ميزانيتنا الإعلانية كانت تحترق: كيف أنقذتنا ‘نمذجة الإحالة’ من جحيم الإنفاق الأعمى؟

يا جماعة الخير، خليني أحكيلكم قصة صارت معي قبل كم سنة. كنت بشتغل مع شركة ناشئة متحمسة، الشباب فيها شعلة نشاط، وعندهم منتج رقمي “بجنن”. المشكلة وين؟ الميزانية الإعلانية كانت بتطير أسرع من سرعة الضو، والمصاري “بتنحرق” حرق على حملات فيسبوك، جوجل، إعلانات مؤثرين، ومقالات مدفوعة.

بتذكر منيح هداك الاجتماع الصعب. المدير المالي كان وجهه أحمر من العصبية، وفاتح جداول الإكسل وبيصرخ: “يا جماعة، صرفنا ٥٠ ألف دولار الشهر الماضي، والنتائج مش واضحة! وين بتروح هالمصاري؟”. فريق التسويق يدافع، وفريق المبيعات يشتكي، والجو كان، على بلاطة، “مكهرب”. الكل بيشتغل، بس زي اللي بحرث في البحر.

كانت المشكلة الأساسية إننا ما كنا بنعرف نجاوب على سؤال بسيط: أي قناة تسويقية بتجيب لنا العملاء اللي “بدفعوا” فعلاً؟ هل هو إعلان الفيسبوك اللي شافه العميل أول مرة؟ ولا فيديو اليوتيوب التعليمي اللي حضره بعدها بأسبوع؟ ولا هو بحث جوجل اللي عمله قبل ما يشتري مباشرة؟

هون، بصفتي رجل البيانات والبرمجة في الفريق، رفعت إيدي وحكيت: “يا جماعة، المشكلة مش في قنوات التسويق، المشكلة في نظارتنا اللي بنشوف فيها النتائج. إحنا بنشتغل بعقلية الإنفاق الأعمى، والحل اسمه ‘نمذجة الإحالة’ أو Attribution Modeling”. كانت هاي هي اللحظة اللي بدأنا فيها رحلة إنقاذ ميزانيتنا من الجحيم.

ما هي “نمذجة الإحالة” (Attribution Modeling) على بلاطة؟

قبل ما أدخل في التفاصيل التقنية، تخيل معي إن فريق كرة قدم سجل هدف خرافي. مين بستحق التقدير؟

• المهاجم اللي سدد الكرة في الشبكة؟
• لاعب الوسط اللي أعطاه التمريرة الحاسمة (الأسيست)؟
• المدافع اللي قطع الكرة من الخصم وبدأ الهجمة من الأصل؟

الحقيقة إن كلهم الهم فضل، صح؟ لو أعطيت كل الفضل للمهاجم اللي سجل الهدف، بتكون ظلمت باقي الفريق اللي تعب وجهّز لهاللحظة. هاد بالضبط اللي بصير في عالم التسويق الرقمي.

نمذجة الإحالة (Attribution Modeling) هي ببساطة الطريقة أو “القانون” اللي بنستخدمه عشان نوزع الفضل في عملية الشراء (أو أي تحويل آخر) على نقاط التفاعل المختلفة اللي مر فيها العميل في رحلته. بدل ما نحكي “إعلان جوجل هو اللي جاب البيعة”، بنصير نحكي “إعلان جوجل ساهم بنسبة ٤٠٪، ومقال المدونة ساهم بـ ٢٠٪، والبريد الإلكتروني ساهم بـ ٤٠٪”.

ليش أغلب الشركات بتفشل في الموضوع هاد؟ جحيم “النقرة الأخيرة”

أغلب المنصات الإعلانية والتحليلية، بشكل افتراضي، بتستخدم أبسط وأخطر نموذج على الإطلاق: نموذج “النقرة الأخيرة” (Last-Click Attribution). وهون بتبدأ الكارثة.

جحيم “النقرة الأخيرة” (The Hell of the Last-Click)

هذا النموذج بيعطي ١٠٠٪ من الفضل لآخر قناة تفاعل معها العميل قبل الشراء. خلينا نرجع لمثالنا:

1. العميل شاف منتجك على إعلان إنستغرام (نقطة التفاعل ١).
2. بعد يومين، شاف مراجعة للمنتج على يوتيوب من مؤثر (نقطة التفاعل ٢).
3. بعد أسبوع، قرر يشتري، فبحث عن اسم المنتج على جوجل وضغط على إعلانك المدفوع واشترى (نقطة التفاعل ٣ – التحويل).

حسب نموذج “النقرة الأخيرة”، إعلان جوجل بياخد ١٠٠٪ من الفضل. النتيجة؟ رح يجي مدير التسويق ويحكي: “إعلانات جوجل خارقة! خلينا نزيد ميزانيتها ونوقف حملات إنستغرام ويوتيوب لأنها ما بتجيب نتائج”.

