مبيعاتنا كانت تأتي من المجهول: كيف أنقذتنا ‘نمذجة الإحالة’ من جحيم إهدار الميزانية؟

أذكر ذلك اليوم جيدًا. كنا مجتمعين في المكتب، أنا وفريق التسويق، وأكواب الشاي بالمرمية تفوح منها رائحة بلدنا. كان خالد، مدير التسويق، يتأمل شاشة اللابتوب بتجهم، وكأنه ينظر إلى فاتورة كهرباء لا يفهمها. الأرقام كانت جيدة ظاهريًا، المبيعات في ازدياد، ولكن خالد قال جملته التي لا أنساها: “يا جماعة الخير، المصاري بتروح، والمبيعات بتيجي، بس والله ماني عارف من وين بالزبط! حاسس حالي برمي شباكي في بحر وبصيد سمك بالصدفة”.

كانت مشكلتنا بسيطة ومعقدة في آن واحد. نصرف ميزانية محترمة على إعلانات فيسبوك، وجوجل، وتسويق محتوى، وحملات بريد إلكتروني، وغيرها. لوحة تحكم Google Analytics كانت تخبرنا أن 90% من مبيعاتنا تأتي من “بحث جوجل المباشر” أو “إعلانات جوجل”. بناءً على هذا، كان المنطق يقول: أوقفوا كل شيء آخر، وركزوا كل الميزانية على جوجل. لكن القلب والعقل كانا يقولان إن هناك شيئًا خاطئًا. هل يعقل أن كل تلك الجهود في كتابة المحتوى وصناعة الفيديوهات على فيسبوك لا قيمة لها؟

هنا تدخلت كـ “ختيار البرمجة” في الفريق. قلت لهم: “يا شباب، مشكلتنا مش في التسويق، مشكلتنا في طريقة القياس. إحنا بنعطي كل المجد للاعب اللي سجل الهدف، وناسيين كل الفريق اللي تعب ومررله الطابة”. ومن هنا، بدأت رحلتنا مع ما يسمى بـ “نمذجة الإحالة متعددة اللمسات” (Multi-Touch Attribution Modeling)، وهي القصة التي سأرويها لكم اليوم.

ما هي “نمذجة الإحالة” (Attribution Modeling) وليش هي مهمة؟

ببساطة شديدة، نمذجة الإحالة هي الطريقة أو القاعدة التي نستخدمها لتوزيع “الفضل” أو “القيمة” لعملية بيع معينة على نقاط الاتصال التسويقية المختلفة التي تفاعل معها العميل قبل إتمام الشراء. خلينا نرجع لمثال فريق كرة القدم:

تخيل أن فريقك سجل هدفًا. هل المهاجم الذي سدد الكرة هو البطل الوحيد؟ ماذا عن لاعب خط الوسط الذي قطع نصف الملعب ومرر له تمريرة سحرية؟ وماذا عن المدافع الذي بدأ الهجمة من الخلف؟ لو أعطينا 100% من الفضل للمهاجم فقط، سنكون ظالمين وغير دقيقين في تقييم أداء الفريق كله.

هذا بالضبط ما يحدث في التسويق الرقمي. العميل اليوم لا يرى إعلانًا واحدًا ثم يشتري. رحلته أعقد بكثير: قد يرى إعلانًا على انستغرام، ثم يقرأ مقالة في مدونتك بعد أسبوع، ثم يصله بريد إلكتروني، وأخيرًا، يبحث عن اسم منتجك في جوجل ويضغط على إعلان ليشتري. فمن يستحق الشكر (والميزانية)؟

النماذج التقليدية وقصورها: قصة “اللمسة الأخيرة”

معظم المنصات التحليلية، ومنها Google Analytics في إعداداته الافتراضية، تستخدم نموذجًا بسيطًا وساذجًا يسمى “الإحالة باللمسة الأخيرة” (Last-Click Attribution). وهذا النموذج هو سبب معظم الكوارث في قرارات التسويق.

