كنا نجهل أين نصرف ميزانيتنا: كيف أنقذتنا ‘نماذج الإحالة المبنية على البيانات’ من ضياع أموال الإعلانات؟

أذكرها وكأنها البارحة، جلسنا في غرفة الاجتماعات الصغيرة لشركتنا الناشئة. على الطاولة أكواب قهوة فارغة، وعلى وجوه الفريق علامات إرهاق لا تخطئها عين. كان المدير المالي، صاحبنا أبو أحمد، يضرب بأصابعه على الطاولة وهو يقول بنبرة لا تخلو من عتب: “يا جماعة، الأرقام مش راكبة! بنصرف آلاف الدولارات على الإعلانات، والمبيعات بتزيد شوي شوي. المصاري هاي وين بتروح؟”.

نظر مدير التسويق، شاب طموح ومجتهد، في تقاريره وقال: “حسب تحليلات جوجل، معظم مبيعاتنا بتيجي من إعلانات فيسبوك اللي بنعملها قبل الشراء مباشرةً. باقي الحملات… شكلها بس للفرجة”.

هنا شعرت أن “القصة مش هيك بتنحسب”. بصفتي المبرمج ومسؤول البيانات في الفريق، كنت أرى خيوطاً لا يراها الآخرون. العميل لا يستيقظ صباحاً ويقرر الشراء من أول إعلان يراه. هناك رحلة، هناك قصة، ونحن كنا نقرأ الفصل الأخير فقط وننسب له كل الفضل.

قلت بهدوء: “يا جماعة، المشكلة مش في الإعلانات، المشكلة في ‘المسطرة’ اللي بنقيس فيها. مسطرتنا مكسورة وقاعدة بتغشنا كلنا”. صمت الجميع ونظروا إليّ. كانت تلك اللحظة التي بدأنا فيها رحلتنا من جحيم “النقرة الأخيرة” إلى نعيم “نماذج الإحالة المبنية على البيانات”. وهذه هي قصتنا.

جحيم “النقرة الأخيرة”: لماذا كنا نُحرق أموالنا؟

لكي تفهموا حجم المشكلة، دعوني أشرح لكم ما كنا نفعله. كنا نعتمد، مثل 90% من الشركات في ذلك الوقت، على نموذج إحالة يُدعى “النقرة الأخيرة” (Last-Click Attribution). هذا النموذج، ببساطة، يعطي 100% من الفضل في عملية البيع لآخر قناة تفاعل معها العميل قبل الشراء.

تخيلوا معي هذا السيناريو، وهو سيناريو حقيقي لعملائنا:

1. الإثنين: يرى أحمد إعلان فيديو جذاب لمنتجنا على يوتيوب وهو يتصفح (لا ينقر، فقط يشاهد).
2. الأربعاء: يقرأ مقالاً في مدونة مشهورة تتحدث عن نوعية المنتجات التي نبيعها، ويوجد رابط لمتجرنا (ينقر ويتصفح قليلاً ثم يغادر).
3. الجمعة: يبحث في جوجل عن “أفضل منتج لـ[كذا]”، فيظهر له إعلاننا في نتائج البحث (ينقر، يضيف المنتج للسلة، لكنه يتردد ويغلق الموقع).
4. السبت: يظهر له إعلان إعادة استهداف (Retargeting) على فيسبوك بصورة المنتج الذي أضافه للسلة مع خصم 10% (ينقر على الإعلان ويُتمم عملية الشراء).

حسب نموذج “النقرة الأخيرة”، من الذي يستحق كل الشكر (والميزانية)؟ إعلان فيسبوك. سيحصل على 100% من الفضل. أما إعلان يوتيوب الذي زرع الفكرة، والمقالة التي بنت الثقة، وبحث جوجل الذي أظهر نيتنا الجادة، فكلها ستحصل على صفر كبير. “يعطيهم العافية” بدون أي تقدير.

