كنت قاعد مع شريكين في شركة ناشئة بنشتغل معها، القهوة على الطاولة والوجوه عليها علامات إرهاق وقلق. واحد منهم مسك راسه وحكى بنبرة يأس: “يا أبو عمر، مش فاهم! بنحط مصاري على إعلانات فيسبوك، وعلى جوجل، وبنكتب محتوى، وبنبعت إيميلات… بس بالأخير، لما نطلع على تحليلات جوجل، بلاقي إنه 90% من مبيعاتنا جاي من ‘بحث مباشر’ أو ‘كليك على رابط مباشر’. معقول كل هالشغل ما إله لزوم؟ معقول الناس فجأة بتصحى من النوم وبتقرر تشتري من موقعنا بدون سبب؟ المصاري بتروح ومش عارفين وين!”.
كانت شكواه صرخة كل مسوق أو صاحب شركة صغيرة في مرحلة ما. الشعور بأنك ترمي المال في بئر لا قرار له، وتصلي أن يخرج منه ماء. في تلك اللحظة، ابتسمت وقلت له: “المشكلة مش في مجهودك، المشكلة في ‘المسطرة’ اللي بتقيس فيها نجاحك. المسطرة تبعتك مكسورة، وبتحكيلك قصة ناقصة”.
هذه القصة كانت بداية رحلتنا مع ما يسمى بـ “نماذج الإحالة المبنية على البيانات” (Data-Driven Attribution Models)، الأداة التي أخرجتنا من ظلام التخمين إلى نور القرارات المستنيرة. خلوني أحكيلكم الحكاية من أولها.
ما هي نماذج الإحالة (Attribution Models) وليش هي مهمة أصلاً؟
ببساطة شديدة، نموذج الإحالة هو “القانون” اللي بنستخدمه عشان نوزع الفضل في عملية بيع أو تحويل (Conversion) على القنوات التسويقية المختلفة اللي تفاعل معها العميل.
تخيلها زي فريق كرة قدم بده يسجل هدف. الكرة بتبدأ من حارس المرمى، بتروح للمدافع، بعدين لاعب الوسط بيعمل تمريرة طويلة للجناح، والجناح بيعرضها للمهاجم اللي بيسجل الهدف. السؤال هو: لمين بنعطي الفضل في تسجيل الهدف؟
- هل فقط للمهاجم اللي سدد الكرة الأخيرة؟ (هذا يشبه نموذج النقرة الأخيرة)
- هل للاعب الوسط اللي بدأ الهجمة الخطيرة؟ (هذا يشبه نموذج النقرة الأولى)
- أم هل كل لاعب في السلسلة الهجومية إله حصة من الفضل؟
نماذج الإحالة بتحاول تجاوب على هذا السؤال في عالم التسويق الرقمي. بدونها، أنت لا تعرف أي القنوات تستحق الاستثمار وأيها تبتلع ميزانيتك بلا فائدة.
النماذج التقليدية: ليش كانت بتضحك علينا؟
لسنوات طويلة، اعتمدنا على نماذج بسيطة كانت هي أفضل ما هو متاح، لكنها كانت تقدم صورة مشوهة للواقع. خلينا نشوف أشهرها.
نموذج النقرة الأخيرة (Last-Click Attribution)
هذا هو النموذج الافتراضي في كثير من المنصات القديمة، وهو البطل الشرير في قصتنا. يعطي 100% من الفضل للآخر قناة تفاعل معها العميل قبل الشراء. لو عميل شاف إعلانك على فيسبوك، بعدين قرأ مقالة في مدونتك، وبعد أسبوع بحث عن اسم علامتك التجارية في جوجل وضغط على الرابط واشترى، هذا النموذج سيعطي 100% من الفضل لبحث جوجل، ويتجاهل تماماً دور فيسبوك والمدونة.
المشكلة: هذا النموذج يبالغ بشكل كبير في تقدير قيمة قنوات “أسفل القمع” (Bottom of the Funnel) مثل البحث المباشر (Direct) والبحث عن العلامة التجارية (Branded Search)، ويقتل قيمة قنوات “أعلى القمع” (Top of the Funnel) التي تعرف العميل عليك لأول مرة، مثل الشبكات الاجتماعية والمحتوى.
نموذج النقرة الأولى (First-Click Attribution)
على النقيض تماماً، هذا النموذج يعطي 100% من الفضل لأول قناة تفاعل معها العميل. في مثالنا السابق، سيحصل إعلان فيسبوك على كل المجد.
المشكلة: يتجاهل كل الخطوات التي قام بها العميل بعد ذلك والتي ساهمت في إقناعه وإتمام عملية الشراء. إنه يكافئ من يبدأ السباق، وليس من ينهيه بنجاح.