• نموذج اللمسة الأخيرة (Last-Click): يعطي 100% من الفضل لآخر قناة تفاعل معها العميل قبل الشراء. في مثالنا السابق، سيحصل إعلان جوجل على 100% من قيمة البيع، بينما إعلان انستغرام والمقالة والبريد الإلكتروني سيحصلون على صفر. هذا النموذج يتجاهل تمامًا دور القنوات الأخرى في بناء الوعي والثقة.
• نموذج اللمسة الأولى (First-Click): هو عكس النموذج السابق تمامًا. يعطي 100% من الفضل لأول قناة تفاعل معها العميل. هذا النموذج جيد في معرفة القنوات التي تجذب عملاء جدد، لكنه يتجاهل كل ما يحدث بعد ذلك لإقناعهم بالشراء.

هذه النماذج مثل النظر إلى صورة من خلال ثقب صغير، ترى جزءًا واحدًا فقط وتظن أنك رأيت المشهد كله.

المنقذ: نمذجة الإحالة متعددة اللمسات (Multi-Touch Attribution – MTA)

هنا يأتي الحل الحقيقي. نمذجة الإحالة متعددة اللمسات (MTA) لا تركز على نقطة واحدة، بل تنظر إلى رحلة العميل بأكملها وتوزع الفضل على كل المحطات التي مر بها. هناك عدة أنواع من هذه النماذج، بعضها بسيط وبعضها يعتمد على الذكاء الاصطناعي.

أنواع نماذج الإحالة متعددة اللمسات

دعنا نستعرض أشهر هذه النماذج وكيف يفكر كل واحد منها:

1. النموذج الخطي (Linear Model)

هذا هو النموذج “الديمقراطي”. يقوم بتوزيع الفضل بالتساوي على جميع نقاط الاتصال في رحلة العميل. إذا تفاعل العميل مع 4 قنوات، كل قناة ستحصل على 25% من الفضل. هو أفضل من اللمسة الأولى/الأخيرة لأنه يعترف بوجود رحلة، لكنه يفترض أن كل المحطات لها نفس الأهمية، وهذا نادرًا ما يكون صحيحًا.

رحلة العميل: فيسبوك -> مدونة -> إيميل -> بحث جوجل -> شراء
التوزيع الخطي: فيسبوك (25%)، مدونة (25%)، إيميل (25%)، بحث جوجل (25%)

2. نموذج التضاؤل الزمني (Time-Decay Model)

هذا النموذج أكثر منطقية. يعطي قيمة أكبر لنقاط الاتصال الأقرب زمنيًا لعملية الشراء. الفكرة هي أن القناة التي تفاعل معها العميل قبل الشراء مباشرة كان لها التأثير الأكبر في حسم قراره.

رحلة العميل: فيسبوك -> مدونة -> إيميل -> بحث جوجل -> شراء
توزيع مقترح: فيسبوك (10%)، مدونة (20%)، إيميل (30%)، بحث جوجل (40%)

3. النموذج الموضعي أو U-Shaped (Position-Based Model)

هذا النموذج المفضل عندي للمبتدئين. يعطي أهمية خاصة لأول نقطة اتصال (التي جلبت العميل) وآخر نقطة اتصال (التي أغلقت الصفقة). عادة ما يعطي 40% للمسة الأولى، و40% للمسة الأخيرة، ويوزع الـ 20% المتبقية على كل النقاط التي في المنتصف.

رحلة العميل: فيسبوك -> مدونة -> إيميل -> بحث جوجل -> شراء
توزيع مقترح: فيسبوك (40%)، مدونة (10%)، إيميل (10%)، بحث جوجل (40%)

4. النموذج القائم على البيانات (Data-Driven Model) – الجوهرة الحقيقية 💎

هذا هو “الوحش”. هنا ندخل عالم الذكاء الاصطناعي وتعلم الآلة. هذا النموذج لا يتبع قاعدة ثابتة، بل يقوم بتحليل آلاف أو ملايين من رحلات العملاء (الذين اشتروا والذين لم يشتروا) داخل بياناتك أنت. ثم يستخدم خوارزميات معقدة (مثل سلاسل ماركوف) ليحدد التأثير الفعلي لكل قناة تسويقية بناءً على بياناتك التاريخية.