هل بتشوف الكارثة؟ لو أوقفنا إعلانات إنستغرام ويوتيوب، العميل أصلاً ما كان ليعرف عن المنتج أو يقتنع فيه عشان يبحث عنه في جوجل! إحنا فعلياً بنكون قتلنا القنوات اللي بتبني الوعي والاهتمام، وكله بسبب نظرة قاصرة ومعتمدة على آخر خطوة فقط.

نصيحة أبو عمر: إذا كانت تحليلاتك معتمدة بالكامل على “النقرة الأخيرة”، فأنت لا ترى سوى ١٠٪ من الصورة الكاملة، وربما تكون على وشك اتخاذ قرارات كارثية.

النماذج اللي بتعمل شغل مرتب: النماذج متعددة اللمسات (Multi-Touch Attribution)

الحل هو الخروج من هذا النفق المظلم وتبني نماذج أكثر عدلاً وذكاءً، وهي النماذج اللي بتعترف بوجود “فريق” تسويقي كامل، مش مجرد “هداف” واحد. هاي بنسميها نماذج “متعددة اللمسات”.

النموذج الخطي (Linear Model)

هاد النموذج بسيط وعادل. بيوزع الفضل بالتساوي على كل نقاط التفاعل في رحلة العميل. في مثالنا السابق، إنستغرام ويوتيوب وجوجل، كل واحد فيهم بياخد ٣٣.٣٪ من الفضل. هاد النموذج بداية ممتازة لأنه بيجبرك تعترف بأهمية كل القنوات.

نموذج التدهور الزمني (Time-Decay Model)

هون المنطق بقول: كلما كانت نقطة التفاعل أقرب لعملية الشراء، كلما كانت أهم. ففي مثالنا، إعلان جوجل بياخد الحصة الأكبر من الفضل، اليوتيوب أقل شوي، والإنستغرام أقل شي. هاد النموذج مفيد جداً في الحملات الترويجية قصيرة المدى أو دورات البيع السريعة.

النموذج القائم على الموضع (Position-Based / U-Shaped)

هاد النموذج بعتبره من المفضلين عندي. بيعطي أهمية خاصة لنقطتين: النقطة الأولى (اللي فتحت عين العميل على المنتج) والنقطة الأخيرة (اللي حسمت عملية الشراء). بيعطيهم مثلاً ٤٠٪ لكل واحدة منهم، والـ ٢٠٪ الباقية بتتوزع على كل النقاط اللي في الوسط.

ليش بحبه؟ لأنه بيعترف بأهمية قنوات “بناء الوعي” (Awareness) وقنوات “إغلاق الصفقة” (Closing) بنفس الوقت.

درة التاج: النموذج القائم على البيانات (Data-Driven Attribution – DDA)

هون بتبلش متعة الذكاء الاصطناعي وتعلم الآلة. بدل ما إحنا نختار “قانون” ثابت (مثل الخطي أو القائم على الموضع)، بنترك الخوارزميات تحلل آلاف بل ملايين المسارات للمستخدمين، وتشوف إحصائياً أي نقاط التفاعل كان لها التأثير الأكبر على قرار الشراء.

هذا النموذج هو الأكثر دقة، لكنه يحتاج كمية كبيرة من البيانات ليعمل بشكل صحيح. منصات مثل Google Analytics 4 و Google Ads بتقدمه بشكل مدمج، لكنه بيتطلب يكون عندك عدد معين من التحويلات شهرياً عشان يتفعل.

كيف طبقنا هالحكي عملياً؟ قصة نجاح من أرض الواقع

طيب، نرجع لشركتنا اللي كانت بتحرق مصاريها. شو عملنا؟

1. تجميع البيانات النظيفة: أول خطوة كانت “تنظيف البيت”. تأكدنا إن كل حملاتنا الإعلانية (من فيسبوك لجوجل لإيميلات) بتستخدم UTM Parameters بشكل موحد وصحيح. بدونها، كل البيانات اللي بتجمعها بتكون فوضى.
2. مركزية البيانات: استخدمنا Google Analytics كمركز لتجميع كل البيانات من كل القنوات. ربطنا حساب Google Ads، وقمنا باستيراد بيانات التكلفة من فيسبوك، وتتبعنا الأهداف (Conversions) بشكل دقيق.
3. المقارنة والتحليل: داخل Google Analytics، في أداة اسمها “Model Comparison Tool”. هاي الأداة كانت كنز! سمحت لنا نقارن بين نموذج “النقرة الأخيرة” ونماذج أخرى مثل “الخطي” و “القائم على الموضع”.

