Attribution và Incrementality là gì? Cách đo đóng góp thực của Marketing

Một chiến dịch có thể báo cáo hàng trăm conversion, trong khi doanh thu toàn doanh nghiệp gần như không thay đổi. Điều đó không nhất thiết có nghĩa dữ liệu sai. Có thể quảng cáo đã xuất hiện trong hành trình của những người vốn dĩ sẽ mua; hệ thống ghi công cho điểm chạm nhìn thấy gần nhất, còn tác động thực của campaign lại nhỏ hơn con số được báo cáo.

Đây là nơi nhiều cuộc thảo luận về hiệu quả Marketing đi chệch hướng. Đội ngũ tranh luận xem kênh nào “mang về” nhiều conversion nhất, nhưng chưa tách được hai câu hỏi khác nhau: conversion được ghi công cho ai? và Marketing có thực sự tạo thêm kết quả không? Attribution giúp trả lời câu hỏi thứ nhất. Incrementality giúp tiếp cận câu hỏi thứ hai.

Attribution và Incrementality khác nhau thế nào?

Attribution là cách phân bổ credit cho conversion giữa các điểm chạm trong một hành trình có thể quan sát. Một mô hình có thể ghi toàn bộ credit cho cú nhấp cuối, chia credit cho nhiều điểm chạm hoặc dùng dữ liệu lịch sử để phân bổ theo một logic riêng. Nó hữu ích để đọc hành trình, phát hiện kênh hỗ trợ nhau và vận hành báo cáo trong ngày.

Incrementality đo phần kết quả tăng thêm do một hoạt động tạo ra so với tình huống hoạt động đó không diễn ra. Nói cách khác, nó cần một đối chứng hợp lý: nếu không chạy campaign, không gửi thông điệp hoặc không mở rộng ngân sách, outcome sẽ khác đi bao nhiêu?

Hai cách đo không loại trừ nhau. Attribution là bản đồ hữu ích, nhưng bản đồ không tự cho biết một con đường có tạo ra hành trình hay chỉ tình cờ nằm trên đường đi. Incrementality bổ sung bằng chứng khi quyết định có chi phí cao hoặc khi các kênh có nguy cơ ghi công chồng lấp.

Vì sao số conversion được ghi nhận chưa phải là tác động thực?

Hệ thống đo lường thường nhìn thấy những gì có thể gắn thẻ: cú nhấp, phiên truy cập, form gửi đi, đơn hàng, cuộc gọi hoặc một event được định nghĩa là conversion. Nhưng hành vi mua chịu ảnh hưởng của nhiều yếu tố không nằm trọn trong một báo cáo: nhu cầu đã có sẵn, thương hiệu quen thuộc, mùa vụ, giá, phân phối, hoạt động của sales, khuyến mại, tin tức và cả thay đổi từ đối thủ.

Ví dụ, một khách hàng tìm chính xác tên thương hiệu, nhấp vào quảng cáo tìm kiếm rồi mua hàng. Mô hình last-click có thể ghi toàn bộ credit cho paid search. Tuy nhiên, nhu cầu đó có thể đã được tạo từ trải nghiệm sản phẩm, nội dung, giới thiệu từ bạn bè hoặc chiến dịch trước đó. Thậm chí khách hàng có thể vẫn mua nếu quảng cáo không xuất hiện. Báo cáo attribution không vô ích trong tình huống này, nhưng kết luận “toàn bộ doanh thu là nhờ quảng cáo” thì đi quá xa bằng chứng.

Vấn đề càng rõ khi một doanh nghiệp dùng nhiều kênh cùng lúc. Paid search có thể bắt những nhu cầu đã được social, email, SEO hoặc sales nuôi dưỡng. Retargeting thường tiếp cận những người đã thể hiện ý định cao. CRM có thể ghi doanh thu cho email cuối cùng dù quyết định đã hình thành từ trước. Nếu mỗi kênh đều báo cáo theo cửa sổ và quy tắc của riêng mình, tổng conversion được ghi công đôi khi còn lớn hơn số khách hàng thực tế.

Đặt đúng câu hỏi trước khi chọn mô hình

Không phải mọi câu hỏi đều cần một thí nghiệm phức tạp. Hãy bắt đầu bằng quyết định đang chờ được đưa ra:

• Cần biết người dùng rơi ở bước nào giữa quảng cáo và form? Hãy kiểm tra tracking, chất lượng traffic và trải nghiệm trên landing page.
• Cần hiểu những điểm chạm nào thường xuất hiện trước khi lead đủ điều kiện? Attribution theo hành trình có thể hữu ích.
• Cần quyết định có nên tăng gấp đôi ngân sách một kênh, tiếp tục retargeting hay mở rộng sang thị trường mới? Cần tìm bằng chứng về phần tăng thêm.
• Cần biết campaign đang hỗ trợ mục tiêu kinh doanh nào? Hãy đặt nó trong hệ thống KPI rộng hơn qua bài về đo hiệu quả quảng cáo.