النماذج متعددة اللمسات (Linear, Time-Decay, U-Shaped)
هذه النماذج كانت محاولة لتحسين الوضع، حيث توزع الفضل على أكثر من قناة:
- الخطي (Linear): يوزع الفضل بالتساوي على كل القنوات في رحلة العميل. (لو في 4 قنوات، كل واحدة تأخذ 25%). أفضل، لكنه يفترض أن كل القنوات متساوية في الأهمية، وهذا نادراً ما يكون صحيحاً.
- التناقص الزمني (Time-Decay): يعطي فضلاً أكبر للقنوات الأقرب زمنياً لعملية الشراء. منطقي، لكنه لا يزال يعتمد على قاعدة افتراضية.
- حرف U (Position-Based): يعطي 40% للقناة الأولى و40% للقناة الأخيرة، ويوزع الـ 20% المتبقية على القنوات التي في المنتصف. يعتبر من أفضل النماذج التقليدية، لكنه أيضاً مبني على افتراضات مسبقة.
كل هذه النماذج، رغم تحسنها، تشترك في عيب قاتل: إنها مبنية على “قواعد” و “افتراضات” وضعناها نحن البشر، وليست مبنية على “بيانات” حقيقية لما يحدث فعلاً.
المنقذ: نماذج الإحالة المبنية على البيانات (Data-Driven Attribution – DDA)
وهنا يأتي دور الذكاء الاصطناعي ليغير قواعد اللعبة. نموذج الإحالة المبني على البيانات (DDA) لا يستخدم قواعد ثابتة، بل يستخدم خوارزميات تعلم الآلة (Machine Learning) لتحليل *كل* مسارات العملاء في حسابك.
شو يعني “مبنية على البيانات”؟
الفكرة عبقرية وبسيطة في مفهومها: الخوارزمية تنظر إلى جميع المسارات التي أدت إلى عملية شراء (مسارات ناجحة)، وتقارنها بجميع المسارات التي لم تؤدِ إلى عملية شراء (مسارات فاشلة).
من خلال هذه المقارنة على نطاق واسع (آلاف أو ملايين المسارات)، يبدأ النموذج في فهم الأنماط. يتعلم ما هي القناة التي إذا ظهرت في مسار العميل، تزيد من احتمالية شرائه. بناءً على هذا الفهم، يمنح كل قناة “وزناً” أو “فضلاً” يعكس مساهمتها الحقيقية في زيادة احتمالية التحويل.
إنه لا يسأل “من كان الأخير؟”، بل يسأل “من كان الأكثر تأثيراً؟”.
كيف بتشتغل هاي النماذج (بشكل مبسط)؟
تستخدم هذه النماذج مفاهيم إحصائية ورياضية متقدمة مثل “سلاسل ماركوف” (Markov Chains) أو “قيمة شابلي” (Shapley Value) من نظرية الألعاب. لن نخوض في الرياضيات المعقدة، ولكن يمكن تبسيط فكرة قيمة شابلي كالتالي:
تخيل أن قنواتك التسويقية (فيسبوك، جوجل، إيميل) هم لاعبون في فريق يحاولون معاً تحقيق “تحويل” (Conversion). قيمة شابلي تحسب مساهمة كل لاعب (قناة) عن طريق إضافته وإزالته من مجموعات مختلفة من اللاعبين وملاحظة مقدار تأثيره على النتيجة الإجمالية. إنها الطريقة الأكثر عدلاً لتوزيع الفضل بناءً على التأثير الهامشي لكل لاعب.
برمجياً، يتطلب بناء نموذج DDA من الصفر خبرة كبيرة في علم البيانات، ولكن الفكرة تبدأ بتجميع مسارات العملاء بهذا الشكل:
# مثال توضيحي بسيط جداً بلغة بايثون لفكرة تتبع المسارات # هذا ليس نموذج إحالة حقيقي، بل مجرد توضيح للفكرة # كل قائمة تمثل رحلة عميل واحد customer_journeys = [ ['Social Media Ad', 'Blog Post', 'Google Search', 'Conversion'], ['Google Ads', 'Email Marketing', 'Conversion'], ['Blog Post', 'Social Media Ad', 'Direct Visit'], # رحلة لم تؤدِ لتحويل ['Google Search', 'Conversion'], ['Email Marketing', 'Social Media Ad', 'Blog Post', 'Google Search', 'Conversion'] ] # في نموذج حقيقي، ستقوم خوارزمية تعلم الآلة بتحليل هذه المسارات # لتحديد الأثر الإحصائي لكل قناة (مثل 'Blog Post') # على حدوث 'Conversion' في نهاية المسار. # ستقارن المسارات التي تحتوي على 'Blog Post' وأدت لتحويل # مع تلك التي لم تحتوِ عليه، وتلك التي احتوت عليه ولم تؤدِ لتحويل. print("هذا مجرد مثال توضيحي لكيفية تخزين مسارات العملاء للتحليل.")كيف طبقنا هذا الحكي عملياً؟ (القصة تكمل)
بالعودة إلى اجتماعنا مع الشركة الناشئة، كان الحل واضحاً. كان علينا التوقف عن استخدام “المسطرة المكسورة” (نموذج النقرة الأخيرة) والبدء باستخدام مسطرة أكثر دقة.
