يا أهلاً وسهلاً فيكم، معكم أخوكم أبو عمر.
قبل فترة، كنت أساعد فريق في شركة ناشئة صديقة، خلينا نسميها “متجر زيتونتي”، وهو متجر إلكتروني ببيع منتجات فلسطينية أصيلة من زيت زيتون وزعتر ودقة وغيرها. الأمور كانت ماشية، والمبيعات بتيجي، لكن كان في نقاش دايماً على طاولة الاجتماعات: وين نصرف ميزانية التسويق؟
فتحنا تقرير Google Analytics، والأرقام كانت واضحة زي عين الشمس. أغلب المبيعات (التحويلات) جاية من قناتين: “الزيارات المباشرة” (Direct) و”بحث عضوي” (Organic Search). أما إعلانات فيسبوك وإنستغرام المدفوعة، فكانت حصتها من المبيعات النهائية قليلة جداً، يا دوب 5%. المدير التنفيذي، وهو رجل أعمال بحب الأرقام المباشرة، كان قراره شبه محسوم: “يا جماعة، ليش بنكب مصاري على إعلانات السوشيال ميديا إذا ما بتجيب مبيعات؟ خلينا نوقفها ونحط كل الميزانية في تحسين محركات البحث (SEO) وحملات البراندينج عشان الناس تصير تكتب اسم موقعنا مباشرة.”
للوهلة الأولى، كلامه منطقي 100%. لكن أنا، بطبعي كـ”خُتْيار” برمجة بحب أحفر ورا الأرقام، حسيت إنه في إشي غلط. قلتلهم: “يا جماعة الخير، استهدوا بالله. معقول الناس بتصحى من النوم فجأة وبيخطر على بالها تكتب ‘متجر زيتونتي.كوم’؟ أكيد في إشي عرّفهم علينا بال الأول. حاسس إنه إعلانات فيسبوك بتلعب دور إحنا مش شايفينه.”
هذا الموقف هو اللي خلاني أغوص في عالم اسمه “نماذج الإحالة” (Attribution Models)، وهو الموضوع اللي رح نحكي فيه اليوم بالتفصيل. حكاية كيف اكتشفنا إنا كنا على وشك نكافئ القناة الغلط، ونعاقب القناة اللي كانت هي البطل الحقيقي في الخفاء.
ما هي نماذج الإحالة (Attribution Models) وليش هي مهمة؟
ببساطة، نموذج الإحالة هو القاعدة أو الطريقة اللي بنستخدمها عشان نوزّع “الفضل” في تحقيق عملية بيع أو تحويل (Conversion) على القنوات التسويقية المختلفة اللي تفاعل معها العميل خلال رحلته.
الحكاية بتبدأ من “رحلة العميل” (The Customer Journey)
تخيل معي رحلة عميل اسمه “خالد”. خالد ما بيصحى الصبح وبقرر يشتري زيت زيتون من متجرنا. رحلته أعقد من هيك بكثير:
- الإثنين: خالد كان بقلّب في فيسبوك، وطلعله إعلان ممول لـ”متجر زيتونتي” مع فيديو حلو عن عصر الزيتون. عجبه الإعلان، بس ما ضغط عليه وكمل تصفح. (هنا تم زرع البذرة الأولى).
- الأربعاء: خالد كان بحكي مع أهله، وحكوله إنه زيت الزيتون اللي بالبيت قرب يخلص. تذكر اسم المتجر اللي شافه.
- الخميس: فتح جوجل وبحث عن “شراء زيت زيتون فلسطيني أصلي”. طلعله موقع “متجر زيتونتي” في نتائج البحث العضوية (SEO)، فدخل وتصفح المنتجات وقرأ شوي عن المتجر.
- السبت: وهو بتصفح موقع إخباري، طلعله إعلان إعادة استهداف (Retargeting) من “متجر زيتونتي” عليه خصم 10%.
- الأحد: خالد قرر يشتري. فتح المتصفح وكتب مباشرة “متجر زيتونتي.كوم”، دخل على الموقع، وأتم عملية الشراء.
السؤال الآن: مين بستحق الشكر على هاي المبيعة؟ إعلان فيسبوك؟ بحث جوجل؟ إعلان إعادة الاستهداف؟ أم الزيارة المباشرة الأخيرة؟ هنا يأتي دور نماذج الإحالة.
