يا جماعة الخير، السلام عليكم ورحمة الله وبركاته، معكم أخوكم أبو عمر.
قبل كم سنة، كنت أنا وفريقي الصغير شغالين على منتج برمجي جديد، وكنا متحمسين جداً. المنتج كان قوي، والتقنية اللي فيه كانت ممتازة. قلنا لحالنا: “خلص، هسا لازم الناس تعرف عنه”. وبدأنا رحلة التسويق الرقمي. حطينا ميزانية محترمة، ووزعناها على كل إشي ممكن تتخيلوه: إعلانات فيسبوك، حملات على جوجل، تسويق عبر البريد الإلكتروني، وحتى تعاونا مع كم مؤثر في مجالنا.
في البداية، كانت الأرقام تبدو مبشرة. تحليلات جوجل (Google Analytics) كانت تظهر إنه معظم مبيعاتنا بتيجي من إعلانات فيسبوك. قلنا “تمام، لقيناها!”. وبكل ثقة، ضاعفنا الميزانية على فيسبوك وقللناها من باقي القنوات، خصوصاً من المدونة اللي كنا نكتب فيها مقالات تقنية طويلة وبتاخذ وقت ومجهود. النتيجة؟ كانت كارثية. المبيعات ما زادت بنفس النسبة، بل على العكس، حسينا إنه في إشي غلط. كأنه في قطعة ناقصة بالصورة. كنا زي اللي برمي فلوسه بالهوا وهو مش عارف وين بتروح. كانت شغلة بتجلط حرفياً، والميزانية بتحترق يوم ورا يوم.
هنا كانت نقطة التحول. بدأت أبحث وأنبش كعادتي كمبرمج، ما بحب أترك مشكلة بدون ما أفهم جذرها. واكتشفت عالماً كاملاً اسمه “نماذج الإحالة” أو Attribution Models. هذا المصطلح غيّر كل نظرتنا للتسويق، وأنقذ ميزانيتنا من الاحتراق الكامل. خلوني أحكيلكم كيف.
ما هو الجحيم الذي كنا نعيش فيه؟ مشكلة “اللمسة الأخيرة”
المشكلة اللي كنا واقعين فيها، واللي أغلب الشركات الصغيرة بتقع فيها، هي الاعتماد الأعمى على النموذج الافتراضي في معظم أدوات التحليل: نموذج “اللمسة الأخيرة” (Last-Click Attribution).
ببساطة، هذا النموذج بعطي 100% من الفضل في عملية البيع أو التحويل لآخر قناة تفاعل معها العميل قبل ما يشتري. يعني لو عميل شاف إعلانك على جوجل، بعدين قرأ مقالة في مدونتك، وبعد أسبوع وصله إيميل منك، وبعدها بيومين شاف إعلان على فيسبوك وضغط عليه واشترى… نموذج “اللمسة الأخيرة” بقولك: “مبروك! فيسبوك هو البطل! هو اللي جابلك البيعة!”.
وهذا بالضبط اللي صار معنا. كنا نرى فيسبوك كبطل خارق، بينما الحقيقة أنه كان مجرد اللاعب اللي سدد الهدف الأخير. لكن مين اللي مررله الكرة؟ مين اللي بنى الهجمة من الأساس؟ هذا النموذج يتجاهل تماماً رحلة العميل الكاملة.
تخيل فريق كرة قدم، هل نعطي كل المجد والراتب للاعب الذي يسجل الهدف فقط، ونتجاهل صانع الألعاب والمدافعين وحارس المرمى؟ هذا بالضبط ما يفعله نموذج “اللمسة الأخيرة” بجهودك التسويقية.
الكشف: ما هي نماذج الإحالة (Attribution Models)؟
نماذج الإحالة هي ببساطة مجموعة من القواعد اللي بتحدد كيفية توزيع “الفضل” أو “التقدير” لعملية بيع أو تحويل على نقاط الاتصال المختلفة في رحلة العميل.
بدل ما نقول “فيسبوك هو السبب الوحيد”، بنصير نقول “فيسبوك ساهم بنسبة 30%، والمدونة ساهمت بـ 40% كأول نقطة تعارف، والبريد الإلكتروني ساهم بـ 20%، وبحث جوجل ساهم بـ 10%”. فجأة، الصورة صارت أوضح بكثير، وبطلنا نلعب لعبة التخمين.
خلونا نتعمق في أشهر أنواع هاي النماذج.
نماذج اللمسة الواحدة (Single-Touch Models)
هاي النماذج بسيطة لكنها غالباً مضللة، لأنها بتعطي كل الفضل لنقطة واحدة فقط.
