يا جماعة الخير، خليني أحكيلكم قصة صارت معي قبل كم سنة. كنت بشتغل مع شركة ناشئة لطيفة، خلينا نسميها “متجر زيتونتي”، بتبيع منتجات فلسطينية أصيلة أونلاين. الشباب كانوا شغالين صح، منتجات بتفتح النفس، وخدمة عملاء ممتازة، وكانوا حاطين ميزانية محترمة للتسويق الرقمي: جزء لإعلانات فيسبوك وانستغرام، جزء لإعلانات جوجل، وجزء لكاتب محتوى بيكتب مقالات عن فوائد زيت الزيتون وتاريخ الأرض.
الأمور كانت ماشية، والمبيعات بتيجي، بس كان في إشي مش مريح. كل آخر شهر، لما نقعد مع الإدارة ونفتح تقارير جوجل أناليتكس (Google Analytics)، كان قلبي ينغزني. التقرير دايماً يحكي نفس القصة: أغلب المبيعات جاي من “البحث المباشر” (Direct) و “بحث جوجل” عن اسم المتجر نفسه. بالمقابل، إعلانات فيسبوك والمدونة؟ أرقامهم في خانة “التحويلات” (Conversions) كانت بائسة، يا دوب بتجيب كمشة مبيعات.
في واحد من الاجتماعات، واحد من المدراء قالها بصريح العبارة: “يا أبو عمر، إحنا بنكب مصاري في فيسبوك والمدونة. الأرقام واضحة، خلينا نوقفهم ونحط كل الميزانية في إعلانات بحث جوجل”.
وقتها حسيت إنه في إشي غلط، “مش ضابطة هيك يا جماعة!”. سألتهم سؤال بسيط: “هل معقول كل هالناس فجأة صحيوا من النوم وقرروا يبحثوا عن ‘متجر زيتونتي’ بالاسم؟ حدا لازم يكون دلّهم علينا أول، حدا لازم يكون زرع الفكرة براسهم!”. كانت إعلاناتنا على فيسبوك ومقالاتنا كأنها بتصرخ في الفراغ حسب التقارير، لكن إحساسي كان يقول العكس تماماً. ومن هنا بدأت رحلتنا لاكتشاف “نماذج الإحالة متعددة اللمس”، المفهوم اللي أنقذ استراتيجيتنا التسويقية من قرار متسرع كان ممكن يدمرنا.
ما هو جحيم “التحيز لآخر نقرة” (Last-Click Attribution)؟
قبل ما ندخل في الحل، لازم نفهم أصل المشكلة. المشكلة كانت في النموذج الافتراضي اللي معظمنا بيعتمد عليه بدون ما يعرف: نموذج الإحالة بناءً على “النقرة الأخيرة” أو “Last-Click Attribution”.
ببساطة، هذا النموذج بيعطي 100% من الفضل في إتمام عملية البيع (أو أي تحويل آخر) لآخر قناة تفاعل معها العميل قبل الشراء.
تخيل معي فريق كرة قدم. هل من المنطق نعطي كل المجد والتقدير للمهاجم اللي سجل الهدف، ونتجاهل تماماً صانع الألعاب اللي أعطاه التمريرة الحاسمة، وخط الوسط اللي بنى الهجمة، والمدافع اللي قطع الكرة في البداية؟ طبعاً لأ. هذا بالضبط ما يفعله نموذج النقرة الأخيرة بقنواتك التسويقية.
هذا التحيز خطير جداً للأسباب التالية:
- تقييم خاطئ للقنوات: يتسبب في تضخيم قيمة القنوات التي تأتي في نهاية رحلة العميل (مثل البحث عن اسم العلامة التجارية) والتقليل بشكل كارثي من قيمة القنوات التي تبدأ الرحلة وتخلق الوعي (مثل إعلانات السوشيال ميديا والمحتوى).