النماذج التقليدية: نظرة قاصرة على الحقيقة
الأنظمة التحليلية، زي Google Analytics بنسخته القديمة (Universal Analytics)، كانت تعتمد بشكل افتراضي على نموذج واحد مشهور جداً، لكنه خدّاع:
- نموذج اللمسة الأخيرة (Last-Click Attribution): هاد النموذج بعطي 100% من الفضل لآخر قناة تفاعل معها العميل قبل الشراء. في قصة خالد، قناة “الزيارات المباشرة” هي اللي بتاخد كل المجد. وهذا بالضبط اللي كان يصير معنا في “متجر زيتونتي”، وهو سبب قرارنا الخاطئ تقريباً.
هذا النموذج زي اللي بكافئ بس اللاعب اللي سجل الهدف، وبتجاهل تماماً المدافع اللي قطع الكرة ولاعب الوسط اللي صنع الهجمة. شغل ظالم!
- نموذج اللمسة الأولى (First-Click Attribution): عكس اللي قبله تماماً. بعطي 100% من الفضل لأول قناة لمست العميل. في قصة خالد، إعلان فيسبوك هو البطل. هاد النموذج أفضل لأنه بيوضحلك القنوات اللي بتجيب وعي، لكنه برضه بظلم القنوات اللي بتقنع العميل وبتحسم قراره.
- النموذج الخطي (Linear Attribution): بحاول يكون عادل، فبوزع الفضل بالتساوي على كل القنوات في رحلة العميل. في قصة خالد، كل قناة من الأربعة (فيسبوك، بحث جوجل، إعلان إعادة الاستهداف، مباشر) بتاخد 25%. فكرة حلوة، بس هل كل اللمسات متساوية في الأهمية فعلاً؟
- نموذج التلاشي الزمني (Time Decay Attribution): هاد أذكى شوي. بعطي فضل أكبر للقنوات الأقرب لزمن الشراء. يعني الزيارة المباشرة بتاخد الحصة الأكبر، وإعلان فيسبوك اللي كان قبل أسبوع باخد الحصة الأقل.
- نموذج حسب الموضع (Position-Based Attribution): مشهور كمان باسم “U-Shaped”. بعطي 40% للّمسة الأولى، و40% للّمسة الأخيرة، وبوزع الـ 20% الباقية على كل القنوات اللي بالنص. منطقي لأنه بكافئ قناة الاكتشاف وقناة الإغلاق.
كل هاي النماذج أفضل من الاعتماد الأعمى على “اللمسة الأخيرة”، لكنها كلها تعتمد على “قواعد” ثابتة إحنا بنحطها. ما بتستخدم ذكاء حقيقي عشان تفهم التأثير الفعلي لكل قناة. وهنا بيجي دور بطل قصتنا الحقيقي.
بطل القصة: نموذج الإحالة القائم على البيانات (Data-Driven Attribution – DDA)
هذا النموذج هو اللي قلب الطاولة في “متجر زيتونتي”. بدل ما يعتمد على قاعدة ثابتة، بيستخدم خوارزميات تعلم الآلة (Machine Learning) لتحليل بياناتك أنت بالتحديد، ويبني نموذج مخصص إلك.
كيف بشتغل هاد الأسلوب الذكي؟
الفكرة عبقرية وبسيطة في مفهومها. الخوارزمية بتعمل شغلتين أساسيتين:
- تحليل كل المسارات: بتطلع على كل مسارات العملاء اللي أدّت لعملية شراء، وكمان كل المسارات اللي لم تؤدِ لعملية شراء.
- المقارنة وحساب الاحتمالات: بتبدأ تقارن بين هاي المسارات. على سبيل المثال، بتشوف كل المسارات اللي فيها “إعلان فيسبوك” وقديش نسبة الشراء فيها، وتقارنها بالمسارات اللي ما فيها “إعلان فيسبوك”. من خلال مقارنة آلاف المسارات، بتقدر تحدد “الزيادة في احتمالية الشراء” اللي بتضيفها كل قناة.
بالمختصر، النموذج ما بسأل “مين كان الأخير؟”، بل بسأل: “لما كانت قناة X موجودة في الرحلة، قديش زادت فرصة العميل إنه يشتري؟”. هذا هو الفرق الجوهري.