- جمع البيانات النظيفة: أول خطوة، وكما أقول دائماً، “الزبالة اللي بتفوت، بتطلع زبالة” (Garbage in, garbage out). تأكدنا من أن كل حملاتنا تستخدم وسوم UTM بشكل دقيق وموحد، وأن أهداف التحويل (Conversion Goals) في Google Analytics معرفة بشكل صحيح. لا يمكنك تحليل ما لا تقيسه.
- تفعيل نموذج DDA: لحسن الحظ، منصة Google Analytics 4 (GA4) توفر نموذج DDA كخيار افتراضي للحسابات المؤهلة (التي لديها حجم بيانات كافٍ). قمنا بالتحويل إليه مباشرة من الإعدادات. بالنسبة للشركات الأكبر، قد يتطلب الأمر بناء حلول مخصصة، ولكن للغالبية العظمى، GA4 هو نقطة بداية ممتازة.
- التحليل والنتائج المفاجئة: بعد عدة أسابيع من جمع البيانات بالنموذج الجديد، عقدنا اجتماعاً آخر. هذه المرة، الوجوه كانت مختلفة. اكتشفنا حقائق صادمة:
- إعلانات فيسبوك، التي كانت تبدو فاشلة في نموذج النقرة الأخيرة، كانت في الواقع مسؤولة عن 40% من تعريف العملاء الجدد بنا. كانت هي الشرارة الأولى.
- المدونة والمقالات التعليمية، التي كادوا أن يوقفوا ميزانيتها، كانت ثاني أهم قناة مساعدة في رحلة العميل، خاصة للعملاء ذوي القيمة الأعلى.
- حملات البريد الإلكتروني لم تكن فقط لإغلاق البيع، بل كانت فعالة جداً في إعادة تنشيط العملاء الذين لم يشتروا من أول زيارة.
بناءً على هذه الرؤى، تغيرت استراتيجيتنا بالكامل. بدلاً من تقليص ميزانية فيسبوك، قمنا بتحسين حملات الوعي عليها. وبدلاً من قتل المدونة، ضاعفنا الاستثمار في المحتوى المفيد. أصبحنا ننفق المال بذكاء، لأننا أخيراً فهمنا القصة الكاملة لرحلة العميل.
نصائح أبو عمر العملية للبدء
- نظّف بيتك الداخلي أولاً: قبل التفكير في أي نموذج متقدم، تأكد من أن تتبعك للبيانات (Tracking) دقيق بنسبة 100%. استخدم وسوم UTM لكل رابط خارجي، وحدد أهدافك بدقة.
- ابدأ بالمتوفر: لا تنتظر بناء حل مخصص معقد. إذا كنت تستخدم Google Analytics 4، اذهب إلى Admin > Attribution Settings وتأكد من أنك تستخدم نموذج DDA. ابدأ من هناك.
- فكّر بالرحلة كاملة: لا تنظر فقط إلى تقرير الإحالة. اذهب إلى تقارير مثل “مسارات التحويل” (Conversion paths) لترى بنفسك كيف ينتقل العملاء بين القنوات المختلفة. هذا يمنحك سياقاً مهماً للأرقام.
- لا تتخذ قرارات متسرعة: عندما تنتقل إلى DDA، ستتغير أرقامك. لا تفزع! أعطِ النموذج وقتاً ليتعلم ويجمع البيانات (عدة أسابيع على الأقل). ابحث عن الاتجاهات المستمرة، وليس التقلبات اليومية.
- البيانات نافذة على سلوك العميل: تذكر أن الهدف ليس فقط الحصول على أرقام أفضل، بل فهم عميلك بشكل أعمق. استخدم هذه الرؤى لتحسين تجربة العميل عبر كل نقاط التفاعل مع علامتك التجارية.
الخلاصة: من التخمين إلى اليقين
الانتقال من نماذج الإحالة التقليدية إلى النماذج المبنية على البيانات هو أشبه بالانتقال من استخدام خريطة مرسومة باليد إلى استخدام نظام GPS. كلاهما قد يوصلك، لكن أحدهما يفعل ذلك بكفاءة ودقة وراحة بال لا تضاهى. لقد أنقذنا هذا التحول من حرق آلاف الدولارات، والأهم من ذلك، منحنا الثقة لاتخاذ قرارات تسويقية جريئة مبنية على حقائق، لا على أماني.
ما تضل تخمّن وتراهن بميزانيتك. ابدأ اليوم، خلّي البيانات تحكيلك الحكاية الحقيقية. ويلا، شدّوا حيلكم يا جماعة الخير! 💪
