Mätning
Attributionsmodeller i praktiken: första, sista och datadrivna val
En attributionsmodell fördelar värdet av en konvertering – ett köp, ett lead eller en bokning – mellan kampanjer och annonser.
Varför attribution blir avgörande när kundresan splittras
En attributionsmodell fördelar värdet av en konvertering – ett köp, ett lead eller en bokning – mellan kampanjer och annonser. Modellen behövs eftersom användare sällan konverterar vid första kontakten: en person kan se en YouTube-annons, sedan en annons i Instagram Stories som väcker intresset, och därefter gå direkt till webbplatsen och köpa. Flera kanaler har bidragit till beslutet, men utan en aktiv fördelning får bara en av dem värdet.
Kundresan är inte heller helt digitalt spårbar. Kunden kanske ser en bannerannons, söker på produkten eller varumärket, klickar in på webbplatsen och läser en stund utan att köpa – och en vecka senare ser annonsen igen i sociala medier, klickar på erbjudandet och konverterar i fysisk butik med en rabattkod som hämtats online. Ingen av dessa aktiviteter går att följa digitalt i sin helhet, men de har ändå spelat roll fram till köpet.
Modellvalet avgör därför vilken kanal som framstår som lönsam och därmed vilken som får budget nästa period. Att byta modell kan förändra bilden av vilka kanaler som driver resultat, utan att en enda annons har ändrats.
Kundresan i praktiken: från första kontakt till konvertering
- 1. Första kontakt – YouTube-annonsSkapar initial intresse. Utgår från första klicks-modell.
- 2. Engagemang – Instagram StoriesVäcker intresset vidare. Bidrar till efterfrågan men får inget värde i sista klick.
- 3. Konvertering – Direkt besök + köpAvslutande steg. Väger tyngst i sista klicks-modellen.
- 4. Fysisk butik – med rabattkod från onlineDigital spårning missar detta steg. Ej inkluderat i någon attributionsmodell.
Första klick: att ge upptäckten äran
Första klicks-attribution lägger hela konverteringens värde på den första kontaktpunkten. I exemplet YouTube → Instagram Stories → direkt besök på webbplatsen → köp hamnar hela konverteringen på YouTube-annonsen, eftersom den kom först.
Modellen passar när du vill veta vilka kanaler som skapar initialt intresse och räknar in nya målgrupper, och när säljcykeln är lång med många steg mellan första intryck och köp. Den svarar på var resan började, inte på vad som avgjorde köpet.
Blindfläcken är den omvända: en kanal som råkade ligga först får hela värdet även om den inte påverkade det slutliga beslutet, medan de kanaler som drev fram köpet får noll. Risken är överinvestering i bred räckvidd och underskattning av de insatser som faktiskt stänger affärer.
Sista klick: att mäta det som stänger affären
Last-Click tilldelar konverteringen till den sista kontaktpunkten. När kunden klickar på ett erbjudande eller hämtar en rabattkod och sedan konverterar hamnar hela värdet på den kanalen – ofta varumärkessök, direkt trafik, retargeting eller ett kampanjerbjudande.
Modellen är lätt att förklara och lätt att styra kampanjer efter, men den gynnar systematiskt kanaler nära avslutet. Den kanal som byggde intresset tidigare i resan får noll, trots att den enligt samma kundresa väckte behovet.
Den praktiska risken: sista klicks-siffror motiverar nedskärningar i kanaler som skapar efterfrågan, eftersom deras bidrag aldrig syns i rapporten. Kombinera dem därför med en modell som fördelar värdet över fler steg innan du beslutar om kanalneddragningar.
Fördelar och nackdelar med sista klicks-attributionsmodell
- FördelarEnkel att förstå, lätt att styra kampanjer efter. Gynnar kanaler som stänger affärer.
- NackdelarIgnorerar tidigare steg i kundresan. Risk för nedskärning av kanaler som skapar efterfrågan.
Från första och sista klick till modeller som sprider värdet
Linjär attribution ger alla steg i kundresan lika mycket värde. U-formad attribution låter första och sista steget väga tyngst medan mittenstegen räknas som mindre värdefulla. Time decay ger högre värde åt kontaktpunkter nära konverteringen och avtagande värde längre bak i resan.
De tre modellerna svarar på olika frågor: linjär visar hur brett engagemanget är fördelat över resan, U-formad lyfter både upptäckt och avslut, time decay fångar att sena intryck oftast väger tyngre än tidiga. Jämför du dem med första och sista klick syns vilka kanaler som bara ser starka ut i en extrem modell.
