Mô hình quy đổi Attribution: First-Touch vs Last-Touch vs Multi-Touch

Sự khác biệt giữa các mô hình quy đổi First-Touch, Last-Touch và Multi-Touch là gì? Các mô hình quy đổi First-touch, Last-touch và Multi-touch xác định cách các nhà tiếp thị di động phân bổ giá trị chuyển đổi cho các điểm chạm (touchpoint) trong hành trình tìm kiếm người dùng. Khi các kênh thu hút người dùng di động mở rộng từ tìm kiếm trả phí, quảng cáo mạng xã hội, người có ảnh hưởng (influencers) đến các chiến dịch tiếp thị lại (retargeting), các mô hình quy đổi trên ứng dụng di động cung cấp khung đo lường để đánh giá sự đóng góp của từng kênh trong suốt hành trình người dùng.

Mô hình quy đổi (attribution model) là một quy tắc định lượng hoặc khung toán học xác định cách giá trị chuyển đổi và doanh thu được phân bổ cho các điểm chạm tiếp thị trước khi sự kiện chuyển đổi diễn ra. Bằng cách gán giá trị từng phần hoặc giá trị đơn điểm, các mô hình này cho phép các nhà tiếp thị đánh giá chính xác hiệu suất thu hút người dùng của từng kênh truyền thông.

Các nền tảng đo lường di động (MMP) như AppsFlyer, Adjust, Branch và OpoInstall áp dụng các mô hình quy đổi để đối soát các điểm chạm trong chiến dịch, lượt cài đặt, các sự kiện sau cài đặt và tín hiệu doanh thu trên các kênh quảng cáo.

Nhảy đến: Bảng so sánh nhanh | Quy đổi vs Cửa sổ thời gian | Quy đổi vs Tính gia tăng | Các câu hỏi thường gặp

Câu trả lời nhanh

Trong tiếp thị di động, mô hình quy đổi tự nó không phải là một cơ chế theo dõi. Đó là quy tắc ra quyết định được áp dụng trong quá trình xử lý quy đổi để xác định điểm chạm nào nhận được giá trị chuyển đổi. First-touch đo lường sự khám phá, last-touch đo lường tác động đến chuyển đổi cuối cùng, và multi-touch đánh giá sự đóng góp kết hợp của nhiều tương tác.

• Chọn mô hình Last-Touch khi: Sản phẩm của bạn có chu kỳ mua hàng ngắn (dưới 24 giờ) và người dùng thường chuyển đổi ngay lập tức sau một tương tác quảng cáo duy nhất.
• Chọn mô hình Multi-Touch khi: Ứng dụng của bạn liên quan đến hành trình đa kênh (như tìm kiếm trả phí, quảng cáo mạng xã hội và chiến dịch người có ảnh hưởng) hoặc các mô hình đăng ký yêu cầu thời gian cân nhắc kéo dài nhiều tuần.
• Chọn mô hình dựa trên dữ liệu (Data-Driven) khi: Đội ngũ của bạn có đủ khối lượng chuyển đổi và dữ liệu lịch sử về điểm chạm có ý nghĩa thống kê để huấn luyện các mô hình phân bổ.

Bảng so sánh nhanh

Bảng dưới đây tóm tắt cách giá trị chuyển đổi được phân bổ trong các mô hình quy đổi đơn điểm và đa điểm:

Danh sách kiểm tra lựa chọn mô hình quy đổi

• Sử dụng mô hình Last-Touch nếu:
  • ✓ Các chiến dịch chạy theo mô hình CPI đơn kênh.
  • ✓ Chu kỳ chuyển đổi hoàn tất trong vòng 24 giờ kể từ lần tiếp xúc quảng cáo đầu tiên.
  • ✓ Hành trình người dùng bao gồm tối thiểu các điểm chạm trung gian.
• Sử dụng mô hình Multi-Touch nếu:
  • ✓ Ngân sách tiếp thị được phân bổ trên nhiều mạng lưới trả phí, tìm kiếm và các kênh mạng xã hội.
  • ✓ Sản phẩm yêu cầu người dùng cân nhắc nhiều tuần (ví dụ: ứng dụng đăng ký, fintech, B2B SaaS).
  • ✓ Các mạng lưới SAN (như Meta Ads và Google Ads) báo cáo các tuyên bố chuyển đổi trùng lặp.
• Sử dụng mô hình Data-Driven nếu:
  • ✓ Khối lượng chiến dịch tạo ra hàng chục nghìn chuyển đổi hàng tháng.
  • ✓ Hạ tầng dữ liệu hỗ trợ xuất log điểm chạm ở cấp độ sự kiện.

Các loại mô hình quy đổi di động phổ biến

Các khung quy đổi di động được phân loại thành ba mô hình cấu trúc tùy thuộc vào quy tắc phân bổ giá trị:

• Quy đổi đơn điểm (Single-Touch): Gán 100% giá trị chuyển đổi cho một tương tác duy nhất. Bao gồm First-Touch (ghi nhận điểm chạm khám phá ban đầu) và Last-Touch (ghi nhận tương tác cuối cùng trong cửa sổ quy đổi).