كان قرارنا بناءً على هذا النموذج هو: “لنوقف ميزانية يوتيوب والمدونات، ونضخ كل أموالنا في إعلانات فيسبوك المباشرة”. كدنا أن نرتكب خطأً قاتلاً بقطع الأغصان التي كانت تغذي شجرتنا من الجذور.

الخروج من النفق: رحلتنا إلى عالم نماذج الإحالة (Attribution Models)

عندما تكون البيانات هي لغتك، تدرك أن لكل رقم قصة. الحل كان في تغيير طريقة قراءتنا للقصة. بدأتُ بالبحث وشرح المفهوم للفريق: نماذج الإحالة هي ببساطة “مجموعة قواعد لتوزيع الفضل” على نقاط التفاعل المختلفة في رحلة العميل.

نماذج الإحالة الكلاسيكية: نظرة سريعة

قبل القفز للحل السحري، كان لا بد من فهم الخيارات المتاحة، وهي أفضل من “النقرة الأخيرة” ولكنها لا تزال قاصرة:

• النقرة الأولى (First-Click): عكس السابقة تماماً. تعطي 100% من الفضل لأول نقطة تفاعل (في مثالنا، إعلان يوتيوب). مفيدة لمعرفة القنوات التي تجلب الوعي، لكنها تتجاهل كل ما يحدث بعدها.
• النموذج الخطي (Linear): يوزع الفضل بالتساوي على كل النقاط. في مثالنا، كل قناة (يوتيوب، مدونة، جوجل، فيسبوك) ستحصل على 25% من الفضل. هذا النموذج ديمقراطي، لكن هل كل التفاعلات متساوية في الأهمية حقاً؟
• نموذج التدهور الزمني (Time Decay): يعطي الفضل الأكبر للنقاط الأقرب لزمن الشراء. فيسبوك سيحصل على الحصة الأكبر، ثم جوجل، ثم المدونة، وأخيراً يوتيوب. منطقي، لكنه لا يزال يعتمد على افتراض ثابت.
• النموذج القائم على الموضع (Position-Based / U-Shaped): يعطي 40% للنقرة الأولى، و40% للنقرة الأخيرة، ويوزع الـ 20% المتبقية على النقاط التي في المنتصف. هذا النموذج يقدّر كلاً من “زارع الفكرة” و”الحاصد النهائي”، وهو خيار جيد للكثيرين.

هذه النماذج كانت خطوة كبيرة للأمام. بدأنا نرى قيمة قنوات كنا نهملها. لكنني كنت أعلم أن هناك ما هو أفضل. هناك حل لا يعتمد على “قواعد” بشرية، بل على ذكاء الآلة نفسها.

الضربة القاضية: نموذج الإحالة المبني على البيانات (Data-Driven Attribution – DDA)

هنا يكمن الجمال الحقيقي للذكاء الاصطناعي في التسويق. نموذج DDA لا يتبع قاعدة ثابتة مسبقاً. بدلاً من ذلك، يستخدم خوارزميات التعلم الآلي لتحليل كل مسارات العملاء الممكنة – تلك التي أدت إلى شراء وتلك التي لم تؤدِ إلى شراء.

كيف يعمل سحر الـ DDA؟ (ببساطة)

تخيل أن لديك آلاف المسارات مثل مسار “أحمد” الذي ذكرناه سابقاً. يقوم نموذج DDA بالآتي:

1. يبني نماذج احتمالية: يقارن بين مسارات العملاء الذين اشتروا والذين لم يشتروا.
2. يحدد التأثير الحقيقي: يبحث عن الأنماط. على سبيل المثال، قد يكتشف أن “العملاء الذين يشاهدون إعلان الفيديو على يوتيوب ثم يبحثون على جوجل خلال 3 أيام، احتمالية شرائهم تزيد بنسبة 30% مقارنة بمن لم يشاهدوا الفيديو”.
3. يوزع الفضل بذكاء: بناءً على هذه الزيادة في الاحتمالية (Incremental Lift)، يقوم بتوزيع الفضل. قد يعطي 15% ليوتيوب، و10% للمدونة، و35% لبحث جوجل، و40% لفيسبوك. الأرقام ليست ثابتة، بل هي نتيجة تحليل رياضي لبياناتك أنت تحديداً.

