לא פעם, כשמפרסמים בוחנים את הדוחות של קמפיין בפייסבוק או אינסטגרם, עולה שאלה פשוטה אבל חשובה: "כמה מההמרות שאני רואה כאן הגיעו בזכות המודעות של מטא?״ Incremental Attribution נועד לתת מענה בדיוק לשאלה הזו – האם המודעות שלך באמת גרמו למשתמש לפעול?
זה נשמע כמו שדרוג משמעותי ביכולת המדידה של הקמפיינים במטא – ובמובנים מסוימים, זה בהחלט כך. אבל מניסיוננו, התמונה מורכבת יותר. בפרויקט שביצענו עבור מותג איקומרס גדול, הפעלת Incremental Attribution הביאה לתוצאות מעורבות: בתקופה שבה הצעת המכירה הייתה חדה וברורה – נרשמה כמות המרות יפה גם לפי המודל החדש. אבל כאשר המסרים השתנו והפכו כלליים יותר, הנתונים הראו ירידה חדה בהמרות – למרות שלא היה שינוי משמעותי בתנועה או בתקציב.
הלקוח, שעד אז התרגל לראות גרף ביצועים חיובי, פתאום קיבל דוחות שנראו כמו נסיגה. כך שלפני שעושים שינוי בכלי המדידה, במיוחד כזה שעלול לשנות את האופן שבו מוצגות התוצאות, יש להיערך לשיח נכון מול הלקוח וצוותי המדיה.
📩 רוצים לבדוק איך הקמפיינים שלכם עובדים? אנחנו מציעים ניתוח חינמי לבעלי חנויות אונליין עם תנועה קיימת כדי לעזור לכם להבין מה באמת משפיע על ההמרות ואיך אפשר לשפר אותן. לחצו כאן להשאיר פרטים ונתחיל לבדוק יחד
מהו Incremental Attribution?
מודלים רגילים כמו Last Click או 7-Day Click נוטים להפריז בהשפעת הפרסום. הם מניחים שמי שראה או הקליק - קנה בגלל שראה את המודעה. אבל מה אם הוא תכנן לרכוש מראש? מה אם הוא נחשף קודם לפרסום אחר מחוץ לפייסבוק? כאן נכנס Incremental Attribution שמבקש להסיר את כל הרעשים ולבודד את ההשפעה הישירה של החשיפה.
איך עובד Incremental Attribution?
Meta מפעילה שיטת ניסויים מבוקרת בשם Holdout Testing. במסגרת השיטה, מערכת הפרסום יוצרת שתי קבוצות:
-
קבוצת ביקורת (Control Group) – משתמשים שלא רואים את המודעות שלך.
-
קבוצת בדיקה (Test Group) – משתמשים שכן נחשפים למודעות.
לאחר זמן מוגדר, Meta משווה בין שיעורי ההמרה של שתי הקבוצות כדי לחשב את ה"הרמה האינקרמנטלית" – כלומר, כמה המרות התרחשו כתוצאה ישירה מהחשיפה למודעות.
מאחורי הקלעים משתמשת Meta בשתי גישות סטטיסטיות:
-
Difference-in-Differences Analysis – ניתוח שמשווה התנהגות לפני ואחרי החשיפה, במטרה לנטרל משתנים חיצוניים שמשפיעים על החלטת הרכישה.
-
Counterfactual Modeling – מודל ניבוי שמנסה להעריך מה היה קורה אם אותו משתמש לא היה נחשף למודעה, ומשווה זאת לתוצאה בפועל.
שני הכלים האלו נשענים על מאגר עצום של נתונים שנאספו ממאות מחקרי Lift קודמים שבוצעו ב-Meta. באמצעותם, המערכת בונה תחזית מבוססת Machine Learning לגבי ההשפעה האמיתית של הפרסום שלך על התנהגות המשתמשים.
תוצאות מתוך בדיקות של Meta
Meta דיווחה כי מפרסמים שהשתמשו ב-Incremental Attribution בין ינואר ליוני 2024, חוו עלייה ממוצעת של כ-20% בשיעור ההמרות האינקרמנטליות, כלומר, כאלה שניתן לייחס באופן ישיר לפרסום וזאת במגוון מגזרים ואזורים גיאוגרפיים.
חשוב לציין שזהו ממוצע, והביצועים בפועל משתנים מאוד בהתאם לסוג המוצר, אופי הקמפיין, קהל היעד, הצעת המכר ורמת התחרות.
למה זה חשוב?
כשמפרסמים מבינים אילו המרות נבעו ישירות מהמודעות ואילו היו קורות ממילא, קל הרבה יותר להעריך את אפקטיביות הקמפיין. זה משפיע ישירות על מדדים כמו:
-
ROAS (Return on Ad Spend) – כמה הכנסה יצר כל שקל שהושקע בפרסום.
-
POAS (Profit on Ad Spend) – כמה רווח נטו נוצר מכל שקל שהושקע.
באמצעות Incremental Attribution אפשר להבין טוב יותר אילו מודעות, קהלים או מסרים מניעים רכישות בפועל ולעדכן את תקציבי המדיה בהתאם. זה חיוני בפרסום מבוסס ביצועים שבו כל שקל צריך להוכיח את עצמו.
