First-touch vs Last-touch Attribution เข้าใจง่ายสำหรับเจ้าของธุรกิจคนเดียว

เจ้าของธุรกิจคนเดียวหลายคนเปิด Google Ads แล้วเห็นตัวเลข conversion ไม่ตรงกับที่คิดไว้ สาเหตุหนึ่งที่พบบ่อยไม่ใช่เพราะแคมเปญไม่ดี แต่เพราะไม่เข้าใจว่าระบบกำลังใช้ "โมเดลไหน" ในการตัดสินว่าช่องทางไหนควรได้เครดิตจากการขายที่เกิดขึ้น บทความนี้จะพาไล่ดูผ่านตัวอย่างสมมติเรื่องเดียวตลอดทั้งบทความ เพื่อให้เห็นภาพชัดว่าแต่ละโมเดลคิดต่างกันตรงไหน

ตัวอย่างสมมติที่จะใช้ตลอดทั้งบทความ

สมมติว่าลูกค้าคนหนึ่งชื่อ "คุณเอ" มี journey การซื้อแบบนี้: วันจันทร์ คุณเอเห็นโฆษณา TikTok ของร้านคุณระหว่างเลื่อนฟีด แล้วกดเข้ามาดูเว็บครั้งแรก (touch 1) แต่ยังไม่ซื้อ ผ่านไปหนึ่งสัปดาห์ คุณเอนึกถึงร้านคุณขึ้นมาอีกครั้ง เลยพิมพ์ค้นหาชื่อร้านใน Google แล้วคลิกโฆษณา Search ที่ขึ้นมา (touch 2) แล้วตัดสินใจซื้อทันทีในครั้งนั้น

เคสนี้ดูเรียบง่ายแต่เป็นสถานการณ์ที่เกิดขึ้นจริงบ่อยมาก และเป็นตัวอย่างที่ดีมากในการอธิบายว่าทำไมโมเดล attribution ต่างกันถึงให้คำตอบไม่เหมือนกันเลยสำหรับ journey เดียวกัน

First-touch Attribution ให้เครดิตใคร

First-touch attribution มองแค่จุดสัมผัสแรกสุดของ journey แล้วให้เครดิตการขายทั้งหมด 100% กับจุดนั้น ในเคสของคุณเอ นั่นคือโฆษณา TikTok ที่ทำให้เขารู้จักร้านเป็นครั้งแรก แม้ว่าตอนนั้นเขาจะยังไม่ได้ซื้อก็ตาม โมเดลนี้ตอบคำถามว่า "อะไรที่พาลูกค้าเข้ามารู้จักเราตั้งแต่แรก" ได้ดี เหมาะกับธุรกิจที่อยากรู้ว่าช่องทางไหนสร้างการรับรู้ (awareness) ได้ดีที่สุด

ข้อจำกัดของ First-touch คือมันมองข้ามว่าอะไรที่ทำให้คุณเอตัดสินใจซื้อจริงในวันที่สอง ถ้าดูแค่ตัวเลขนี้อย่างเดียว อาจเข้าใจผิดว่า TikTok คือช่องทางที่ "ปิดการขาย" ได้ ทั้งที่จริงมันแค่เปิดการรับรู้เท่านั้น

Last-touch Attribution ให้เครดิตใคร

Last-touch attribution มองตรงข้ามกับ First-touch คือให้เครดิตทั้งหมด 100% กับจุดสัมผัสสุดท้ายก่อนการซื้อ ในเคสของคุณเอ นั่นคือโฆษณา Search บน Google ที่เขาคลิกก่อนตัดสินใจซื้อในวินาทีนั้น โมเดลนี้เป็นค่าเริ่มต้นที่หลายแพลตฟอร์มโฆษณาใช้มานาน เพราะคำนวณง่ายและตรงไปตรงมา

ปัญหาของ Last-touch คือมันมองข้ามบทบาทของ TikTok ไปเลย ทั้งที่ถ้าไม่มีโฆษณา TikTok ตัวแรก คุณเอก็อาจไม่รู้จักร้านคุณตั้งแต่ต้น และไม่มีทางค้นหาชื่อร้านใน Google ในสัปดาห์ถัดมาด้วยซ้ำ การให้เครดิตทั้งหมดกับ Search อย่างเดียวจึงอาจทำให้เจ้าของธุรกิจตัดงบ TikTok ทิ้งทั้งที่มันทำหน้าที่สำคัญของมันอยู่