هذا النموذج سيخبرك، على سبيل المثال، أن احتمالية شراء العميل تزيد بنسبة 30% إذا قرأ مقالة في المدونة بعد مشاهدة إعلان فيسبوك. إنه يبني نموذجًا مخصصًا لعملك أنت، لا يعتمد على افتراضات عامة.

كيف نبدأ؟ خطوات عملية لتطبيق نمذجة الإحالة (من خبرة أبو عمر)

الكلام النظري جميل، لكن كيف نطبق هذا “الحكي” على أرض الواقع؟

الخطوة الأولى: لملمة البيانات (أساس الشغل كله)

قبل كل شيء، يجب أن تكون بياناتك نظيفة ومنظمة. “Garbage in, garbage out” كما يقول الأجانب. هذا يعني أنك بحاجة إلى تتبع كل حملاتك بشكل دقيق باستخدام ما يسمى بـ “UTM Parameters”. هذه وسوم تضيفها إلى روابطك لتقول لـ Google Analytics من أين أتى هذا الزائر بالضبط.

مثال لرابط حملة على فيسبوك:

https://yourwebsite.com?utm_source=facebook&utm_medium=cpc&utm_campaign=ramadan_sale&utm_content=video_ad_1

• utm_source: مصدر الزيارة (facebook, google, newsletter).
• utm_medium: نوع الوسيط (cpc, organic, email).
• utm_campaign: اسم الحملة التسويقية.

نصيحة من ختيار: اجعل استخدام الـ UTMs ثقافة إلزامية في فريقك. بدونها، كل تحليلاتك ستكون مجرد تخمينات.

الخطوة الثانية: استخدم الأدوات المتاحة

لست بحاجة لبناء نظام معقد من اليوم الأول. Google Analytics 4 (GA4) يقدم أدوات ممتازة للبدء:

1. اذهب إلى قسم Advertising في حسابك على GA4.
2. اختر Model comparison من قائمة Attribution.
3. هنا يمكنك مقارنة نموذج “Last click” بنماذج أخرى مثل “Linear” أو “Position-based” أو حتى “Data-driven” (إذا كان حسابك يحتوي على بيانات كافية لتفعيله).

مجرد النظر إلى هذا التقرير سيغير نظرتك تمامًا. سترى قنوات كانت تبدو “فاشلة” وهي في الحقيقة تلعب دورًا مساعدًا مهمًا.

الخطوة الثالثة: بناء نموذجك الخاص (للمهووسين بالبيانات مثلي!)

إذا كنت مثلي، تحب أن تتسخ يداك بالكود والبيانات، يمكنك بناء نموذج إحالة بسيط باستخدام بايثون. أحد الأساليب الشائعة هو استخدام “سلاسل ماركوف” (Markov Chains).

الفكرة هي حساب احتمالية انتقال العميل من قناة إلى أخرى. على سبيل المثال، ما هي احتمالية أن يزور العميل مدونتك بعد مشاهدة إعلان على فيسبوك؟

هذا مثال بسيط جدًا للكود باستخدام مكتبة pandas في بايثون لتوضيح الفكرة:

import pandas as pd

# يا جماعة، هاد مجرد مثال توضيحي، الشغل الحقيقي أعقد!
# 1. تخيل أن لديك هذه البيانات عن رحلات العملاء
data = {
    'path': [
        'start > facebook > organic_search > conversion',
        'start > facebook > direct > conversion',
        'start > display_ad > null',
        'start > organic_search > conversion',
        'start > facebook > blog > organic_search > null'
    ],
    'conversions': [1, 1, 0, 1, 0]
}
df = pd.DataFrame(data)

