Un cliente vede un annuncio su Instagram, due giorni dopo clicca su un’email promozionale, la settimana successiva cerca il brand su Google e infine acquista. Quale di questi quattro punti di contatto merita il credito della vendita? La risposta che si sceglie non è un dettaglio tecnico: determina su quale canale un’azienda decide di investire di più l’anno successivo, e modelli diversi possono portare a conclusioni opposte a partire dagli stessi identici dati.
Attribuzione first-touch (primo tocco). Assegna il 100% del merito al primo punto di contatto che ha portato il cliente a conoscere il brand — nell’esempio, l’annuncio su Instagram. È il modello più semplice da implementare e da spiegare, ed è particolarmente utile per valutare l’efficacia dei canali dedicati alla scoperta e alla generazione di nuova domanda. Il suo limite è altrettanto diretto: ignora completamente tutto ciò che accade dopo il primo contatto, penalizzando i canali che intervengono nelle fasi successive del percorso d’acquisto, per quanto quei canali possano essere stati decisivi nel trasformare un interesse iniziale in una vendita effettiva.
Attribuzione last-touch (ultimo tocco). È speculare al modello precedente: assegna l’intero merito all’ultima interazione prima della conversione — nell’esempio, la ricerca su Google. Resta probabilmente il modello più diffuso in assoluto, complice la sua semplicità di misurazione e il fatto di essere l’impostazione predefinita in molte piattaforme pubblicitarie. Il rischio, ampiamente documentato, è di sovrastimare sistematicamente i canali che intercettano una domanda già formata — tipicamente la ricerca a pagamento — e di sottostimare i canali che generano l’interesse iniziale, semplicemente perché questi ultimi raramente coincidono con il click finale prima dell’acquisto.
Attribuzione lineare. Distribuisce il merito in parti uguali tra tutti i punti di contatto coinvolti nel percorso — nell’esempio, il 25% a ciascuno dei quattro touchpoint. È un tentativo di correggere la distorsione dei due modelli precedenti, riconoscendo che un percorso d’acquisto complesso coinvolge quasi sempre più canali. Il limite è opposto a quello dei modelli a tocco singolo: tratta ogni interazione come ugualmente rilevante, anche quando l’intuizione e l’esperienza suggeriscono che alcuni punti di contatto — tipicamente il primo, che genera la scoperta, e l’ultimo, che genera la conversione — pesano più della media nel determinare l’esito finale.
Attribuzione a decadimento temporale (time decay). Assegna più merito ai punti di contatto più vicini nel tempo alla conversione, con un peso che decresce progressivamente man mano che ci si allontana verso l’inizio del percorso. È un compromesso tra il modello lineare e quello last-touch, utile in particolare per i cicli di vendita lunghi, dove l’ipotesi di fondo — che le interazioni più recenti siano più indicative dell’intenzione d’acquisto effettiva — tende a essere più solida. Il limite è che questa stessa ipotesi non regge in ogni contesto: per prodotti con un forte effetto di notorietà di marca costruito nel tempo, un’interazione avvenuta mesi prima può aver contribuito quanto, se non più, di un’interazione avvenuta nelle ultime ore.
Attribuzione a U (o basata sulla posizione). Assegna un peso maggiore — tipicamente il 40% ciascuno — al primo e all’ultimo punto di contatto, distribuendo il restante 20% tra tutte le interazioni intermedie. Riflette l’intuizione secondo cui il momento della scoperta e il momento della decisione finale sono strutturalmente più importanti dei passaggi intermedi. Una variante, l’attribuzione a W, aggiunge un terzo punto di enfasi — tipicamente il momento in cui un contatto si trasforma in lead qualificato — distribuendo il merito su tre picchi anziché due, un adattamento pensato specificamente per i cicli di vendita B2B, dove il passaggio da contatto generico a opportunità commerciale reale è spesso un momento distinto e misurabile a sé.
Attribuzione basata sui dati (data-driven). A differenza dei modelli precedenti, che assegnano pesi fissi decisi a priori, questo approccio usa tecniche statistiche — spesso il valore di Shapley, un concetto originario della teoria dei giochi già discusso in un articolo dedicato su questa testata — per calcolare empiricamente quanto ciascun canale contribuisca davvero alla probabilità di conversione, confrontando i percorsi che hanno portato a un acquisto con quelli che non ci sono riusciti. È il modello concettualmente più corretto, perché non impone assunzioni arbitrarie su quale touchpoint debba pesare di più. Il suo limite pratico è duplice: richiede un volume di dati sufficientemente ampio per produrre stime statisticamente affidabili — sotto una certa soglia di conversioni mensili, il modello semplicemente non ha abbastanza materiale su cui basarsi — e la sua natura opaca, spesso gestita internamente da un algoritmo proprietario della piattaforma pubblicitaria, rende più difficile spiegarne i risultati a chi deve approvare un budget sulla base di quei numeri.
Come scegliere, in pratica. Non esiste un modello universalmente corretto, allo stesso modo in cui non esiste un metodo universalmente corretto per calcolare un budget pubblicitario, un tema già trattato in questo stesso taglio su questa testata. La scelta dipende da tre fattori concreti: la lunghezza tipica del proprio ciclo di vendita — più è lungo, più un modello a tocco singolo distorce la realtà — il numero di canali effettivamente attivi nella propria strategia, e il volume di conversioni mensili disponibile per alimentare un eventuale modello data-driven. Un’azienda con pochi canali e un ciclo di vendita breve può ragionevolmente affidarsi a un modello semplice come il last-touch, accettandone i limiti noti. Un’azienda con un percorso d’acquisto complesso, multicanale e prolungato nel tempo trae invece un beneficio reale da un modello a più touchpoint, fino ad arrivare, con un volume di dati sufficiente, a un’attribuzione data-driven.
L’elemento più importante, indipendentemente dal modello scelto, è la coerenza nel tempo: cambiare modello di attribuzione da un trimestre all’altro rende impossibile confrontare le performance storiche dei propri canali, perché uno stesso identico percorso d’acquisto può ricevere valutazioni completamente diverse a seconda del modello applicato. Prima di cambiare modello, conviene calcolare l’attribuzione dello stesso periodo storico con entrambi i modelli — quello vecchio e quello nuovo — per capire esattamente quanto la fotografia dei propri canali cambierebbe, e comunicare quella differenza a chi in azienda deve interpretare i numeri, prima che il cambio produca conclusioni apparentemente contraddittorie rispetto al trimestre precedente.