Attribution Modeling: Multi-Touch Attribution cho Marketing & Product

TL;DR

Attribution Modeling là phương pháp phân bổ "credit" (giá trị) cho các touchpoints (điểm tiếp xúc) trong customer journey, giúp hiểu đâu là kênh/chiến dịch thực sự đóng góp vào conversion.

Vấn đề cần giải quyết:

• Customer journey ngày nay không đơn giản: User xem Facebook Ad → Đọc blog → Nhận email → Xem webinar → Mới mua hàng
• Ai đáng được "credit"? Facebook? Blog? Email? Webinar?

Các Attribution Models phổ biến:

Ví dụ thực tế:

• Shopify chuyển từ Last-Click sang Data-Driven Attribution → Phát hiện content marketing đóng góp 35% conversion (trước đó bị undervalue) → Tăng budget content 3x → ROI tăng 127%

Attribution Modeling Là Gì?

Định nghĩa

Attribution Modeling là phương pháp xác định và phân bổ giá trị (credit) cho các marketing touchpoints trong customer journey dẫn đến conversion (mua hàng, đăng ký, ...).

Vấn đề Attribution giải quyết

Scenario thực tế:

User journey của Minh (mua hàng $1,000):

Day 1:  Click Facebook Ad → Xem homepage → Thoát
Day 3:  Google "best CRM software" → Đọc blog review → Thoát
Day 5:  Nhận email newsletter → Click vào case study → Thoát
Day 7:  Xem webinar → Đăng ký trial
Day 14: Nhận email reminder → Click → Mua hàng $1,000

Câu hỏi: Ai đáng được credit $1,000 này?
- Facebook Ads team?
- SEO/Content team?
- Email marketing team?
- Webinar team?

Nếu không có Attribution Model:

• Mỗi team claim 100% credit → Tổng cộng = $4,000 "revenue" (gấp 4 lần thực tế!)
• Hoặc: Last-click attribution → Email gets 100% → Facebook Ads bị cắt budget (sai lầm!)

Tại sao Attribution quan trọng?

1. Tối ưu Marketing Budget

• Biết kênh nào ROI cao → Tăng budget
• Kênh nào không hiệu quả → Giảm hoặc tắt

2. Hiểu Customer Journey

• Touchpoint nào quan trọng nhất?
• Touchpoint nào có thể bỏ qua?

3. Align Teams

• Marketing, Sales, Product hiểu contribution của nhau
• Không tranh credit, không blame nhau

Single-Touch vs Multi-Touch Attribution

Single-Touch Attribution (Đơn giản nhưng thiếu chính xác)

1. Last-Click Attribution (Phổ biến nhất)

Logic: 100% credit cho touchpoint cuối cùng trước conversion.

Ví dụ:

Journey: Facebook Ad → Blog → Email → [Purchase]
Credit:  0%            0%     0%       100% (Email)

Ưu điểm:

• Đơn giản, dễ implement
• Google Analytics default

Nhược điểm:

• Bỏ qua toàn bộ journey trước đó
• Undervalue awareness/consideration channels (Facebook, SEO, Content)
• Overvalue retargeting/email (vì chúng thường là last-click)

Khi nào dùng:

• Startup nhỏ, ít touchpoints
• Budget hạn chế, không đủ resources phân tích phức tạp

2. First-Click Attribution

Logic: 100% credit cho touchpoint đầu tiên.

Ví dụ:

Journey: Facebook Ad → Blog → Email → Purchase
Credit:  100%          0%     0%       0%

Khi nào dùng:

• Focus vào awareness/top-of-funnel campaigns
• B2B với sales cycle dài (6-12 tháng)

Nhược điểm: Bỏ qua nurturing/closing efforts.

Multi-Touch Attribution (Phức tạp hơn, chính xác hơn)

1. Linear Attribution

Logic: Chia đều credit cho tất cả touchpoints.

