Attribution vs Incrementality: هل الإعلانات صنعت المبيعات فعلا أم أخذت الفضل عنها فقط؟
by هادي الجاسم
Attribution vs Incrementality: هل الإعلانات صنعت المبيعات فعلا أم أخذت الفضل عنها فقط؟
قد تعرض لوحة إعلانات جوجل حملة حققت عائدا على الإنفاق الإعلاني ROAS بقيمة 6، أي أن كل ريال تم إنفاقه ارتبط بستة ريالات من الإيرادات.
الرقم يبدو ممتازا.
لكن هناك سؤالا أهم لم تجب عنه لوحة الإعلانات بعد:
كم من هذه المبيعات لم يكن ليحدث أصلا لولا الإعلان؟
هذه المسافة بين “المبيعات التي حصل الإعلان على الفضل فيها” و”المبيعات التي تسبب الإعلان في حدوثها” هي جوهر الفرق بين Attribution وIncrementality.
وهذا الفرق ليس أكاديميا. عندما تكبر الميزانيات، يمكن أن يؤدي الخلط بينهما إلى زيادة الاستثمار في قناة تبدو ممتازة في التقارير، بينما جزء كبير من مبيعاتها كان سيحدث حتى لو خفضت الإنفاق عليها.
ولهذا تحتاج الشركات إلى نظام قياس لا يسأل فقط: “من حصل على التحويل؟”، بل أيضا: “ماذا أضاف التسويق فعليا إلى النتيجة؟”
Attribution وIncrementality ليسا الشيء نفسه
يساعد Marketing Mix Modeling على فهم مساهمة القنوات المختلفة ودعم قرارات توزيع الميزانية على مستوى أوسع.
الإسناد التسويقي Attribution يحاول توزيع الفضل على نقاط الاتصال التي سبقت التحويل.
قد يرى العميل إعلان بحث، ثم يزور الموقع مباشرة بعد يومين، ثم يعود من البريد الإلكتروني ويشتري.
نظام الإسناد يحاول الإجابة عن سؤال:
أي قناة أو تفاعل يجب أن يحصل على الفضل في هذه العملية؟
Google Analytics، على سبيل المثال، يستخدم نماذج Attribution لتوزيع قيمة التحويل على نقاط الاتصال، ويتيح نماذج مثل Data-Driven Attribution التي تعتمد على بيانات الخاصية نفسها في تقدير مساهمة التفاعلات المختلفة.
أما Incrementality فيطرح سؤالا مختلفا:
هل كانت هذه العملية ستحدث لو لم يتعرض العميل للإعلان؟
هنا لا نريد فقط معرفة المسار الذي سبق الشراء. نريد معرفة الأثر السببي للإعلان.
ولهذا تشرح Google أن Conversion Lift يقارن بين مجموعة تعرضت للإعلان ومجموعة لم تتعرض له، والفرق في النتائج بين المجموعتين يستخدم لتقدير التحويلات الإضافية التي تسبب بها الإعلان.
هذا يقود إلى قاعدة مهمة:
Attribution يوزع الفضل.
Incrementality يحاول قياس ما أضافه الإعلان فعلا.
مثال يوضح المشكلة
لنفترض أن متجرا أنفق 100,000 ريال خلال شهر على حملة إعلانية.
منصة الإعلان نسبت للحملة مبيعات بقيمة 500,000 ريال.
ROAS المعلن:
500,000 ÷ 100,000 = 5
لكن ماذا لو أظهر اختبار رفع Conversion Lift أن العملاء الذين لم يشاهدوا الإعلان اشتروا أيضا بكميات كبيرة، وأن الزيادة الفعلية الناتجة عن الإعلان كانت 150,000 ريال فقط؟
عندها يصبح السؤال التجاري أكثر تعقيدا.
المنصة تقول إن الإعلان ارتبط بـ500,000 ريال من المبيعات.
