. دعنا نستعرض أهمها:

1. النموذج الخطي (Linear Model)

هذا هو النموذج الأكثر ديمقراطية. يقوم بتوزيع قيمة التحويل بالتساوي على كل نقاط الاتصال في رحلة العميل. لو تفاعل العميل مع 4 قنوات، كل قناة ستحصل على 25% من الفضل.

• متى تستخدمه؟ عندما تكون رحلة العميل طويلة، وتريد تقييم كل نقاط الاتصال على أنها مهمة للحفاظ على العلاقة مع العميل.

2. النموذج المتناقص زمنياً (Time Decay Model)

هذا النموذج يعطي قيمة أكبر لنقاط الاتصال الأقرب زمنيًا إلى لحظة التحويل. كلما كانت نقطة الاتصال أقدم، قلّت قيمتها. يشبه كرة الثلج التي تكبر كلما تدحرجت.

• متى تستخدمه؟ في الحملات التسويقية قصيرة المدى (مثل عروض الجمعة البيضاء)، حيث يكون التفاعل الأخير هو الأكثر تأثيرًا على قرار الشراء الفوري.

3. النموذج القائم على الموضع (Position-Based Model)

يُعرف أيضًا بنموذج “U-Shape”. هذا النموذج يمنح 40% من الفضل لأول نقطة اتصال (لأنها جلبت العميل)، و40% لآخر نقطة اتصال (لأنها أغلقت الصفقة)، ويوزع الـ 20% المتبقية على جميع نقاط الاتصال في المنتصف.

• متى تستخدمه؟ عندما تكون مهتمًا بمعرفة القناة التي تجذب لك العملاء الجدد والقناة التي تقنعهم بالشراء في نفس الوقت. هو نموذج متوازن جدًا.

4. النموذج القائم على البيانات (Data-Driven Model)

وهون الشغل الصح يا جماعة. هذا هو النموذج الأكثر تطورًا وذكاءً. بدلاً من الاعتماد على قواعد ثابتة، يستخدم هذا النموذج خوارزميات الذكاء الاصطناعي وتعلم الآلة لتحليل جميع مسارات العملاء (الذين اشتروا والذين لم يشتروا) وتحديد التأثير الفعلي لكل نقطة اتصال.

هذا النموذج متوفر في منصات مثل Google Analytics 4 (لمن لديه بيانات كافية). هو الأفضل لأنه يتكيف مع سلوك عملائك الفعلي.

كيف نبدأ؟ خطوات عملية لتطبيق نماذج الإحالة

الكلام النظري جميل، لكن كيف نطبق هذا على أرض الواقع؟ إليك خارطة طريق بسيطة:

الخطوة الأولى: نظافة وجمع البيانات (The Foundation)

قبل كل شيء، تأكد من أن بياناتك نظيفة وموثوقة. أهم أداة في جعبتك هنا هي وسوم UTM (Urchin Tracking Module). بدونها، أنت كمن يقود سيارة في الليل بدون أضواء.

تأكد من أن كل رابط في حملاتك (سوشيال ميديا، إيميل، إعلانات) يحتوي على وسوم UTM واضحة تحدد المصدر والوسيط والحملة.

نصيحة أبو عمر: اتفق مع فريقك على هيكلية واضحة لتسمية وسوم UTM. الفوضى في التسميات (مثل facebook, Facebook, FB) ستؤدي إلى فوضى في التحليل.

الخطوة الثانية: اختر أداتك

لست بحاجة إلى أدوات باهظة الثمن للبدء. Google Analytics هو نقطة انطلاق ممتازة. في قسم “Conversions > Attribution > Model Comparison Tool”، يمكنك المقارنة بين تأثير النماذج المختلفة على قنواتك.

للشركات الأكثر تقدمًا، يمكن التفكير في منصات بيانات العملاء (CDP) مثل Segment التي توحد بيانات العملاء من كل المصادر، أو أدوات متخصصة في الإحالة مثل Ruler Analytics أو HubSpot.

الخطوة الثالثة: التحليل واتخاذ القرار

عندما تنتقل من نموذج “النقرة الأخيرة” إلى نموذج مثل “القائم على الموضع”، ستلاحظ تغيرات جذرية. قنوات مثل “Social Media” و “Organic Search” التي كانت تبدو ضعيفة، سيظهر تأثيرها الحقيقي في جذب العملاء.

