Attribution i influencer marketing: Last-click, multi-touch og inkrementalitet

Hvad attribution egentlig måler

Attribution er den metode, du bruger til at afgøre, hvilken markedsføringsindsats der får æren for et salg. I influencer marketing findes der ikke ét rigtigt svar — der findes tre forskellige spørgsmål, og de tre gængse metoder besvarer hver deres: last-click-attribution spørger "hvad klikkede kunden på lige før købet?", multi-touch-attribution spørger "hvilke berøringspunkter var med i rejsen, og hvor meget skal hver af dem have?", og inkrementalitetstest spørger "hvor mange af disse salg var overhovedet ikke sket uden kampagnen?". De tre metoder kan give markant forskellige svar på samme kampagne, og ingen af dem er objektivt "den rigtige" — de måler forskellige ting.

Last-click-attribution

Last-click er standardmetoden i de fleste analyseværktøjer og den letteste at forstå: 100% af æren for et salg går til det sidste klik, kunden foretog, før købet blev gennemført. Klikker en kunde på en influencers link, browser rundt, forlader siden, og vender tilbage tre dage senere via en Google-annonce og køber — så får Google Ads hele æren, og influenceren får ingenting, selvom influenceren var den, der skabte interessen i første omgang.

Styrke: enkel at implementere, kræver ingen avanceret modellering, og fungerer godt, når kunderejsen er kort og kun involverer én kanal.

Svaghed: systematisk undervurderer kanaler, der optræder tidligt i rejsen — hvilket influencer-indhold typisk gør. Influencer marketing skaber ofte opmærksomhed og overvejelse, mens en anden kanal (betalt søgning, direkte trafik, e-mail) fanger det sidste klik. Last-click flytter derfor kredit væk fra influenceren og hen til den kanal, kunden tilfældigvis brugte til at vende tilbage.

Multi-touch-attribution (MTA)

Multi-touch-attribution fordeler kredit for et salg over flere af de berøringspunkter, kunden havde undervejs, i stedet for at give det hele til det sidste. De mest brugte modeller er:

• Lineær: alle berøringspunkter i rejsen får lige stor andel af kreditten.
• Tidsforfald (time-decay): berøringspunkter tættere på købet vægtes højere end tidlige berøringspunkter.
• Positionsbaseret (U-formet): det første og det sidste berøringspunkt får mest kredit (typisk 40% hver), resten deles om de sidste 20%.
• Data-drevet (algoritmisk): et maskinlærings-baseret system beregner selv, hvor meget hvert berøringspunkt reelt bidrog, ud fra mønstre i alle konverterede og ikke-konverterede rejser. Dette er i dag standardindstillingen i flere store analyseplatforme, men kræver typisk et vist volumen af konverteringer, før modellen kan trænes pålideligt — under den tærskel falder værktøjet ofte tilbage til en simplere regelbaseret model.

Et konkret eksempel på forskellen: en kunde ser en influencers story (berøringspunkt 1), klikker to dage senere på en Google-annonce med brandnavnet (berøringspunkt 2, sidste klik) og køber. Last-click giver 100% til Google-annoncen. En lineær MTA-model giver 50% til hver. En positionsbaseret model giver typisk 40% til influenceren (første berøringspunkt) og 40% til Google-annoncen (sidste), med 20% til eventuelle mellemliggende trin.

Styrke: giver influenceren kredit for den rolle, indholdet reelt spillede tidligt i rejsen, i stedet for at kanalen forsvinder fra regnskabet.

Svaghed: kræver, at alle berøringspunkter faktisk kan spores til samme bruger — hvilket sjældent lykkes fuldt ud på tværs af enheder, apps og browsere med begrænset cookie-levetid. En influencer-visning, der aldrig involverer et klik (fx en video, kunden bare ser uden at trykke på noget), optræder som regel slet ikke som et berøringspunkt i systemet — se hvorfor i sådan måler du effekten af influencer marketing.

Inkrementalitetstest (holdout-test)

Inkrementalitetstest stiller et andet spørgsmål end de to ovenstående: ikke "hvem skal have æren", men "hvor mange af disse salg var der overhovedet ikke uden kampagnen?". Metoden kræver ingen berøringspunkter eller klik at spore. I stedet deler du din målgruppe i to tilfældigt udvalgte grupper: en eksponeret gruppe, der ser kampagnen, og en holdout-gruppe (typisk 5-10% af målgruppen), der bevidst holdes uden for kampagnen. Efter kampagneperioden sammenligner du købsraten i de to grupper. Forskellen er kampagnens reelle, kausale effekt — den "løftede" konvertering, som hverken last-click eller MTA kan svare præcist på, fordi begge metoder kun kan tælle spor, ikke fravær af spor.

Styrke: den eneste af de tre metoder, der reelt måler kausalitet i stedet for korrelation. Den fanger salg, der aldrig rørte noget spor overhovedet — kunder, der så indholdet, huskede brandet uger senere og søgte det frem selv.

Svaghed: kræver et tilstrækkeligt stort publikum til, at forskellen mellem grupperne er statistisk pålidelig, samt en reel evne til at udelukke en del af målgruppen fra eksponering — hvilket er lettere i betalt annoncering (hvor du kan styre visning) end i organisk influencer-indhold (hvor du ikke kan forhindre en bestemt person i at se et opslag).