أما الاختبار فيشير إلى أن ما أضافه الإعلان فعليا إلى المبيعات كان أقرب إلى 150,000 ريال.
وهنا نبدأ بالانتقال من Attributed ROAS إلى التفكير في Incremental ROAS.
الفرق لا يعني أن بيانات المنصة خاطئة. بل يعني أنها تجيب عن سؤال مختلف.
العائد المنسوب للحملة لا يساوي دائما العائد الإضافي الذي صنعته الحملة فعليا.
إطار Luxury Minds: ثلاثة مستويات للحقيقة التسويقية
القياس المتكامل يبدأ بفهم من حصل على الفضل، ثم ما الذي أحدث النتيجة، وينتهي بتحديد أين تستثمر الميزانية التالية.
لتجنب الخلط بين مؤشرات القياس، يمكن تقسيم التسويق إلى ثلاثة مستويات مختلفة من الأسئلة.
| المستوى | السؤال الحقيقي | الأدوات المناسبة |
|---|---|---|
| الإسناد Attribution | من حصل على الفضل في التحويل؟ | GA4، Google Ads، CRM، نماذج Attribution |
| السببية Incrementality | ماذا حدث بسبب الإعلان ولم يكن سيحدث بدونه؟ | Holdout Tests، Conversion Lift، Geo Experiments |
| توزيع الاستثمار Allocation | أين يجب أن تذهب الميزانية التالية؟ | التجارب + MMM + بيانات الربحية والأعمال |
هذا الفصل مهم لأن أداة واحدة نادرا ما تجيب عن الأسئلة الثلاثة بكفاءة.
1. Attribution للتشغيل اليومي
الإسناد مفيد جدا في العمل اليومي.
يمكنك استخدامه لمعرفة:
- الحملات التي تولد العملاء المحتملين.
- الكلمات التي تقود إلى التحويل.
- الصفحات التي تساهم في رحلة العميل.
- القنوات التي تظهر باستمرار في مسارات الشراء.
- الاختلاف بين حملات أو مجموعات إعلانية.
إذا كانت المشكلة لديك ما زالت في أساسيات القياس، فمن الأفضل أولا التأكد من أن قياس التحويلات في عصر الخصوصية باستخدام Consent Mode وEnhanced Conversions يعمل بصورة سليمة، لأن اختبار أثر الحملات فوق بيانات تحويل ضعيفة سيبني تحليلا متقدما فوق أساس غير موثوق.
لكن Attribution يبقى وصفا لمسار التحويل، وليس تجربة سببية.
لماذا يمكن لـROAS أن يعطي انطباعا مبالغا فيه؟
قد تحصل حملة Retargeting على الفضل في عملية شراء كان العميل قريبا من إتمامها أصلا.
هناك عدة سيناريوهات تجعل القناة تحصل على فضل أكبر من القيمة التي أضافتها فعليا.
الطلب الموجود مسبقا
تخيل عميلا يعرف علامتك التجارية مسبقا، ويبحث عن اسمها في Google قبل الشراء.
قد يظهر له إعلان Brand Search وينقر عليه.
من ناحية الإسناد، الإعلان ساهم في التحويل.
لكن السؤال السببي هو:
هل كان العميل سيشتري حتى لو ظهر له الرابط العضوي فقط؟
إذا كان الجواب نعم، فجزء من التحويلات المنسوبة إلى الإعلان ليس بالضرورة مبيعات إضافية.
وهذا لا يعني إيقاف حملات العلامة التجارية تلقائيا. فقد تكون لها أدوار دفاعية أو تنافسية أو تشغيلية مهمة. لكنه يعني أن ROAS وحده غير كاف لمعرفة حجم القيمة الإضافية.
إعادة الاستهداف
مستخدم وصل إلى صفحة المنتج، أضافه إلى السلة، ثم شاهد إعلان Remarketing واشترى.