- نموذج اللمسة الأخيرة (Last Interaction/Click): كما شرحنا، يعطي 100% من الفضل لآخر تفاعل. هو النموذج الافتراضي في كثير من المنصات، وهو سبب معظم المشاكل.
- نموذج اللمسة الأولى (First Interaction/Click): على العكس تماماً، يعطي 100% من الفضل لأول قناة تفاعل معها العميل. هذا النموذج مفيد لمعرفة القنوات اللي بتجذب عملاء جدد وبتزيد الوعي بعلامتك التجارية، لكنه يتجاهل القنوات التي تقنعهم بالشراء لاحقاً.
النماذج متعددة اللمسات (Multi-Touch Models): هنا يبدأ السحر الحقيقي
هذه النماذج أكثر عدلاً وواقعية لأنها توزع الفضل على أكثر من نقطة اتصال.
1. النموذج الخطي (Linear Model)
يقوم بتوزيع الفضل بالتساوي على كل القنوات التي تفاعل معها العميل في رحلته. لو تفاعل العميل مع 4 قنوات، كل قناة ستحصل على 25% من الفضل. هو نموذج بسيط وعادل، ويعتبر نقطة بداية ممتازة للابتعاد عن نماذج اللمسة الواحدة.
2. نموذج التضاؤل الزمني (Time Decay Model)
هذا النموذج أكثر ذكاءً. يعطي الفضل الأكبر للقنوات الأقرب زمنياً لعملية التحويل. منطقي جداً، خصوصاً في دورات البيع القصيرة. القناة التي تفاعل معها العميل بالأمس تأخذ فضلاً أكبر من القناة التي تفاعل معها قبل شهر.
3. نموذج حسب الموضع (Position-Based Model)
يُعرف أيضاً بالنموذج “U-Shaped”. هذا النموذج المفضل عندي شخصياً للشركات التي لا تملك بيانات كافية للنموذج التالي. يقوم بالآتي:
- يعطي 40% من الفضل لأول لمسة (لأنها عرفت العميل عليك).
- يعطي 40% من الفضل لآخر لمسة (لأنها أغلقت الصفقة).
- يوزع الـ 20% المتبقية على كل اللمسات التي حدثت في المنتصف.
هذا النموذج رائع لأنه يقدّر كلاً من قناة “الاكتشاف” وقناة “الإقناع”.
4. النموذج المبني على البيانات (Data-Driven Model)
هذا هو “وحش” النماذج، وهنا يأتي دوري كمبرمج وخبير ذكاء اصطناعي. هذا النموذج لا يتبع قاعدة ثابتة، بل يستخدم خوارزميات تعلم الآلة (Machine Learning) لتحليل كل مسارات العملاء (الذين اشتروا والذين لم يشتروا) وتحديد التأثير الفعلي لكل قناة.
هو يحدد بشكل إحصائي ما هو مقدار مساهمة كل نقطة اتصال في زيادة احتمالية التحويل. هذا النموذج هو الأدق على الإطلاق، لكنه يتطلب كمية كبيرة من البيانات (غوغل أناليتكس مثلاً يتطلب حداً أدنى من التحويلات لتفعيله). عندما طبقنا هذا النموذج، كانت النتائج مذهلة وكشفت لنا عن رؤى لم نكن لنتخيلها.
من النظرية إلى التطبيق: كيف استخدمنا هذه النماذج؟
الكلام النظري جميل، لكن خلونا نحكي عملي. اللي عملناه كان بسيط وممكن أي حدا يعمله:
- الذهاب إلى أداة المقارنة: في حسابنا على Google Analytics 4، ذهبنا إلى قسم Advertising ثم Attribution ثم Model comparison.
- المقارنة الصادمة: قمنا بمقارنة نموذج “Last Click” (اللي كنا نعتمد عليه) بنموذج “Position-Based”. النتائج كانت مثل صفعة على الوجه! وجدنا أن مدونتنا (اللي كنا على وشك نوقفها) كانت هي نقطة البداية لمعظم عملائنا ذوي القيمة العالية. كانت هي “صانع الألعاب” الذي يبني الثقة ويقدم القيمة، بينما كانت إعلانات فيسبوك هي “الهداف” الذي ينهي الهجمة.
- إعادة توزيع الميزانية: بناءً على هذه البيانات، قمنا بتغيير استراتيجيتنا بالكامل. بدل ما نوقف المدونة، ضاعفنا ميزانية صناعة المحتوى فيها. وبدل ما نزيد ميزانية فيسبوك بشكل عشوائي، قمنا بتوجيه إعلانات إعادة الاستهداف (Retargeting) على فيسبوك خصيصاً لمن قرأوا مقالات معينة في مدونتنا.