• Quy đổi đa điểm dựa trên quy tắc (Rule-Based Multi-Touch): Áp dụng các tỷ lệ thuật toán cố định trên tất cả các điểm chạm đã ghi nhận. Bao gồm Linear (giá trị bằng nhau), Time-Decay (giá trị lũy thừa theo thời gian gần nhất) và Position-Based (giá trị hình chữ U).

• Quy đổi thuật toán (Algorithmic): Sử dụng máy học để tính toán sự đóng góp của điểm chạm một cách linh hoạt.

  Mô hình quy đổi di động
  │
  ├── Quy đổi đơn điểm
  │ ├── First-Touch
  │ └── Last-Touch
  │
  ├── Quy đổi đa điểm dựa trên quy tắc
  │ ├── Linear (Đường thẳng)
  │ ├── Time-Decay (Suy giảm theo thời gian)
  │ └── Position-Based (Dựa trên vị trí - hình chữ U)
  │
  └── Quy đổi thuật toán
  └── Các mô hình máy học dựa trên dữ liệu

Bối cảnh ngành quy đổi di động

Theo các tiêu chuẩn của ngành đo lường di động, quy đổi di động đã phát triển từ đo lường đơn giản ở cấp độ cài đặt sang quy đổi dựa trên sự kiện và doanh thu khi hệ sinh thái quảng cáo di động trở nên phức tạp hơn.

Các chiến dịch chi phí trên mỗi lượt cài đặt (CPI) sớm thường dựa vào mô hình last-touch vì các lộ trình chuyển đổi ngắn và chủ yếu bị chi phối bởi quảng cáo hiển thị hiệu suất và các kênh thu hút trả phí. Khi các ứng dụng đăng ký, vòng lặp kiếm tiền từ trò chơi và thu hút đa kênh mở rộng, các nhà tiếp thị ngày càng áp dụng các mô hình multi-touch và data-driven để phân tích các chuyển đổi được hỗ trợ và đánh giá ngân sách truyền thông ở phễu trên.

Các cấu trúc quy đổi hiện đại thống nhất nhật ký nhấp chuột, dữ liệu hiển thị, tín hiệu cài đặt từ kho ứng dụng, các sự kiện chuyển đổi sau cài đặt và lệnh gọi lại doanh thu để đánh giá chất lượng thu hút người dùng vượt ra ngoài lượt tải xuống ban đầu.

Tại sao việc lựa chọn mô hình quy đổi ảnh hưởng đến hiệu suất tiếp thị

Việc chọn một mô hình quy đổi không phù hợp sẽ đưa dữ liệu báo cáo hiệu suất thiếu chính xác vào việc đánh giá chiến dịch. Trước đây, các nhóm tăng trưởng dựa vào khung quy đổi đơn điểm—cụ thể là đo lường last-touch—do sự đơn giản của chúng. Tuy nhiên, việc gán 100% giá trị chuyển đổi cho tương tác quảng cáo cuối cùng đã bỏ qua các tương tác khám phá và cân nhắc trước đó vốn là yếu tố dẫn dắt người dùng vào phễu chuyển đổi.

Sự thiên lệch này tạo ra rủi ro tài chính trong việc mua quảng cáo. Các chiến dịch phễu trên, chẳng hạn như quảng cáo video nhận diện thương hiệu hoặc các chiến dịch của người ảnh hưởng, thường nhận được giá trị chuyển đổi bằng không mặc dù tạo ra sự quan tâm ban đầu từ người dùng. Kết quả là, các nhóm tiếp thị có thể nhầm lẫn khi cắt giảm kinh phí cho các kênh khám phá hiệu quả, chuyển ngân sách hoàn toàn sang quảng cáo tiếp thị lại ở phễu dưới, vốn chỉ đơn thuần khẳng định giá trị cuối cùng cho những người dùng đã có ý định chuyển đổi.

Đánh giá hiệu quả tiếp thị đòi hỏi phải đánh giá cách các điểm chạm khác nhau đóng góp cho một lượt thu hút duy nhất. Một mô hình quy đổi tối ưu cung cấp tầm nhìn cân bằng xuyên suốt hành trình người dùng, cho phép các nhóm tiếp thị tính toán lợi nhuận trên chi phí quảng cáo (ROAS) thực sự và tối ưu hóa Chi phí thu hút khách hàng (CAC) trên các kết hợp truyền thông phức tạp.

So sánh các khung quy đổi đơn điểm và đa điểm

Ở mức độ cơ bản, đo lường chiến dịch di động được chia thành các khung quy đổi đơn điểm và đa điểm. Mỗi khung xử lý dữ liệu tương tác người dùng theo cách khác nhau:

• Quy đổi đơn điểm (Single-Touch): Đánh giá hành trình người dùng bằng cách chọn một tương tác duy nhất—hoặc là lần nhấp/hiển thị đầu tiên hoặc cuối cùng—và gán 100% giá trị chuyển đổi cho điểm đó.
• Quy đổi đa điểm (MTA): Ghi lại các tương tác người dùng trước khi chuyển đổi, áp dụng các quy tắc trọng số để phân bổ giá trị từng phần cho tất cả các điểm chạm đủ điều kiện.

