I ungefär nio av tio kundmöten jag sitter på där frågan om mediemix kommer upp är det egentligen en annan fråga vi diskuterar — även om varken jag eller kunden formulerar det så. Vi diskuterar attributionsmodellen, fast vi tror att vi diskuterar budgeten. När kunden säger “branded search drar in alla våra konverteringar och vi borde lägga mer där” så är det inte observationen från verkligheten som talar. Det är Google Analytics standardinställning som talar. Default på den plattformen är last non-direct click, och den håller i princip alltid på att göra kunden till sin egen fiende.
Det här är långformsvarianten av en kortare text vi publicerade på byrån nyligen — “Attributionsmodeller, är det något för mig?” — som vi skrev för kunder som aldrig hört termen. Det här inlägget är för dig som redan vet vad en attributionsmodell är men fortfarande kör last-click av rena slentrianskäl. Ramverket nedan är det jag använder när jag försöker hjälpa en kund bestämma vilken modell som passar deras affär — inte vilken som ser snyggast ut i en slide.
Vad modellerna faktiskt säger åt dig att göra
Det är värt att zooma in på vad varje modell implicit kommunicerar, för varje val är i praktiken en budgetåsikt.
Last-click ger 100 % av krediten till den sista interaktionen före konvertering. Det är standard i Google Analytics MCF och den mest spridda modellen på marknaden. Den säger åt dig att hälla pengar på det som fångar upp redan beslutsmässigt mogna besökare — branded search, retargeting, direkttrafik — och svälta ut de kanaler som väckte intresset från början. För alla verksamheter där köpresan sträcker sig över mer än en session ljuger den systematiskt.
Last non-direct click är rapporteringsdefaulten i resten av GA. Den ignorerar direkttrafik som sista kontaktpunkt och tillskriver kanalen före. Marginellt bättre. Fortfarande single-touch. Fortfarande blind för mitten av resan.
First-click är exakt spegelbilden. 100 % till den första interaktionen. Övervärderar awareness-kanaler — display, socialt, breda organiska sökningar — och ignorerar allt som hände däremellan. Användbar i exakt ett läge: när du vill förstå vilka kanaler som tar in nytt folk i ekosystemet. För budgetallokering är den lika missvisande som last-click.
Linjär delar krediten jämnt över samtliga kontaktpunkter. Fem touchpoints, 20 % var. Det här är den enklaste multi-touch-modellen och en dramatisk förbättring jämfört med vilken single-touch-variant som helst. Svagheten är att ett slumpmässigt displayintryck behandlas likvärdigt med ett högintent branded search-klick. För en organisation som rör sig bort från last-click duger linjär gott som första steg.
Time-decay ger mer vikt till kontaktpunkter närmare konverteringen. Logiken är att det som ligger nära köpbeslutet påverkade beslutet mer. Rimlig approximation för transaktionstunga verksamheter med korta beslutsperioder.
Positionsbaserad (U-formad) fördelar 40 % till första, 40 % till sista och 20 % över allt däremellan. Det är den modell jag rekommenderar oftast som startpunkt för considered purchase. Den erkänner att både efterfrågeskapande och demand capture spelar roll — och ger ändå nurture-stegen en skälig andel.
Datadriven attribution bygger en modell av dina faktiska konverteringspaths. Låter fantastiskt. Kräver volym — de flesta mid-market-konton i Sverige når inte tröskeln. Och även om du når den: behandla resultatet som en hypotes, inte som ett facit. Cookie-baserad spårning har växande luckor, och modellen är aldrig bättre än underlaget.
Matcha modell mot din affärscykel, inte din bransch
Svensk byråverklighet är att kunder ofta väljer modell utifrån vad deras bransch gör. Det är fel utgångspunkt. Det som avgör är konverteringscykeln — inte om du är i mode eller SaaS.