في قصتنا مع الشركة الناشئة، عندما طبقنا نموذج “Position-Based”، اكتشفنا أن المدونة وإعلانات فيسبوك كانت مسؤولة عن 60% من عمليات “التعريف” بالعملاء الجدد. قرار إيقافها كان سيقطع شريان الحياة عن الشركة.

لمسة تقنية: بناء نموذج بسيط بنفسك (مثال بايثون)

للمهتمين بالبرمجة، يمكنك تحليل بيانات الإحالة بنفسك. لنفترض أن لديك بيانات رحلات العملاء في ملف CSV. يمكنك استخدام مكتبة مثل Pandas في بايثون لتحليلها.

هذا مثال بسيط يوضح كيف يمكنك حساب الإحالة بنموذج “النقرة الأولى” و”النقرة الأخيرة”.

import pandas as pd

# بيانات افتراضية لرحلات العملاء
# user_id: معرّف العميل
# channel: القناة التسويقية
# conversion: هل أتم العميل عملية شراء (1) أم لا (0)
data = {
    'user_id': ['A', 'A', 'A', 'B', 'B', 'C', 'C', 'C'],
    'timestamp': [1, 2, 3, 1, 2, 1, 2, 3],
    'channel': ['facebook', 'blog', 'direct_purchase', 'google_ads', 'direct_purchase', 'blog', 'email', 'google_ads_purchase'],
}
df = pd.DataFrame(data)

# لنفترض أن التحويلات هي القنوات التي تنتهي بـ 'purchase'
df['conversion'] = df['channel'].apply(lambda x: 1 if 'purchase' in x else 0)
df['channel'] = df['channel'].str.replace('_purchase', '')

# --- 1. نموذج النقرة الأخيرة (Last-Click) ---
# فقط القنوات التي سبقت التحويل مباشرة
last_click_conversions = df[df['conversion'] == 1]['channel'].value_counts()
print("--- Last-Click Attribution ---")
print(last_click_conversions)
# سيظهر: direct: 1, google_ads: 1

# --- 2. نموذج النقرة الأولى (First-Click) ---
# نحتاج لمعرفة أول قناة لكل عميل أتم التحويل
converting_users = df[df['conversion'] == 1]['user_id'].unique()
first_touch_df = df.sort_values('timestamp').groupby('user_id').first()
first_click_conversions = first_touch_df[first_touch_df.index.isin(converting_users)]['channel'].value_counts()
print("n--- First-Click Attribution ---")
print(first_click_conversions)
# سيظهر: facebook: 1, google_ads: 1, blog: 1 (لأن العميل C بدأ من المدونة)

لاحظ كيف تغيرت النتائج بشكل كبير! في نموذج النقرة الأخيرة، فيسبوك والمدونة لا يظهر لهما أي فضل. أما في نموذج النقرة الأولى، فقد ظهر دورهما الحقيقي في جذب العملاء.

خلاصة “أبو عمر”: من الظلام إلى النور

خلاصة الحكي، التحول من نموذج النقرة الأخيرة إلى نماذج الإحالة متعددة اللمس يشبه الانتقال من الرؤية بالأبيض والأسود إلى الرؤية بالألوان الكاملة. ستتمكن من:

• توزيع ميزانيتك التسويقية بذكاء: ستعرف أين تضع أموالك لتحقيق أفضل عائد.
• فهم رحلة عميلك بشكل حقيقي: ستكتشف كيف تتفاعل القنوات المختلفة معًا لخلق تجربة متكاملة.
• إثبات قيمة كل جهد تسويقي: فريق المحتوى وفريق السوشيال ميديا سيحصلون على التقدير الذي يستحقونه.

نصيحتي الأخيرة لك: ابدأ الآن. لا تنتظر حتى تمتلك أفضل الأدوات أو أكبر فريق. ابدأ بما هو متاح لك. مجرد فتح تقرير مقارنة النماذج في Google Analytics هو خطوة جبارة نحو اتخاذ قرارات تسويقية أكثر نضجًا وفعالية. تذكر دائمًا، ما لا يمكن قياسه، لا يمكن تحسينه. 😉

بالتوفيق في رحلتكم الرقمية!