Để minh họa cách các mô hình quy đổi gán giá trị chuyển đổi trên hành trình người dùng đa kênh, hãy xem xét một chu kỳ chuyển đổi 30 ngày dẫn đến việc mua gói đăng ký hàng năm trị giá $49.99:

• Ngày 0: Người dùng xem quảng cáo video trên TikTok và nhấp vào liên kết (Khám phá thương hiệu).
• Ngày 3: Người dùng tìm kiếm ứng dụng trên Google Tìm kiếm trả phí và nhấp vào quảng cáo văn bản.
• Ngày 7: Người dùng nhấp vào banner tiếp thị lại của Meta Ads.
• Ngày 30: Người dùng hoàn tất việc mua đăng ký trị giá $49.99 bên trong ứng dụng.

Để quyết định giữa các cách tiếp cận này một cách nhanh chóng, các nhóm dữ liệu sử dụng luồng quyết định sau đây dựa trên tiến trình ra quyết định của người dùng:

Người dùng có chuyển đổi trong vòng 24 giờ kể từ lần tiếp xúc quảng cáo đầu tiên không?
       │
      Có ──> Mô hình Last-Touch
       │
      Không
       │
Người dùng có tương tác với nhiều kênh quảng cáo trước khi chuyển đổi không?
       │
      Có ──> Mô hình Multi-Touch (Position-Based hoặc Time Decay)
       │
      Không ──> Mô hình First-Touch hoặc Linear

Cách các mô hình quy đổi gán giá trị chuyển đổi

Các mô hình quy đổi sử dụng các quy tắc trọng số cụ thể để gán giá trị cho các điểm chạm chiến dịch đã ghi nhận. Các nhóm tăng trưởng thường chọn từ năm mô hình dựa trên quy tắc chính tùy thuộc vào độ phức tạp của chuyển đổi:

Mô hình Last-Touch

• Quy tắc phân bổ giá trị: Gán 100% giá trị chuyển đổi cho lần nhấp chuột hợp lệ cuối cùng hoặc hiển thị quảng cáo (nếu được hỗ trợ) trong cửa sổ quy đổi trước khi chuyển đổi.
• Công thức giá trị: Giá trị điểm chạm cuối cùng = 100% giá trị chuyển đổi.
• Trường hợp sử dụng: Mặc dù rất đơn giản, mô hình này bỏ qua các kênh khám phá, tạo ra sự thiên lệch lớn đối với việc tiếp thị lại và tìm kiếm thương hiệu.

Mô hình First-Touch

• Quy tắc phân bổ giá trị: Gán 100% giá trị cho điểm chạm tiếp thị được ghi nhận đầu tiên giới thiệu người dùng đến ứng dụng.
• Công thức giá trị: Giá trị điểm chạm ban đầu = 100% giá trị chuyển đổi.
• Trường hợp sử dụng: Mô hình này làm nổi bật các kênh nhận diện thương hiệu nhưng cung cấp tầm nhìn bằng không về tiếp thị lại hoặc các yếu tố thúc đẩy chuyển đổi cuối cùng.

Mô hình quy đổi Linear (Đường thẳng)

• Quy tắc phân bổ giá trị: Phân bổ giá trị chuyển đổi bằng nhau cho tất cả các điểm chạm đã ghi nhận trong cửa sổ chuyển đổi.
• Công thức giá trị: Giá trị mỗi điểm chạm = 1 ÷ N, trong đó N là tổng số điểm chạm được ghi nhận.
• Trường hợp sử dụng: Mặc dù cân bằng, mô hình này đối xử với các lượt xem quảng cáo ý định thấp ngang bằng với các lượt nhấp chuyển đổi ý định cao.

Mô hình quy đổi Time-Decay (Suy giảm theo thời gian)

• Quy tắc phân bổ giá trị: Sử dụng công thức suy giảm để gán trọng số giá trị cao hơn cho các điểm chạm xảy ra gần thời điểm chuyển đổi cuối cùng hơn.
• Công thức trọng số Time-Decay: Trọng số giá trị = 2^(-t/h), trong đó t là thời gian đã trôi qua và h là tham số bán rã được chọn. Sau khi tính toán trọng số mỗi điểm chạm, các giá trị được chuẩn hóa để tổng giá trị quy đổi bằng 100%.
• Trường hợp sử dụng: Các điểm chạm gần chuyển đổi nhận được giá trị cao hơn, ghi nhận rằng các tương tác gần đây có ảnh hưởng mạnh hơn đến quyết định mua hàng.

