كانت قراراتنا التسويقية عمياء: كيف أنقذتنا ‘نمذجة الإحالة متعددة اللمسات’ من جحيم ‘النقرة الأخيرة’؟

يا جماعة الخير، السلام عليكم ورحمة الله وبركاته. معكم أخوكم أبو عمر.

قبل كم سنة، كنت أشتغل مع شركة ناشئة واعدة، الشباب فيها شعلة نشاط وطموحهم يوصل للسما. كانوا حاطين ميزانية تسويق محترمة، وكنا بنصرف على إعلانات جوجل، وفيسبوك، وتسويق محتوى، وشوية شغل على لينكدإن. الأمور كانت تبين تمام، والمبيعات بتيجي، والحمد لله.

لكن، في اجتماع من الاجتماعات، فتح المدير المالي تقرير “Google Analytics” وقال بنبرة حاسمة: “يا شباب، 90% من مبيعاتنا بتيجي من إعلانات البحث على جوجل. ليش قاعدين بنصرف فلوس على فيسبوك والمقالات؟ لازم نوقف كل القنوات الثانية ونضاعف ميزانية جوجل!”.

في هذيك اللحظة، حسّيت بغصة. كلامه منطقي حسب التقرير اللي قدامه، بس في إشي غلط. إحنا كمبرمجين بنعرف إنه “البيانات لا تكذب، لكن يمكنها أن تروي قصة غير كاملة”. التقرير كان معتمد على نموذج “النقرة الأخيرة” (Last-Click Attribution)، وهو باختصار بيعطي كل الفضل لآخر محطة وصلها العميل قبل ما يشتري.

وقفت وقلت: “يا جماعة، اسمحولي أشرحها بطريقة ثانية. تخيلوا فريق كرة قدم، لاعب الوسط الأول مرر الكرة للاعب الوسط الثاني، اللي مررها للمهاجم، والمهاجم سدد الهدف. هل من المنطق نعطي كل الراتب والمكافآت للمهاجم بس، ونطرد باقي الفريق؟ هذا بالضبط اللي بنعمله هلأ. إحنا بنشوف بس اللي سجّل الهدف، ومش شايفين كل التمريرات الحاسمة اللي وصّلته للمرمى”.

هذا الموقف كان نقطة التحول. من يومها، بدأنا رحلتنا من ظلام “النقرة الأخيرة” إلى نور “نمذجة الإحالة متعددة اللمسات”، وهي القصة اللي بدي أحكيلكم إياها اليوم.

جحيم “النقرة الأخيرة”: لماذا هو نموذج كارثي؟

قبل ما نغوص في الحلول، خلينا نفهم أصل المشكلة. نموذج “النقرة الأخيرة” (Last-Click Attribution) هو الإعداد الافتراضي في كثير من المنصات التحليلية. فكرته بسيطة: القناة التسويقية الأخيرة التي تفاعل معها العميل قبل إتمام عملية الشراء تحصل على 100% من الفضل.

مثال بسيط:

1. مستخدم رأى إعلان لمنتجك على فيسبوك (لم ينقر).
2. بعد يومين، قرأ مقالة في مدونتك عن المنتج (وصلها من نشرة بريدية).
3. بعد أسبوع، بحث عن اسم المنتج على جوجل، نقر على إعلانك، واشترى.

حسب نموذج النقرة الأخيرة، إعلان جوجل يحصل على 100% من الفضل. فيسبوك والنشرة البريدية؟ صفر. كأنهم مش موجودين.

المشاكل الرئيسية لنموذج النقرة الأخيرة:

• تقييم مبالغ فيه لقنوات “أسفل القمع” (Bottom-of-Funnel): مثل إعلانات البحث المباشرة (Branded Search) وإعادة الاستهداف (Retargeting). هذه القنوات مهمة، لكنها غالبًا ما تكون تحصيل حاصل لجهود سابقة.
• تجاهل تام لقنوات “أعلى القمع” (Top-of-Funnel): مثل الشبكات الاجتماعية، تسويق المحتوى، والوعي بالعلامة التجارية. هذه هي القنوات التي تعرّف الناس عليك في المقام الأول. قطع الميزانية عنها يعني أنك تجفف منابع عملائك المستقبليين.
• قرارات ميزانية مضللة: كما حدث في قصتي، قد تدفعك هذه البيانات لقتل قنوات تسويقية ناجحة لكن دورها يكمن في بداية رحلة العميل أو منتصفها.

نصيحة من أبو عمر: إذا كانت تقاريرك لا تزال تعتمد حصريًا على “النقرة الأخيرة”، فأنت تقود سيارتك في الليل وأضواؤك مطفأة، معتمدًا فقط على ضوء القمر الخافت. سترى شيئًا، لكنك ستفوت الكثير من تفاصيل الطريق المهمة.