- تخصيص كارثي للميزانية: بناءً على البيانات الخاطئة، قد تتخذ قرارات مثل التي كدنا نتخذها في “متجر زيتونتي”: إيقاف القنوات التي “تبدو” غير فعالة، بينما هي في الحقيقة محرك النمو الأساسي لعملك.
- فهم مشوه لرحلة العميل: يجعلك أعمى عن الصورة الكاملة. أنت لا ترى كيف يكتشفك العملاء، وكيف يبنون الثقة بعلامتك التجارية عبر نقاط تواصل متعددة.
الخروج من النفق: مقدمة إلى نماذج الإحالة متعددة اللمس (Multi-Touch Attribution)
هنا يأتي دور “نماذج الإحالة متعددة اللمس” (MTA). الفكرة عبقرية وبسيطة في نفس الوقت: بدلاً من إعطاء كل الفضل لنقطة واحدة، نقوم بتوزيع الفضل على جميع نقاط التلامس (Touchpoints) التي ساهمت في رحلة العميل نحو التحويل. هذا يعطينا صورة أكثر عدلاً وواقعية عن أداء كل قناة.
هناك عدة نماذج لتوزيع هذا “الفضل”، وكل نموذج يروي قصة مختلفة. خلينا نتعرف على أشهرها.
أشهر نماذج الإحالة وكيف تختار بينها
1. النموذج الخطي (Linear Model)
كيف يعمل: يوزع الفضل بالتساوي على كل نقاط التلامس في رحلة العميل. إذا تفاعل العميل مع 4 قنوات، كل قناة تأخذ 25% من الفضل.
متى تستخدمه: ممتاز للشركات التي تركز على الحفاظ على التواصل والوعي بالعلامة التجارية طوال رحلة العميل. هو نقطة بداية جيدة للانتقال من نموذج النقرة الأخيرة لأنه بسيط ويعطي تقديراً لكل خطوة.
2. النموذج المتناقص زمنياً (Time Decay Model)
كيف يعمل: يعطي الفضل الأكبر لنقاط التلامس الأقرب زمنياً لعملية التحويل. كلما كانت النقطة أبعد في الماضي، قلّ نصيبها من الفضل.
متى تستخدمه: مفيد جداً في الدورات البيعية القصيرة، مثل حملات التخفيضات الموسمية أو العروض محدودة الوقت، حيث تكون التفاعلات الأخيرة هي الأكثر تأثيراً على قرار الشراء الفوري.
3. نموذج حسب الموضع (Position-Based Model / U-Shaped)
كيف يعمل: هذا النموذج المفضل عندي للكثير من الحالات. يعطي حصة كبيرة من الفضل (عادة 40%) لأول نقطة تلامس (التي عرّفت العميل عليك) وحصة كبيرة أخرى (40%) لآخر نقطة تلامس (التي حسمت الصفقة)، ثم يوزع الـ 20% المتبقية على كل النقاط التي بينهما.
متى تستخدمه: مثالي عندما تكون مهتماً بمعرفة القنوات التي تجلب لك عملاء جدد (الاكتشاف) والقنوات التي تغلق المبيعات (التحويل). هو نموذج متوازن جداً ويحترم بداية الرحلة ونهايتها.
4. النموذج القائم على البيانات (Data-Driven Model)
كيف يعمل: هذا هو “شيخ الكار” كما نقول. هو ليس قاعدة ثابتة، بل يستخدم خوارزميات الذكاء الاصطناعي (Machine Learning) لتحليل آلاف مسارات العملاء (الناجحة والفاشلة) وتحديد الوزن الحقيقي لكل نقطة تلامس بناءً على مساهمتها الفعلية في زيادة احتمالية التحويل.
متى تستخدمه: هذا هو النموذج الأدق، لكنه يتطلب كمية كبيرة من البيانات ليعمل بفعالية. لحسن الحظ، أصبح النموذج الافتراضي في منصات مثل Google Analytics 4 (GA4) للعديد من الحسابات التي تفي بمتطلبات البيانات.