Plattformarna använder dessutom egna, kanalunika modeller – Google och Meta hör till dem som har egna uppsättningar. Samma kampanj kan därför rapporteras olika beroende på var du läser siffrorna. Håll reda på vilken modell respektive plattform tillämpar innan du jämför dem.
Jämförelse av attributionsmodeller: första klick, sista klick och spridande modeller
- Första klickGer hela konverteringens värde åt den första kontaktpunkten. Passar för att mäta initial upptäckt och målgruppsutvidgning.
- Sista klickTilldelar konverteringen till den sista interaktionen. Gynnar kanaler nära avslutet, t.ex. retargeting eller direkt trafik.
- Linjär attributionFördelar värdet lika mellan alla steg i kundresan. Visar jämn distribution av påverkan över hela resan.
- U-formad attributionGer högre vikt till första och sista steget; mittenstegen räknas som mindre värdefulla. Lyfter både upptäckt och avslut.
- Time decayGer ökad vikt till kontaktpunkter närmare konverteringen. Passar för långa säljcykler med eftertanke.
Datadrivna val: AI och maskininlärning som beslutsstöd
Datadrivna modeller skiljer sig från regelbaserade genom att väga kontaktpunkternas bidrag utifrån data om hur konverteringar faktiskt sker, i stället för att på förhand bestämma att första, sista eller alla steg får lika stort värde. Det gör att fler kontaktpunkter kan analyseras än de två eller tre en manuell modell brukar lyfta fram.
Tekniken är densamma som i AI-stödd marknadsföring i stort: maskininlärning, NLP och automatisering, tillsammans med AI-drivna kundinsikter samt segmentering och personalisering. AI används också i innehållsmarknadsföring, annonsering och kundengagemang, och de strategiska tillämpningarna i digitala marknadsföringsprocesser är ett eget område. Kurser i ämnet riktar sig till yrkesverksamma med erfarenhet av digital marknadsföring som vill fördjupa sig i AI och maskininlärning.
Två förutsättningar avgör om en datadriven modell är användbar: konsekvent mätning över kanaler, och tillräckligt med konverteringsdata för att modellen ska skilja verkliga mönster från slump. Etiska, juridiska och integritetsrelaterade aspekter av AI-driven marknadsföring behöver hanteras parallellt – särskilt när modellen bygger på enskilda användares beteende över tid.
Var också kritisk till vad modellen faktiskt mäter. En modell som tränas på plattformens egen konverteringsdata optimerar för det plattformen ser, inte nödvändigtvis för hela din kundresa. Kräv insyn i vilka kontaktpunkter och tidsfönster som ingår innan den får styra budgeten.
Hur datadrivna attributionsmodeller fungerar i AI-stödd marknadsföring
- Samla data över flera kanalerKräver konsekvent mätning för att identifiera mönster.
- Använd maskininlärning för att analysera mönsterModellen avgör vilka kontaktpunkter har störst påverkan baserat på faktisk konvertering.
- Kontrollera insyn i tidsfönster och konverteringstypSe till att modellen använder rätt inställningar (klick/visning, 1- eller 7-dagsfönster).
- Stäm av mot din egen konverteringsdataUndvik att låta plattformsdata leda till felaktiga budgetbeslut.
- Hantera etiska och integritetsfrågorSäkerställ att användardata behandlas i enlighet med svensk lag (t.ex. GDPR).
Tidsfönster och visningsbaserade konverteringar i praktiken
På Meta kan du för klickbaserad attribution välja 1-dagars klick eller 7-dagars klick. Skillnaden ligger i hur lång tid efter klicket en konvertering tillskrivs annonsen: med 7-dagars klick tillskriver Meta värdet om användaren köper inom sju dagar efter klicket. Lookback-perioden avgör alltså hur länge användarens aktivitet spåras efter annonsinteraktionen.
Visningsbaserad konvertering betyder att användaren konverterar efter att ha sett annonsen utan att klicka. Engagerad visning är en relativt ny inställning för videoannonser, där Meta analyserar om användaren såg minst 10 sekunder av videon – eller 97 % av den om den är kortare än 10 sekunder. Båda de visningsbaserade alternativen kan bara ställas in på 1-dagars visning, alltså tillskrivs bara köp inom ett dygn efter att användaren sett videon eller annonsen.