يمكن لمنصة الإعلان أن تنسب العملية إلى إعادة الاستهداف.
لكن هذا العميل كان بالفعل قريبا جدا من الشراء.
كم من هؤلاء العملاء كان سيعود تلقائيا دون الإعلان؟
Attribution لا يستطيع الإجابة وحده.
الخصومات
قد تزيد حملة تخفيضات المبيعات بصورة كبيرة، لكنها في الوقت نفسه تمنح خصما لأشخاص كانوا سيشترون بالسعر الكامل.
هنا يجب ألا يكون السؤال:
“كم عملية بيع نسبت للحملة؟”
فقط.
بل:
“كم عملية بيع إضافية حققتها؟ وما الربح الإضافي بعد تكلفة الإعلان والخصم؟”
التحويل الجيد لا يعني بالضرورة أن الحملة صنعت طلبا جديدا
في أحد طرفي القياس توجد مشكلة معروفة: حملة تحصل على نقرات كثيرة ولا تنتج عملاء مناسبين.
شرحنا هذه الحالة بالتفصيل في دليل لماذا تحصل إعلانات Google على نقرات بلا عملاء.
لكن هناك مشكلة أكثر هدوءا تظهر عندما تبدو الحملة ناجحة جدا.
الحملة تحول.
الـCPA جيد.
الـROAS جيد.
ومع ذلك قد تكون الحملة ببساطة جيدة جدا في التقاط العملاء الذين كانوا جاهزين للشراء أصلا.
هذه ليست مشكلة في Attribution نفسه. بل مشكلة في استخدام Attribution للإجابة عن سؤال سببي لم يصمم للإجابة عنه.
ما هو Conversion Lift؟
يقيس Conversion Lift الفرق بين نتائج مجموعة تعرضت للإعلان ومجموعة تحكم لم تتعرض له لتقدير التحويلات الإضافية.
Conversion Lift هو أحد الأساليب التي تحاول قياس الفرق السببي بين وجود الإعلان وعدم وجوده.
في أبسط تصور:
يتم إنشاء مجموعتين متقاربتين قدر الإمكان.
مجموعة Treatment يمكن أن تتعرض للإعلان.
مجموعة Control لا تتعرض له.
ثم تقارن التحويلات بينهما.
إذا حققت مجموعة Treatment نتائج أعلى بصورة ذات دلالة مناسبة، يمكن تقدير الجزء الإضافي من النتائج الذي ارتبط بالتعرض للحملة.
Google تعرف Incremental Conversions بأنها الفرق بين تحويلات مجموعة Treatment وتحويلات مجموعة Control ضمن منهجية Conversion Lift.
ويمكن دراسة مقاييس مثل:
Incremental Conversions
عدد التحويلات الإضافية الناتجة عن الحملة.
Incremental Conversion Value
القيمة الإضافية الناتجة عن الحملة.
Incremental CPA
تكلفة الحصول على تحويل إضافي، وليس مجرد تحويل منسوب.
Incremental ROAS
القيمة الإضافية التي أحدثتها الحملة مقارنة بالإنفاق.
هذه المقاييس تقترب أكثر من السؤال الذي يهم الإدارة:
ما الذي اشتريناه فعليا بهذه الميزانية؟
هل كل شركة تستطيع إجراء Conversion Lift؟
لا.
وهذه نقطة مهمة لأن الحديث عن Incrementality أحيانا يبدو أسهل من تطبيقه.
Google توضح أن Conversion Lift ليس متاحا لكل الحسابات وأن بعض الدراسات لها متطلبات أهلية وحجم تحويل وميزانية.
لذلك لا ينبغي لشركة صغيرة أن تعطل نظام القياس بالكامل لأنها لا تستطيع إجراء تجربة Lift متقدمة.
يمكن بناء نضج القياس تدريجيا.
ابدأ أولا بتحويلات صحيحة وربط بيانات التسويق بنتائج الأعمال.