الدخول إلى عالم الإحالة متعددة اللمسات (Multi-Touch Attribution)

هنا يأتي دور البطل في قصتنا. نمذجة الإحالة متعددة اللمسات (MTA) هي ببساطة محاولة توزيع الفضل على كل نقاط التلامس (Touchpoints) التي مر بها العميل في رحلته، وليس فقط النقطة الأخيرة. إنها تعترف بأن قرار الشراء هو رحلة، وليس حدثًا لحظيًا.

هناك عدة نماذج شائعة تحت مظلة MTA، كل منها يروي قصة مختلفة قليلاً. خلينا نستعرض أشهرها:

1. النموذج الخطي (Linear Model)

هذا هو النموذج الديموقراطي. يوزع الفضل بالتساوي على جميع نقاط التلامس في المسار.

• مثال: لو مر العميل بـ 4 نقاط تلامس (فيسبوك > مدونة > إيميل > بحث جوجل)، كل قناة ستحصل على 25% من الفضل.
• متى تستخدمه: جيد كنقطة بداية لأنه يعطي صورة كاملة عن كل القنوات المشاركة. مناسب للشركات التي تركز على الحفاظ على التواصل مع العميل طوال رحلته.

2. نموذج اضمحلال الوقت (Time Decay Model)

هذا النموذج يعطي فضلًا أكبر لنقاط التلامس الأقرب زمنيًا لعملية الشراء.

• مثال: في نفس السيناريو السابق، بحث جوجل سيحصل على الحصة الأكبر، يليه الإيميل، ثم المدونة، وأخيرًا فيسبوك سيحصل على أقل حصة.
• متى تستخدمه: مفيد في دورات المبيعات القصيرة، مثل العروض الترويجية المحدودة بوقت، حيث تكون التفاعلات الأخيرة هي الأكثر تأثيرًا على قرار الشراء الفوري.

3. النموذج القائم على الموضع (Position-Based أو U-Shaped Model)

هذا النموذج يركز على نقطتين رئيسيتين: نقطة التلامس الأولى (التي جلبت العميل) والنقطة الأخيرة (التي أغلقت الصفقة). يعطي 40% من الفضل للأولى، و40% للأخيرة، ويوزع الـ 20% المتبقية على النقاط التي في المنتصف.

• مثال: فيسبوك (أول لمسة) سيحصل على 40%، بحث جوجل (آخر لمسة) سيحصل على 40%، والمدونة والإيميل سيتقاسمان 20%.
• متى تستخدمه: ممتاز جدًا لفهم ما هي القنوات التي تجذب لك عملاء جدد، وما هي القنوات التي تقنعهم بالشراء.

4. النموذج المعتمد على البيانات (Data-Driven Model) – “شغل المبرمجين المرتب”

هذا هو النموذج الأذكى والأكثر تعقيدًا، وهو المفضل عندي كمتخصص في الذكاء الاصطناعي. هذا النموذج لا يتبع قاعدة ثابتة، بل يستخدم خوارزميات التعلم الآلي (Machine Learning) لتحليل كل مسارات العملاء (الذين اشتروا والذين لم يشتروا) لتحديد المساهمة الفعلية لكل نقطة تلامس.

• كيف يعمل: يقوم النموذج بمقارنة مسارات التحويل الناجحة بالمسارات غير الناجحة، ويستخدم نماذج إحصائية (مثل قيم شابلي أو سلاسل ماركوف) ليعطي كل قناة وزنها الحقيقي بناءً على تأثيرها الإحصائي في زيادة احتمالية التحويل.
• متى تستخدمه: عندما يكون لديك كمية بيانات كافية (آلاف التحويلات شهريًا على الأقل). هذا النموذج هو الأكثر دقة ويعطيك رؤى لن تجدها في النماذج الأخرى. وهو متاح في منصات مثل Google Analytics 4 (بشروط) ومنصات تحليلية متقدمة.

كيف تبدأ التطبيق العملي؟ (خطة أبو عمر)

الكلام النظري جميل، لكن كيف نطبق هذا “الشغل المرتب” على أرض الواقع؟ خذ مني هذه الخطوات العملية:

الخطوة 1: تأكد من نظافة بياناتك (أساس كل إشي)

قبل بناء أي نموذج، يجب أن يكون الأساس صلبًا. في عالمنا، الأساس هو البيانات النظيفة والموثوقة.

• استخدم UTM Parameters بشكل ديني: أي رابط تنشره في أي حملة (إيميل، سوشيال ميديا، إعلان) يجب أن يحتوي على وسوم UTM. هذه الوسوم هي التي تخبر Google Analytics من أين أتى الزائر. بدونها، أنت أعمى.
• توحيد التسميات: اتفق مع فريقك على طريقة موحدة لتسمية المصادر والحملات (e.g., “facebook” وليس “Facebook” أو “FB” مرة أخرى). الفوضى في التسميات تؤدي إلى فوضى في التحليل.

الخطوة 2: استكشف أداة مقارنة النماذج

لا تحتاج إلى أدوات باهظة الثمن لتبدأ. افتح حسابك في Google Analytics (سواء Universal Analytics القديم أو GA4 الجديد) واذهب إلى قسم “Attribution” أو “Advertising”.