الـ DDA هو بمثابة وجود محلل بيانات خارق يعمل 24/7، يراقب كل رحلة عميل ويخبرك بالضبط بمدى مساهمة كل محطة في تلك الرحلة.

متى نستخدم الـ DDA؟ وهل هو للجميع؟

هنا يجب أن نكون عمليين. الـ DDA يحتاج إلى وقود، ووقوده هو البيانات. لكي تعمل الخوارزميات بشكل فعال، تحتاج إلى حجم معين من البيانات. على سبيل المثال، في منصة Google Analytics 4، تحتاج إلى حد أدنى من التحويلات والنقرات خلال فترة زمنية معينة (مثلاً، 300 تحويل و 3000 نقرة خلال 30 يوماً) لتفعيل النموذج.

نصيحة أبو عمر العملية: إذا كنت شركة ناشئة جداً وتحقق مبيعات قليلة شهرياً، قد لا يكون الـ DDA هو خيارك الأول. ابدأ بنموذج مثل الـ Position-Based أو Time-Decay. ولكن، ضع نصب عينيك أن هدفك هو جمع بيانات كافية لتفعيل الـ DDA في أقرب فرصة.

من النظرية إلى التطبيق: كيف طبقنا الـ DDA عمليًا؟

بمجرد أن اقتنع الفريق، بدأنا بالعمل. كانت رحلة من عدة خطوات:

الخطوة الأولى: توحيد وتنظيف البيانات

هذه أهم خطوة على الإطلاق. “إذا بتدخل بيانات خربانة، بتطلعلك تحليلات خربانة، بسيطة”. تأكدنا من أن كل حملاتنا في كل القنوات تستخدم معلمات UTM بشكل صحيح ومنظم. أصلحنا تتبع الأحداث (Events) في Google Tag Manager. تأكدنا من أن كل نقرة وكل تفاعل يتم تسجيله بشكل سليم. استغرق هذا أسبوعين من العمل المكثف، لكنه كان أساس كل شيء.

الخطوة الثانية: تفعيل الـ DDA في Google Analytics 4

لحسن الحظ، منصة GA4 تجعل هذا الأمر سهلاً نسبياً. بمجرد أن جمعنا البيانات الكافية، أصبح خيار DDA هو الخيار الافتراضي لمنصة التحليل. ذهبنا إلى قسم Admin > Attribution Settings وتأكدنا من أن “Data-driven” هو النموذج المختار للمنصة.

الخطوة الثالثة: مقارنة التقارير قبل وبعد 😮

بعد شهر من جمع البيانات تحت النموذج الجديد، عقدنا اجتماعاً آخر. هذه المرة، لم تكن هناك وجوه مرهقة، بل عيون تلمع بالدهشة. عرضت عليهم تقريرين، “قبل” (باستخدام Last-Click) و “بعد” (باستخدام DDA).

التقرير القديم (Last-Click):

• إعلانات فيسبوك (إعادة استهداف): 150 تحويلاً
• بحث جوجل (اسم العلامة التجارية): 80 تحويلاً
• حملات البريد الإلكتروني: 30 تحويلاً
• إعلانات يوتيوب (وعي): 5 تحويلات
• المدونات والمحتوى: 2 تحويل

التقرير الجديد (Data-Driven):

• إعلانات فيسبوك (إعادة استهداف): 95.7 تحويلاً (كانت تأخذ فضلاً أكثر من حقها)
• بحث جوجل (اسم العلامة التجارية): 60.2 تحويلاً (مهمة، لكنها ليست البداية)
• حملات البريد الإلكتروني: 45.5 تحويلاً (مهمة جداً في منتصف الرحلة)
• إعلانات يوتيوب (وعي): 55.1 تحويلاً (اكتشاف مذهل!)
• المدونات والمحتوى: 41.5 تحويلاً (كانت بطلاً مجهولاً!)