Một câu hỏi rõ giúp tránh hai cực đoan: dùng mô hình attribution như chân lý nhân quả, hoặc trì hoãn mọi quyết định vì chưa thể làm một thí nghiệm hoàn hảo.

Attribution nên được dùng như một công cụ chẩn đoán

Các mô hình như last-click, first-click, linear hay data-driven không phải lời giải tuyệt đối. Chúng là quy tắc để phân bổ credit trong phạm vi dữ liệu và định nghĩa mà hệ thống có. Thay đổi mô hình có thể thay đổi báo cáo mà không làm thay đổi một đồng doanh thu nào; vì vậy, đừng coi phần credit được phân bổ là bằng chứng trực tiếp về nguyên nhân.

Attribution vẫn rất hữu ích khi được dùng đúng vai trò. Nó có thể cho thấy một nhóm khách thường đọc nội dung trước khi đăng ký, một email hỗ trợ hành động sau khi demo, hoặc một campaign đưa traffic vào nhưng người dùng rời ở một bước cố định. Những tín hiệu này giúp đội ngũ tạo giả thuyết, sửa hành trình và quyết định thí nghiệm nào đáng làm tiếp.

Với Customer Journey, việc một kênh không nhận nhiều last-click conversion không đồng nghĩa kênh đó vô giá trị. Một bài giải thích, một email onboarding hoặc một hoạt động tạo nhận biết có thể có nhiệm vụ khác với một trang báo giá. Điều cần kiểm tra là vai trò đó có góp phần tạo thêm outcome mong muốn hay không, chứ không phải ép mọi điểm chạm làm cùng một việc.

Incrementality đo bằng cách nào?

Nguyên tắc cốt lõi là tạo hoặc tìm một nhóm so sánh đủ tương đồng với nhóm được tác động. Khác biệt về outcome giữa hai nhóm, sau khi thiết kế và các yếu tố nhiễu được kiểm soát hợp lý, là ước lượng cho phần tăng thêm. Không có một phương pháp phù hợp cho mọi doanh nghiệp; mức độ chắc chắn cần tỷ lệ với số tiền và rủi ro của quyết định.

Holdout hoặc A/B test ngẫu nhiên

Nếu có thể phân ngẫu nhiên người dùng, khách hàng hoặc một phần traffic thành nhóm được nhận hoạt động và nhóm không nhận, đây thường là cách trực tiếp nhất để so sánh. Ví dụ, một phần người dùng đủ điều kiện không nhận email khuyến mại trong thời gian thử nghiệm, trong khi các điều kiện khác được giữ càng giống nhau càng tốt. Nếu nhóm nhận email có tỷ lệ mua cao hơn một cách đáng tin, chênh lệch đó là bằng chứng cho incremental lift.

Thiết kế này cần tôn trọng trải nghiệm và quyền lợi khách hàng. Không nên giữ lại các thông báo giao dịch, bảo mật hoặc hỗ trợ thiết yếu chỉ để thử nghiệm. Với ưu đãi thương mại, hãy xác định trước nhóm nào được loại trừ, khoảng thời gian, chỉ số chính và điều kiện dừng thử nghiệm.

Geo experiment

Khi không thể chia ngẫu nhiên ở cấp người dùng, doanh nghiệp có thể chọn các khu vực tương đồng và thay đổi media ở một số khu vực trong khi giữ khu vực còn lại làm đối chứng. Cách này phù hợp với hoạt động có phân phối theo địa lý, nhưng cần kiểm tra kỹ tính tương đồng giữa thị trường, sự giao thoa của truyền thông và các yếu tố địa phương như mùa vụ hay độ phủ bán lẻ.

Platform lift study và campaign experiment

Một số nền tảng quảng cáo cung cấp công cụ thử nghiệm hoặc đo lift cho tài khoản đủ điều kiện. Đây có thể là một cách triển khai thuận tiện, đặc biệt khi cần kiểm tra thay đổi campaign trong chính nền tảng đó. Tuy nhiên, kết quả vẫn cần được đọc cùng phạm vi đo, thời gian, cách chọn đối chứng, conversion được dùng và outcome kinh doanh ngoài nền tảng. Một platform lift không tự trả lời tác động tổng thể của toàn bộ Marketing mix.

Phân tích quan sát và Marketing Mix Modeling

Khi không thể làm thí nghiệm trực tiếp, dữ liệu lịch sử có thể giúp tạo một ước lượng: so sánh trước-sau, phân tích chuỗi thời gian hoặc mô hình hóa marketing mix. Các phương pháp này hữu ích cho quyết định cấp danh mục và kênh lớn, nhưng nhạy cảm với dữ liệu thiếu, thay đổi đồng thời, mùa vụ và giả định mô hình. Chúng nên được trình bày như ước lượng có độ bất định, không phải một con số chính xác đến tuyệt đối.