Linear และ Data-driven Attribution ให้เครดิตใคร

โมเดล Linear attribution จะกระจายเครดิตเท่าๆ กันในทุกจุดสัมผัส สมมติว่าเคสของคุณเอมีแค่ 2 touch แบบนี้ แต่ละจุดจะได้เครดิตไปคนละ 50% ซึ่งเป็นวิธีคิดที่ยุติธรรมในแง่ที่ไม่เอนเอียงไปทางใดทางหนึ่ง แต่ก็ไม่ได้สะท้อนว่าจริงๆ แล้วจุดไหนมีอิทธิพลต่อการตัดสินใจมากกว่ากัน

ส่วน Data-driven attribution ที่ GA4 ใช้เป็นค่าเริ่มต้นในปัจจุบัน จะคำนวณจากข้อมูล conversion จริงจำนวนมากในระบบว่า pattern ของ journey แบบไหนมีโอกาสนำไปสู่การซื้อมากกว่ากัน แล้วกระจายเครดิตตามน้ำหนักที่คำนวณได้ สมมติว่าในตัวอย่างของคุณเอ ระบบคำนวณแล้วให้เครดิต TikTok 35% และ Search 65% เพราะจากข้อมูล pattern จำนวนมากพบว่าจุดสัมผัสสุดท้ายก่อนซื้อมีน้ำหนักมากกว่าจุดแรกอยู่บ้าง แต่จุดแรกก็ยังมีผลไม่ใช่ศูนย์

โมเดล	เครดิตให้ TikTok (touch 1)	เครดิตให้ Search (touch 2)
First-touch	100%	0%
Last-touch	0%	100%
Linear	50%	50%
Data-driven (ตัวอย่างสมมติ)	35%	65%

ตัวเลข 35% และ 65% ในแถวสุดท้ายเป็นตัวอย่างสมมติเพื่อให้เห็นภาพเท่านั้น ตัวเลขจริงที่ GA4 คำนวณให้จะขึ้นกับข้อมูล conversion สะสมของแต่ละธุรกิจ ซึ่งต่างกันไปในแต่ละเว็บ

ทำไม GA4 เลือกใช้ Data-driven แทน Last-click

ในอดีต Google Analytics ใช้ Last-click เป็นค่าเริ่มต้นมานาน เพราะเป็นวิธีคิดที่เข้าใจง่ายและคำนวณได้ทันทีโดยไม่ต้องใช้ข้อมูลจำนวนมาก แต่ปัญหาคือ Last-click มักประเมินค่าของช่องทางที่สร้างการรับรู้ตั้งแต่ต้น เช่น social media หรือ display ads ต่ำเกินจริง เพราะช่องทางเหล่านี้มักไม่ใช่จุดสัมผัสสุดท้ายก่อนการซื้อ

Data-driven attribution แก้ปัญหานี้ด้วยการใช้ machine learning วิเคราะห์ journey จริงของลูกค้าจำนวนมากในบัญชีเดียวกัน แล้วดูว่า pattern การมี TikTok เป็นจุดแรกก่อน Search ทำให้อัตราการซื้อสูงขึ้นกว่าการมี Search อย่างเดียวหรือไม่ ถ้าใช่ ระบบจะให้เครดิตกับ TikTok มากขึ้นตามน้ำหนักที่คำนวณได้จากข้อมูลจริง ไม่ใช่กฎตายตัวแบบ First-touch หรือ Last-touch

ข้อจำกัดของ Data-driven คือมันต้องการข้อมูล conversion จำนวนหนึ่งถึงจะคำนวณได้แม่นยำ ธุรกิจที่มี conversion ต่อเดือนน้อยมากอาจเห็นตัวเลขที่ไม่เสถียรนัก เพราะระบบมีข้อมูลไม่พอให้เรียนรู้ pattern ได้ชัดเจน

คำแนะนำสำหรับเจ้าของธุรกิจคนเดียว: อย่าไล่ตามความสมบูรณ์แบบ

สิ่งที่สำคัญกว่าการหาโมเดล attribution ที่ "ถูกที่สุด" คือการยอมรับว่าไม่มีโมเดลไหนสะท้อนความจริงได้ร้อยเปอร์เซ็นต์ โดยเฉพาะธุรกิจคนเดียวที่มักมี conversion ต่อเดือนไม่มากพอจะให้ข้อมูลที่แม่นยำสูงเหมือนธุรกิจใหญ่ การพยายามหาคำตอบที่สมบูรณ์แบบจึงมักเสียเวลาไปกับสิ่งที่ไม่มีทางได้คำตอบชัดเจนอยู่ดี