المفاجأة: لما قارنا، اكتشفنا إنه حسب نموذج “النقرة الأخيرة”، كانت قنوات “السوشيال ميديا المدفوعة” تبدو فاشلة. لكن لما طبقنا النموذج “القائم على الموضع”، اكتشفنا إنها مسؤولة عن بدء أكثر من ٦٠٪ من رحلات العملاء الناجحة! كانت هي اللي بتعرف الناس علينا، وجوجل كان بيجي ليحصد الزرع اللي زرعته السوشيال ميديا.

القرار: بدل ما نوقف حملات السوشيال ميديا، قمنا بتحسينها وتخصيص ميزانية أكبر لها في مرحلة “الوعي”، مع الحفاظ على ميزانية قوية لجوجل في مرحلة “اتخاذ القرار”. النتيجة؟ خلال ٣ شهور، زادت المبيعات بنسبة ٤٠٪ مع تخفيض تكلفة الاستحواذ على العميل (CAC) بنسبة ٢٥٪.

مثال كود بسيط بلغة Python لتوضيح الفكرة

عشان أوضح الفرق بين النماذج، شوفوا هالكود البسيط بلغة Python. تخيل عندنا بيانات عن رحلات العملاء في ملف CSV:

import pandas as pd

# بيانات افتراضية لرحلات العملاء
data = {'user_id': [1, 1, 1, 2, 2, 3, 3, 3, 3],
        'channel': ['facebook', 'blog', 'google', 'youtube', 'google', 'facebook', 'email', 'blog', 'google'],
        'timestamp': [1, 2, 3, 1, 2, 1, 2, 3, 4],
        'conversion': [0, 0, 1, 0, 1, 0, 0, 0, 1]}

df = pd.DataFrame(data)
converted_journeys = df[df['conversion'] == 1]

# 1. نموذج النقرة الأخيرة (Last-Click)
last_click_attribution = df[df['conversion'] == 1]['channel'].value_counts()
print("--- Last-Click Attribution ---")
print(last_click_attribution)

# 2. نموذج النقرة الأولى (First-Click)
first_touch_channels = df.loc[df.groupby('user_id')['timestamp'].idxmin()]
first_click_attribution = first_touch_channels[first_touch_channels['user_id'].isin(converted_journeys['user_id'])]['channel'].value_counts()
print("n--- First-Click Attribution ---")
print(first_click_attribution)

# 3. نموذج خطي (Linear)
# نجد كل القنوات في الرحلات التي أدت لتحويل
journeys_with_conversion = df[df['user_id'].isin(converted_journeys['user_id'])]
linear_attribution = journeys_with_conversion['channel'].value_counts()
print("n--- Linear Attribution (approx.) ---")
print(linear_attribution)

لاحظ كيف أن كل نموذج يعطينا قصة مختلفة تماماً عن القنوات الأكثر أهمية! “النقرة الأخيرة” تعطي كل الفضل لجوجل، بينما “النقرة الأولى” تظهر أهمية فيسبوك ويوتيوب، والنموذج الخطي يوزع الفضل بشكل أوسع.

نصائح أبو عمر الذهبية

• لا يوجد نموذج واحد “صحيح” للجميع: النموذج الأفضل يعتمد على طبيعة عملك، طول دورة المبيعات، وأهدافك التسويقية.
• ابدأ بالبسيط ثم تعقّد: لا تقفز مباشرة للنماذج المعقدة. ابدأ بالمقارنة بين “النقرة الأخيرة” والنموذج “الخطي” في Google Analytics. هذه الخطوة وحدها ستفتح عينيك على أمور كثيرة.
• البيانات هي النفط الجديد، بس بدها تكرير: نظافة البيانات وتوحيدها (خاصة باستخدام UTMs) هي ٩٠٪ من الشغل. بيانات فوضوية = تحليلات فوضوية.
• ركز على ‘رحلة العميل’ كاملة: فكر في التسويق على أنه قصة ترويها للعميل، لها بداية (وعي)، ووسط (اهتمام)، ونهاية (شراء). نمذجة الإحالة تساعدك على رؤية هذه القصة بوضوح.

الخلاصة: من حرق المصاري… لإنفاق بذكاء 🧠

في النهاية، نمذجة الإحالة ليست ترفاً تقنياً أو مصطلحاً معقداً للمبرمجين. إنها بوصلة أساسية لكل مسوق ومدير يريد أن يتأكد أن كل دولار يتم إنفاقه يذهب للمكان الصحيح. لقد نقلتنا من حالة “الإنفاق الأعمى” المبني على التخمين إلى “الاستثمار الذكي” المبني على البيانات.

فيا صديقي المسوق أو صاحب العمل، لا تدع ميزانيتك تحترق. ابدأ اليوم، افتح تحليلاتك، غيّر نظارتك من “النقرة الأخيرة” إلى نظرة أوسع، وستتفاجأ من الفرص التي كنت تضيعها. والله الموفق.