التطبيق العملي: كيف انتقلنا من النظرية إلى الواقع في “متجر زيتونتي”
بالعودة لقصتنا، بعد أن شرحت هذا المفهوم للإدارة، وافقوا على منحي فرصة لإثبات نظريتي. إليكم الخطوات التي اتبعناها:
الخطوة الأولى: نظافة البيانات من الإيمان!
قبل أي تحليل، تأكدنا من أن أساسنا صلب. قمنا بمراجعة شاملة وتوحيد استخدام وسوم UTM (UTM Parameters) في كل حملاتنا. هذه الوسوم هي بطاقات تعريف صغيرة نلصقها بالروابط لنخبر جوجل أناليتكس بالضبط من أين أتى الزائر. بدون تتبع دقيق ومنظم، كل تحليلاتك “عالفاضي”.
الخطوة الثانية: استخدام أداة مقارنة النماذج
دخلنا إلى Google Analytics، وتحديداً إلى أداة “Model Comparison Tool”. هذه الأداة تسمح لك بمقارنة كيف تتغير أرقام التحويلات لنفس القناة عند تطبيق نماذج إحالة مختلفة.
الخطوة الثالثة: لحظة الحقيقة
قمنا بمقارنة نموذج “النقرة الأخيرة” (Last-Click) مع نموذج “حسب الموضع” (Position-Based). والنتائج كانت… صادمة ومدهشة!
البيانات أظهرت القصة الحقيقية التي كان إحساسي يخبرني بها:
- إعلانات فيسبوك: عدد التحويلات المنسوبة لها قفز بنسبة تزيد عن 300%! اتضح أنها كانت “نقطة التلامس الأولى” لمعظم عملائنا الجدد. كانوا يرون إعلاناً جذاباً عن زيت الزيتون، يدخلون للمتجر، يتصفحون، ثم يغادرون. بعد عدة أيام، عندما يقررون الشراء، يبحثون مباشرة عن “متجر زيتونتي” في جوجل. نموذج النقرة الأخيرة كان يعطي الفضل لجوجل، بينما البطل الحقيقي الذي زرع البذرة كان فيسبوك.
- المدونة (البحث العضوي): نفس القصة. مقالاتنا كانت تجذب الناس من خلال بحث جوجل عن مواضيع مثل “أفضل أنواع زيت الزيتون” أو “فوائد الزيتون الفلسطيني”. كانوا يقرؤون، يبنون ثقة، ثم يعودون لاحقاً للشراء. دورها كـ “مُعلّم” و “باني ثقة” كان مخفياً تماماً في النموذج القديم.
- البحث المباشر وبحث العلامة التجارية: انخفضت نسبة التحويلات المنسوبة لهما بشكل ملحوظ، وهذا منطقي. دورهما لم يقل أهمية، بل تم وضعه في سياقه الصحيح كخطوة أخيرة في رحلة أطول وأكثر تعقيداً.
ذلك الاجتماع غيّر كل شيء. بدلاً من قطع الميزانية، قمنا بزيادتها لإعلانات فيسبوك التي تركز على الوعي، وخصصنا موارد إضافية للمدونة. أصبحنا نتحدث لغة البيانات الحقيقية.
نصيحة أبو عمر: كيف تبدأ رحلتك مع نماذج الإحالة؟
- ابدأ بالأساسيات: كما ذكرت، نظافة البيانات أولاً. تعلم كيف تستخدم UTM Parameters بشكل صحيح وموحد. لا يوجد تحليل سحري يمكنه إصلاح بيانات فوضوية.
- استخدم الأدوات المتاحة: إذا كنت تستخدم Google Analytics 4، فأنت محظوظ. استكشف قسم “Advertising” وقارن بين النماذج. ابدأ بمقارنة “Last Click” مع “Position-based” أو “Linear” لترى الفرق بنفسك.
