Politikos Shop.

Όταν ο λογαριασμός είχε ήδη αυτοματοποιηθεί και κλιμακωθεί, προέκυψε το πραγματικό επιχειρησιακό ερώτημα: σε ποιο σημείο πρέπει να πάει το επόμενο incremental ευρώ; Το default last-click attribution — αυτό που είναι ενσωματωμένο στα περισσότερα ad platforms — αποδίδει όλη την αξία της πώλησης στο τελευταίο channel πριν το conversion. Αυτή η μία παραδοχή υποτιμά συστηματικά τις upper-funnel ενέργειες που συνέβαλαν στην πορεία αλλά δεν έκλεισαν την αγορά, και υπερτιμά brand/retargeting επιφάνειες που συχνά θα μετέτρεπαν έτσι κι αλλιώς.

Σε επίπεδο κλίμακας, αυτό δεν είναι λεπτομέρεια. Μεταφράζεται σε πραγματικές αποφάσεις budget: campaigns που φαίνονται inefficient στο last-click κόβονται, παρότι είναι ο μηχανισμός discovery που τροφοδοτεί όλο το funnel. Με τον χρόνο, ο λογαριασμός συγκλίνει σε ένα στενό κομμάτι bottom-funnel δραστηριότητας, ενώ το top of funnel παύει να ανανεώνεται — ένα αόρατο ταβάνι που η χειροκίνητη βελτιστοποίηση δύσκολα σπάει.

Ο στόχος ήταν να αντικαταστήσουμε το platform default με κάτι πιο κοντά στην πραγματικότητα: ένα probabilistic μοντέλο που αποτυπώνει την πραγματική συμβολή κάθε touchpoint, και ένα decision layer που ανακατανέμει συνεχώς budget εκεί όπου το expected profit είναι υψηλότερο. Οτιδήποτε λιγότερο θα κρατούσε τον λογαριασμό εγκλωβισμένο στις ίδιες last-click τυφλές γωνίες που περιόριζαν την ανάπτυξη.

Η λύση σχεδιάστηκε ως συνδυασμός δύο μοντέλων από probability theory. Το Markov Chain αντιμετωπίζει το customer journey ως στοχαστική ακολουθία από states — impression, click, visit, conversion — και υπολογίζει το removal effect για κάθε touchpoint. Αφαιρούμε ένα channel ή ένα campaign από κάθε ιστορική διαδρομή και μετράμε πόσο πέφτει η πιθανότητα conversion: αυτή η πτώση είναι η πιο αξιόπιστη ένδειξη αιτιακής συνεισφοράς. Το αποτέλεσμα είναι attribution weights ανά channel και campaign, βασισμένα σε observed data και όχι σε heuristics του platform.

Πάνω από το attribution έρχεται το allocation, ένα κλασικό πρόβλημα Multi-Armed Bandit: με δεδομένο ένα budget που πρέπει να μοιραστεί σε επιλογές (channels, campaigns) με αβέβαια payoffs, ποια κατανομή μεγιστοποιεί το expected profit; Ο bandit ισορροπεί διαρκώς ανάμεσα σε exploration — διοχετεύοντας ελεγχόμενα budget σε λιγότερο δοκιμασμένα campaigns για να μάθει το πραγματικό ROI — και exploitation — ενισχύοντας τα budget εκεί όπου οι αποδόσεις είναι ήδη τεκμηριωμένες. Με τον χρόνο συγκλίνει σε κατανομές που ξεπερνούν οποιοδήποτε στατικό split.

Σε λειτουργικό επίπεδο, τα δύο μοντέλα δουλεύουν ως κλειστός βρόχος. Το Markov Chain τρέχει εβδομαδιαία στα πιο πρόσφατα path data και ανανεώνει τα attribution weights. Αυτά τροφοδοτούν τον Multi-Armed Bandit, ο οποίος προσαρμόζει τα budgets καθημερινά μέσα στη δομή του account. Κάθε Δευτέρα, ο λογαριασμός είναι λίγο διαφορετικός — γιατί κάθε εβδομάδα τα δεδομένα αφηγούνται μια ελαφρώς διαφορετική ιστορία για το πού ζει πραγματικά το expected profit.