من الظلام إلى النور: كيف أنقذ نموذج الإحالة متعدد اللمسات ميزانيتنا التسويقية

يا أهلاً وسهلاً فيكم، معكم أخوكم أبو عمر.

قبل كم سنة، كنت أشتغل مع شركة ناشئة طموحة، شباب وصبايا “شعلة” ما شاء الله عليهم. كان عندهم منتج رقمي ممتاز، وكنا بنصرف ميزانية تسويق محترمة على قنوات مختلفة: إعلانات جوجل، فيسبوك، تسويق محتوى عبر مدونة، وحملات بريد إلكتروني. في واحد من اجتماعات الإثنين الصبح، اللي القهوة فيها بتكون لسا ما “صحصحتنا”، سأل المدير التنفيذي سؤال بسيط ولكنه كان زي القنبلة: “يا جماعة، أنا شايف أرقام المبيعات، بس بصراحة مش فاهم… إعلاناتنا هاي عنجد بتجيب نتيجة؟ وين مصارينا بتروح بالضبط؟”

ساد صمت في الغرفة. مدير التسويق فتح لوحة تحكم Google Analytics وقال بثقة: “أكيد! 70% من مبيعاتنا بتيجي من إعلانات بحث جوجل”. حسب البيانات، العميل ببحث عن منتجنا، بضغط على الإعلان، وبشتري. بسيطة.

هنا، مسؤول المحتوى، شب اسمه خالد، كان وجهه بده ينفجر. قال بنبرة محبطة: “هذا مش منطق! فريقي بيكتب مقالات ليل نهار، وبتجيب آلاف الزوار شهرياً، بس حسب تقريرك، تأثيرنا صفر! هل المفروض نوقف كتابة؟!”.

صارت “طوشة” صغيرة، الكل بدافع عن قناته. الحقيقة، كانوا كلهم على حق، بس كانوا بيطلعوا على جزء صغير من الصورة. هون أنا تدخلت، ورسمت على اللوح خط متعرج، مش خط مستقيم. قلتلهم: “يا جماعة، رحلة العميل زي لعبة الطابة. ما بنفع نعطي كل الفضل للاعب اللي سجّل الهدف ونتجاهل المدافع اللي قطع الكرة، ولاعب الوسط اللي مرر التمريرة الحاسمة. احنا عايشين في جحيم اسمه ‘إحالة النقرة الأخيرة’، وهو اللي عامل كل هالمشاكل”.

هذه القصة كانت نقطة التحول اللي خلتنا نتبنى “نموذج الإحالة متعدد اللمسات” (Multi-touch Attribution)، وهو اللي بدي أحكيلكم عنه اليوم بالتفصيل.

ما هو جحيم “النقرة الأخيرة” (Last-Click Attribution Hell)؟

تخيل أنك بتقرر تشتري كاميرا جديدة. رحلتك ممكن تكون كالتالي:

1. بتشوف إعلان على فيسبوك عن كاميرا جديدة (اللمسة الأولى).
2. بعد يومين، بتقرأ مقالة مراجعة عن هالكاميرا في مدونة تقنية مشهورة (اللمسة الثانية).
3. بتوصلك رسالة بريد إلكتروني من المدونة فيها خصم 10% على الكاميرا (اللمسة الثالثة).
4. أخيراً، بتبحث عن اسم الكاميرا في جوجل، بتضغط على أول إعلان بيطلعلك، وبتشتريها (اللمسة الرابعة والأخيرة).

نموذج “النقرة الأخيرة”، وهو النموذج الافتراضي في معظم المنصات التحليلية، بيعمل إشي بسيط جداً: بيعطي 100% من الفضل في عملية البيع لإعلان جوجل (اللمسة الأخيرة). طيب وباقي اللمسات؟ بالنسبة إله، كأنها ما صارت. بيعطيها صفر من الفضل.