Một ví dụ minh họa: retargeting có thực sự tạo thêm đơn hàng?

Ví dụ minh họa: một cửa hàng trực tuyến muốn biết có nên tăng ngân sách retargeting. Báo cáo nền tảng cho thấy campaign mang về nhiều đơn hàng với ROAS cao. Nhưng nhóm được retargeting chủ yếu là người đã thêm sản phẩm vào giỏ; họ vốn đã có ý định mua cao.

Đội ngũ có thể giữ lại ngẫu nhiên một phần người đủ điều kiện không nhìn thấy retargeting trong một khoảng thời gian định trước. Sau đó so sánh tỷ lệ mua, doanh thu và biên lợi nhuận giữa hai nhóm. Nếu chênh lệch nhỏ, campaign có thể đang ghi nhận lại nhu cầu đã tồn tại. Nếu chênh lệch đủ lớn và ổn định, đó là cơ sở tốt hơn để xem xét đầu tư thêm. Dù kết quả thế nào, quyết định cũng cần tính đến chi phí media, ưu đãi kèm theo, hàng tồn và tác động đến khách hàng hiện hữu.

Thiết kế phép đo nhỏ nhưng có thể ra quyết định

Một chương trình incrementality không cần bắt đầu bằng mô hình lớn. Hãy chọn nơi có ba đặc điểm: khoản đầu tư đáng kể, giả thuyết còn tranh cãi và outcome có thể quan sát đủ rõ. Sau đó đi theo trình tự sau:

1. Xác định quyết định: sẽ giữ, tăng, giảm hay chuyển ngân sách nào nếu kết quả khác nhau?
2. Chọn outcome chính: doanh thu, lead đủ điều kiện, đơn hàng mới, giá trị chuyển đổi hoặc một outcome gắn trực tiếp với mục tiêu kinh doanh.
3. Viết giả thuyết và thiết kế đối chứng trước: nhóm nào nhận tác động, nhóm nào không, thời gian chạy và các thay đổi không được phép diễn ra đồng thời.
4. Đặt guardrail: ví dụ tỷ lệ hoàn tiền, biên lợi nhuận, khiếu nại hoặc chất lượng lead để tránh tối ưu một outcome bằng cách gây hại ở nơi khác.
5. Kiểm tra dữ liệu vận hành: conversion có được định nghĩa nhất quán, có bị trùng, có đủ độ trễ và có thể đối chiếu với CRM hoặc doanh thu thực không?
6. Ghi quyết định cùng mức độ chắc chắn: kết quả ủng hộ điều gì, còn giới hạn nào và khi nào cần đo lại.

Nguyên tắc “một thay đổi chính trong một lần thử” rất quan trọng. Nếu cùng lúc đổi creative, mục tiêu bidding, ưu đãi, landing page và tệp khách hàng, kết quả có thể thay đổi nhưng nguyên nhân không còn rõ. Thử nghiệm tốt không chỉ để tìm một phương án thắng; nó giúp tổ chức tránh học nhầm từ dữ liệu.

Những sai lầm dễ làm kết quả trở nên thiếu tin cậy

• Chọn đối chứng đã khác biệt từ đầu: so sánh hai khu vực hoặc hai nhóm khách hàng có nhu cầu nền quá khác nhau rồi gán mọi chênh lệch cho campaign.
• Dừng quá sớm: kết luận từ vài ngày có thể bị chi phối bởi biến động ngẫu nhiên hoặc độ trễ chuyển đổi.
• Đổi nhiều biến số: không thể biết tăng trưởng đến từ media, giá, khuyến mại hay trang đích khi tất cả cùng thay đổi.
• Chỉ nhìn một chỉ số nền tảng: conversion nền tảng báo cáo cần được đối chiếu với outcome kinh doanh, chi phí và dữ liệu ngoài nền tảng.
• Quên chi phí cơ hội: một campaign có lift dương nhưng vẫn có thể không phải nơi tốt nhất để đặt đồng ngân sách tiếp theo.

Bài viết về Data-Driven Marketing đặt nền tảng cho cách biến dữ liệu thành quyết định. Attribution và Incrementality là bước đi tiếp theo: không chỉ đọc điều hệ thống có thể đếm, mà thiết kế bằng chứng đủ tốt cho câu hỏi đầu tư thực tế.

Marketer không cần chờ đến khi có một mô hình hoàn hảo mới bắt đầu. Điều quan trọng hơn là phân biệt đâu là credit được phân bổ, đâu là tác động có khả năng tăng thêm, và mức độ bằng chứng nào đủ để thay đổi một quyết định. Khi ngân sách được phân bổ theo cách đó, đo lường không còn là phần việc báo cáo sau campaign mà trở thành một năng lực để học nhanh hơn và đầu tư có trách nhiệm hơn.