Ví dụ:

Journey: FB Ad → Blog → Email → Webinar → Purchase
Credit:  20%     20%    20%     20%       20%

SQL Implementation:

WITH user_journeys AS (
  SELECT
    user_id,
    conversion_value,
    COUNT(*) OVER (PARTITION BY user_id) AS touchpoint_count
  FROM touchpoints
  WHERE user_id IN (SELECT user_id FROM conversions)
)

SELECT
  touchpoint_channel,
  SUM(conversion_value / touchpoint_count) AS attributed_revenue
FROM user_journeys
GROUP BY touchpoint_channel;

Ưu điểm: Tất cả touchpoints được recognize.

Nhược điểm: Không realistic - không phải tất cả đều quan trọng ngang nhau.

2. Time-Decay Attribution

Logic: Touchpoint càng gần conversion, càng nhiều credit (exponential decay).

Ví dụ (half-life = 7 days):

Journey:
Day 1:  FB Ad    → 10% credit
Day 5:  Blog     → 15% credit
Day 10: Email    → 25% credit
Day 14: Webinar  → 50% credit

SQL Implementation:

WITH time_decay AS (
  SELECT
    user_id,
    touchpoint_channel,
    conversion_value,
    DATEDIFF(conversion_date, touchpoint_date) AS days_before_conversion,
    -- Exponential decay với half-life 7 ngày
    POW(0.5, DATEDIFF(conversion_date, touchpoint_date) / 7.0) AS decay_weight
  FROM touchpoints t
  JOIN conversions c ON t.user_id = c.user_id
),

normalized_weights AS (
  SELECT
    user_id,
    touchpoint_channel,
    conversion_value,
    decay_weight,
    decay_weight / SUM(decay_weight) OVER (PARTITION BY user_id) AS normalized_weight
  FROM time_decay
)

SELECT
  touchpoint_channel,
  SUM(conversion_value * normalized_weight) AS attributed_revenue
FROM normalized_weights
GROUP BY touchpoint_channel;

Khi nào dùng:

• Sales cycle ngắn (< 30 days)
• Retargeting/email campaigns quan trọng

3. Position-Based (U-Shaped) Attribution

Logic:

• 40% credit cho first-touch (awareness)
• 40% credit cho last-touch (conversion)
• 20% chia đều cho middle touchpoints

Ví dụ:

Journey: FB Ad → Blog → Email → Webinar → Purchase
Credit:  40%     6.67%  6.67%   6.67%     40%

SQL Implementation:

WITH touchpoint_positions AS (
  SELECT
    user_id,
    touchpoint_channel,
    conversion_value,
    ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY touchpoint_date) AS position,
    COUNT(*) OVER (PARTITION BY user_id) AS total_touchpoints
  FROM touchpoints t
  JOIN conversions c ON t.user_id = c.user_id
),

attribution_weights AS (
  SELECT
    user_id,
    touchpoint_channel,
    conversion_value,
    CASE
      WHEN position = 1 THEN 0.4  -- First touch
      WHEN position = total_touchpoints THEN 0.4  -- Last touch
      ELSE 0.2 / (total_touchpoints - 2)  -- Middle touches
    END AS weight
  FROM touchpoint_positions
)

SELECT
  touchpoint_channel,
  SUM(conversion_value * weight) AS attributed_revenue
FROM attribution_weights
GROUP BY touchpoint_channel;

Khi nào dùng:

• Cả awareness và conversion đều quan trọng
• B2B SaaS

4. Data-Driven Attribution (Machine Learning)

Logic: Sử dụng ML để tính contribution thực tế của mỗi touchpoint dựa trên historical data.