Mô hình dựa trên vị trí (Position-Based)

• Quy tắc phân bổ giá trị: Phân bổ trọng số qua các chuỗi điểm chạm, gán trọng số cao hơn cho việc khám phá ban đầu và chuyển đổi cuối cùng trong khi chia phần giá trị còn lại cho các điểm chạm trung gian.
• Phân bổ điểm chạm trung gian: First Touch = 40%, Last Touch = 40%, các điểm chạm trung gian = 20% chia đều cho các tương tác giữa chừng. Khi một hành trình chỉ có hai điểm chạm, các nền tảng có thể áp dụng các quy tắc đơn giản hóa như phân bổ đều tùy thuộc vào cấu hình.
• Trường hợp sử dụng: Một triển khai hình chữ U phổ biến gán 40% giá trị cho lần chạm đầu tiên, 40% cho lần chạm cuối cùng và phân bổ 20% còn lại đều nhau cho các tương tác ở giữa, cân bằng giữa việc khám phá thương hiệu và thực thi mua hàng.

Mô hình quy đổi dựa trên quy tắc vs Thuật toán

Trong khi các mô hình quy đổi dựa trên quy tắc áp dụng các tỷ lệ tĩnh cố định trên các điểm chạm, các mô hình quy đổi thuật toán hoặc dựa trên dữ liệu sử dụng máy học để phân tích các chuỗi tương tác người dùng một cách linh hoạt.

Các mô hình thuật toán ước tính xác suất đóng góp tương đối của các điểm chạm bằng cách sử dụng các mô hình thống kê và máy học dựa trên các lộ trình chuyển đổi lịch sử:

• Mô hình chuỗi Markov (Markov Chain): Phân tích xác suất chuyển đổi giữa các điểm chạm và ước tính sự đóng góp của kênh thông qua hiệu ứng loại bỏ.
• Mô hình giá trị Shapley (Shapley Value): Áp dụng cơ chế lý thuyết trò chơi hợp tác để đánh giá sự đóng góp gia tăng cận biên của mỗi kênh quảng cáo trên các kết hợp điểm chạm.

Mặc dù các mô hình thuật toán thích ứng tốt với các kết hợp truyền thông phức tạp, các mô hình dựa trên quy tắc vẫn dễ kiểm toán hơn, minh bạch về cấu hình và đơn giản hơn để đối soát trên các kênh tiếp thị của bên thứ ba.

Quy đổi tất định vs Quy đổi xác suất

Một sự phân biệt kỹ thuật cơ bản trong đo lường chiến dịch là cơ chế được sử dụng để khớp các tương tác người dùng trên các môi trường:

• Quy đổi tất định (Deterministic): Khớp các điểm chạm người dùng bằng cách sử dụng các định danh rõ ràng, duy nhất (như IDFA được ủy quyền, ID đăng nhập hoặc định danh thiết bị được ủy quyền). Khớp tất định cung cấp độ chính xác gần như hoàn hảo nhưng bị giới hạn bởi tỷ lệ chấp thuận quyền riêng tư.
• Quy đổi xác suất (Probabilistic): Khớp các tương tác người dùng bằng cách đánh giá các tín hiệu khớp theo ngữ cảnh (như môi trường trình duyệt và siêu dữ liệu phiên) khi các định danh rõ ràng bị hạn chế. Mô hình xác suất cung cấp phạm vi tiếp cận rộng hơn trong các ràng buộc quyền riêng tư hiện đại.

Quy đổi theo lượt nhấp (Click-Through) vs Theo lượt xem (View-Through)

Một sự phân biệt nền tảng trong đo lường chiến dịch là sự khác biệt giữa quy đổi theo lượt nhấp và theo lượt xem:

• Quy đổi theo lượt nhấp (CTA): Yêu cầu một tương tác người dùng rõ ràng (nhấp vào quảng cáo) trước khi chuyển đổi trong một cửa sổ nhìn lại được thiết lập (ví dụ: cửa sổ nhấp chuột 7 ngày).
• Quy đổi theo lượt xem (VTA): Ghi nhận một lượt hiển thị quảng cáo mà người dùng đã xem và sau đó chuyển đổi mà không cần nhấp vào quảng cáo, hoạt động trong một cửa sổ nhìn lại chặt chẽ hơn nhiều (ví dụ: cửa sổ hiển thị 24 giờ).

Hầu hết các triển khai của nền tảng đo lường di động ưu tiên quy đổi theo lượt nhấp hơn quy đổi theo lượt xem khi cả nhấp chuột quảng cáo và hiển thị nằm trong các cửa sổ chuyển đổi đủ điều kiện.

Quy đổi vs Tính gia tăng: Tác động nhân quả vs Phân bổ giá trị

Một sự phân biệt quan trọng trong tăng trưởng di động hiện đại là hiểu sự khác biệt giữa quy đổi và tính gia tăng (incrementality). Các nhóm tăng trưởng thường nhầm lẫn hai khung đo lường này:

• Quy đổi (Phân bổ giá trị): Trả lời câu hỏi kênh nào nhận được giá trị dựa trên các quy tắc khớp được xác định trước. Quy đổi nhìn lại các chuỗi điểm chạm để phân bổ giá trị tài chính.
• Tính gia tăng (Tác động nhân quả): Trả lời câu hỏi những chuyển đổi gia tăng nào đã xảy ra mà nếu không có quảng cáo thì sẽ không diễn ra. Tính gia tăng sử dụng thử nghiệm A/B và nhóm đối chứng để đo lường tác động nhân quả thực sự.

