Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn là Growth PM của một app gọi xe. Tháng vừa rồi bạn chi 2 tỷ đồng cho quảng cáo: Facebook Ads, Google Search, KOL trên TikTok, email remarketing, và cả banner trên VNExpress. Cuối tháng, sếp hỏi: "Kênh nào hiệu quả nhất? Tháng sau dồn tiền vào đâu?". Bạn mở dashboard ra, và đây là vấn đề: một người dùng điển hình thấy quảng cáo TikTok của bạn, ba ngày sau search Google tên app, một tuần sau click vào email rồi mới cài đặt và đặt chuyến đầu tiên. Vậy ai "công lao" cho lượt chuyển đổi đó? TikTok khơi gợi nhu cầu, Google bắt được ý định, hay email chốt đơn?
Đây chính là bài toán attribution (phân bổ công lao chuyển đổi). Attribution modeling là cách bạn quyết định gán bao nhiêu phần "credit" cho mỗi điểm chạm (touchpoint) trong hành trình khách hàng. Nghe có vẻ kỹ thuật, nhưng nó là một trong những quyết định có hậu quả tài chính lớn nhất mà một Growth PM đưa ra — vì nó trực tiếp định hình việc bạn rót ngân sách vào kênh nào, cắt kênh nào, và đánh giá đội ngũ marketing ra sao.
Chọn sai mô hình attribution, bạn sẽ giết nhầm những kênh thực sự đang nuôi pipeline (như TikTok ở ví dụ trên), và đổ tiền vào những kênh chỉ "ăn ké" công sức của kênh khác. Bài này giúp bạn hiểu bản chất các mô hình attribution, đặc biệt là cuộc tranh luận kinh điển Last-click vs Multi-touch, để ra quyết định ngân sách chính xác hơn.
Khái niệm cốt lõi
Touchpoint và hành trình chuyển đổi
Một touchpoint là bất kỳ tương tác nào giữa người dùng và thương hiệu của bạn trên đường đi đến chuyển đổi: một lượt xem quảng cáo, một cú click, một lần mở email, một lần truy cập trực tiếp. Hành trình thực tế hiếm khi tuyến tính một bước. Theo các nghiên cứu B2C, người dùng thường cần 5–8 điểm chạm trước khi mua; B2B có thể lên tới hàng chục.
Attribution model là quy tắc toán học để chia 100% công lao của một chuyển đổi cho các touchpoint dọc hành trình đó. Có hai trường phái lớn: single-touch (gán toàn bộ credit cho một điểm chạm duy nhất) và multi-touch (chia credit cho nhiều điểm chạm).
Last-click attribution (mô hình mặc định)
Last-click gán 100% credit cho touchpoint cuối cùng ngay trước khi chuyển đổi. Đây là mô hình mặc định của Google Analytics phiên bản cũ (Universal Analytics), nên hầu hết Growth PM bắt đầu với nó.
- Ưu điểm: Cực kỳ đơn giản, dễ triển khai, dễ giải thích cho sếp. Không cần dữ liệu hành trình đầy đủ — chỉ cần biết điểm chạm cuối. Phù hợp khi hành trình ngắn (impulse buy) hoặc khi bạn cần một con số "đủ tốt" nhanh chóng.
- Nhược điểm: Bỏ qua hoàn toàn mọi điểm chạm phía trên phễu. Nó thưởng cho các kênh "chốt đơn" (branded search, retargeting, email) và trừng phạt oan các kênh tạo nhận biết (TikTok, display, content). Hậu quả: bạn cắt ngân sách kênh awareness, pipeline cạn dần, rồi vài tháng sau không hiểu vì sao branded search cũng tụt theo.
Multi-touch attribution (MTA)
Multi-touch chia credit cho nhiều touchpoint. Các kiểu phổ biến:
- Linear (tuyến tính): Chia đều cho mọi điểm chạm. 5 touchpoint thì mỗi cái nhận 20%. Đơn giản, công bằng bề mặt, nhưng giả định mọi điểm chạm quan trọng như nhau — thường không đúng.