بعدها اختبر حملات أو تغييرات محددة عندما يصبح حجم البيانات مناسبا.
ثم انتقل إلى قياسات سببية أكثر تقدما كلما أصبحت قرارات الميزانية أكبر وأكثر حساسية.
ليس كل Experiment اختبار Incrementality
A/B Testing يحدد أي خيار يعمل بشكل أفضل، بينما Incrementality Testing يقيس ما إذا كان الإعلان أحدث فرقا من الأساس.
من الأخطاء الشائعة أيضا اعتبار أي A/B Test اختبارا للزيادة الفعلية.
إذا قارنت:
الإعلان A مقابل الإعلان B
فأنت قد تعرف أيهما أفضل بين الاثنين.
لكن ذلك لا يجيب بالضرورة عن:
ماذا يحدث إذا لم نعلن أصلا؟
Google Ads Experiments مفيدة لمقارنة إعدادات واستراتيجيات مختلفة، بينما Lift Studies مصممة لقياس أثر التعرض للإعلان نفسه من خلال مجموعة تعرض ومجموعة تحكم.
بمعنى آخر:
A/B Test يمكن أن يخبرك أي علاج أفضل.
Incrementality Test يحاول معرفة قيمة العلاج مقارنة بعدم وجوده.
من Attribution إلى السببية: أين يدخل CRM؟
القياس الحقيقي لا يتوقف عند إرسال النموذج؛ يجب أن يستمر حتى الصفقة والإيراد المسجل داخل CRM.
بالنسبة للشركات التي تعتمد على Leads، لا يكفي أن تكون نتيجة الإعلان “تم إرسال النموذج”.
التحويل الحقيقي قد يحدث بعد أيام أو أسابيع داخل فريق المبيعات.
لذلك يصبح من الضروري ربط مراحل مثل:
Lead
Qualified Lead
Opportunity
Proposal
Won Deal
Revenue
بمصدر التسويق.
الهدف ليس فقط أن تعرف أن Google Ads أنتج 100 نموذج، بل أن تعرف كم منها تحول إلى فرص حقيقية وكم نتج عنها من إيراد وربح.
وهنا تصبح إدارة حملات الدفع مقابل النقر المبنية على العائد والنتائج التجارية أكثر فائدة من إدارة الحملات على أساس النقرات وعدد النماذج وحدها.
لماذا يحتاج الذكاء الاصطناعي إلى قياس أفضل وليس بيانات أكثر فقط؟
منصات الإعلانات أصبحت تعتمد بصورة متزايدة على الخوارزميات لتحسين المزايدة والاستهداف وتخصيص الميزانية.
لكن الخوارزمية لا تعرف تعريف النجاح الخاص بشركتك من تلقاء نفسها.
إذا طلبت منها تعظيم Conversion غير مهم، ستصبح أفضل في إنتاجه.
إذا أعطيتها Lead منخفض الجودة باعتباره نجاحا، ستبحث عن مزيد من الأشخاص المشابهين له.
إذا أعطيتها قيمة تجارية أكثر دقة، يصبح هدف التحسين أقرب إلى هدف الشركة.
لهذا فإن استخدام الذكاء الاصطناعي في التسويق الالكتروني لا يبدأ من الأتمتة نفسها، بل من جودة الإشارة التي تستخدمها الأتمتة لاتخاذ القرار.
لكن حتى خوارزمية تحسين ممتازة لا تحول Attribution تلقائيا إلى Causality.
قد تكون المنصة ممتازة في العثور على الأشخاص المرجح أن يشتروا، بينما يبقى السؤال قائما: كم منهم اشترى بسبب الإعلان؟
أين يدخل Marketing Mix Modeling؟
يساعد Marketing Mix Modeling على فهم مساهمة القنوات المختلفة ودعم قرارات توزيع الميزانية على مستوى أوسع.