Một kênh có thể nhận được giá trị quy đổi cao theo mô hình last-touch (như quảng cáo tìm kiếm thương hiệu), nhưng thử nghiệm tính gia tăng có thể tiết lộ rằng 90% những người dùng đó vẫn sẽ chuyển đổi tự nhiên. Các nhóm tăng trưởng hiệu suất cao sử dụng các mô hình quy đổi cho việc tối ưu hóa chiến dịch hàng ngày trong khi xác nhận tính gia tăng của kênh định kỳ thông qua các thử nghiệm tăng trưởng.

Thay đổi về quyền riêng tư và tác động của SKAdNetwork đối với quy đổi di động

Quy đổi di động hiện đại phải tính đến các khung quyền riêng tư của nền tảng, đáng chú ý nhất là App Tracking Transparency (ATT) của Apple và SKAdNetwork (SKAN). Như đã nêu trong tài liệu SKAdNetwork của Apple, khả năng sẵn có của IDFA đã bị hạn chế đáng kể.

Những thay đổi về quyền riêng tư này trực tiếp thay đổi cách các mô hình quy đổi hoạt động trên các thiết bị iOS:

• Giao chuyển dữ liệu tổng hợp (Aggregated Postback): SKAdNetwork thay thế quy đổi cấp độ người dùng bằng đo lường chiến dịch tổng hợp bảo vệ quyền riêng tư cho những người dùng không ủy quyền theo dõi. Những giá trị chuyển đổi này đại diện cho các tín hiệu hoạt động sau cài đặt tổng hợp thay vì quy đổi sự kiện cấp độ người dùng.
• Ánh xạ giá trị chuyển đổi: Các nhà tiếp thị phải ánh xạ các sự kiện trong ứng dụng xuống các giá trị chuyển đổi chi tiết (các phiên bản SKAdNetwork trước đó đã sử dụng hệ thống giá trị chuyển đổi chi tiết 6-bit, trong khi các phiên bản mới hơn đã giới thiệu các cơ chế đo lường bổ sung bao gồm các giá trị thô và nhiều đợt gửi lại) trong các cửa sổ gửi lại nghiêm ngặt.
• Chuyển sang quy đổi dựa trên mô hình và xác suất: Các nhóm tăng trưởng ngày càng kết hợp các đợt gửi lại tổng hợp từ SKAN với các mã thông báo phiên của bên thứ nhất tuân thủ quyền riêng tư và thử nghiệm tính gia tăng để đánh giá chính xác hiệu suất kênh.

Gian lận quy đổi và rủi ro đo lường

Việc bảo mật quy đổi di động đòi hỏi phải hiểu cách lưu lượng truy cập không hợp lệ và gian lận quảng cáo làm suy yếu các tính toán mô hình quy đổi:

• Click Injection: Các tập lệnh gian lận phát hiện các trình kích hoạt tải xuống cửa hàng và tiêm các nhấp chuột quảng cáo mô phỏng vài mili giây trước khi khởi chạy lần đầu, đánh cắp giá trị theo các mô hình last-touch.
• Click Spamming: Các mạng lưới độc hại tạo ra các nhấp chuột khối lượng lớn, ý định thấp trong nền để tăng khả năng yêu cầu giá trị last-touch cho các lượt cài đặt tự nhiên một cách giả tạo.
• Install Hijacking: Đánh chặn các tín hiệu quy đổi sau cài đặt để chuyển hướng giá trị chuyển đổi khỏi các kênh khám phá hợp pháp.

Việc ngăn chặn gian lận đòi hỏi phân tích thời gian từ nhấp chuột đến cài đặt (CTIT), phát hiện bất thường ở cấp thiết bị và các cơ chế xác thực phía máy chủ.

Cách các SAN ảnh hưởng đến độ chính xác của mô hình quy đổi

Một thách thức lớn trong quy đổi ứng dụng di động là quản lý các Mạng lưới tự quy đổi (Self-Attributing Networks - SAN). Các kênh quảng cáo lớn hoạt động như các hệ sinh thái khép kín không chia sẻ nhật ký nhấp chuột cấp thiết bị ra bên ngoài. Thay vào đó, các mạng lưới này yêu cầu giá trị chuyển đổi bằng cách truy vấn cơ sở dữ liệu nội bộ của họ khi có lượt cài đặt.

Khi người dùng tương tác với quảng cáo trên nhiều mạng tự quy đổi trước khi cài đặt ứng dụng, các SAN thường hạn chế quyền truy cập bên ngoài vào dữ liệu khớp cấp người dùng và dựa vào hệ thống quy đổi nội bộ của riêng họ. Dựa vào dữ liệu do mạng tự báo cáo có thể dẫn đến việc báo cáo chuyển đổi bị trùng lặp khi các yêu cầu trùng lấp giữa các mạng.

Giải quyết xung đột này đòi hỏi việc triển khai một nền tảng đo lường di động (MMP) độc lập. Các nền tảng quy đổi độc lập giải quyết những xung đột này bằng cách chuẩn hóa dấu thời gian chuyển đổi, loại bỏ các yêu cầu trùng lặp và áp dụng các quy tắc quy đổi nhất quán trên các kênh quảng cáo.