- لا يوجد نموذج “مثالي” واحد: النموذج المناسب يعتمد على أهداف عملك. إذا كنت تريد النمو السريع وجلب عملاء جدد، ركز على النماذج التي تعطي قيمة للخطوات الأولى مثل “Position-Based”. إذا كانت دورة المبيعات لديك طويلة ومعقدة، قد يكون “Linear” بداية جيدة.
- فكّر كقاص، وليس كمحاسب: الأرقام لا تعني شيئاً بدون سياق. انظر إلى مسارات التحويل (Conversion Paths) وحاول أن تفهم القصة التي ترويها. “العميل رأى إعلاننا على انستغرام، ثم بحث عنا بعد أسبوع، ثم أتته رسالة بريد إلكتروني بالعرض فاشترى”. هذه قصة، وهذه القصة تساوي ذهباً.
لمسة تقنية: تحليل بسيط لرحلة العميل باستخدام Python
للمهووسين بالبرمجة والبيانات مثلي، يمكننا محاكاة هذا التحليل برمجياً. تخيل أن لديك ملف CSV يحتوي على بيانات التفاعلات بهذا الشكل (user_journeys.csv):
user_id,timestamp,touchpoint,conversion
1,2023-10-01,facebook_ad,0
1,2023-10-03,blog_post,0
1,2023-10-05,google_search,1
2,2023-10-02,email_newsletter,0
2,2023-10-06,direct,1
3,2023-10-04,facebook_ad,1
يمكننا استخدام مكتبة Pandas في بايثون لتطبيق نماذج إحالة بسيطة:
import pandas as pd
df = pd.read_csv('user_journeys.csv')
# فرز البيانات لضمان ترتيب الرحلة زمنياً
df_sorted = df.sort_values(['user_id', 'timestamp'])
# استخلاص المسارات التي أدت إلى تحويل
conversion_paths = df_sorted[df_sorted['conversion'] == 1]
# 1. نموذج النقرة الأخيرة (Last Touch Attribution)
last_touch_attribution = conversion_paths['touchpoint'].value_counts()
print("--- Last Touch Attribution ---")
print(last_touch_attribution)
# 2. نموذج النقرة الأولى (First Touch Attribution)
# نحتاج لتجميع المسارات لكل مستخدم
paths = df_sorted.groupby('user_id')['touchpoint'].apply(list)
converted_users = conversion_paths['user_id'].unique()
first_touches = []
for user in converted_users:
first_touches.append(paths[user][0])
first_touch_attribution = pd.Series(first_touches).value_counts()
print("n--- First Touch Attribution ---")
print(first_touch_attribution)
هذا الكود البسيط يوضح كيف أن “النقرة الأولى” (التي يمثلها `facebook_ad` في مثالنا) قد تكون مختلفة تماماً عن “النقرة الأخيرة”، مما يغير منظورك بالكامل.
الخلاصة: من الصراخ في الفراغ إلى الحوار مع البيانات 💡
الانتقال من نموذج النقرة الأخيرة إلى نماذج الإحالة متعددة اللمس ليس مجرد ترف تقني، بل هو نقلة نوعية في التفكير. هو الانتقال من اتخاذ قرارات عمياء مبنية على جزء صغير ومضلل من الحقيقة، إلى اتخاذ قرارات مستنيرة مبنية على فهم شامل وواقعي لرحلة العميل.
لقد أنقذتنا هذه النماذج في “متجر زيتونتي” من قتل قنواتنا الأكثر فعالية في بناء الوعي، ووجهتنا نحو استثمار ذكي ومتكامل يحترم كل خطوة يخطوها العميل في رحلته معنا.
في النهاية يا جماعة الخير، التسويق الرقمي مش بس ضخ مصاري بالإعلانات. هو فن وعلم وفهم للإنسان اللي على الطرف الثاني من الشاشة. نماذج الإحالة هي البوصلة اللي بتخلينا نفهم رحلته، ونحترم كل خطوة خطاها قبل ما يوصلنا. يلا، شدوا حيلكم وخلونا نبني قراراتنا على بيانات حقيقية، مش على أوهام النقرة الأخيرة. 😉