Cách hoạt động:

1. Phân tích hàng ngàn journeys
2. So sánh journeys có conversion vs không conversion
3. Tính xác suất mỗi touchpoint contribute vào conversion
4. Phân bổ credit dựa trên xác suất này

Ví dụ đơn giản (Shapley Value approach):

import itertools
import pandas as pd
import numpy as np

def calculate_shapley_values(touchpoints, conversion_value, conversion_prob_func):
    """
    Calculate Shapley values for attribution

    touchpoints: List of touchpoints ['FB', 'Email', 'Webinar']
    conversion_value: Total value to distribute
    conversion_prob_func: Function that returns conversion probability given a set of touchpoints
    """
    n = len(touchpoints)
    shapley_values = {tp: 0 for tp in touchpoints}

    # Iterate through all possible coalitions
    for i, touchpoint in enumerate(touchpoints):
        marginal_contributions = []

        # Get all other touchpoints
        other_touchpoints = [tp for j, tp in enumerate(touchpoints) if j != i]

        # Generate all possible subsets of other touchpoints
        for r in range(len(other_touchpoints) + 1):
            for subset in itertools.combinations(other_touchpoints, r):
                # Probability with touchpoint
                prob_with = conversion_prob_func(list(subset) + [touchpoint])
                # Probability without touchpoint
                prob_without = conversion_prob_func(list(subset))
                # Marginal contribution
                marginal_contribution = prob_with - prob_without
                marginal_contributions.append(marginal_contribution)

        # Average marginal contribution
        shapley_values[touchpoint] = np.mean(marginal_contributions)

    # Normalize to conversion_value
    total_shapley = sum(shapley_values.values())
    if total_shapley > 0:
        for tp in shapley_values:
            shapley_values[tp] = (shapley_values[tp] / total_shapley) * conversion_value

    return shapley_values

# Example usage
def example_conversion_prob(touchpoints_set):
    """Example: probability model (simplified)"""
    base_prob = 0.05
    if 'FB' in touchpoints_set:
        base_prob += 0.15
    if 'Email' in touchpoints_set:
        base_prob += 0.25
    if 'Webinar' in touchpoints_set:
        base_prob += 0.40
    return min(base_prob, 1.0)

touchpoints = ['FB', 'Email', 'Webinar']
attribution = calculate_shapley_values(touchpoints, 1000, example_conversion_prob)
print(attribution)
# Output: {'FB': 187.5, 'Email': 312.5, 'Webinar': 500.0}

Khi nào dùng:

• Có đủ data (>10,000 conversions/tháng)
• Multiple channels (>5 channels)
• Budget lớn, cần optimize chính xác

Nhược điểm:

• Phức tạp, khó explain
• Cần data scientist
• "Black box" - khó audit

So Sánh Các Attribution Models

Case Study: So sánh Attribution Models cho cùng 1 Journey

Journey:

User A: FB Ad (Day 1) → Blog (Day 3) → Email (Day 7) → Purchase ($1,000)

Kết quả theo từng model:

Nhận xét:

• Last-Click: Email team báo cáo $1,000 revenue
• First-Click: FB Ads team báo cáo $1,000 revenue
• Thực tế: Cần cả 3 touchpoints mới có conversion!

Cách chọn Model phù hợp

Decision Framework:

START
  |
  ├─ Sales cycle < 7 days?
  |    YES → Last-Click hoặc Time-Decay
  |    NO  ↓
  |
  ├─ >10,000 conversions/month + >5 channels?
  |    YES → Data-Driven Attribution
  |    NO  ↓
  |
  ├─ B2B với long sales cycle?
  |    YES → Position-Based hoặc First-Click
  |    NO  ↓
  |
  └─ Default → Linear (bắt đầu đơn giản)

Theo ngành:

• E-commerce: Time-Decay hoặc Data-Driven
• SaaS B2B: Position-Based hoặc First-Click
• Lead Generation: Linear hoặc Data-Driven
• App Install: Last-Click (journey ngắn)

Thách Thức với Attribution Modeling

1. Cross-Device Tracking

Vấn đề:

Mobile:  Xem FB Ad → Click → Đọc blog
Desktop: Google search → Mua hàng

→ Có vẻ như 2 users khác nhau!