Korta transaktionella köp. E-handel med lågt snittordervärde, impulsköp, standardvaror. Resan är komprimerad, två-tre touchpoints, ofta en session. Här gör modellvalet mindre skillnad eftersom pathen är så kort att single-touch-approximationer inte gör så mycket skada. Last non-direct click eller time-decay duger.
Övervägda köp. B2B-tjänster, e-handel med högt ordervärde, SaaS — allt där köparen researchar över flera sessioner under dagar eller veckor. Det är här modellvalet spelar störst roll, och det är här last-click kommer göra mest skada. Den kommer säga åt dig att skära i awareness, dubbla på branded search, och glömma hela mellansegmentet. Exakt bakvänd riktning. Positionsbaserad ger en ärligare bild: kanalen som drog in köparen får betalt. Kanalen som stängde köparen får betalt. Nurture-stegen får ändå en andel. Sitter du i den här kategorin och fortfarande kör last-click — då misallokerar du budget varje månad. Punkt.
Prenumeration och LTV. Det här är det svåra fallet. Den initiala konverteringen är bara startpunkten; det verkliga värdet ligger i hur länge kunden stannar. Attribution här behöver egentligen svara inte bara på “vem drog in dem” utan “vem drog in de kunder som stannar”. De flesta analyslösningar klarar inte det utan offline-integration. Det pragmatiska draget är att köra positionsbaserad för förvärvsattribution och bygga en separat LTV-analys segmenterad per förvärvskanal. Lösa båda i en enda modell brukar innebära att man inte löser någon av dem ordentligt.
Vad man faktiskt ska göra i Google Analytics
Model Comparison Tool under Multi-Channel Funnels. Ingen använder den. Den är den enskilt mest användbara rapporten i Analytics för det här beslutet.
Dra upp dina konverteringsdata. Växla mellan last non-direct click och positionsbaserad. Titta på hur kanalernas andelar skiftar. Kanalen som ser ut som din bästa performer under last-click kan hamna på tredje plats under positionsbaserad. Gapet mellan de två siffrorna är din misallokeringsrisk — konkret, i kronor, i varje månads budget.
Två tekniska begränsningar man ska vara medveten om.
Datasampling. När du drar större fönster börjar MCF-rapporterna samplas. Du får riktningsrätt data, inte exakta siffror. För högvolymkonton betyder det antingen kortare analysfönster eller att acceptera approximation. Det är fortfarande mycket mer träffsäkert än att köra last-click utan att ens ha ställt frågan.
Cross-device. Analytics spårar cookies, inte människor. En användare som researchar i mobilen och köper på desktop syns som två användare med två separata resor. Lösningar finns — User ID om du har inloggat läge — men de flesta organisationer har en rejäl blind fläck här. Attributionsmodeller kan bara attributera det de ser.
När du bör titta på det igen
Kvartalsvis. Inte månadsvis — då börjar du jaga enskilda kunders timingvariationer istället för att se trenden. Inte årsvis — ett år är för lång tid när kanalmixen utvecklas snabbt.
Titta dessutom igen varje gång du gjort något som förändrar kundresans form: lanserat en ny betald kanal, flyttat budget mellan awareness och konvertering, ändrat landningssidestrategi. Varje sådan förändring omformar pathen, och modellen måste fortfarande matcha formen.
Frågan jag brukar ställa
När jag sitter med en marknadschef som fortfarande kör last-click ställer jag oftast samma fråga: om du bytte till positionsbaserad idag, vilken kanal skulle vinna mest kredit och vilken skulle tappa mest? Om svaret är “jag vet inte” — kör jämförelsen innan nästa budgetmöte. Gapet mellan de två siffrorna är storleken på den budgetkonversation du inte har haft ännu.
Är det fler här som har gått igenom den övningen och blivit ärligt överraskade av resultatet? Jag är särskilt nyfiken på B2B-sidan — håller mönstret med övervärderad branded search lika starkt i långa säljcykler som i de e-handelsfall jag oftast möter?