عندما تصبح الشركة موزعة على عدة قنوات، تظهر مشكلة أخرى.
Google Ads لديه بياناته.
Meta لديه بياناته.
TikTok لديه بياناته.
البريد الإلكتروني لديه بياناته.
CRM لديه بياناته.
وقد تنسب أكثر من منصة الفضل إلى العملية نفسها.
هنا يصبح Marketing Mix Modeling أو MMM مفيدا على مستوى مختلف.
MMM يحلل بيانات مجمعة عبر الزمن ويحاول تقدير مساهمة قنوات التسويق إلى جانب عوامل أخرى يمكن أن تؤثر في النتائج.
Google توفر إطار Meridian المفتوح المصدر لـMarketing Mix Modeling، وتوضح أنه مصمم للمساعدة في الإجابة عن أسئلة مثل مساهمة القنوات التاريخية في KPI، والعائد على الاستثمار، وكيف يمكن توزيع الميزانية مستقبلا.
كما أن Meta تطور إطار Robyn مفتوح المصدر لـMMM، وهو مثال آخر على عودة هذا النوع من القياس إلى الواجهة في بيئة أصبح فيها الاعتماد الكامل على تتبع المستخدم الفردي أقل استدامة.
لكن MMM ليس بديلا سحريا عن التجارب.
النموذج يمكن أن يساعدك في فهم الصورة الكلية وتوزيع الميزانية، بينما التجارب المصممة جيدا يمكن أن توفر دليلا سببيًا أقوى في سؤال محدد.
ولهذا أصبحت المقاربة الأقوى في القياس الحديث ليست اختيار Attribution أو Experiments أو MMM، بل معرفة أي سؤال يناسب كل أداة.
متى تستخدم كل مستوى؟
إذا كنت تريد معرفة:
أي حملة أنتجت Lead بالأمس؟
استخدم Attribution وCRM.
إذا كنت تريد معرفة:
هل إعلان YouTube خلق مبيعات إضافية؟
فكر في Lift Experiment.
إذا كنت تريد معرفة:
كيف نوزع ميزانية سنوية بين Search وSocial وVideo وقنوات Offline؟
قد تدخل MMM والتجارب والبيانات المالية معا في القرار.
إذا كنت تريد معرفة:
هل تغيير استراتيجية المزايدة حسن الأداء؟
استخدم Experiment مصمم لمقارنة الاستراتيجيتين.
المشكلة تبدأ عندما تستخدم أداة صحيحة للإجابة عن السؤال الخطأ.
إطار عملي قبل زيادة الميزانية
قبل أن ترفع الإنفاق على قناة لأن ROAS يبدو مرتفعا، اطرح أربعة أسئلة:
1. هل التحويل نفسه صحيح؟
هل هو شراء، Lead حقيقي، موعد مؤكد أو فرصة مبيعات؟ أم مجرد نقرة على زر؟
2. هل نستطيع ربطه بنتيجة تجارية؟
ما نسبة Qualified Leads؟
كم صفقة أغلقت؟
ما الإيراد؟
ما الهامش؟
3. ما احتمال أن النتيجة كانت ستحدث دون الإعلان؟
يصبح هذا السؤال مهما خصوصا في Brand Search، Retargeting، العملاء الحاليين والحملات القريبة جدا من نقطة الشراء.
4. هل حجم القرار يبرر تجربة سببية؟
كل اختبار له تكلفة تشغيلية وفرصة ضائعة.
اختبر عندما يمكن أن تغير النتيجة فعلا قرار الميزانية.
لا تبحث عن رقم واحد يشرح التسويق كله
الرغبة في امتلاك KPI واحد مفهومه واضحة.
ROAS سهل.
CPA سهل.
Cost per Lead سهل.
لكن رحلة العميل ليست بسيطة بما يكفي ليختصرها رقم واحد دائما.
قد يكون Attribution ممتازا للتشغيل اليومي.