# 2. يمكننا حساب "تأثير الإزالة" (Removal Effect) لكل قناة
# الفكرة: كم عدد التحويلات التي سنخسرها لو أزلنا قناة معينة من كل المسارات؟

# على سبيل المثال، لنحسب تأثير فيسبوك
total_conversions = df['conversions'].sum()

# المسارات التي تحتوي على فيسبوك وأدت إلى تحويل
paths_with_facebook = df[df['path'].str.contains('facebook') & (df['conversions'] == 1)]
conversions_with_facebook = len(paths_with_facebook)

# تأثير فيسبوك هو نسبة التحويلات التي يشارك فيها
facebook_effect = conversions_with_facebook / total_conversions

print(f"Total conversions: {total_conversions}") # المجموع: 3
print(f"Conversions involving Facebook: {conversions_with_facebook}") # التحويلات بمشاركة فيسبوك: 2
print(f"Facebook's calculated effect: {facebook_effect:.2f}") # تأثير فيسبوك: 0.67

# هذا نموذج بسيط جدًا، النماذج الحقيقية تحسب احتمالات الانتقال بين كل الحالات
# وتستخدم خوارزميات أكثر تعقيدًا لتوزيع القيمة.

النتائج: من الظلام إلى النور

بعد أن طبقنا نموذجًا قائمًا على البيانات (Data-Driven Model)، كانت النتائج بمثابة صدمة إيجابية لخالد وفريق التسويق. اكتشفنا حقائق غيرت استراتيجيتنا بالكامل:

• قيمة المدونة الخفية: اكتشفنا أن مقالات المدونة، التي كانت تبدو بلا قيمة في نموذج “اللمسة الأخيرة”، هي في الواقع ثاني أهم قناة في “مساعدة” عمليات البيع. كانت هي المحطة التي تبني الثقة وتجعل العميل يبحث عن اسمنا لاحقًا في جوجل. بناءً على ذلك، ضاعفنا ميزانية التسويق بالمحتوى.
• إعلانات LinkedIn: كانت تبدو باهظة الثمن وفاشلة. لكن النموذج الجديد أظهر أنها كانت المصدر الرئيسي لجلب العملاء الكبار (B2B) الذين يستغرقون شهورًا لاتخاذ قرار الشراء. كانت هي “اللمسة الأولى” لأثمن عملائنا.
• البريد الإلكتروني: لم يكن مجرد أداة لإغلاق البيع، بل كان يلعب دورًا حاسمًا في منتصف الرحلة لإعادة تنشيط الاهتمام.

النتيجة النهائية؟ أعدنا توزيع ميزانيتنا بناءً على بيانات حقيقية. توقفنا عن إهدار المال على قنوات لا تساهم فعليًا في أي مرحلة من مراحل الرحلة، واستثمرنا أكثر في القنوات التي أثبتت قيمتها كـ “ممررين” و “صانعي ألعاب”، وليس فقط كـ “هدافين”.

الخلاصة: نصيحة من ختيار برمجة

إذا كنت لا تزال تعتمد على نموذج “اللمسة الأخيرة”، فأنت تقود سيارتك ليلًا وأنوارك مطفأة. أنت تتحرك، لكنك لا تعرف إلى أين، وقد ينتهي بك الأمر في حفرة إهدار الميزانية.

لا تدع بساطة نموذج اللمسة الأخيرة تخدعك. التسويق اليوم رحلة معقدة، وعليك أن تفهم كل محطاتها لتقدر قيمة كل جزء منها. ابدأ بسيطا. لست بحاجة إلى بناء نظام ذكاء اصطناعي من أول يوم. اذهب الآن إلى Google Analytics، وجرب “أداة مقارنة النماذج” (Model Comparison Tool)، وقارن بين نموذج اللمسة الأخيرة والنموذج الموضعي (Position-based). هذه الخطوة وحدها ستفتح عينيك على حقائق لم تكن تراها. 💡

تذكر دائمًا: ما لا يمكنك قياسه، لا يمكنك تحسينه. والله يوفق الجميع.