النتيجة؟ انخفضت تكلفة اكتساب العميل (CAC) بنسبة 40% وزادت المبيعات بنسبة ملحوظة خلال 3 أشهر فقط. كل هذا لأننا توقفنا عن التخمين وبدأنا نفهم رحلة العميل الحقيقية.
لمسة مبرمج: كيف تعمل هذه النماذج (مثال بايثون بسيط)
عشان أقربلكم الصورة أكثر، خصوصاً للمهتمين بالجانب التقني، كتبت سكربت بايثون بسيط جداً يوضح الفرق بين النماذج المختلفة على مسار عميل واحد.
# مسار عميل افتراضي
customer_journey = ['Google Search', 'Blog Post', 'Email Newsletter', 'Facebook Ad']
def calculate_attribution(model, journey):
touchpoints = len(journey)
attribution = {channel: 0.0 for channel in set(journey)}
if model == 'last_click':
attribution[journey[-1]] = 1.0
elif model == 'first_click':
attribution[journey[0]] = 1.0
elif model == 'linear':
for channel in journey:
attribution[channel] += 1.0 / touchpoints
elif model == 'position_based':
if touchpoints == 1:
attribution[journey[0]] = 1.0
else:
attribution[journey[0]] += 0.4
attribution[journey[-1]] += 0.4
middle_touchpoints = journey[1:-1]
if middle_touchpoints:
for channel in middle_touchpoints:
attribution[channel] += 0.2 / len(middle_touchpoints)
# تحويل النسب إلى مئوية لسهولة القراءة
return {k: f"{v*100:.1f}%" for k, v in attribution.items()}
print("Last Click:", calculate_attribution('last_click', customer_journey))
print("First Click:", calculate_attribution('first_click', customer_journey))
print("Linear:", calculate_attribution('linear', customer_journey))
print("Position-Based:", calculate_attribution('position_based', customer_journey))
# Output:
# Last Click: {'Facebook Ad': '100.0%'}
# First Click: {'Google Search': '100.0%'}
# Linear: {'Google Search': '25.0%', 'Blog Post': '25.0%', 'Email Newsletter': '25.0%', 'Facebook Ad': '25.0%'}
# Position-Based: {'Google Search': '40.0%', 'Facebook Ad': '40.0%', 'Blog Post': '10.0%', 'Email Newsletter': '10.0%'}
لاحظوا كيف أن كل نموذج يعطي قصة مختلفة تماماً عن نفس رحلة العميل. هذا هو بالضبط الفرق بين اتخاذ قرار أعمى وقرار مستنير.
نصائح أبو عمر الذهبية 💡
- لا تثق بالافتراضي أبداً: أول درس تعلمته هو أن تشكك دائماً في إعدادات “Last-Click” الافتراضية. هي موجودة لتبسيط الأمور، لكن البساطة هنا ثمنها باهظ جداً.
- ابدأ بالبسيط الذكي: إذا لم تكن تملك بيانات كافية لنموذج “Data-Driven”، فابدأ بنموذج “Position-Based” أو “Time-Decay”. كلاهما أفضل بألف مرة من نماذج اللمسة الواحدة.
- القصة في التكامل وليس في الانعزال: الهدف من نماذج الإحالة ليس إيجاد “قناة سحرية” واحدة، بل فهم كيف تعمل قنواتك معاً كفريق متكامل. هناك قنوات للاكتشاف، وقنوات لبناء الثقة، وقنوات للإقناع. كلها مهمة.
- لا تتخذ قرارات متسرعة: عندما تنتقل إلى نموذج جديد، لا تغير استراتيجيتك كلها في يوم وليلة. راقب البيانات لأسبوعين أو شهر على الأقل لتتأكد من أنماط السلوك قبل اتخاذ قرارات كبيرة بخصوص الميزانية.
الخلاصة: من التخمين إلى اليقين
رحلتنا من حرق الميزانية إلى تحقيق عائد استثمار حقيقي كانت مبنية على مبدأ واحد: التوقف عن التخمين والبدء بالقياس الصحيح. نماذج الإحالة لم تكن مجرد أداة تقنية، بل كانت بمثابة نظارات جديدة رأينا بها حقيقة ما يحدث في كواليس التسويق الرقمي.
إذا كنت تشعر أنك تضخ الأموال في التسويق ولكنك لست متأكداً من الذي ينجح حقاً، فأنصحك بشدة أن تفتح تحليلاتك اليوم، وتنظر إلى ما هو أبعد من “اللمسة الأخيرة”. ابدأ بمقارنة النماذج، وحاول أن تفهم قصة عميلك الكاملة. قد تتفاجأ، مثلنا تماماً، أن بطلك الحقيقي كان مختبئاً في الظل طوال هذا الوقت.
توقفوا عن حرق أموالكم، وابدأوا في استثمارها بذكاء. الله يوفقكم جميعاً. 🚀