- Time-decay (suy giảm theo thời gian): Điểm chạm càng gần lúc chuyển đổi càng nhiều credit. Hợp lý cho chu kỳ mua ngắn, nơi tương tác gần đây có sức ảnh hưởng lớn hơn.
- Position-based (U-shaped): Thường gán 40% cho điểm chạm đầu, 40% cho điểm chạm cuối, 20% chia cho phần giữa. Tôn vinh cả kênh khơi gợi nhu cầu lẫn kênh chốt đơn — một thỏa hiệp thực dụng được nhiều team Growth dùng.
- Data-driven attribution (DDA): Dùng thuật toán (thường dựa trên Shapley value từ lý thuyết trò chơi, hoặc Markov chains) để tính credit thực tế của mỗi kênh dựa trên việc nó làm tăng xác suất chuyển đổi bao nhiêu. Đây là mô hình mặc định của GA4 và là tiêu chuẩn cao nhất hiện nay — nhưng cần nhiều dữ liệu và khó giải thích.
Một khái niệm dễ nhầm: attribution ≠ incrementality
Đây là điểm tinh tế mà nhiều PM bỏ qua. Attribution chỉ phân chia credit cho các chuyển đổi đã xảy ra. Nó không trả lời câu hỏi: "Nếu tắt kênh này, tôi có mất chuyển đổi đó không?". Câu hỏi đó là về incrementality (tính gia tăng thực sự), và chỉ đo được bằng thực nghiệm (geo holdout, conversion lift test). Branded search thường có last-click attribution rất cao, nhưng incrementality lại thấp — vì người ta đằng nào cũng tìm tên bạn. Ghi nhớ: attribution giúp bạn phân bổ tương đối, incrementality mới cho bạn sự thật về nhân quả.
Tình huống thực tế
Ví dụ 1 — App fintech Việt cắt nhầm kênh awareness
Một ví startup ví điện tử (gọi là "PayViet") chạy 4 kênh: TikTok Ads (awareness), Facebook, Google branded search, và push notification remarketing. Dùng last-click GA cũ, dashboard hiện: branded search chiếm 45% chuyển đổi, remarketing 30%, Facebook 18%, TikTok chỉ 7%. Trưởng phòng marketing quyết định cắt 70% ngân sách TikTok để dồn vào branded search.
Ba tháng sau, tổng số cài đặt mới giảm 28%, và oái oăm thay, chính branded search cũng giảm — vì không còn ai xem TikTok rồi đi search tên "PayViet" nữa. Khi team dựng lại phân tích bằng mô hình position-based, họ phát hiện TikTok là điểm chạm đầu tiên trong 41% hành trình chuyển đổi. TikTok không "chốt đơn", nhưng nó nạp người vào phễu.
Bài học: Last-click khiến bạn nhìn kênh awareness như kẻ vô dụng, trong khi thực ra nó là nguồn nuôi cả những kênh "ăn điểm" phía dưới. Trước khi cắt một kênh, hãy xem nó đứng ở vị trí nào trong hành trình, đừng chỉ nhìn touchpoint cuối.
Ví dụ 2 — Sàn TMĐT và branded search "ăn không"
Một sàn thương mại điện tử khu vực Đông Nam Á (bối cảnh giống Shopee/Lazada) thấy Google branded search có ROAS cực cao theo last-click: chi 1 đồng ra 12 đồng doanh thu. Nghe quá hời, họ tăng gấp đôi ngân sách bid cho từ khóa thương hiệu.
Nhưng đội data quyết định chạy một incrementality test: tắt branded search ở 5 tỉnh ngẫu nhiên trong 3 tuần (geo holdout), so với các tỉnh vẫn chạy. Kết quả gây sốc: doanh thu ở nhóm tắt quảng cáo gần như không đổi — vì khi không thấy ad, người dùng vẫn click vào kết quả organic ngay bên dưới (cũng là sàn này). ROAS thực (incremental) chỉ khoảng 1.5, không phải 12. Last-click đã "ghi công" cho branded search những đơn hàng vốn dĩ sẽ đến dù không quảng cáo.