Giải pháp:

• User ID Tracking: Yêu cầu login → Match across devices
• Probabilistic Matching: Fingerprinting (IP, User Agent, ...) - không chính xác 100%
• Google Analytics 4: Cross-device tracking với Google Account

2. Offline Touchpoints

Vấn đề: Không track được offline events (TV ads, billboards, in-store visits).

Giải pháp:

• Promo codes: TV ad → "Use code TV20" → Track conversions
• Survey: Hỏi "How did you hear about us?" khi checkout
• Geo-experiments: So sánh regions có/không có offline ads

3. Dark Social

Vấn đề: Traffic từ private messages (WhatsApp, Telegram, ...) hiển thị là "Direct" trong GA.

Giải pháp:

• UTM parameters: Encourage sharing links có UTM
• Survey: Hỏi user nguồn thực tế

4. Attribution Windows

Vấn đề: Bao lâu sau touchpoint vẫn được tính credit?

Ví dụ:

Day 1:  Click FB Ad
Day 45: Mua hàng

→ FB Ad có được credit không?

Khuyến nghị:

• Click-through window: 30 days (standard)
• View-through window: 1-7 days (cho display ads)
• Tùy chỉnh theo sales cycle của bạn

Implementation Guide

Step 1: Setup Tracking

Requirements:

• Event tracking: Tất cả touchpoints (ads clicks, pageviews, email clicks, ...)
• User ID: Track user across sessions
• Conversion events: Purchase, signup, ...

Google Analytics 4 Setup:

// Track custom touchpoint events
gtag('event', 'touchpoint', {
  'channel': 'facebook_ads',
  'campaign': 'summer_sale_2025',
  'user_id': 'user_12345',
  'timestamp': new Date().toISOString()
});

// Track conversion
gtag('event', 'purchase', {
  'transaction_id': 'T12345',
  'value': 1000,
  'currency': 'USD',
  'user_id': 'user_12345'
});

Step 2: Build Attribution Data Model

SQL Schema:

-- Touchpoints table
CREATE TABLE touchpoints (
  touchpoint_id VARCHAR(255) PRIMARY KEY,
  user_id VARCHAR(255) NOT NULL,
  touchpoint_date TIMESTAMP NOT NULL,
  channel VARCHAR(100),
  campaign VARCHAR(255),
  medium VARCHAR(100),
  source VARCHAR(100),
  -- UTM parameters
  utm_source VARCHAR(255),
  utm_medium VARCHAR(100),
  utm_campaign VARCHAR(255),
  utm_content VARCHAR(255),
  utm_term VARCHAR(255)
);

-- Conversions table
CREATE TABLE conversions (
  conversion_id VARCHAR(255) PRIMARY KEY,
  user_id VARCHAR(255) NOT NULL,
  conversion_date TIMESTAMP NOT NULL,
  conversion_type VARCHAR(100),  -- purchase, signup, ...
  conversion_value DECIMAL(10,2)
);

-- Attributed revenue table (output)
CREATE TABLE attributed_revenue (
  date DATE,
  channel VARCHAR(100),
  campaign VARCHAR(255),
  attribution_model VARCHAR(50),  -- last_click, linear, time_decay, ...
  attributed_revenue DECIMAL(10,2),
  attributed_conversions INT
);

Step 3: Calculate Attribution (SQL)

Example: Time-Decay Attribution

WITH conversion_journeys AS (
  -- Get all touchpoints for users who converted
  SELECT
    c.conversion_id,
    c.user_id,
    c.conversion_date,
    c.conversion_value,
    t.touchpoint_id,
    t.touchpoint_date,
    t.channel,
    t.campaign,
    DATEDIFF(c.conversion_date, t.touchpoint_date) AS days_before_conversion
  FROM conversions c
  JOIN touchpoints t
    ON c.user_id = t.user_id
    AND t.touchpoint_date <= c.conversion_date
    AND t.touchpoint_date >= DATE_SUB(c.conversion_date, INTERVAL 30 DAY)  -- 30-day window
),

decay_weights AS (
  -- Calculate time-decay weights
  SELECT
    *,
    POW(0.5, days_before_conversion / 7.0) AS decay_weight
  FROM conversion_journeys
),

normalized_attribution AS (
  -- Normalize weights per conversion
  SELECT
    conversion_id,
    channel,
    campaign,
    conversion_value,
    decay_weight,
    decay_weight / SUM(decay_weight) OVER (PARTITION BY conversion_id) AS attribution_weight
  FROM decay_weights
)