متى بنقدر نستخدمه؟
الجميل في الأمر أن منصة Google Analytics 4 (GA4) صارت تعتمد هذا النموذج كخيار افتراضي (إذا توفرت لديك البيانات الكافية). لكن في شرط: لازم يكون عندك حجم بيانات جيد عشان الخوارزمية تشتغل صح. جوجل ما بتعلن عن الأرقام بالضبط، لكن بشكل عام، بتحتاج مئات التحويلات وآلاف المسارات شهرياً عشان النموذج يكون دقيق إحصائياً.
العودة إلى “متجر زيتونتي”: التجربة العملية والنتائج الصادمة
بعد ما شرحت الفكرة للفريق، اقتنعوا يعطوني فرصة. كان موقعنا مربوط بـ GA4، والبيانات متوفرة. غيرنا نموذج الإحالة في التقارير من “Last Click” إلى “Data-Driven”. النتائج كانت… صادمة.
من النظرية للتطبيق: كيف حللنا البيانات؟
في GA4، التغيير بسيط جداً. بتروح على Admin > Attribution Settings وبتختار Data-Driven Model. لكن عشان نفهم المبدأ بشكل أعمق، أحياناً بنحتاج نحلل البيانات يدوياً، خصوصاً لو كانت بياناتنا من مصادر مختلفة. ممكن نستخدم لغات برمجة مثل Python لهذا الغرض.
هذا مثال بسيط جداً بلغة بايثون باستخدام مكتبة Pandas عشان يوضح فكرة تجميع مسارات العملاء، وهي الخطوة الأولى قبل تطبيق أي نموذج إحالة:
import pandas as pd
# بيانات افتراضية لرحلة العملاء
# في الواقع، هاي البيانات بتكون آلاف الأسطر
data = {
'user_id': [1, 1, 1, 2, 2, 3, 3, 3, 3, 4, 4],
'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',
'2023-10-03', '2023-10-04']),
'channel': ['Social', 'Organic Search', 'Direct', 'Paid Search', 'Direct',
'Social', 'Display', 'Organic Search', 'Direct', 'Social', 'Email'],
'conversion': [0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0] # 1 يعني شراء، 0 يعني لا
}
df = pd.DataFrame(data)
# ترتيب البيانات حسب المستخدم والوقت
df = df.sort_values(['user_id', 'timestamp'])
# تجميع المسارات لكل مستخدم
# بنفصل بين القنوات بـ " > "
paths = df.groupby('user_id')['channel'].apply(lambda x: ' > '.join(x)).reset_index()
paths.rename(columns={'channel': 'path'}, inplace=True)
# معرفة المسارات اللي انتهت بشراء
conversions = df.groupby('user_id')['conversion'].max().reset_index()
# دمج البيانات مع بعض
final_data = pd.merge(paths, conversions, on='user_id')
print("مسارات العملاء مع نتيجة التحويل النهائية:")
print(final_data)
# user_id path conversion
# 0 1 Social > Organic Search > Direct 1
# 1 2 Paid Search > Direct 1
# 2 3 Social > Display > Organic Search > Direct 1
# 3 4 Social > Email 0
# من هنا، يمكن تطبيق خوارزميات متقدمة (مثل Markov Chains أو Shapley Value)
# لحساب مساهمة كل قناة. لكن هذا يوضح الخطوة الأولى الأساسية.
النتائج: “فيسبوك ما كان فاشل يا جماعة!”
بعد تفعيل نموذج DDA في GA4، اجتمعنا مرة ثانية لنشوف الأرقام الجديدة. كانت مثل الليل والنهار:
توزيع الفضل على القنوات (مثال توضيحي):
- باستخدام نموذج اللمسة الأخيرة (الوضع القديم):
- الزيارات المباشرة (Direct): 60%
- البحث العضوي (Organic Search): 30%
- إعلانات مدفوعة (Paid Search): 5%
- شبكات التواصل (Social): 5%
- باستخدام نموذج قائم على البيانات (DDA – الوضع الجديد):
- البحث العضوي (Organic Search): 35%
- شبكات التواصل (Social): 30%
- إعلانات مدفوعة (Paid Search): 20%
- الزيارات المباشرة (Direct): 15%
انفجرت القاعة بالنقاش! قناة “شبكات التواصل” قفزت من 5% إلى 30%! لم تكن قناة فاشلة على الإطلاق، بل كانت هي “صانع الألعاب” الخفي. كانت هي القناة اللي بتعرّف الناس على “متجر زيتونتي” لأول مرة (قناة اكتشاف)، وبتخليهم يفكروا فينا. أما الزيارات المباشرة، فكان دورها أقل بكثير مما كنا نعتقد، هي مجرد الخطوة الأخيرة السهلة بعد ما يكون العميل قد اتخذ قراره بالفعل بفضل القنوات الأخرى.
