Veri odaklı atribüsyon (Data-Driven Attribution, DDA), Google Ads’te çoğu dönüşüm eylemi için varsayılan olarak çalışan bir modeldir. Kredi, sabit bir kurala göre değil, hesabın kendi geçmiş verisine göre dağıtılır.
Modelin temel mantığı basittir: dönüşüm sağlayan ve sağlamayan kullanıcıların izlediği yollar karşılaştırılır. Hangi temas noktalarının dönüşüm olasılığını daha çok artırdığı görülürse, kredi de buna göre paylaştırılır.
Google Ads’in veri odaklı atribüsyon dokümanı, modelin dönüşüm sağlayan ve sağlamayan müşterilerin etkileşim yollarını (Arama, Shopping, YouTube, Display, Demand Gen genelinde tıklama ve video etkileşimleri dahil) karşılaştırarak çalıştığını açıklar. Aynı kaynak, modelin çalışması için 30 gün içinde en az 200 dönüşüm ve 2.000 reklam etkileşiminin önerildiğini belirtir.
Veri Odaklı Atribüsyon Nasıl Çalışır?
Model, sabit bir yüzde kuralı uygulamaz; her hesabın kendi verisinden öğrenir.
Karşılaştırma mantığı örnekle netleşir
Google’ın kendi örneğinde, önce “Bike tour New York” sonra “Bike tour Brooklyn waterfront” reklamına tıklayan kullanıcılar, yalnızca ikinciye tıklayanlara göre daha yüksek satın alma olasılığı gösterir. Model bu farkı tespit edip krediyi buna göre dağıtır.
Kanallar arası veri birlikte değerlendirilir
Arama, Shopping, YouTube, Display ve Demand Gen genelindeki tıklama ve video etkileşimleri aynı model içinde değerlendirilir. Bu, tek bir kanalın izole şekilde değil, bütünün parçası olarak okunmasını sağlar; asıl fark burada ortaya çıkar.
Ne Kadar Veri Gerekir?
Modelin örüntü tespit edebilmesi için belirli bir veri hacmi önerilir.
200 dönüşüm ve 2.000 etkileşim eşiği
Google, 30 gün içinde en az 200 dönüşüm ve 2.000 reklam etkileşimini öneri olarak belirtir. Bu eşiğin altında da model çalışır, fakat örüntü tespiti zayıflar.
Düşük hacimde önce trafik artırılmalı
Hesap bu eşiğin altındaysa, doğrudan modeli sorgulamak yerine trafik ve dönüşüm hacmini artırmaya odaklanmak daha doğru bir ilk adımdır. Az veriyle üretilen bir dağılım, güvenilir bir örüntü değil rastgele bir tahmine daha yakın olabilir; bu farkı gözden kaçırmak yanlış bütçe kararına yol açabilir. Örneğin ayda yalnızca 40 dönüşüm üreten bir hesapta model üç ay içinde farklı kanallara farklı krediler dağıtabilir; bu dalgalanma gerçek bir davranış değişikliğinden değil, yetersiz örneklemden kaynaklanıyor olabilir.
Hangi Hesaplar İçin Daha Değerli?
Modelin katkısı, satın alma yolunun uzunluğuyla doğru orantılıdır.
Uzun ve çok kanallı yolculuklarda fark yaratır
Kullanıcının birden fazla kanalla defalarca temas ettiği B2B veya yüksek bedelli ürün kategorilerinde, veri odaklı model son tıklamaya göre çok daha gerçekçi bir tablo sunabilir; asıl fayda tam olarak bu karmaşık yolculuklarda ortaya çıkar.
Tek temaslı basit yolculuklarda fark azdır
Kullanıcının tek bir reklama tıklayıp hemen dönüştüğü basit yolculuklarda, iki model arasındaki fark görece küçük kalabilir.
Yayın Öncesi Kontrol
Veri odaklı atribüsyonu değerlendirirken:
- Hesap, önerilen veri hacmi eşiklerine (200 dönüşüm / 2.000 etkileşim) yakın mı?
- Kanal bazlı bütçe kararları bu modelin raporuna göre mi alınıyor?
- Model düşük veri hacminde çalışıyorsa, sonuç ne kadar temkinli yorumlanıyor?
Sık Yapılan Hata
En yaygın hata, düşük hacimli bir hesapta veri odaklı modelin ürettiği dağılımı kesin bir gerçek gibi kabul edip bütçeyi buna göre büyük ölçüde kaydırmaktır. Az veriyle üretilen dağılım, büyüklük sırası olarak okunmalı, kesin oran olarak değil.
Özet
Veri odaklı atribüsyon, dönüşen ve dönüşmeyen kullanıcıların yollarını karşılaştırarak krediyi hesabın kendi verisine göre dağıtan bir modeldir. Güvenilir çalışması için belirli bir veri hacmi gerekir; bu hacmin altında sonuç temkinli okunmalıdır. Uzun ve çok kanallı satın alma yolculuklarında son tıklama modeline göre daha gerçekçi bir tablo sunar.