Bài học: Mô hình attribution nào cũng chỉ phân chia credit, không chứng minh nhân quả. Với những kênh "intent cao, cuối phễu" như branded search, hãy luôn kiểm chứng bằng incrementality test trước khi đổ tiền.
Ví dụ 3 — SaaS B2B chuyển sang position-based
Một công ty SaaS B2B (phần mềm quản lý bán hàng cho SME Việt) có chu kỳ mua dài 6–8 tuần, trung bình 9 touchpoint. Dùng last-click, mọi credit dồn vào kênh "demo request form", khiến content marketing và webinar trông như không tạo ra doanh thu. Sau khi chuyển sang position-based (40/20/40), bức tranh đổi hoàn toàn: blog SEO chiếm 31% credit ở vị trí first-touch, webinar đóng vai trò assist mạnh ở giữa phễu.
Team tăng đầu tư content, và 5 tháng sau pipeline qualified leads tăng 60%. Quan trọng hơn, họ định nghĩa lại KPI cho team content từ "lượt xem" sang "assisted conversions".
Bài học: Với hành trình dài và nhiều điểm chạm, single-touch gần như chắc chắn dẫn bạn ra quyết định sai. Multi-touch giúp nhìn thấy giá trị của các kênh middle-funnel vốn vô hình dưới last-click.
Hướng dẫn từng bước
Bước 1 — Lập tracking plan để bắt được hành trình đầy đủ. Bạn không thể làm multi-touch nếu không gắn UTM nhất quán và lưu được chuỗi touchpoint của từng user. Đảm bảo mọi kênh đều gắn utm_source, utm_medium, utm_campaign, và bạn có một user_id ổn định để nối các phiên lại.
Bước 2 — Bắt đầu với last-click làm baseline. Đừng vội nhảy lên DDA. Last-click cho bạn con số tham chiếu nhanh và là ngôn ngữ chung với các bên. Ghi lại phân bổ credit theo last-click cho tất cả kênh.
Bước 3 — Chạy song song một mô hình multi-touch để so sánh. GA4 cho phép xem nhiều mô hình. Hãy so last-click với position-based hoặc DDA. Tập trung vào chênh lệch: kênh nào "được lợi" khi đổi sang multi-touch (thường là awareness/content)? Kênh nào "mất điểm" (thường là branded search/retargeting)? Chính khoảng chênh này tiết lộ kênh đang bị đánh giá sai.
Bước 4 — Chọn mô hình khớp với chu kỳ mua. Hành trình ngắn, impulse → last-click hoặc time-decay là đủ. Hành trình dài, nhiều điểm chạm → position-based hoặc DDA. Đừng dùng mô hình phức tạp hơn mức dữ liệu của bạn cho phép.
Bước 5 — Kiểm chứng các kết luận lớn bằng incrementality test. Trước khi tăng/cắt gấp đôi ngân sách một kênh dựa trên attribution, chạy một geo holdout hoặc conversion lift test. Attribution gợi ý, incrementality xác nhận.
Bước 6 — Tái phân bổ ngân sách và lặp lại. Dịch chuyển ngân sách dần (10–20%/chu kỳ), đo lại, không "all-in" một lần. Attribution là quá trình hiệu chỉnh liên tục, không phải câu trả lời cố định.
Lỗi thường gặp & mẹo
- Tin tuyệt đối vào last-click rồi cắt kênh awareness. Đây là lỗi đắt giá nhất, như ví dụ PayViet. Mẹo: luôn xem báo cáo "first-touch" và "assisted conversions" song song trước khi đụng đến ngân sách kênh đầu phễu.
- Nhầm attribution với incrementality. Một kênh có credit cao chưa chắc tạo ra chuyển đổi gia tăng. Mẹo: với mọi kênh có intent cao (branded search, retargeting người sắp mua), mặc định nghi ngờ và đòi hỏi một lift test.