المشكلة هنا واضحة زي الشمس:

• تبسيط مفرط للواقع: يتجاهل تماماً كل جهود بناء الوعي والثقة التي قادت العميل للقرار النهائي.
• تقييم غير عادل: يقلل من قيمة قنوات مثل المحتوى، الشبكات الاجتماعية، والتسويق عبر البريد الإلكتروني التي تلعب دوراً حاسماً في بداية ووسط رحلة العميل.
• قرارات كارثية: بناءً على هذه البيانات، ممكن تقرر بكل بساطة قطع ميزانية المحتوى (زي ما كان رح يصير معنا) لأنها “لا تحقق مبيعات مباشرة”، وبهيك بتكون بتقطع الشريان اللي بيغذي قنواتك الأخرى بالعملاء المحتملين.

نصيحة أبو عمر: إذا كان تقريرك التسويقي يعتمد فقط على “النقرة الأخيرة”، فأنت لا ترى سوى قمة جبل الجليد. القرارات المبنية عليه تشبه قيادة سيارة في الليل وأنت تنظر فقط في مرآة الرؤية الخلفية.

الخروج من الظلام: مقدمة إلى نماذج الإحالة متعددة اللمسات (Multi-touch Attribution)

ببساطة، نموذج الإحالة متعدد اللمسات (MTA) هو المصباح اللي بنضّويه في الغرفة المظلمة. هو عبارة عن مجموعة من القواعد والنماذج اللي بتوزع الفضل في عملية التحويل (البيع مثلاً) على كل نقاط التلامس اللي مر فيها العميل في رحلته، مش بس الأخيرة.

الفكرة هي الانتقال من سؤال “أي قناة حققت البيع؟” إلى سؤال أعمق وأكثر فائدة: “كيف ساهمت كل قناة في تحقيق هذا البيع؟”. هذا التحول في التفكير يفتح الباب أمام فهم حقيقي لأداء التسويق وتحسينه بشكل جذري.

أشهر نماذج الإحالة متعددة اللمسات (وشو الفرق بينها يا جماعة؟)

يوجد عدة نماذج مشهورة، كل واحد له فلسفته الخاصة في توزيع “الكعكة”. اختيار النموذج المناسب يعتمد على طبيعة عملك ورحلة عميلك.

1. النموذج الخطي (Linear Model)

هذا هو نموذج “العدل والمساواة”. يقوم بتوزيع الفضل بالتساوي على كل نقاط التلامس في الرحلة. في مثال الكاميرا، كل لمسة من اللمسات الأربعة (فيسبوك، مدونة، بريد إلكتروني، جوجل) ستحصل على 25% من الفضل.

• متى نستخدمه؟ عندما تكون كل مراحل رحلة العميل مهمة بنفس القدر بالنسبة لك، وهو نقطة بداية ممتازة وأفضل بكثير من “النقرة الأخيرة”.

2. النموذج المتلاشي زمنياً (Time Decay Model)

هذا النموذج يعطي قيمة أكبر للنقاط الأقرب زمنياً لعملية التحويل. في مثالنا، إعلان جوجل سيحصل على الحصة الأكبر، يليه البريد الإلكتروني، ثم المدونة، وأخيراً إعلان فيسبوك سيحصل على أقل حصة.

• متى نستخدمه؟ مفيد في دورات البيع القصيرة، مثل الحملات الترويجية محدودة المدة، حيث تكون التفاعلات الأخيرة هي الأكثر تأثيراً.

3. النموذج المعتمد على الموضع (Position-Based أو U-Shaped)

هذا نموذجي المفضل للكثير من الشركات. يقوم بتوزيع الفضل بشكل استراتيجي: يعطي 40% من الفضل للنقطة الأولى (لأنها التي عرّفت العميل عليك)، و40% للنقطة الأخيرة (لأنها التي أغلقت الصفقة)، ويوزع الـ 20% المتبقية على كل النقاط التي في المنتصف.

• متى نستخدمه؟ عندما تكون مهتماً جداً بمعرفة مصدر اكتشاف العملاء (أول لمسة) والقناة التي تحسم قرارهم (آخر لمسة). هذا النموذج كان المنقذ في قصتنا.

4. النموذج القائم على البيانات (Data-Driven Attribution) – الكأس المقدسة

هون بتبلش المتعة الحقيقية لمهووسي البيانات والذكاء الاصطناعي مثلي. هذا النموذج مش قاعدة ثابتة، بل هو عبارة عن خوارزمية تعلم آلي (Machine Learning) تقوم بتحليل بياناتك الفعلية. تقارن مسارات العملاء الذين اشتروا بمسارات الذين لم يشتروا، وتحدد إحصائياً الوزن الحقيقي لكل نقطة تلامس.

