ارزش شاپلی: نظریه بازی‌های همکارانه چگونه اعتبار فروش را میان نقاط تماس بازاریابی توزیع می‌کند

مدیران ارشد بازاریابی که بودجه‌های ده‌ها میلیون دلاری تبلیغات دیجیتال را تخصیص می‌دهند، هر روز با این تصمیم مواجه‌اند که دلار بعدی خود را کجا سرمایه‌گذاری کنند؛ آن‌ها این تغییرات را از طریق پلتفرم‌های قیمت‌گذاری خودکار که کاملاً به داده‌های تاریخی بازگشت سرمایه تبلیغاتی وابسته‌اند، اجرا می‌کنند. زمانی که یک برند تجارت الکترونیک عملکرد سه‌ماهه خود را بررسی می‌کند، تیم بازاریابی باید تصمیم بگیرد که آیا بودجه را به ویدیوهای شبکه‌های اجتماعی در بالای قیف فروش اختصاص دهد یا به تبلیغات جستجوی پایین قیف. این تصمیم به «تخصیص اعتبار» بستگی دارد؛ موتور قوانین ریاضی که اعتبار یک فروش ۱۵۰ دلاری را میان نقاط تماس مختلفی که مشتری در یک بازه ۳۰ روزه با آن‌ها روبه‌رو شده است، تقسیم می‌کند.

در دو دهه گذشته، مکانیسم پیش‌فرض برای این تصمیم‌گیری، مدل اکتشافی «آخرین کلیک» بوده است. اگر یک خریدار روز دوشنبه تبلیغی را در فیس‌بوک ببیند، روز چهارشنبه یک خبرنامه ایمیلی بخواند و در نهایت روز جمعه نام برند را در گوگل جستجو کند تا خریدی انجام دهد، موتور جستجو ۱۰۰ درصد اعتبار این تبدیل را دریافت می‌کند. بر اساس تحلیلی که در سال ۲۰۲۱ در نشریه Review of Marketing Research منتشر شد، این مدل ساده‌انگارانه به‌طور سیستماتیک ارزش کانال‌های پایین قیف فروش را تا ۴۰ درصد بیش از حد واقعی ارزیابی می‌کند.[3]

پیامد مالی این ارزش‌گذاری بیش از حد، بسیار سنگین است. وقتی یک برند تبلیغات نمایشی را که آغازگر سفر مشتری بوده است به دلیل ضعیف بودن بازدهی در مدل آخرین کلیک متوقف می‌کند، حجم کلی فروش در نهایت کاهش می‌یابد، حتی اگر تبلیغات جستجوی باقی‌مانده بسیار کارآمد به نظر برسند. چارچوب تخصیص اعتبار Growth Method در سال ۲۰۲۶ در این باره خاطرنشان می‌کند: «بازاریاب‌ها اساساً در حال اخراج بازیکنی هستند که پاس گل داده است، فقط به این دلیل که خودش گل را به ثمر نرسانده است.»[4]

برای حل این مشکل تخصیص اعتبار، دانشمندان داده به مفهومی روی آورده‌اند که در سال ۱۹۵۳ توسط ریاضیدانی به نام لوید شاپلی در شرکت RAND توسعه یافت. شاپلی که بعدها در سال ۲۰۱۲ برنده جایزه یادبود نوبل در علوم اقتصادی شد، به دنبال پاسخ به یک پرسش نظری در نظریه بازی‌های همکارانه بود: چگونه باید یک پاداش را به‌طور عادلانه میان ائتلافی از بازیکنان که سهم نابرابری در یک پیروزی مشترک داشته‌اند، تقسیم کرد؟[1]

ارزش شاپلی این مسئله را با محاسبه سهم نهایی هر بازیکن در تمام توالی‌های ممکن از رویدادها حل می‌کند. در بستر تجارت الکترونیک، «بازیکنان» همان کانال‌های بازاریابی (ایمیل، شبکه‌های اجتماعی، جستجو، تبلیغات نمایشی) هستند و «پاداش» همان تبدیل یا فروش است. این الگوریتم هر سفر ثبت‌شده مشتری را بررسی کرده و محاسبه می‌کند که با اضافه یا حذف شدن یک کانال خاص به این ترکیب، احتمال فروش چگونه تغییر می‌کند.[2]

اگر یک برند از چهار کانال بازاریابی استفاده کند، ۲۴ حالت جایگشت ممکن برای نحوه تعامل مشتری با آن‌ها وجود دارد. فرمول شاپلی نرخ تبدیل را برای کاربرانی که فقط ایمیل دیده‌اند، کاربرانی که ایمیل و سپس جستجو را دیده‌اند، کاربرانی که جستجو و سپس ایمیل را دیده‌اند و به همین ترتیب محاسبه می‌کند. با میانگین‌گیری از ارزش افزوده‌ یک کانال در تمام ۲۴ توالی، این مدل تأثیر واقعی آن کانال را مجزا کرده و سوگیری ناشی از ترتیب توالی را از بین می‌برد.[5]

