Leestijd: 3 minuten

Bij het aantrekken van nieuwe klanten wil je als marketeer precies weten welke marketingkanalen daar in welke mate aan hebben bijgedragen. Toch maken veel marketeers nog steeds gebruik van een last-click-model. Bij dit type conversie-attributiemodel wordt 100% waarde toegekend aan het laatste contactpunt waarin de verkoop is gerealiseerd.

Multi Touch Attributie (MTA)

Om tot een eerlijker en meer representatief beeld te komen van alle marketingkanalen die een rol hebben gespeeld in het aankoopproces, biedt Multi Touch Attributie (MTA) de oplossing. Bij MTA ken je waarde toe aan alle relevante contactmomenten in de customer journey die leiden tot conversie.

Stel, een klant heeft eerst op social media een blog gelezen, is daarna gaan googelen, heeft vervolgens per e-mail contact gehad met de helpdesk, en heeft tenslotte via de website een product besteld. Met gebruik van MTA krijgt in dit geval niet alleen de website de credits voor de verkoop, maar ook het blog, Google en de helpdesk. Naast het waarderen van je verschillende marketingkanalen, kun je MTA ook gebruiken om bijvoorbeeld de conversiewaarde van verschillende acties op je website in kaart te brengen.

MTA met behulp van Shapley Value

Er zijn talloze manieren om MTA toe te passen, en elke invulling heeft zijn voor- en nadelen. Een goed MTA-model is datagedreven, goed te interpreteren en eerlijk. Shapley Value, een attributie-algoritme afkomstig uit de speltheorie, voldoet aan deze eigenschappen. Dit algoritme gaat uit van een verzameling van componenten en is in staat om behaalde resultaten op basis van statistiek te verdelen over deze componenten. Door elk contactmoment als een component te beschouwen, kun je met Shapley Value de bijdrage van elk contactmoment berekenen. Deze bijdrage wordt bepaald door de mate waarin de conversiekans is vergroot, zodra dit contactmoment terugkomt in een customer journey.

Hoe werkt Shapley Value?

Hoe MTA met behulp van Shapley Value precies werkt, leg ik graag uit aan de hand van een voorbeeld uit de voetbalwereld. Stel dat een team kampioen wordt, hoe bepaal je dan de bijdrage van iedere speler aan dat kampioenschap?

Als je kampioen wilt worden, dien je zoveel mogelijk wedstrijden te winnen. Winnen doe je door in een wedstrijd meer doelpunten te scoren dan de tegenstander. Om tot een doelpunt te komen, moet je eerst de bal in bezit krijgen en daarna de aanval opbouwen. Hierin hebben meerdere spelers een rol. Iedereen zal het er dan ook over eens zijn dat je niet alleen moet kijken naar de doelpuntenmakers. Eerlijker is om waarde toe te kennen aan alle spelers die hebben meegespeeld in een gewonnen wedstrijd.

Shapley Value wordt in eerste instantie gebruikt om scores toe te kennen aan de verschillende samenstellingen van spelers waarmee het team heeft gespeeld. Hoe beter de uitslagen die een bepaalde samenstelling van spelers heeft neergezet, hoe hoger de score. Elke speler krijgt vervolgens een individuele waarde toegekend op basis van de verschillende samenstellingen waarin hij heeft meegespeeld.

Een Shapley Value praktijkvoorbeeld

Om te laten zien hoe MTA werkt met echte data, heb ik hieronder echte voetbalstatistieken van het kampioensseizoen van Ajax met behulp van Shapley Value uitgewerkt in een MTA-analyse.

De toepassing van Shaply Value in dit voorbeeld is gebaseerd op ‘Computing Shapley Values in the English Premier League

In de grafiek hierboven zijn de berekende bijdrages te zien van de vijf voorhoedespelers van Ajax in het kampioensseizoen 2018/2019, op basis van het aantal gemaakte doelpunten en op basis van Shapley Value. Opvallend is dat de technische buitenspeler David Neres zou worden ondergewaardeerd als alleen naar het aantal gemaakte doelpunten zou worden gekeken. De topscorer Dusan Tadic wordt echter overgewaardeerd als alleen doelpunten meetellen.

Wat levert MTA met behulp van Shapley Value op?

Een goede implementatie MTA is van grote waarde voor een efficiëntere verdeling van marketingbudgetten, aangezien het een accuratere weergave geeft van de werkelijkheid dan het last-click-model. Als je diepgaand inzicht hebt in welke (combinaties van) marketingkanalen effectief zijn, kun je het online marketingbudget beter verdelen onder de kanalen die bijdragen aan een verkoop. Het structureel verzamelen en verwerken van data over al deze kanalen is randvoorwaardelijk. Een dataplatform met alle kanaalinformatie in combinatie met een op Shapley Value gebaseerd MTA-model is een geweldig effectieve ‘actionable insight’ om de omzet te vergroten.