Cách chọn mô hình quy đổi cho doanh nghiệp của bạn

Việc chọn mô hình quy đổi tối ưu đòi hỏi phải đánh giá loại hình kinh doanh, chu kỳ ra quyết định trung bình của người dùng và sự đa dạng của kênh truyền thông. Ma trận quyết định dưới đây phác thảo các khung mô hình được khuyến nghị dựa trên các phân khúc sản phẩm:

Mô hình quy đổi vs Cửa sổ quy đổi: Sự khác biệt là gì

Các nhà tiếp thị thường xuyên nhầm lẫn các mô hình quy đổi với các cửa sổ quy đổi. Mặc dù cả hai cài đặt đều ảnh hưởng trực tiếp đến báo cáo hiệu suất chiến dịch, chúng thực hiện các chức năng đo lường riêng biệt:

Hiểu về cửa sổ quy đổi

Việc thiết lập các cửa sổ nhìn lại phù hợp cũng quan trọng không kém. Một cửa sổ quy đổi xác định khung thời gian được chỉ định trước khi chuyển đổi trong đó các nhấp chuột hoặc hiển thị quảng cáo trước đó vẫn đủ điều kiện để nhận giá trị quy đổi. Các cửa sổ quy đổi phổ biến bao gồm:

• Cửa sổ quy đổi nhấp chuột 1 ngày: Được sử dụng cho các chuyển đổi tức thì cực ngắn, giảm thiểu các yêu cầu quy đổi cho các tương tác quảng cáo ngay lập tức.

• Cửa sổ quy đổi nhấp chuột 7 ngày: Một tiêu chuẩn thường được sử dụng trên nhiều kênh tiếp thị hiệu suất, cân bằng giữa ý định gần đây và độ trễ của quyết định mua hàng.

• Cửa sổ quy đổi nhấp chuột 30 ngày: Được áp dụng trong các sản phẩm đăng ký hoặc doanh nghiệp có tính cân nhắc cao, nơi yêu cầu đánh giá nhiều tuần.

  [Khám phá quảng cáo ban đầu] ──> [First Touch: 40% giá trị]
  │
  ▼
  [Tiếp thị lại & Nội dung] ──> [Điểm chạm giữa: 20% chia đều]
  │
  ▼
  [Nhấp chuột tìm kiếm cuối cùng] ──> [Last Touch: 40% giá trị] ──> [Chuyển đổi đã xác minh]

Việc khớp các cửa sổ chuyển đổi với các dòng thời gian mua hàng tự nhiên giúp ngăn chặn việc ghi nhận các tương tác quảng cáo cũ không đóng vai trò tích cực nào trong quyết định chuyển đổi của người dùng.

Khi nào các nhóm cần quy đổi đa điểm (Multi-Touch)

Các công ty thường chuyển từ quy đổi đơn điểm sang đa điểm khi độ phức tạp của chiến dịch bộc lộ những hạn chế của báo cáo last-touch. Các ứng dụng đang mở rộng quy mô thường áp dụng các khung đa điểm trong bốn tình huống:

• Hành trình người dùng đa kênh: Người dùng tiềm năng liên tục tương tác với ba hoặc nhiều kênh truyền thông khác nhau (như video người có ảnh hưởng, quảng cáo mạng xã hội và tìm kiếm) trước khi cài đặt ứng dụng.
• Mở rộng ngân sách truyền thông: Chi tiêu quảng cáo hàng tháng mở rộng vượt ra ngoài việc thử nghiệm đơn kênh, yêu cầu xác thực ROAS đa kênh chính xác.
• Xung đột quy đổi SAN: Các mạng tự quy đổi báo cáo các yêu cầu chuyển đổi trùng lặp, đòi hỏi sự loại bỏ trùng lặp trung lập để giải quyết doanh thu được tính hai lần.
• Tập trung vào tỷ lệ giữ chân (Retention): Giá trị vòng đời khách hàng phụ thuộc vào việc giữ chân dài hạn thay vì các lượt mua hàng tức thì trong ngày đầu tiên, khiến các kênh khám phá ở phễu trên trở nên quan trọng để duy trì.

Các cân nhắc thực tế đối với quy đổi di động

Trong các chiến dịch tiếp thị di động thực tế, các nhóm kỹ thuật và phân tích thường gặp phải ba thách thức vận hành cốt lõi ảnh hưởng đến độ chính xác của quy đổi:

• Trùng lặp mạng SAN: Các mạng tự quy đổi lớn thường tuyên bố cùng một chuyển đổi một cách độc lập, đòi hỏi một trọng tài phụ trợ trung lập để thực thi các quy tắc loại bỏ trùng lặp nghiêm ngặt trước khi phê duyệt chi trả cho mạng quảng cáo.
• Sự khác biệt về cửa sổ quy đổi: Các mạng quảng cáo khác nhau thực thi các cửa sổ nhìn lại mặc định khác nhau (ví dụ: nhấp chuột 7 ngày so với hiển thị 1 ngày), khiến việc so sánh hiệu suất chiến dịch thô trở nên gây hiểu lầm trừ khi được chuẩn hóa tập trung.
• Độ trễ chuyển đổi sau cài đặt: Các sự kiện kiếm tiền có giá trị cao (như gia hạn đăng ký hoặc thanh toán trong ứng dụng động) thường diễn ra nhiều tuần sau lượt tải xuống ban đầu, đòi hỏi liên kết ID người dùng nhất quán.

