W skrócie
Cytuj to hasło
Zaznacz przypis i skopiuj: Atrybucja. W: Słownik pojęć e-commerce, Pro1.pl. https://pro1.pl/slownik/atrybucja (sprawdzono 13 września 2026).
Atrybucja to reguła podziału wartości konwersji między punkty styku na ścieżce klienta, np. kliknięcia w reklamy, wyszukiwarkę i e-maile.
Na tej stronie (5)
Sprzedaż poprzedza zwykle kilka kontaktów z marką: reklama, wejście z wyszukiwarki, newsletter, wizyta bezpośrednia. Każdemu z nich przypisuje się część wartości zamówienia; sposób rozdziału określa model (ostatnie kliknięcie, oparty na danych), a okno atrybucji wyznacza czas, w którym dany kontakt może jeszcze dostać zasługę. Rachunek mówi, komu przypisać sprzedaż, która się wydarzyła, a nie, czy bez danego kanału by się nie wydarzyła.
Zanim to zrozumiesz
- Okno atrybucji: Okno atrybucji to czas od kliknięcia lub wyświetlenia reklamy, w którym późniejsza konwersja zostanie przypisana temu kontaktowi.
- Inkrementalność: Inkrementalność (incrementality) to część sprzedaży, która nie wydarzyłaby się bez danego działania reklamowego, mierzona porównaniem z grupą kontrolną.
Jak się tego używa
W raportach GA4, Google Ads i Meta Ads, gdzie każde narzędzie stosuje własny model i okno oraz widzi tylko swoje kliknięcia, więc suma konwersji z paneli przekracza liczbę zamówień w sklepie. W rozmowie z agencją pada przy pytaniu „który kanał to sprzedał" i przy decyzjach o wyłączaniu kanałów.
Dlaczego warto to znać
Wybór modelu zmienia raportowany wynik kanałów bez zmiany sprzedaży. Berman (Marketing Science 2018) pokazał, że model ostatniego kliknięcia strukturalnie zachęca do nadmiernej ekspozycji: kupony, porównywarki i remarketing zbierają zasługę za zakupy, które i tak by nastąpiły. Różnica między zasługą przypisaną a przyrostem bywa rzędu wielkości; eksperyment eBaya z reklamami brandowymi opisuje hasło Inkrementalność.
Na co uważać
Atrybucja to nie inkrementalność; przyrost sprawdza tylko eksperyment z grupą kontrolną. Metody obserwacyjne, nawet po korektach, zawyżają efekt reklamy (Gordon i in., Marketing Science 2019). Modele oparte na danych wymagają progów danych i działają jak czarna skrzynka.
Przykład
Klient wchodzi z reklamy produktowej, wraca po dwóch dniach z wpisu blogowego, dostaje e-mail z rabatem i kupuje po kliknięciu w wynik brandowy. W modelu ostatniego kliknięcia całą zasługę dostaje reklama brandowa, w modelu opartym na danych zasługa jest rozłożona według wag wyliczonych przez system, a Meta w swoim panelu przypisze sobie ten zakup, jeśli wcześniej wyświetliła reklamę w oknie. Żaden z tych raportów nie mówi, czy klient kupiłby bez reklamy.
Co z tym zrobić w sklepie
Warto otworzyć ten sam okres w Google Ads, Meta Ads i GA4 i porównać liczbę przypisanych zakupów z liczbą zamówień w panelu sklepu: suma z paneli zwykle przekracza rzeczywistość, bo każdy system liczy według własnego modelu i okna. Decyzje o budżecie lepiej opierać na jednym wybranym widoku i raz na kwartał sprawdzać go testem z grupą kontrolną. Skąd różnice, wyjaśnia pytanie o rozbieżne konwersje Google Ads i GA4, a błędy odczytu wpis o pułapkach danych GA4.
Zobacz też
Last click
Last click (atrybucja ostatniego kliknięcia) to model przypisujący całą wartość konwersji ostatniemu punktowi styku przed zakupem.
Data-driven attribution
Data-driven attribution (atrybucja oparta na danych) to model, w którym udział punktów styku w konwersji wylicza algorytm z danych konta.
Okno atrybucji
Okno atrybucji to czas od kliknięcia lub wyświetlenia reklamy, w którym późniejsza konwersja zostanie przypisana temu kontaktowi.
Inkrementalność
Inkrementalność (incrementality) to część sprzedaży, która nie wydarzyłaby się bez danego działania reklamowego, mierzona porównaniem z grupą kontrolną.
Konwersja wspomagana
Konwersja wspomagana to udział kanału w ścieżkach zakończonych konwersją, w których ten kanał pomógł, ale nie był ostatnim punktem styku.
Pytania o to pojęcie
Na blogu
Źródła
- Beyond the Last Touch: Attribution in Online Advertising (Marketing Science 37(5), 2018), R. Berman (wersja autorska), odczyt
- A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook (Marketing Science 38(2), 2019), B. Gordon, F. Zettelmeyer i in. (kopia PDF), odczyt