Attributie is het toekennen van conversies aan kanalen. Bij last-click-attributie krijgt het laatste kanaal vóór de conversie de eer. Bij first-click-attributie krijgt het eerste kanaal de eer. Maar de werkelijkheid is ingewikkelder: meerdere kanalen droegen bij aan de beslissing. Kanaaloverstijgende attributiemodellen proberen de eer eerlijk te verdelen over alle kanalen die meehielpen. Dit hoofdstuk legt de verschillende attributiemodellen uit en wanneer je welk model gebruikt.
Attributiemodellen uitgelegd
Last-click-attributie
Het kanaal van het laatste contact vóór de conversie krijgt 100% van de eer. Voorbeeld: organisch zoeken → e-mail → betaalde advertenties → conversie = de betaalde advertenties krijgen 100%.
Voordeel: eenvoudig, makkelijk in te stellen en gunstig voor kanalen onderin de funnel. Nadeel: negeert ondersteunende rollen en onderschat kanalen voor bewustwording.
First-click-attributie
Het kanaal van het eerste contact krijgt 100% van de eer. Voorbeeld: organisch zoeken → e-mail → betaalde advertenties → conversie = organisch zoeken krijgt 100%.
Voordeel: gunstig voor kanalen voor bewustwording en makkelijk in te stellen. Nadeel: negeert de rol van het warm houden en afsluiten en overschat vroege contactmomenten.
Lineaire attributie
De eer wordt gelijk verdeeld over alle contactmomenten. Voorbeeld: organisch zoeken → e-mail → betaalde advertenties → conversie = elk krijgt 33%.
Voordeel: eerlijk voor alle kanalen en houdt rekening met meerdere contactmomenten. Nadeel: houdt geen rekening met welke contactmomenten het zwaarst wegen.
Attributie met afnemend gewicht
Recente contactmomenten krijgen meer eer dan oude. Voorbeeld: organisch zoeken (30 dagen geleden) krijgt 20%, e-mail (10 dagen geleden) krijgt 30%, betaalde advertenties (1 dag geleden) krijgen 50%. Totaal = 100%.
Voordeel: realistisch (recente contacten hebben meestal de meeste invloed) en houdt bewustwording en conversie in balans. Nadeel: ingewikkelder om in te stellen.
Eigen of algoritmische attributie
De eer wordt verdeeld op basis van een analyse van historische data. Machine learning ziet welke contactmomenten het meest voorspellen dat iemand converteert. Voorbeeld: de data laat zien dat het conversiepercentage 15% hoger is als e-mail in de reeks zit. E-mail krijgt extra eer.
Voordeel: het meest nauwkeurig en houdt rekening met wisselwerking tussen kanalen. Nadeel: vraagt data en technische kennis.
Een attributiemodel kiezen
Beginnend bedrijf: gebruik last-click. Eenvoudig en meteen toe te passen. Het onderschat bewustwording, maar het is een goed beginpunt.
Groeiend bedrijf: gebruik afnemend gewicht. Nauwkeuriger dan last-click, houdt rekening met meerdere contactmomenten en is redelijk eenvoudig.
Volwassen bedrijf: gebruik een eigen of algoritmisch model. Je hebt genoeg data en kennis in je team om geavanceerde modellen in te zetten.
Beste aanpak: volg meerdere modellen tegelijk. Rapporteer last-click aan het management (eenvoud), afnemend gewicht voor strategie (balans) en first-click voor cijfers over bewustwording. Zo krijg je een compleet beeld.
Attributiemodellen invoeren
Stap 1: kies je model. Begin met afnemend gewicht, tenzij je een reden hebt voor iets anders.
Stap 2: bepaal je attributievenster. Hoeveel dagen vóór de conversie volg je contactmomenten? 7, 14, 30, 90? Gebruik 30 als standaard.
Stap 3: stel het in je analyticsplatform in. De meeste platformen ondersteunen meerdere attributiemodellen. Google Analytics en de meeste productanalyticsplatforms hebben ingebouwde ondersteuning.