Để giải quyết những phức tạp này, một hạ tầng đo lường di động đáng tin cậy duy trì sự phân tách chức năng nghiêm ngặt trên ba quy trình đo lường:

1. Quy đổi cài đặt: Xác minh nguồn gốc tải xuống ban đầu trên các kho ứng dụng.
2. Quy đổi sự kiện: Liên kết các hành động người dùng trong ứng dụng sau đó với các tham số chiến dịch cụ thể.
3. Quy đổi doanh thu: Kết nối giá trị đơn hàng tài chính trở lại kênh thu hút ban đầu.

Triển khai kỹ thuật và Xuất nhật ký thô (Raw Logs)

Trong khi các báo cáo bảng điều khiển tổng hợp cung cấp các tóm tắt hiệu suất cấp cao, các nhóm dữ liệu nâng cao yêu cầu dữ liệu điểm chạm cấp nhật ký để thực hiện mô hình hóa thuật toán tùy chỉnh. Xuất dữ liệu nhật ký thô, chưa tổng hợp cho phép các kỹ sư dữ liệu xây dựng các thuật toán trọng số đa điểm độc quyền bên trong các kho dữ liệu doanh nghiệp.

Nhật ký quy đổi thô ghi lại siêu dữ liệu sự kiện chi tiết, bao gồm định danh phiên, dấu thời gian điểm chạm, ID nội dung quảng cáo và các số liệu doanh thu được chuẩn hóa tính bằng xu. Những tín hiệu này có thể được gửi qua các đợt gửi lại server-to-server, API hoặc xuất dữ liệu thô theo lịch trình tùy thuộc vào khả năng của nền tảng. Các lược đồ webhook sản xuất thường bao gồm các trường xác thực bổ sung, định danh và chữ ký bảo mật. Các nền tảng quy đổi cung cấp hạ tầng để thu thập tín hiệu quy đổi và xuất dữ liệu ở cấp độ sự kiện.

[Sự kiện chuyển đổi] ──> [Máy chủ khớp dữ liệu] ──> [Gửi Webhook S2S] ──> [Kho dữ liệu doanh nghiệp]

Tham khảo tài liệu xuất dữ liệu thô để biết các thông số kỹ thuật của payload.

{
  "event_type": "attribution_postback",
  "model_applied": "position_based",
  "touchpoint_count": 3,
  "total_revenue_cents": 4999,
  "currency": "USD"
}

// Ví dụ về lược đồ payload postback quy đổi
// File: postback_event_schema.json
{
  "event_type": "attribution_postback",
  "model_applied": "position_based",
  "touchpoint_count": 3,
  "total_revenue_cents": 4999,
  "currency": "USD"
}

Các lỗi chọn mô hình quy đổi thường gặp

Khi đánh giá và chuyển đổi giữa các khung quy đổi, các nhóm tăng trưởng thường gặp phải một số cạm bẫy triển khai:

• Sử dụng last-touch cho sản phẩm đăng ký: Đánh giá các ứng dụng cần thời gian cân nhắc lâu với các mô hình đơn điểm làm giảm giá trị của các chiến dịch khám phá phễu trên, làm cạn kiệt phần đầu của phễu thu hút.
• So sánh các lượt cài đặt được báo cáo bởi SAN mà không loại bỏ trùng lặp: Chấp nhận các tuyên bố của mạng tự quy đổi trực tiếp gây ra tính toán trùng lặp, tạo ra các số liệu doanh thu sai lệch trên các kênh quảng cáo.
• Bỏ qua chuyển đổi hỗ trợ tự nhiên: Không tính đến khám phá thương hiệu tự nhiên cùng với các điểm chạm quảng cáo trả phí dẫn đến chi tiêu quá mức cho phương tiện tiếp thị lại.
• Thiết lập cửa sổ nhìn lại quá dài: Tính các nhấp chuột quảng cáo xảy ra nhiều tuần trước khi người dùng mua hàng sẽ ghi nhận các lượt hiển thị quảng cáo thụ động không thúc đẩy ý định chuyển đổi.

Ví dụ: Đánh giá chi tiêu đa kênh cho một ứng dụng di động đang tăng trưởng

Kịch bản mô phỏng: Tích hợp ứng dụng đăng ký di động

Thách thức

Một ứng dụng đăng ký di động đã phân bổ ngân sách tiếp thị trên tìm kiếm trả phí, quảng cáo mạng xã hội và tài trợ của người ảnh hưởng. Việc chỉ dựa vào quy đổi last-touch khiến các kênh khám phá video ở phễu trên trông có vẻ không sinh lời, khiến ban quản lý cân nhắc việc hủy các chiến dịch nhận diện thương hiệu.