- Bỏ qua cửa sổ attribution (lookback window). Mặc định 30 ngày có thể quá ngắn cho B2B chu kỳ dài, hoặc quá dài khiến gán nhầm credit cho touchpoint không liên quan. Mẹo: đặt lookback window khớp với độ dài chu kỳ mua thực tế của sản phẩm.
- Quên mất thế giới không-cookie và cross-device. iOS ATT, việc chặn cookie bên thứ ba khiến hành trình bị đứt gãy, multi-touch ngày càng khó chính xác. Mẹo: đầu tư vào first-party data (login, user_id) và bổ sung các phương pháp đo lường tổng hợp như Media Mix Modeling cho bức tranh top-down.
- Chọn mô hình phức tạp vì "nghe sang". DDA cần lượng chuyển đổi đủ lớn để thuật toán ổn định (Google gợi ý hàng trăm chuyển đổi/tháng). Mẹo: nếu volume thấp, position-based minh bạch và ổn định hơn DDA bị nhiễu.
- Không thống nhất một "source of truth". Mỗi kênh tự báo cáo chuyển đổi của mình (Facebook nhận một đơn, Google cũng nhận đơn đó) dẫn đến tổng cộng vượt 100%. Mẹo: chốt một nền tảng trung lập (GA4 hoặc data warehouse riêng) làm trọng tài duy nhất.
Bài tập thực hành
- Phân tích hành trình giả định. Cho một chuyển đổi với chuỗi 4 touchpoint: TikTok Ad (xem) → Google Branded Search (click) → Email (mở) → Direct (chốt). Hãy phân bổ credit theo 4 mô hình: last-click, first-click, linear, và position-based (40/20/40). Viết ra con số % cho từng kênh ở mỗi mô hình, rồi nhận xét kênh nào bị đánh giá thấp nhất dưới last-click.
- Tìm "kênh bị oan" trong dữ liệu của bạn. Mở GA4 (hoặc công cụ analytics bạn đang dùng), so sánh phân bổ chuyển đổi theo last-click với data-driven. Liệt kê 3 kênh có chênh lệch lớn nhất và đặt giả thuyết: kênh nào thực sự đang nuôi phễu mà last-click không thấy?
- Thiết kế một incrementality test. Chọn kênh branded search (hoặc một kênh retargeting). Viết kế hoạch một geo holdout test trong 1 trang: chọn nhóm tỉnh nào tắt quảng cáo, thời gian bao lâu, metric đo lường, và ngưỡng nào thì kết luận kênh có giá trị gia tăng thật. Ước lượng ROAS thực có thể khác con số last-click ra sao.
Tóm tắt
Attribution modeling là cách bạn chia 100% công lao của một chuyển đổi cho các điểm chạm trên hành trình khách hàng — và nó trực tiếp quyết định bạn rót tiền vào đâu. Last-click đơn giản, dễ làm, nhưng phiến diện: nó thưởng kênh chốt đơn và trừng phạt oan kênh awareness, dễ khiến bạn cắt nhầm nguồn nuôi phễu. Multi-touch (linear, time-decay, position-based, data-driven) chia credit công bằng hơn cho cả hành trình, đặc biệt cần thiết khi chu kỳ mua dài và nhiều điểm chạm.
Ba điều cốt lõi cần nhớ: (1) Chọn mô hình khớp với độ dài chu kỳ mua, đừng dùng phức tạp quá mức dữ liệu cho phép. (2) Luôn xem first-touch và assisted conversions trước khi đụng ngân sách kênh đầu phễu. (3) Attribution chỉ phân chia credit, không chứng minh nhân quả — mọi quyết định ngân sách lớn phải được kiểm chứng bằng incrementality test. Là Growth PM, bạn không cần mô hình "hoàn hảo"; bạn cần một mô hình đủ tốt để ra quyết định, cộng với kỷ luật thực nghiệm để không bị chính con số của mình đánh lừa.