كانت لحظة صمت، ثم قال المدير المالي: “يعني كنا رح نلغي القناة اللي بتجيب النا أكثر من 50 عميل بالشهر؟”. كانت تلك هي اللحظة التي فهم فيها الجميع قوة البيانات.

للمهووسين بالبرمجة: لمحة عن بناء نموذجك الخاص

بصفتي مبرمجاً، أحب أن أرى ما يحدث خلف الكواليس. صحيح أننا نستخدم أدوات جاهزة، لكن فهم المنطق البرمجي يساعد. لنبني نموذجاً بسيطاً جداً بلغة بايثون لمحاكاة نموذج “خطي” (Linear) لفهم الفكرة:

import pandas as pd

# بيانات افتراضية لرحلات العملاء
data = {
    'user_id': [1, 1, 1, 2, 2, 3, 3, 3, 3],
    'channel': ['youtube', 'blog', 'facebook', 'google_search', 'facebook', 'youtube', 'google_search', 'email', 'facebook'],
    'is_conversion': [0, 0, 1, 0, 1, 0, 0, 0, 1]
}
df = pd.DataFrame(data)

# فلترة المسارات التي أدت إلى تحويل
conversion_paths = df[df['is_conversion'] == 1]

# قاموس لتخزين الفضل الموزع
attribution = {channel: 0.0 for channel in df['channel'].unique()}

# توزيع الفضل بنموذج خطي
for user in conversion_paths['user_id'].unique():
    path = df[df['user_id'] == user]
    touchpoints = path['channel'].tolist()
    credit_per_touchpoint = 1.0 / len(touchpoints)
    
    for touchpoint in touchpoints:
        attribution[touchpoint] += credit_per_touchpoint

# طباعة النتائج
print("Linear Attribution Results:")
for channel, credit in attribution.items():
    print(f"{channel}: {credit:.2f}")

# سيقوم هذا الكود البسيط بتوزيع الفضل بالتساوي على كل القنوات في المسار الذي أدى للشراء
# الـ DDA الحقيقي أعقد بمليون مرة، لكن هذا يوضح فكرة توزيع الفضل.

الخلاصة: من الظلام إلى النور 💡

الانتقال إلى نموذج الإحالة المبني على البيانات لم يكن مجرد تغيير تقني في لوحة التحكم. لقد كان تحولاً في طريقة تفكيرنا كشركة:

• توزيع أذكى للميزانية: بدأنا في الاستثمار بثقة في قنوات الوعي (Top of Funnel) مثل يوتيوب والمحتوى، مع علمنا أنها تساهم بشكل حقيقي في المبيعات النهائية.
• فهم أعمق للعميل: لم نعد نرى العميل كنقرة أخيرة، بل كإنسان يمر برحلة. أصبحنا نصمم حملاتنا لتناسب كل مرحلة من هذه الرحلة.
• توقفنا عن “تخمين” القرارات: بدلاً من “أعتقد أن هذه الحملة تعمل”، أصبحنا نقول “البيانات تظهر أن هذه الحملة تساهم بنسبة X% في زيادة احتمالية الشراء”.

نصيحتي الأخيرة لك، يا صديقي المسوّق أو صاحب العمل: لا تقع في فخ “النقرة الأخيرة”. رحلة عميلك أثمن وأعقد من ذلك. ابدأ اليوم في فحص “المسطرة” التي تستخدمها. قد تكون هي السبب في أنك تشعر بأنك تصب الماء في قربة مثقوبة.

لا تخافوا من البيانات، بل تعلموا كيف تسألونها الأسئلة الصحيحة. فالجواب الذي تبحثون عنه موجود هناك، ينتظر من يكتشفه. بالتوفيق! 💪