وقد تكون Incrementality أفضل لتحديد القيمة المضافة.
وقد تكون MMM أفضل لتخصيص الميزانيات طويلة الأجل.
وهنا يصبح القياس الجيد نظاما من الأدلة، لا لوحة واحدة.
الأسئلة الشائعة حول Attribution وIncrementality وقياس أثر الإعلانات
ما الفرق بين Attribution وIncrementality؟
Attribution أو الإسناد التسويقي يجيب عن سؤال: أي قناة أو نقطة اتصال حصلت على الفضل في التحويل؟
أما Incrementality فيجيب عن سؤال مختلف: هل كان هذا التحويل سيحدث لو لم يتعرض العميل للإعلان؟
لهذا يمكن أن تنسب منصة إعلانية عملية بيع إلى حملة معينة، بينما يظهر اختبار Incrementality أن العميل كان سيشتري حتى بدون الإعلان. الأول يوزع الفضل، والثاني يحاول قياس الأثر السببي الحقيقي.
هل ROAS المرتفع يعني أن الحملة الإعلانية ناجحة فعلا؟
ليس دائما.
ROAS التقليدي يقارن الإيرادات المنسوبة للحملة بالإنفاق الإعلاني، لكنه لا يثبت أن كل تلك الإيرادات حدثت بسبب الإعلان.
قد تحقق حملة Retargeting مثلا ROAS مرتفعا لأنها تصل إلى أشخاص كانوا قريبين من الشراء أصلا. لذلك يكون ROAS مؤشرا مهما للأداء، لكنه يصبح أكثر فائدة عندما يقرأ إلى جانب جودة العملاء، الربحية، بيانات CRM وقياسات Incrementality عندما تكون متاحة.
كيف أعرف إن كان العميل سيشتري حتى بدون الإعلان؟
لا يمكن معرفة ذلك بدقة من رحلة عميل واحد.
الحل هو بناء Counterfactual أو سيناريو مقارن يمثل ما كان سيحدث في غياب الإعلان.
عمليا يمكن فعل ذلك باستخدام مجموعة Control لا تتعرض للحملة ومجموعة Treatment تتعرض لها، ثم مقارنة النتائج بينهما. إذا حققت المجموعة المعرضة للإعلان تحويلات إضافية فوق المستوى الأساسي، يمكن اعتبار هذا الفرق تقديرا للأثر الإضافي للحملة.
ما هو Incremental ROAS أو iROAS؟
Incremental ROAS يقيس العائد الناتج فقط عن الإيرادات الإضافية التي أحدثها الإعلان.
بصيغة مبسطة:
Incremental ROAS = Incremental Revenue ÷ Ad Spend
إذا أنفقت 100,000 ريال ونسبت المنصة للحملة 500,000 ريال من الإيرادات، لكن اختبارا سببيا أظهر أن 150,000 ريال فقط كانت إضافية بسبب الإعلان، فإن Attributed ROAS سيكون 5، بينما Incremental ROAS سيكون 1.5.
لهذا قد يعطي iROAS صورة مختلفة جدا عن تقارير المنصة التقليدية.
هل Data-Driven Attribution في GA4 يغني عن Incrementality Testing؟
لا.
Data-Driven Attribution في Google Analytics يستخدم البيانات لتوزيع الفضل بين نقاط الاتصال في رحلة العميل بشكل أكثر تطورا من Last Click، لكنه يبقى جزءا من نظام Attribution.
Incrementality يحاول الإجابة عن سؤال سببي مختلف: ما الذي كان سيحدث لو لم يوجد الإعلان؟
لذلك Data-Driven Attribution مفيد لفهم مساهمة نقاط الاتصال، بينما التجارب السببية مثل Conversion Lift تستخدم عندما نريد قياس الأثر الإضافي الذي أحدثته الإعلانات.
هل Conversion Lift هو نفسه A/B Testing؟
ليس تماما.