איך להפעיל Incremental Attribution ב־Ads Manager?
כדי להשתמש במודל בתוך Meta Ads Manager, יש לבצע את הפעולות הבאות:
-
בחרו מטרה לקמפיין כמו Sales, Product Catalog Sales או Leads.
-
במהלך הגדרת הקמפיין, עברו אל סעיף Performance Goal ולחצו על Show more options.
-
סמן את האפשרות של Incremental Attribution כדי להגדיר את אופטימיזציית ההגשה לפי המרות אינקרמנטליות.
להצגה בדוחות:
-
גשו ל־Ads Manager ולחצו על תפריט Columns.
-
בחרו באופציה Compare Attribution Settings.
-
סמנו את Incremental Attribution כדי לראות את הנתונים לצד מודלים אחרים – כמו Last Click או 7-Day Click.
כך תוכלו להשוות תפיסות שונות של ייחוס בלי לשנות בפועל את המודל.
השוואה למודלים אחרים
בעוד שמודלים כמו 7-Day Click או 1-Day View נוטים לייחס כל רכישה לפרסום, Incremental Attribution מנסה לספק נקודת מבט מציאותית יותר. הוא לא קפדן כמו Last Click, אבל גם לא נדיב מדי בייחוס.
בפועל, זהו מודל שנמצא "באמצע":
-
מדויק יותר מ־7-Day Click + 1-Day View.
-
ממוקד יותר מהמודלים המסורתיים, במיוחד כשמדובר בניתוח קמפיינים חדשים או תהליכי משפך מורכבים.
מגבלות שצריך לקחת בחשבון
חשוב להבין ש־Incremental Attribution לא מודד את כל מסע הלקוח. הוא מתמקד אך ורק בפלטפורמות שבשליטת Meta (פייסבוק, אינסטגרם, מסנג’ר), ומתעלם ממקורות אחרים כמו:
-
Google Ads
-
Email Marketing
-
תוצאות אורגניות במנועי חיפוש
-
השפעות אוף-ליין (כמו סניפים, שיחות טלפון וכו’)
לכן, שימוש במודל הזה בלבד עלול להוביל להערכת-יתר של תפקיד Meta בתהליך ההמרה.
בנוסף:
-
רימרקטינג עלול להיראות פחות אפקטיבי, למרות שהוא כן אפקטיבי, כי המשתמשים כבר בשלים להמרה.
-
מעבר למודל הזה באמצע קמפיין עלול לשבש את תהליך הלמידה של האלגוריתם ולפגוע בביצועים בטווח הקצר.
המלצות לשימוש נכון
1. אל תשנו קמפיין שעובד טוב.
Meta עצמה מציינת שהחלפת מודל ייחוס תוך כדי ריצה של קמפיין עלולה לשבש את ביצועי האלגוריתם. אל תגעו בקמפיינים שרצים היטב.
2. התחילו עם קמפיינים לפרוספקטינג בלבד.
בדקו את המודל עם קמפיינים שמיועדים לקהלים חדשים, ולא עם קהלים מחוממים או רימרקטינג.
3. תנו למודל זמן ללמוד.
בשלבים הראשונים, ייתכן שתראו ירידות או תנודתיות בביצועים – זה טבעי. המתינו כמה ימים לפני שמסיקים מסקנות.
4. השתמשו בכלי ההשוואה ב-Ads Manager.
זה מאפשר לכם לראות תרחישים שונים של ייחוס ולהסביר את ההבדלים לצוות וללקוח – עוד לפני שמשנים בפועל.
5. הכינו את הלקוח לשינוי במדידה.
פחות המרות בדוח לא אומר ביצועים חלשים יותר – זה פשוט אומר שהמדידה הפכה מדויקת יותר.
אתגרים נפוצים מול לקוחות
גם Meta מזהירה שהמודל הזה עלול לגרום לתחושת ירידה בביצועים – פשוט כי הוא מסנן המרות לא רלוונטיות.
בנוסף:
-
הנתונים אינם מבוססים על קבוצת הביקורת שלך בפועל, אלא על ממוצעים של מפרסמים דומים, מה שמפחית את רמת השקיפות.
-
המעבר למודל החדש עלול לאפס את שלב הלמידה ולפגוע ביעילות הקמפיין, במיוחד אם מדובר בקמפיינים ארוכי טווח (Evergreen) או ברימרקטינג.
חלון ההמרות החדש: Meta Incremental Attribution הוא כלי מתקדם שמציע הסתכלות מדויקת יותר על מה שהפרסום שלך באמת משיג. הוא יכול לשפר את ההבנה לגבי תרומת הקמפיינים, אבל לא תמיד הוא מתאים לכל מצב.
במקום לראות בו פתרון קסם, כדאי להתייחס אליו כאל כלי משלים – כזה שדורש ניסוי, התאמה, ניתוח ותקשורת פתוחה מול הלקוח. בשילוב עם מודלים נוספים, הוא יכול להוות חלק חשוב באסטרטגיית מדידה חכמה.