هنگامی که این روش روی داده‌های واقعی تجارت الکترونیک اعمال می‌شود، بازتوزیع اعتبار بسیار چشمگیر است. چارچوبی که در سال ۲۰۱۸ در arXiv منتشر شد، نشان داد که گذر از مدل‌های اکتشافی به تخصیص اعتبار الگوریتمی مبتنی بر شاپلی، وزن قابل‌توجهی را به بالای قیف فروش منتقل می‌کند. در کاربردهای عملی، این روش اغلب ۲۵ تا ۳۵ درصد از اعتبار را از جستجوی مستقیم و لینک‌های همکاری در فروش کسر کرده و آن را به بازدیدهای تبلیغات نمایشی و شبکه‌های اجتماعی که محصول را معرفی کرده‌اند، اختصاص می‌دهد.[2][6]

پیاده‌سازی این مدل از نظریه بازی‌های همکارانه نیازمند توان پردازشی بالایی است. یک خرده‌فروش متوسط که ماهانه ۵۰,۰۰۰ تبدیل را در شش کانال بازاریابی پردازش می‌کند، باید ۷۲۰ جایگشت مسیر ممکن را برای میلیون‌ها نقطه تماس فردی ارزیابی کند. تا همین اواخر، این سطح از پردازش داده تنها به برندهای سازمانی بزرگ با تیم‌های اختصاصی علم داده محدود می‌شد.[4]

امروزه، رایانش ابری و پلتفرم‌های تخصصی تحلیل داده، این ریاضیات را در دسترس همگان قرار داده‌اند. ابزارهایی مانند محاسبه‌گر تخصیص اعتبار MetricGate به اپراتورهای تجارت الکترونیک در بازار میانی اجازه می‌دهند تا داده‌های خام و سطح لاگ خود را وارد کرده و بدون نیاز به ساخت زیرساخت از پایه، بازگشت سرمایه تبلیغاتی وزن‌دهی‌شده با شاپلی را دریافت کنند. این تغییر به یک برند ۵۰ میلیون دلاری اجازه می‌دهد تا سرمایه خود را با همان دقت ریاضی یک خرده‌فروش فهرست فورچون ۵۰۰ تخصیص دهد.[5]

با این حال، این مدل با یک مانع ساختاری روبه‌رو است: پروتکل‌های حریم خصوصی داده‌ها. ارزش شاپلی برای محاسبه دقیق جایگشت‌ها به یک دیدگاه یکپارچه از سفر مشتری نیاز دارد. از آنجا که چارچوب شفافیت ردیابی اپلیکیشن اپل و منسوخ شدن کوکی‌های شخص ثالث، هویت کاربر را چندپاره کرده است، پیوند دادن یک مسیر کامل ۳۰ روزه در دستگاه‌ها و پلتفرم‌های مختلف به‌طور فزاینده‌ای دشوار شده است.[3]

برای جبران این نقاط کور، مدل‌های مدرن تخصیص اعتبار، ارزش شاپلی را با مدل‌سازی ترکیب رسانه ادغام می‌کنند. در حالی که شاپلی برای محاسبه سهم نهایی به ردیابی قطعی در سطح کاربر نیاز دارد، مدل‌سازی ترکیب رسانه از رگرسیون‌های آماری کلان و از بالا به پایین برای اندازه‌گیری تأثیر کانال استفاده می‌کند. با ترکیب این دو، دانشمندان داده می‌توانند محاسبات نظریه بازی را با داده‌های پایه کلان تثبیت کرده و شکاف‌های به‌جامانده از کاربران غیرقابل‌ردیابی سیستم‌عامل آی‌اواس را پر کنند.[6]

این چارچوب همچنین در حال گسترش به فراتر از خرده‌فروشی مصرف‌کننده و ورود به فروش‌های پیچیده بنگاه‌به‌بنگاه است. در محیط بنگاه‌به‌بنگاه، یک تبدیل واحد ممکن است شامل یک چرخه فروش شش‌ماهه، ذی‌نفعان متعدد و ده‌ها نقطه تماس از دانلود گزارش‌های تخصصی گرفته تا وبینارها باشد. شرکت Perceptive Analytics خاطرنشان می‌کند که اعمال مدل شاپلی در این سفرهای طولانی، از اعتباردهی بیش از حد تیم‌های فروش به تماس نهایی دمو و نادیده گرفتن ماه‌ها محتوای آموزشی که مشتری را آماده کرده است، جلوگیری می‌کند.[6]

پذیرش ارزش شاپلی نشان‌دهنده بلوغ بازاریابی دیجیتال و گذار آن از یک رشته اکتشافی به یک رشته مالی است. زمانی که یک مدیر ارشد بازاریابی بتواند به‌طور قطعی ثابت کند که ۱۰۰,۰۰۰ دلار سرمایه‌گذاری در ویدیوهای بالای قیف فروش، ۴۰۰,۰۰۰ دلار درآمد در مراحل بعدی به همراه دارد، بازاریابی دیگر به عنوان یک هزینه اختیاری در نظر گرفته نمی‌شود. این اثبات ریاضی متعلق به سال ۱۹۵۳ تضمین می‌کند که هر دلار سرمایه‌گذاری‌شده، نه بر اساس جایگاهش در قیف فروش، بلکه بر اساس ارزش نهایی دقیقی که به ائتلاف اضافه می‌کند، سنجیده می‌شود.[1]