Valet av tidsfönster förändrar siffrorna mer än många antar. Ett 7-dagars klickfönster fångar köp som sker upp till en vecka efter klicket, medan ett 1-dagarsfönster bara fångar de snabba besluten – långa överväganden faller utanför. Visningsbaserad attribution fångar personer som såg annonsen men inte klickade och ger en bredare bild av hur varumärkeskännedom påverkar konverteringar, men är begränsad till ett dygn.
En sista klicks-rapport med 1-dagars klick ger därför en snäv bild av kundresan: både längre övervägandetider och visningsbaserad påverkan lämnas utanför. Dokumentera vilket tidsfönster och vilken typ av konvertering – klick eller visning – som ligger bakom varje siffra innan du jämför kanaler eller plattformar.
Tidsfönster i Meta-attributionsinställningar
- 7-dagars klickfönsterKonverteringar tillskrivs annonsen om användaren klickar och köper inom 7 dagar.
- 1-dagars klickfönsterEndast snabba konverteringar (inom ett dygn) fångas upp.
- 1-dagars visningsbaserad konverteringEndast köp inom ett dygn efter att användaren sett annonsen utan att klicka.
- Engagerad visning (video)Användaren såg minst 10 sekunder av videon eller 97 % om kortare än 10 sekunder.
Så väljer du modell utan att fastna i en enda sanning
Utgå från kampanjmålet. Ska kampanjen skapa initialt intresse passar första klicks-attribution eller U-formad fördelning, eftersom de lyfter de tidiga stegen. Ska den avsluta affärer är sista klick eller time decay mer träffsäker. Datadrivna modeller är värda att använda när datan räcker för att väga bidrag över fler kontaktpunkter än de regelbaserade klarar.
Jämför alltid samma period och samma konverteringsdefinition i första klick, sista klick och den datadrivna modellen. Skillnaderna pekar ut vilka kanaler som är beroende av en viss modell för att se starka ut – det är de kanalerna som kräver mest eftertanke innan budgeten ändras.
Komplettera med en spridningsmodell (linjär, U-formad eller time decay) för att se om helhetsbilden håller. Eftersom varje plattform har egna inställningar och egna tidsfönster kan plattformarnas summerade konverteringar överstiga din egen total. Stäm av summan mot ditt eget konverteringsantal innan du drar slutsatser om enskilda kanalers lönsamhet.
Räkna med modellernas begränsningar i beslutet. Aktiviteter som inte går att spåra digitalt – till exempel konvertering i fysisk butik med en rabattkod som hämtats online – syns inte i någon av modellerna, och visningsbaserad attribution fångar bara konverteringar inom ett dygn efter exponering. Skriv ner vilka delar av kundresan som ligger utanför mätningen, så att du inte tolkar en ofullständig bild som ett fullständigt svar.
Praktiska steg vid val av attributionsmodell
- Definiera kampanjmål: skapa intresse eller avsluta?Anpassa modell efter mål – första klick eller U-formad för upptäckt, sista klick eller time decay för avslut.
- Jämför samma period och konverteringsdefinitionUndvik felaktiga slutsatser genom jämförelse i samma datavindu.
- Komplettera med en spridningsmodellAnvänd linjär, U-formad eller time decay för helhetsbild.
- Stäm av plattformssumman mot din egen totalPlattformarnas summerade konverteringar kan överstiga din egna total.
- Notera omslutna delar av kundresanFysiska konverteringar med rabattkoder från online är ej spårbara i digitala modeller.
Sammanfattning: första, sista och datadrivna val i vardagen
Första klick svarar på var intresset uppstod, sista klick på vad som stängde affären, och de spridande modellerna – linjär, U-formad och time decay – på hur värdet fördelar sig däremellan. Ingen av dem beskriver kundresan fullt ut: användare möter ofta flera annonser och kanaler före konverteringen, och vissa steg går inte att spåra digitalt.
En användbar princip är att låta frågan styra modellen. Vill du veta vilka kanaler som skapar efterfrågan, titta på första klick och U-formad fördelning. Vill du veta vad som stänger affärerna, titta på sista klick och time decay. Vill du väga fler kontaktpunkter mot varandra och har dataunderlaget för det, använd en datadriven modell – men kontrollera vilka tidsfönster och vilken typ av konvertering (klick eller visning) som ligger bakom siffrorna, och stäm av mot din egen total innan budgeten flyttas.