แนวทางที่ใช้ได้จริงมากกว่าคือ เลือกโมเดลเดียวที่ระบบให้มา (เช่น Data-driven ที่ GA4 ตั้งเป็นค่าเริ่มต้น) แล้วใช้แบบเดียวกันต่อเนื่องทุกเดือน แทนที่จะสลับไปมาระหว่างโมเดล จากนั้นให้ดู "แนวโน้ม" ของสัดส่วนเครดิตแต่ละช่องทางเทียบกับเดือนก่อนหน้า มากกว่าจะเชื่อตัวเลขของเดือนใดเดือนหนึ่งแบบเบ็ดเสร็จ ถ้าสัดส่วนเครดิตของ TikTok ค่อยๆ เพิ่มขึ้นต่อเนื่องหลายเดือน นั่นเป็นสัญญาณที่น่าเชื่อถือกว่าตัวเลขของเดือนเดียว

ก่อนตัดสินใจเพิ่มหรือลดงบในช่องทางใด ควรดูควบคู่กับต้นทุนต่อการได้ลูกค้าจริงด้วย ลองใช้ CPA/ROAS Calculator คำนวณควบคู่กับตัวเลข attribution ที่ได้ เพื่อดูภาพรวมว่าช่องทางไหนคุ้มค่าจริงเมื่อรวมต้นทุนเข้าไปด้วย

สรุปเป็นขั้นตอนที่ทำได้จริงสำหรับคนทำธุรกิจคนเดียว:

• ยึดโมเดลเดียวที่ระบบตั้งเป็นค่าเริ่มต้น อย่าสลับโมเดลไปมาระหว่างเดือน เพราะจะเทียบแนวโน้มไม่ได้เลย
• บันทึกสัดส่วนเครดิตของแต่ละช่องทางไว้ทุกเดือนในชีตเดียวกัน เพื่อเทียบแนวโน้มย้อนหลังได้ง่าย
• อย่าตัดงบช่องทางใดช่องทางหนึ่งทันทีจากตัวเลขของเดือนเดียว ให้รอดูอย่างน้อย 2-3 เดือนก่อน
• ตรวจสอบว่าระบบ tracking เบื้องหลังยังทำงานถูกต้องก่อนจะเชื่อว่าตัวเลข attribution ที่เห็นสะท้อนความจริง
• ใช้ตัวเลขต้นทุนต่อการได้ลูกค้าประกอบการตัดสินใจ ไม่ใช่ดูแค่สัดส่วนเครดิตอย่างเดียว

เมื่อข้อมูล Attribution เริ่มดูผิดปกติ

บางครั้งตัวเลข attribution ที่เห็นอาจไม่ได้เกิดจากพฤติกรรมลูกค้าจริง แต่เกิดจากการตั้งค่า tracking ที่ผิดพลาด เช่น UTM parameter ไม่ตรงกัน หรือ tag บางตัวไม่ยิงในบางหน้า ทำให้ระบบมองไม่เห็น touch บางจุดเลย ก่อนจะสรุปว่าช่องทางไหนดีหรือแย่จากตัวเลข attribution ควรตรวจสอบก่อนว่าระบบ tracking เบื้องหลังยังทำงานถูกต้องอยู่ อ่านวิธีตรวจสอบได้ที่ เช็ค Tracking ด้วย GTM Preview และ GA4 DebugView

อีกจุดที่ควรระวังคือถ้าเว็บของคุณเพิ่งเริ่มทำ cookie consent ให้ถูกต้องตามแนวทาง PDPA ตัวเลข attribution บางส่วนอาจลดลงเพราะผู้ใช้บางคนปฏิเสธการเก็บข้อมูล ซึ่งเป็นเรื่องปกติที่ต้องเข้าใจไว้ก่อน อ่านเพิ่มเติมได้ที่ PDPA & Cookie Consent กับ Tracking

สำหรับคนที่ยังไม่มั่นใจว่าเว็บของตัวเองพร้อมสำหรับการวัดผลที่แม่นยำหรือไม่ ลองเริ่มจากตรวจสภาพเว็บโดยรวมด้วย Website Audit Lite ก่อนก็ได้ เพื่อดูว่ามีจุดไหนที่ควรแก้ก่อนไปโฟกัสเรื่อง attribution ต่อ

สรุป

First-touch, Last-touch, Linear และ Data-driven attribution ล้วนตอบคำถามคนละมุมของ journey ลูกค้าเดียวกัน ไม่มีโมเดลไหนผิดหรือถูกแบบเบ็ดเสร็จ สิ่งที่เจ้าของธุรกิจคนเดียวควรทำคือเลือกใช้โมเดลเดียวสม่ำเสมอ ดูแนวโน้มระยะยาวแทนตัวเลขจุดเดียว และตรวจสอบให้แน่ใจว่าระบบ tracking เบื้องหลังทำงานถูกต้องก่อนจะเชื่อตัวเลขที่เห็นทั้งหมด