-- Final attributed revenue
SELECT
  DATE(conversion_date) AS date,
  channel,
  campaign,
  'time_decay' AS attribution_model,
  SUM(conversion_value * attribution_weight) AS attributed_revenue,
  COUNT(DISTINCT conversion_id) AS attributed_conversions
FROM normalized_attribution na
JOIN conversions c ON na.conversion_id = c.conversion_id
GROUP BY date, channel, campaign
ORDER BY date, attributed_revenue DESC;

Step 4: Visualize & Report

Looker/Metabase Dashboard:

Dashboard: Marketing Attribution

Tiles:
  1. Attribution by Channel (Pie Chart)
     - Metric: Attributed Revenue
     - Dimension: Channel
     - Filter: Attribution Model = Time Decay

  2. Attribution Model Comparison (Bar Chart)
     - Metric: Attributed Revenue
     - Dimension: Channel
     - Pivot: Attribution Model

  3. Journey Length Distribution (Histogram)
     - Metric: Count of Conversions
     - Dimension: Number of Touchpoints

  4. Top Converting Journeys (Table)
     - Dimensions: Journey Path
     - Metric: Conversion Count, Avg Revenue

Case Studies

Case Study 1: Shopify - From Last-Click to Data-Driven

Context:

• Shopify sử dụng Last-Click attribution
• Content marketing team complain: "Chúng tôi tạo traffic nhưng không được credit!"

Problem với Last-Click:

Content team bị undervalued → Budget bị cắt.

Chuyển sang Data-Driven Attribution:

Phát hiện:

• Content đóng góp 35% conversions (thường là first-touch)
• Email chỉ là last-touch (retargeting)

Hành động:

1. Tăng budget content marketing 3x
2. Giảm email retargeting frequency
3. Tối ưu content cho bottom-of-funnel

Kết quả (6 tháng sau):

• Overall revenue: +45%
• Marketing ROI: +127%
• CAC: -23%

Case Study 2: Startup SaaS Việt Nam - Position-Based Attribution

Context:

• SaaS B2B (HR software) ở Việt Nam
• Sales cycle: 30-60 days
• Dùng Last-Click → Google Ads gets 80% credit

Analysis:

Typical Journey:

1. Google Search "HR software Vietnam" → Blog post → Sign up trial
2. (7 days later) Email: Tutorial series
3. (14 days later) Webinar: Advanced features
4. (21 days later) Sales call
5. (28 days later) Email: Discount offer → Purchase

Last-Click attribution: Email gets 100% credit.

Chuyển sang Position-Based (40-20-40):

Insights:

• SEO/Content (first-touch) cực kỳ quan trọng
• Webinar có impact nhưng bị bỏ qua
• Email discount chỉ là "cú đẩy cuối"

Hành động:

1. Tăng content production (blog, guides)
2. Tăng tần suất webinar từ 1/tháng → 2/tuần
3. Sales team focus vào warm leads từ webinar

Kết quả (3 tháng):

• Qualified leads: +85%
• Conversion rate: +32%
• Sales cycle: Giảm từ 45 → 32 ngày

Tools cho Attribution Modeling

1. Google Analytics 4 (Free)

Features:

• Data-Driven Attribution (mặc định từ 2023)
• So sánh attribution models
• Cross-device tracking

Limitations:

• Cần 400 conversions/model trong 30 ngày để dùng Data-Driven
• Limited customization

2. Segment + Attribution Tools

Stack:

• Segment: Collect all events
• Segment Protocols: Data validation
• → Export to attribution tool:
  • Rockerbox ($2,000+/tháng)
  • Northbeam ($1,000+/tháng)
  • Attribution.com (Enterprise)