هو لا يفترض مسبقاً أن اللمسة الأولى أو الأخيرة هي الأهم، بل يترك البيانات تحكي القصة. هذا هو أدق نموذج على الإطلاق، لكنه يتطلب كمية كبيرة من البيانات ومنصات تحليل متقدمة (مثل Google Analytics 4 أو Google Analytics 360) أو بناء نماذج خاصة.

خطواتنا العملية: من الفكرة للتنفيذ (كيف طبقناها حبة حبة)

بعد ما شرحت هالمفاهيم للفريق، تحمسوا جداً. قررنا نطبق الموضوع بشكل عملي. إليكم الخطوات اللي مشيناها:

الخطوة الأولى: جمع البيانات وضمان نظافتها

هذه هي الأساس. بدون بيانات دقيقة ومتكاملة، كل النماذج السابقة ما إلها أي قيمة. ركزنا على نقطتين:

1. التتبع الشامل: تأكدنا أن شيفرة التتبع (Tracking Pixel) موجودة على كل صفحات الموقع، وأن الأحداث (Events) المهمة مثل “إضافة للسلة” و “إتمام الشراء” يتم تسجيلها بدقة.
2. توحيد وسوم UTM: هذه كانت أهم نصيحة. وضعنا سياسة واضحة وموحدة لاستخدام وسوم UTM (UTM tags) في كل الحملات الإعلانية وروابط الشبكات الاجتماعية والبريد الإلكتروني. هذا سمح لنا بتمييز كل قناة ومصدر وحملة بدقة متناهية.

نصيحة أبو عمر الذهبية: “أهم إشي، نظافة البيانات. البيانات الوسخة بتعطيك نتائج وسخة، بسيطة.” قبل أن تفكر في أي نموذج معقد، اقضِ أسابيع في تدقيق بياناتك والتأكد من أنها نظيفة وموثوقة.

الخطوة الثانية: التحليل والمقارنة بين النماذج

لم ننتقل مباشرة إلى بناء نموذج معقد. استخدمنا أداة “مقارنة نماذج الإحالة” (Model Comparison Tool) الموجودة في Google Analytics. هذه الأداة تسمح لك بمقارنة أداء قنواتك تحت نماذج مختلفة (النقرة الأخيرة مقابل الخطي مقابل المعتمد على الموضع، إلخ).

النتائج كانت صادمة! عندما انتقلنا من نموذج “النقرة الأخيرة” إلى نموذج “المعتمد على الموضع” (U-Shaped)، اكتشفنا أن:

• المدونة (تسويق المحتوى): كانت مسؤولة عن 30% من “اللمسات الأولى” التي أدت إلى مبيعات. قيمتها الحقيقية كانت أضعاف ما كنا نعتقد.
• إعلانات فيسبوك: لم تكن تحقق مبيعات مباشرة كثيرة، لكنها كانت تلعب دوراً حيوياً في منتصف الرحلة، لإعادة استهداف الزوار وتذكيرهم بنا.
• إعلانات بحث جوجل: بقيت مهمة، لكن دورها الحقيقي كان “إغلاق الصفقة” مع عملاء يعرفوننا مسبقاً، وليس اكتشاف عملاء جدد بالضرورة.

الخطوة الثالثة (للمتقدمين): بناء نموذج بسيط باستخدام بايثون

لأوضح الفكرة برمجياً، يمكن بناء محاكاة بسيطة لنموذج خطي باستخدام مكتبة Pandas في بايثون. تخيل أن لديك البيانات التالية عن رحلات العملاء:

import pandas as pd

# بيانات تجريبية لرحلات العملاء
data = {
    'user_id': [1, 1, 1, 2, 2, 3, 3, 3, 3],
    'timestamp': pd.to_datetime(['2023-10-01', '2023-10-03', '2023-10-05', '2023-10-02', '2023-10-04', '2023-10-01', '2023-10-02', '2023-10-06', '2023-10-07']),
    'channel': ['Facebook', 'Blog', 'Google', 'Blog', 'Google', 'Email', 'Facebook', 'Blog', 'Google'],
    'conversion': [0, 0, 1, 0, 1, 0, 0, 0, 1] # 1 يعني حدث تحويل
}
df = pd.DataFrame(data)