Sammenligning

Attributionsvinduet påvirker alle tre metoder

Uanset hvilken metode du vælger, skal du sætte et attributionsvindue — hvor lang tid efter et berøringspunkt et salg stadig tæller med. Et for kort vindue underdriver alle tre metoder systematisk, fordi det klipper rejsen af, før kunden når at handle. Se opsætningen af selve sporingen (links, koder, UTM'er) i sådan måler du effekten af influencer marketing, og forskellen mellem sporingsmekanismerne i rabatkoder eller tracking-links. For de konkrete mekanismer bag, hvorfor Google Analytics specifikt undertæller influencer-salg, se derfor kan du ikke se influencer-salg i Google Analytics. For præcis hvor langt det vindue bør være — og hvorfor cookien bag et tracking-link kan udløbe, før selve vinduet gør — se attributionsvinduer i influencer marketing.

Regneeksempel: hvad en holdout-test viser, som last-click overser

Tallene nedenfor er hypotetiske og udelukkende til illustration. Det er ikke en rigtig Make Influence-kundecase, og ingen af tallene er benchmarks.

Antag, at et brand kører en influencer-kampagne mod en målgruppe på 20.000 personer og sætter 2.000 af dem (10%) i en holdout-gruppe, der ikke ser kampagnen.

• Holdout-gruppen (2.000 personer) køber i perioden med en baseline-rate på 3,0% = 60 køb, der ville være sket uanset kampagnen.
• Den eksponerede gruppe køber med en rate på 3,9%. I en lige stor sammenligningsgruppe på 2.000 personer svarer det til 78 køb.
• Inkrementelt løft = 78 − 60 = 18 køb pr. 2.000 personer, altså (3,9% − 3,0%) ÷ 3,0% = 30% løft over baseline.
• Ganget op på de resterende 18.000 eksponerede personer: 18.000 × (3,9% − 3,0%) = 18.000 × 0,9% = 162 inkrementelle køb, som kampagnen reelt skabte.

Antag samtidig, at brandets last-click-sporing (via unikke links og koder) kun registrerede 90 "tilskrevne" salg i samme periode. 90 ud af 162 er cirka 56% — resten af det reelle løft skete som brandsøgning, direkte trafik eller køb, der aldrig rørte et sporet link eller en kode. Det er ikke et tegn på, at sporingen er dårligt sat op; det er den type salg, last-click-attribution strukturelt ikke kan se, og som kun en holdout-test afslører.

Beslutningsramme: hvilken metode til hvad

• HVIS I skal rapportere resultater løbende, mens kampagnen kører, og har brug for et hurtigt, operationelt tal → brug last-click på sporede links og koder. Det er ikke det mest retvisende tal, men det er det hurtigste.
• HVIS I ønsker at give influenceren kredit for at skabe overvejelse tidligt i rejsen, ikke kun for det sidste klik → brug en multi-touch-model, forudsat at I kan spore de fleste berøringspunkter til samme bruger.
• HVIS I skal beslutte, om influencer marketing som kanal reelt er pengene værd — ikke kun hvordan kreditten fordeles internt → kør en inkrementalitetstest. Det er det eneste af de tre spørgsmål, der besvarer "virker kanalen overhovedet". Når testen har givet jer et pålideligt inkrementelt salgstal, er næste skridt at omsætte det til en ROI-procent — se sådan beregner du ROI på influencer marketing.
• HVIS jeres publikum er for lille til en statistisk pålidelig holdout-gruppe → hold fast i last-click og MTA som retningsgivende tal, og betragt dem som et gulv for den reelle effekt, ikke som det fulde billede.

Make Influence's erfaring

I Make Influences erfaring er den mest almindelige fejl at behandle last-click-tallet som "sandheden" og derefter undre sig over, hvorfor influencer-kanalen ser svagere ud, end den føles. Last-click er strukturelt bygget til at undervurdere kanaler, der arbejder tidligt i rejsen — og influencer-indhold gør netop det oftere, end det fanger det sidste klik selv. Vi anbefaler at bruge last-click operationelt (det er hurtigt og godt nok til at sammenligne influencere indbyrdes), men aldrig som det endelige svar på, om kanalen som helhed er værd at investere i. Det spørgsmål besvarer en inkrementalitetstest bedre, også selvom den er tungere at sætte op. Se også kan influencer marketing betale sig for din webshop? for den bredere diskussion af, hvordan I vurderer kanalens samlede værdi.

FAQ

Hvilken attributionsmodel bruger de fleste analyseværktøjer som standard?

Mange platforme er i dag skiftet til en data-drevet model som standard, men falder tilbage til en simplere regelbaseret model, hvis der ikke er nok konverteringsdata til at træne den pålideligt. Tjek altid, hvilken model dit værktøj reelt bruger, før du sammenligner tal på tværs af kanaler.

Kan jeg køre en holdout-test på organisk influencer-indhold?

Det er sværere end på betalt annoncering, fordi I ikke kan forhindre en bestemt person i at se et organisk opslag. I praksis afgrænses holdout-tests på influencer-indhold ofte geografisk eller ved at forskyde, hvornår forskellige segmenter eksponeres for kampagnen.

Hvorfor stemmer last-click og inkrementalitetstesten sjældent overens?

Fordi de svarer på forskellige spørgsmål. Last-click tæller spor; inkrementalitetstesten måler forskellen mellem to grupper, uanset om der findes et spor eller ej. Se regneeksemplet ovenfor for, hvor stor forskellen kan være.

Skal jeg vælge én metode og holde mig til den?

Nej. Brug last-click til daglig drift og sammenligning af influencere, og en inkrementalitetstest med jævne mellemrum (fx en gang i kvartalet) til at kalibrere, hvor meget I reelt kan stole på last-click-tallene.

Påvirker attributionsvinduet, hvilken metode jeg bør vælge?

Ikke hvilken metode, men hvor retvisende resultatet bliver. Et for kort vindue underdriver last-click og MTA på samme måde — se attributionsvinduer i influencer marketing for præcis, hvor langt det vindue bør være for hver sporingsmekanisme og annonceplatform.