A/B Testing يقارن عادة نسختين أو استراتيجيتين، مثل إعلان A مقابل إعلان B، لمعرفة أيهما يؤدي بشكل أفضل.
أما Conversion Lift فيقارن عادة بين جمهور يمكن أن يتعرض للإعلان وجمهور Control يتم حجب الإعلان عنه.
لذلك A/B Testing يسأل:
أي خيار أفضل؟
بينما Conversion Lift يحاول الإجابة:
هل وجود الإعلان نفسه أحدث تحويلا إضافيا؟
لماذا قد تحقق حملات Retargeting نتائج ممتازة في Attribution لكنها ضعيفة في Incrementality؟
لأن Retargeting يستهدف أشخاصا أظهروا مسبقا نية مرتفعة.
ربما زاروا المنتج، أضافوه إلى السلة أو عادوا إلى الموقع عدة مرات قبل رؤية الإعلان.
إذا اشترى هؤلاء الأشخاص بعد مشاهدة إعلان إعادة الاستهداف، يمكن أن تحصل الحملة على الفضل في عملية البيع. لكن اختبار Incrementality قد يكشف أن نسبة منهم كانت ستشتري على أي حال.
لهذا يجب التمييز بين التقاط الطلب الموجود وبين خلق طلب أو مبيعات إضافية.
هل حملات Brand Search يمكن أن تبالغ في ROAS؟
يمكن ذلك في بعض الحالات.
الشخص الذي يبحث عن اسم الشركة مباشرة قد يكون قد اتخذ قراره بالفعل قبل رؤية الإعلان المدفوع.
إذا نقر على إعلان Brand Search ثم اشترى، يمكن أن تنسب المنصة التحويل إلى الإعلان رغم احتمال وصول العميل إلى الموقع عضويا لو لم يظهر الإعلان.
لكن هذا لا يعني أن Brand Search غير مفيد. فقد يكون له دور في حماية مساحة نتائج البحث، مواجهة المنافسين أو التحكم في الرسالة. المطلوب هو عدم اعتبار Attribution وحده دليلا على أن كل هذه المبيعات إضافية.
هل تحتاج كل شركة إلى إجراء Incrementality Test؟
لا.
اختبارات Incrementality تحتاج عادة إلى حجم بيانات مناسب وتصميم اختبار جيد حتى تكون النتيجة قابلة للتفسير.
الشركات الصغيرة قد تستفيد أكثر أولا من تحسين أساسيات القياس:
- تتبع التحويلات بشكل صحيح.
- ربط الحملات بـCRM.
- التمييز بين Lead وQualified Lead.
- تسجيل الإيرادات الحقيقية.
- قياس الربحية وليس عدد النماذج فقط.
ثم تصبح اختبارات Incrementality أكثر قيمة عندما تكبر الميزانيات ويصبح قرار زيادة أو خفض الإنفاق ذا أثر مالي واضح.
هل يمكن أن تكون Incrementality سالبة؟
نعم من الناحية الحسابية والتجريبية.
إذا حققت مجموعة Treatment نتائج أقل من مجموعة Control خلال الاختبار، فقد يظهر Lift سلبي.
لكن النتيجة السلبية لا تعني تلقائيا أن الإعلان أضر بالمبيعات. يجب النظر إلى حجم العينة، مدة الاختبار، فترات التحويل، التباين الإحصائي وتصميم التجربة قبل استخلاص قرار تجاري.
هل يجب استبدال Attribution بالكامل بـIncrementality؟
لا.
الأداتان تخدمان أسئلة مختلفة.
Attribution مهم للتشغيل اليومي: معرفة القنوات والحملات والكلمات ونقاط الاتصال المرتبطة بالتحويلات.
Incrementality أكثر ملاءمة عندما تريد معرفة الأثر الإضافي والسببي للحملة.