Triển khai

Nhóm phân tích tiếp thị đã triển khai mô hình quy đổi đa điểm dựa trên vị trí (position-based), sử dụng các dữ liệu xuất quy đổi thô từ một nền tảng quy đổi độc lập để loại bỏ trùng lặp các tuyên bố của mạng quảng cáo và phân bổ giá trị từng phần trên hành trình thu hút người dùng.

Kết quả mong đợi

Việc triển khai này chứng minh cách các mô hình đa điểm ngăn chặn việc phân bổ sai kênh. Trong quá trình đánh giá, phân tích cho thấy các chiến dịch của người ảnh hưởng đã đóng góp các chuyển đổi hỗ trợ có thể đo lường được, cho phép nhóm cân bằng lại chi tiêu phễu trên một cách hiệu quả mà không làm mất tổng khối lượng cài đặt.

Bài học kinh nghiệm

• Kiểm toán vai trò vị trí kênh: Đánh giá các tương tác first-touch ngăn chặn việc cắt giảm sớm các chiến dịch khám phá.
• Loại bỏ trùng lặp các tuyên bố mạng: Xử lý các postback thông qua một nền tảng độc lập giúp loại bỏ các chuyển đổi được tính hai lần.
• Khớp mô hình với hành trình người dùng: Việc chọn các công thức trọng số dựa trên độ dài cân nhắc sẽ cải thiện tầm nhìn ROAS.

Hiệu suất mô hình quy đổi và so sánh trường hợp sử dụng

Các mô hình quy đổi khác nhau cung cấp các mức độ chi tiết phân tích khác nhau tùy thuộc vào mục tiêu chiến dịch. Bảng so sánh dưới đây tóm tắt các khung quy đổi phổ biến:

Tóm tắt và Khung quyết định

Chọn một mô hình quy đổi đa điểm nâng cao khi các mục tiêu tăng trưởng của bạn khớp với các tiêu chí chức năng sau:

• ✓ Kết hợp truyền thông đa kênh: Ngân sách quảng cáo được phân bổ trên nhiều mạng lưới trả phí, người sáng tạo nội dung và kênh tiếp thị lại đồng thời.
• ✓ Cân nhắc chuyển đổi mở rộng: Chu kỳ quyết định của người dùng kéo dài vài ngày hoặc vài tuần, bao gồm nhiều tương tác trước khi thanh toán.
• ✓ Yêu cầu loại bỏ trùng lặp SAN: Các mạng quảng cáo đưa ra các tuyên bố chuyển đổi trùng lặp cần sự đối soát trung lập phía máy chủ.
• ✓ Cần tối ưu hóa ROAS chi tiết: Phân bổ ngân sách yêu cầu hiểu sự đóng góp nhận diện ở phễu trên cùng với chuyển đổi ở phễu dưới.

Trong các tình huống này, việc chuyển từ đo lường đơn điểm sang mô hình quy đổi đa điểm cung cấp cái nhìn chính xác về hiệu quả của kênh. Các nền tảng cung cấp hạ tầng này cho phép các nhóm di động đo lường các lượt cài đặt dựa trên giới thiệu trong khi vẫn duy trì quyền kiểm soát dữ liệu bên thứ nhất. Đối với các nhóm xây dựng hạ tầng quy đổi phía máy chủ, các nền tảng như OpoInstall hỗ trợ postback dựa trên webhook và xuất quy đổi cấp độ nhật ký.

Được đánh giá bởi Chuyên gia đo lường di động | Cập nhật lần cuối: Tháng 8 năm 2026

Các khái niệm quy đổi liên quan

Tài liệu liên quan

Khái niệm liên quan

• Quy đổi cài đặt: Quy trình đo lường nền tảng xác định các nguồn tải xuống ứng dụng.
• Chi phí thu hút khách hàng: Tổng chi phí tài chính cần thiết để có được một người dùng hoạt động.
• Mạng lưới tự quy đổi (SAN): Các nền tảng quảng cáo lớn báo cáo số lượng chuyển đổi nội bộ mà không có xác thực bên ngoài.

Công nghệ liên quan

• Google Play Install Referrer: API gốc của Google truyền siêu dữ liệu chiến dịch tại thời điểm cài đặt trên Android.
• Universal Links: Tiêu chuẩn deep linking gốc của Apple kết nối các hành động web với màn hình gốc.
• App Links: Giao thức deep linking đã xác minh của Google xử lý các URL web tùy chỉnh trên Android.
• Nền tảng đo lường di động: Hệ thống đo lường độc lập thống nhất và loại bỏ trùng lặp các tín hiệu quy đổi trên các kênh.
• SKAdNetwork: Khung đo lường quy đổi quảng cáo tổng hợp, bảo vệ quyền riêng tư của Apple.

Tài liệu chính thức / Tham khảo

• Tài liệu về các mô hình quy đổi của Google Ads
• Tài liệu về cài đặt quy đổi của Meta Ads
• Hướng dẫn về khung App Tracking Transparency của Apple
• Tài liệu về Apple SKAdNetwork
• Đặc tả API Google Play Services Install Referrer