لو كنا اتبعنا القرار الأول وأوقفنا إعلانات السوشيال ميديا، لكنا عملياً قطعنا الشريان الرئيسي اللي بغذي قمة القمع التسويقي (Top of the Funnel)، وبعد فترة كنا رح نلاقي إنه حتى زيارات البحث والزيارات المباشرة بدأت تنخفض، وما رح نكون فاهمين ليش!
نصائح أبو عمر العملية للبدء بنمذجة الإحالة
من تجربتي هاي وتجارب غيرها، جمعتلكم شوية نصائح عملية عشان تبدأوا صح:
- نظّف بيتك أولاً: قبل ما تفكر بأي نموذج معقد، تأكد مليون بالمية إنه تتبعك (Tracking) سليم. استخدم وسوم UTM (UTM Parameters) بشكل منظم وموحد لكل حملاتك. تذكر القاعدة الذهبية: “إذا المدخلات زبالة، المخرجات رح تكون أزبل.”
- تدرّج في التعقيد: إذا كنت لسه بتستخدم نموذج اللمسة الأخيرة، لا تقفز مباشرة لأعقد شيء. جرب تنتقل لنموذج أبسط مثل “حسب الموضع” (Position-Based) أو “التلاشي الزمني” (Time Decay) في تقاريرك. هذا بحد ذاته رح يعطيك رؤية أفضل بكثير.
- اعتنق Google Analytics 4: إذا لسه ما نقلت على GA4، فأنت متأخر جداً. GA4 مبني حول فكرة “الرحلة” وليس “الجلسة”، ونموذج DDA هو قلبه النابض. ابدأ باستخدامه واستكشاف تقاريره اليوم.
- فكر أبعد من الشاشة: التحدي الحقيقي هو دمج القنوات غير الرقمية (Offline Channels) في نموذج الإحالة. هل عندك محل على الأرض؟ هل بتشارك في معارض؟ حاول تلاقي طرق (مثل أكواد الخصم الحصرية) لربط هاي الأنشطة بالبيانات الرقمية.
- الإحالة أداة توجيه، وليست طيار آلي: حتى أذكى نموذج إحالة هو مجرد أداة. لا تتخذ قراراتك بشكل أعمى بناءً عليها فقط. اجمع بين رؤى البيانات وفهمك للسوق، وسلوك عملائك، والمنطق البشري.
الخلاصة: لا تحكم على الكتاب من غلافه، ولا على القناة من لمستها الأخيرة 🤷♂️
قصة “متجر زيتونتي” علمتنا درس مهم جداً في عالم التسويق الرقمي: الأرقام التي تبدو واضحة على السطح قد تكون خادعة جداً. الاعتماد على نموذج “اللمسة الأخيرة” يشبه النظر إلى آخر مشهد في فيلم ومحاولة فهم القصة كلها.
رحلة العميل اليوم معقدة ومتشعبة، وتمر عبر العديد من المحطات قبل الوصول إلى وجهتها النهائية. ونحن كمسوقين ومحللين، مهمتنا ليست فقط رؤية الوجهة، بل فهم الطريق بأكمله. نموذج الإحالة القائم على البيانات (DDA) هو أفضل خريطة نمتلكها اليوم لفهم هذا الطريق.
نصيحتي الأخيرة إلك: كن فضولياً دائماً. شكك في الإعدادات الافتراضية. ابحث عن “القصة الكاملة” وراء الأرقام. هذا هو ما يميز المحلل الشاطر عن غيره. لا تكن ضحية للقرارات العمياء، وامنح كل قناة تسويقية حقها بناءً على مساهمتها الحقيقية، وليس فقط ظهورها في خط النهاية.
الله يوفقكم جميعاً.