Features:

• Multi-touch attribution
• Offline integration
• Custom models

3. Build Your Own (SQL + dbt)

For Startups:

# dbt model: attribution_time_decay.sql

{{ config(
    materialized='table'
) }}

WITH conversion_journeys AS (
  {{ build_conversion_journeys(
      attribution_window_days=30,
      channels=['google_ads', 'facebook', 'email', 'organic']
  ) }}
),

time_decay_attribution AS (
  {{ calculate_time_decay(
      half_life_days=7
  ) }}
)

SELECT * FROM time_decay_attribution

Cost: ~$0 (chỉ data warehouse cost)

Pros: Full control, customizable

Cons: Cần data engineer

Best Practices

1. Bắt đầu đơn giản, iterate sau

Phase 1 (Month 1-3): Last-Click (understand baseline)
Phase 2 (Month 4-6): Linear hoặc Position-Based
Phase 3 (Month 7+):  Data-Driven (nếu đủ data)

2. So sánh multiple models

Đừng chỉ dùng 1 model. Xem side-by-side:

→ Nếu tất cả models đều cho thấy FB underperforming → Có vấn đề thật.

3. Attribution ≠ Causation

Correlation không phải causation:

• Channel A có high attribution ≠ Channel A cause conversion
• Có thể Channel A chỉ là "last touchpoint tự nhiên" (e.g., Branded search)

Giải pháp: Kết hợp với Incrementality Testing (Geo experiments, Holdout tests).

4. Update models thường xuyên

Customer behavior thay đổi → Attribution model cần update.

Quarterly review:

• Model nào chính xác nhất? (so với incrementality tests)
• Attribution windows còn phù hợp không?
• Có channels mới cần thêm không?

Kết Luận

Attribution Modeling là công cụ quan trọng để tối ưu marketing spend, nhưng không có silver bullet. Mỗi model có trade-offs:

Key Takeaways

1. Last-Click quá đơn giản → Bỏ qua customer journey
2. Multi-Touch Attribution chính xác hơn → Cần data + resources
3. Data-Driven tốt nhất → Nhưng cần >10K conversions/tháng
4. Kết hợp với Incrementality Testing để validate
5. Attribution ≠ Causation → Cẩn thận khi ra quyết định

Roadmap cho Startups Việt Nam

Stage 1: <$100K MRR

• Dùng Last-Click (Google Analytics)
• Focus vào understand customer journey
• Manual journey mapping

Stage 2: $100K-$500K MRR

• Implement Linear hoặc Position-Based
• SQL + dbt + Metabase
• Compare multiple models

Stage 3: >$500K MRR

• Data-Driven Attribution
• Tool: Rockerbox/Northbeam hoặc build in-house
• Incrementality testing

Next Steps

Sau khi hiểu Attribution Modeling, bạn nên học:

• A/B Testing: Test hypotheses từ attribution insights
• Customer Segmentation: Phân tích attribution theo segments
• Cohort Analysis: Retention của users từ mỗi channel

Carptech - Giải Pháp Attribution Modeling cho Doanh Nghiệp Việt Nam

Tại Carptech, chúng tôi giúp doanh nghiệp Việt Nam xây dựng hệ thống attribution:

Dịch vụ của chúng tôi

• Attribution Data Pipeline: Collect, transform, model attribution data
• Custom Attribution Models: Tailored cho business model của bạn
• BI Dashboards: Real-time attribution reporting (Looker, Metabase)
• Incrementality Testing: Validate attribution với experiments

Case Studies

• E-commerce: Tối ưu marketing mix, ROI tăng 127%
• SaaS B2B: Phát hiện content marketing undervalued, tăng leads 85%
• Fintech: Multi-channel attribution → Giảm CAC 35%

Liên hệ: https://carptech.vn

Bài viết được viết bởi Carptech Team - Chuyên gia về Data Platform & Analytics tại Việt Nam.