وفي الشركات الأكبر قد يدخل Marketing Mix Modeling أيضا لفهم أداء مجموعة واسعة من القنوات وتوجيه الميزانيات على مستوى أشمل.
أفضل نظام قياس ليس أداة واحدة، بل مزيج من الأدوات يختار كل منها وفقا للسؤال الذي تريد الإجابة عنه.
ما الفرق بين Incrementality وMarketing Mix Modeling؟
Incrementality يعتمد عادة على تجربة أو مقارنة سببية بين وجود التسويق وغيابه.
أما Marketing Mix Modeling أو MMM فيستخدم بيانات مجمعة عبر الزمن لتقدير العلاقة بين الإنفاق التسويقي والنتائج مع أخذ عوامل أخرى في الاعتبار.
يمكن استخدام MMM لفهم الصورة الأشمل وتوزيع الميزانية بين القنوات، بينما تساعد اختبارات Incrementality على تقديم دليل سببي أقوى لسؤال أو قناة محددة.
ولهذا يمكن أن يعمل الاثنان معا بدلا من اعتبار أحدهما بديلا عن الآخر.
الخلاصة
لا يوجد تعارض بين Attribution وIncrementality.
الإسناد يساعدك على رؤية الطريق الذي سبق التحويل.
Incrementality يساعدك على اختبار ما إذا كان الإعلان غير النتيجة فعلا.
والـMMM يساعد على رؤية الصورة الأوسع عندما تمتد الاستثمارات عبر قنوات وفترات طويلة.
المشكلة ليست أن ROAS سيئ كمؤشر.
المشكلة تبدأ عندما يتحول من مؤشر للإسناد إلى افتراض سببي لم يتم اختباره.
ولهذا يمكن اختصار نظام القياس الجيد في ثلاثة أسئلة:
من حصل على الفضل؟
ماذا تسبب فعلا في النتيجة؟
وأين يجب أن نستثمر الريال التالي؟
إذا كانت الشركة لا تزال في مرحلة بناء نظام القياس أو تحسين الحملات نفسها، فمن المنطقي أن تبدأ من استراتيجية حملات إعلانية مترابطة مع أهداف النشاط التجاري، ثم تطور مستوى القياس كلما زادت البيانات وحجم القرارات.
المراجع
Google Ads — Conversion Lift: شرح رسمي لمنهجية قياس التحويلات الإضافية باستخدام Treatment وControl.
Google Ads: About Conversion Lift
Google Ads — فهم الفرق بين attributed وincremental conversions:
Google Ads: Conversion Lift Measurement Data
Google Analytics — Attribution: شرح نماذج Attribution وData-Driven Attribution.
Google Analytics: How to Attribute Credit for Key Events
Google Ads — Experiment Center: الفرق بين Experiments وLift Studies.
Google Ads Experiment Center
Google Meridian: إطار Google المفتوح المصدر لـMarketing Mix Modeling.
Google for Developers: Meridian
Meta Robyn: إطار مفتوح المصدر لـMarketing Mix Modeling من Meta Marketing Science.
Meta Marketing Science: Robyn
عن الكاتب
Hadi Aljasim, Marketing Specialist at Luxury Minds
هادي الجاسم متخصص في التسويق الالكتروني، في لاكجري مايندز، حيث يهتم بصناعة المحتوى، تحسين محركات البحث (SEO)، وبناء الحضور الرقمي للعلامات التجارية. يشارك من خلال مقالاته خبراته وأفكاره حول التسويق الرقمي وتطوير العلامات التجارية في السوق السعودي.
هل تعرف فعلا اي الحملات تصنع مبيعات اضافية وايها فقط تحصل على الفضل؟
في Luxury Minds نساعدك على ربط الحملات بالنتائج التجارية الحقيقية، وبناء نظام قياس اوضح للـROAS، جودة العملاء، وتوزيع الميزانية.
احجز استشارة مجانية مع Luxury Minds
تواصل معنا