Stap 4: vergelijk de modellen. Draai alle modellen op je data. Vergelijk de uitkomsten. Waar verschillen ze? Verandert het je strategie? Als verschillende modellen verschillende prioriteiten voor kanalen aanwijzen, zoek dan uit waarom.
Uitdagingen bij kanaaloverstijgende attributie
Kanalen die elkaar overlappen: als je voor hetzelfde zoekwoord zowel organisch als betaald zoekt, welk kanaal krijgt de eer? Beide kunnen de conversie opeisen. Oplossing: stel duidelijke regels vast (eerste klik = organisch, laatste klik = betaald) en pas ze altijd hetzelfde toe.
Ontbrekende data: offline contacten (telefoongesprekken, afspraken ter plaatse) worden niet in analytics gevolgd. Oplossing: importeer offline conversiedata in analytics als dat kan. Weet dat bij sommige conversies attributiedata ontbreekt.
Privacy en beperkingen bij tracking: privacywijzigingen in iOS, adblockers en privacytools verminderen wat je kunt volgen. Sommige klantreizen zijn deels onzichtbaar. Oplossing: gebruik waar mogelijk first-party data. Benoem de beperkingen van tracking in je rapportage.
Welk attributiemodel gebruik ik voor mijn bedrijf?
Afnemend gewicht is voor de meeste bedrijven de beste standaard. Is je verkoopproces kort (1 tot 2 dagen), gebruik dan last-click. Is het lang (30 dagen of meer), gebruik dan first-click of lineair. Test je 3 belangrijkste modellen een maand en kijk of het advies verandert. Zo niet, blijf dan bij het eenvoudigste (last-click). Zo ja, gebruik het model dat het best bij je bedrijf past.
Hoe leg ik attributiemodellen uit aan collega's zonder technische kennis?
Gebruik een voorbeeld: "Drie mensen hielpen een deal van $10.000 sluiten: persoon A maakte ons bekend (bewustwording), persoon B beantwoordde vragen (overweging), persoon C tekende het contract (beslissing). Last-click geeft alle $10.000 aan persoon C (oneerlijk). First-click geeft alles aan persoon A (negeert B en C). Afnemend gewicht geeft 20% aan A, 30% aan B en 50% aan C (realistisch)." Leg zo uit waarom afnemend gewicht eerlijker is.
Moet ik voor verschillende kanalen verschillende attributiemodellen gebruiken?
Nee, houd één model aan voor alle kanalen, zodat je ze kunt vergelijken. Verschillende modellen per kanaal geven een rommelig beeld. Gebruik één model en analyseer binnen dat model: de rol van organisch zoeken tegenover die van e-mail, enzovoort. Heb je voor verschillende doelen verschillende modellen nodig, draai ze dan apart (rapportage en strategie), niet door elkaar.
Hoe pas ik mijn attributiemodel aan als mijn verkoopproces verandert?
Analyseer je data opnieuw: hoe lang duurt het verkoopproces gemiddeld? Als het van 15 naar 45 dagen ging, kan je attributievenster van 30 dagen belangrijke contactmomenten afsnijden. Pas het aan naar 45 tot 60 dagen. Draai de analyse opnieuw en kijk of de prioriteiten voor kanalen veranderen. Werk je model bij en leg de wijziging vast.
Kan ik attributiedata gebruiken om te voorspellen welke campagnes succesvol worden?
Gedeeltelijk. Historische attributie laat zien welke combinaties van kanalen werken. Als succesvolle klanten via organisch → e-mail → betaald kwamen, zijn nieuwe campagnes met dat patroon waarschijnlijk succesvol. Gebruik dat als hypothese: investeer in die volgordes. Maar elke campagne is anders. Test en meet in plaats van alleen op eerdere patronen te vertrouwen.
Hoe ga ik om met offline conversies in mijn attributiemodel?
Importeer offline data in analytics: telefoongesprekken, afspraken ter plaatse, getekende contracten. Koppel ze met een klant-id (e-mail, telefoonnummer of naam) aan websitesessies. Online contactmomenten komen in de attributie, offline conversies zijn de uitkomst. Zo krijg je een completer beeld. Let op: offline attributie is lastiger, begin dus met de grootste offline deals.