Un cliente vede tre annunci, apre una newsletter, cerca il brand su Google e poi compra. A questo punto qualcuno deve decidere a chi va il merito della vendita. Il modello di attribuzione è la regola con cui si fa quella divisione, e non è un dettaglio da lasciare al default del tool di analytics: da lì dipende dove va il budget il mese dopo.
Cosa fa un modello di attribuzione
Un modello di attribuzione assegna un peso a ciascun touchpoint nel percorso che precede una conversione. Il risultato è sempre una stima, costruita su regole che cambiano a seconda del modello scelto, e due modelli applicati agli stessi dati possono raccontare storie opposte sullo stesso canale.
Per questo la domanda da farsi non è “qual è il modello corretto”, ma quale distorsione si è disposti ad accettare, e per rispondere a quale decisione.
I modelli principali
Il last-click dà tutto il merito all’ultimo touchpoint prima della conversione. È il default di gran parte dei tool, semplice da leggere, ma penalizza sistematicamente i canali che lavorano in alto nel funnel — display, video, la prima ricerca informativa. Un brand che guarda solo questi dati finisce per tagliare proprio la parte di funnel che genera la domanda.
Il first-click fa l’opposto: premia chi intercetta per primo l’utente e ignora tutto quello che succede dopo. Ha senso solo se l’obiettivo è misurare la capacità di scoperta di un canale, non la conversione.
Il modello lineare distribuisce il merito in parti uguali su tutti i touchpoint. Corregge l’eccesso del last-click, ma introduce un’assunzione altrettanto arbitraria: che ogni touchpoint contribuisca allo stesso modo, indipendentemente da dove si trova nel percorso e da quale canale sia.
Il time-decay assegna più peso ai touchpoint vicini alla conversione, con un decadimento che diminuisce andando indietro nel tempo. Funziona bene su cicli di vendita brevi, dove la vicinanza temporale è un indizio ragionevole di rilevanza. Su cicli lunghi — B2B, acquisti considerati — finisce per riprodurre gli stessi difetti del last-click.
Il position-based, a U o a W, assegna pesi fissi a primo e ultimo touchpoint (tipicamente il 40% ciascuno) e divide il resto tra i touchpoint intermedi. Non è una stima ma un compromesso dichiarato: i pesi sono scelti a tavolino tanto quanto quelli del modello lineare, solo in modo più esplicito.
Il modello data-driven, o algoritmico, usa tecniche statistiche — spesso il valore di Shapley, un metodo che stima quanto ciascun touchpoint sposta la probabilità di conversione rispetto a un percorso senza quel touchpoint, oppure regressioni sulle sequenze osservate — per calcolare il contributo di ciascun touchpoint dai dati reali invece che da una regola fissa. È il meno arbitrario dei modelli descritti finora, ma richiede un volume di conversioni che molti funnel non hanno. Google Ads e altre piattaforme lo offrono di default nei loro pannelli, con un limite però: l’algoritmo vede solo i touchpoint tracciati dentro quella piattaforma, non l’intero percorso cross-canale.
Come scegliere
La scelta dipende da tre fattori, in ordine di importanza.
Il primo è il volume di conversioni. Un modello data-driven ha bisogno di un numero sufficiente di conversioni per stimare pesi affidabili — orientativamente qualche centinaio al mese per canale — e sotto quella soglia diventa rumore statistico travestito da precisione. In quel caso un modello a regole, come il position-based o il time-decay, è la scelta più onesta: dichiara la sua arbitrarietà invece di nasconderla dietro un algoritmo che lavora con troppo pochi dati.
Il secondo è la lunghezza del ciclo di decisione. Su acquisti d’impulso, con ciclo breve e pochi touchpoint, il time-decay o anche il last-click distorcono meno di quanto sembri, semplicemente perché il percorso è già corto. Su cicli lunghi, con decisione ponderata e molti touchpoint — tipico del B2B o degli acquisti di alto valore — il last-click è la scelta peggiore possibile, perché cancella tutto il lavoro fatto prima dell’ultimo click.
Il terzo è cosa deve decidere chi legge il report. Se la domanda è dove tagliare budget domani, serve un modello che non penalizzi in partenza i canali di awareness: altrimenti il taglio cadrà sempre sugli stessi canali per un difetto del modello, non per performance reale. Se invece la domanda è quale creativo ha chiuso la vendita, il last-click su quel touchpoint specifico può dare la risposta giusta — a patto di non usare lo stesso numero anche per decidere il budget complessivo.
Un errore comune
Cambiare modello di attribuzione a metà periodo di reporting, senza ricalcolare lo storico con lo stesso modello. Il confronto mese su mese diventa il confronto tra due metriche diverse mascherate da una sola. Se si cambia modello va rifatto anche lo storico, oppure va segnalato chiaramente il punto in cui la serie cambia.
Un limite che nessun modello risolve
Tutti i modelli descritti lavorano solo sui dati che il tracciamento riesce effettivamente a raccogliere. Il cross-device non risolto, i walled garden che non condividono i dati di esposizione, gli utenti che rifiutano i cookie: tutto questo resta invisibile a monte, per quanto sofisticato sia il modello a valle. Un modello data-driven applicato a un tracciamento incompleto resta preciso sui touchpoint che riesce a vedere, e semplicemente non sa nulla di tutto il resto.
Per questo il modello giusto non è una scelta da fare una volta per tutte, ma una decisione da rivedere quando cambiano i volumi, la lunghezza del funnel o la qualità dei dati disponibili.