# فلترة المسارات التي أدت إلى تحويل
converting_paths = df[df['conversion'] == 1]['user_id'].unique()
df_converted = df[df['user_id'].isin(converting_paths)]

# تطبيق نموذج الإحالة الخطي
# لكل مسار مستخدم، عدد اللمسات يحدد قيمة كل لمسة
# مثلاً، مسار المستخدم 1 فيه 3 لمسات، كل لمسة تأخذ 1/3 = 0.33 من الفضل
attribution = {}

for user in converting_paths:
    user_path = df_converted[df_converted['user_id'] == user]
    touch_count = len(user_path)
    credit_per_touch = 1.0 / touch_count
    
    for channel in user_path['channel']:
        attribution[channel] = attribution.get(channel, 0) + credit_per_touch

# طباعة النتائج النهائية
print("توزيع الفضل حسب النموذج الخطي:")
for channel, credit in attribution.items():
    print(f"{channel}: {credit:.2f} تحويل")

# النتيجة المتوقعة:
# Facebook: 0.33 (من المستخدم 1) + 0.25 (من المستخدم 3) = 0.58
# Blog: 0.33 (من المستخدم 1) + 0.5 (من المستخدم 2) + 0.25 (من المستخدم 3) = 1.08
# Google: 0.33 (من المستخدم 1) + 0.5 (من المستخدم 2) + 0.25 (من المستخدم 3) = 1.08
# Email: 0.25 (من المستخدم 3) = 0.25

هذا الكود البسيط يوضح كيف يمكن برمجياً توزيع الفضل على القنوات المختلفة بدلاً من إعطائه كله لآخر قناة.

الخطوة الرابعة: اتخاذ القرار والتصرف

بناءً على الرؤى الجديدة، تغيرت استراتيجيتنا بالكامل:

• لم نقم بقطع ميزانية المحتوى، بل ضاعفناها وركزنا على كتابة مقالات تجيب على أسئلة العملاء في بداية رحلتهم.
• خصصنا جزءاً من ميزانية جوجل وفيسبوك لحملات إعادة الاستهداف (Retargeting) للزوار الذين قرأوا المدونة لكنهم لم يشتروا بعد.
• قمنا بتحسين رسائل إعلانات جوجل لتخاطب العملاء الذين هم في مرحلة اتخاذ القرار.

النتيجة؟ خلال 6 أشهر، انخفضت تكلفة الاستحواذ على العميل (CPA) بنسبة 20%، وزاد العائد على الاستثمار التسويقي (ROMI) بنسبة 35%. والأهم، اختفت “الطوشات” من الاجتماعات، وصار الفريق يعمل بروح واحدة لأنه أصبح يرى القيمة الحقيقية لعمل كل فرد. والقهوة صارت أزكى في اجتماعات الصبح!

الخلاصة: نصيحة من أبو عمر 💡

التسويق الرقمي بدون قياس دقيق يشبه الإبحار في محيط شاسع بدون بوصلة. نموذج “النقرة الأخيرة” هو بوصلة خربانة، ستأخذك إلى قرارات خاطئة حتماً.

الانتقال إلى نماذج الإحالة متعددة اللمسات ليس رفاهية، بل هو ضرورة حتمية لأي بزنس جاد يريد أن ينمو بذكاء ويستثمر ميزانيته بفعالية.

نصيحتي الأخيرة لك: لا تخف من البيانات. ابدأ بالبسيط. استخدم أداة مقارنة النماذج في Google Analytics اليوم. مجرد رؤية بياناتك من منظور “خطي” أو “معتمد على الموضع” سيفتح عينيك على حقائق لم تكن تراها. البيانات مش عدو، هي الكشاف اللي بينوّرلك الطريق في العتمة. استثمر فيها، افهمها، وخلّيها تشتغل لصالحك.

يلا، شدّوا حيلكم! 💪