ستجد هناك أداة تسمى “Model Comparison Tool”. هذه الأداة تسمح لك بمقارنة نموذج “النقرة الأخيرة” مع نماذج أخرى مثل “الخطي” أو “القائم على الموضع”.

جرب هذا التمرين:

1. اختر نموذج “Last-Click” كنموذج أساسي.
2. اختر نموذج “Linear” أو “Position-Based” لمقارنته به.
3. راقب كيف تتغير أرقام التحويلات المنسوبة لكل قناة. ستتفاجأ! سترى قنوات كانت تبدو “فاشلة” تحت نموذج النقرة الأخيرة، وهي في الحقيقة تلعب دورًا حيويًا كممرر للكرة.

الخطوة 3 (للمتقدمين): محاكاة بسيطة باستخدام البرمجة

لكي أوضح الفكرة بشكل أكبر، إليك مثال بسيط بلغة بايثون باستخدام مكتبة Pandas يوضح الفرق بين نموذج “النقرة الأخيرة” والنموذج “الخطي”.

import pandas as pd

# 1. إنشاء بيانات وهمية لرحلات العملاء
data = {
    'user_id': [1, 1, 1, 2, 2, 3, 3, 3, 3],
    'timestamp': [1, 2, 3, 1, 2, 1, 2, 3, 4],
    'channel': ['facebook', 'blog', 'google_search', 'email', 'google_search', 'linkedin', 'blog', 'email', 'google_search'],
    'conversion': [0, 0, 1, 0, 1, 0, 0, 0, 1] # 1 يعني حدث تحويل
}
df = pd.DataFrame(data)

# 2. استخلاص المسارات التي أدت إلى تحويل
conversion_paths = df[df['conversion'] == 1].copy()
all_paths = df.groupby('user_id')['channel'].apply(list).to_dict()

# 3. تطبيق نماذج الإحالة
last_click_attribution = {}
linear_attribution = {}

for user_id, row in conversion_paths.iterrows():
    # Last-Click Attribution
    last_channel = row['channel']
    last_click_attribution[last_channel] = last_click_attribution.get(last_channel, 0) + 1

    # Linear Attribution
    full_path = all_paths[row['user_id']]
    # نتأكد من أن المسار ينتهي بالقناة التي أدت للتحويل
    if full_path[-1] == last_channel:
        credit_per_channel = 1 / len(full_path)
        for channel in full_path:
            linear_attribution[channel] = linear_attribution.get(channel, 0) + credit_per_channel

print("--- Last-Click Attribution ---")
# في هذا المثال، كل التحويلات حدثت عبر بحث جوجل
print(last_click_attribution)
# Output: {'google_search': 3}

print("n--- Linear Attribution ---")
# هنا، يتم توزيع الفضل على كل القنوات المشاركة
print({k: round(v, 2) for k, v in linear_attribution.items()})
# Output: {'facebook': 0.33, 'blog': 0.58, 'google_search': 1.08, 'email': 0.75, 'linkedin': 0.25}

لاحظ الفرق الشاسع! في نموذج النقرة الأخيرة، “google_search” حصل على كل المجد (3 تحويلات). لكن في النموذج الخطي، نرى أن قنوات مثل “blog” و “email” و “facebook” ساهمت بشكل كبير في هذه التحويلات. الآن يمكنك اتخاذ قرار مستنير حول قيمة هذه القنوات.

الخلاصة: من الظلام إلى النور 🙏

التحول من “النقرة الأخيرة” إلى “الإحالة متعددة اللمسات” ليس مجرد تغيير تقني في التقارير، بل هو تغيير في العقلية. هو اعتراف بأن العلاقة مع العميل هي رحلة وليست معاملة واحدة. هو تقدير لكل جهد تسويقي، سواء كان في بداية الطريق أو في نهايته.

في شركتنا الناشئة، عندما قدمنا هذا التحليل، تغيرت المعادلة تمامًا. لم نعد نتجادل حول “أي قناة أفضل؟”، بل أصبحنا نتناقش حول “كيف تعمل قنواتنا معًا بشكل أفضل؟”. بدأنا نستثمر في المحتوى الذي يغذي إعلاناتنا على الشبكات الاجتماعية، والتي بدورها تجعل الناس يبحثون عن اسمنا على جوجل. أصبحنا نرى الغابة، وليس فقط الشجرة الأخيرة.

نصيحة أخيرة من أبو عمر: خُذها مني نصيحة، لا تتخذ قرارات تسويقية كبيرة بناءً على رؤية جزئية. ابدأ اليوم، افتح تقاريرك، قارن بين النماذج المختلفة. قد تكون الخطوة الأولى صغيرة، لكنها ستكون خطوتك الأولى للخروج من ظلام التخمين إلى نور القرارات المبنية على بيانات حقيقية وكاملة. الطريق طويل، لكنه يستحق كل خطوة.