ייחוס מבוסס-נתונים (Data-Driven Attribution, או DDA) הוא מודל הייחוס של גוגל אדס שמשתמש בלמידת מכונה כדי לקבוע איזה חלק מהקרדיט על המרה מגיע לכל נקודת מגע במסע הלקוח – לפי תרומתה בפועל ולא לפי כלל קבוע. כיום זהו מודל ברירת המחדל בגוגל אדס.
איך זה עובד
במקום לתת את כל הקרדיט לקליק האחרון או לחלק אותו באופן שווה, DDA מנתח את דפוסי ההמרה בחשבון ומשווה מסעים שהובילו להמרה למסעים שלא, כדי לאמוד את ההשפעה השולית של כל נקודת מגע – מילת מפתח, מודעה, ערוץ ושלב במשפך.
למה זה חשוב
מודלים מבוססי-כלל מטים את התקציב לטובת השלב האחרון במשפך ומתעלמים ממילות מפתח שפותחות את מסע הלקוח. DDA מזהה גם את 'הפותחות' וגם את 'הסוגרות', וכך החלטות הבידינג והתקציב משקפות את התרומה האמיתית.
איפה זה משפיע
הקרדיט שמחושב ב-DDA מזין ישירות את הבידינג החכם (Smart Bidding): כשהערך מחולק נכון בין נקודות המגע, אסטרטגיות כמו tROAS ו-Maximize Conversions מקבלות אות מדויק יותר ומקצות תקציב טוב יותר.
מה לבדוק
חשוב לוודא נפח המרות מספק כדי שהמודל יתאמן, להשוות בדוחות הייחוס בין DDA למודלים אחרים כדי להבין שינויים בקרדיט, ולזכור ש-DDA מצריך מעקב המרות תקין ונתונים נקיים כקלט – ותרגום הקרדיט להחלטות תקציב מפיק את המרב מניתוח אסטרטגי בידי מומחה.
להעמקה: ייחוס מבוסס-נתונים במדריך הפרסום בעידן הפרטיות.
הטיפ של Boostit
מהניסיון שלנו ב-Boostit: ייחוס מבוסס-נתונים הוא מודל ברירת המחדל שאנחנו ממליצים להשאיר ברוב החשבונות – הוא כמעט תמיד מקבל החלטות תקציב טובות יותר ממודל 'קליק אחרון'. אבל המעבר אליו עשוי 'להזיז' קרדיט בין קמפיינים בדוחות, אז אל תיבהלו מירידה לכאורה בקמפיין אחד – בדקו את התמונה הכוללת, והקפידו שמעקב ההמרות נקי כי DDA טוב בדיוק כמו הנתונים שמזינים אותו.
השפעה על הקמפיין – יתרונות ונקודות לתשומת לב
יתרונות
- מחלק קרדיט לפי תרומה אמיתית של כל נקודת מגע ולא לפי כלל שרירותי
- מזהה מילות מפתח 'פותחות מסע' שמודל קליק-אחרון היה מתעלם מהן
- מזין את הבידינג החכם באות מדויק יותר לאופטימיזציה ולתקציב
- מודל ברירת המחדל בגוגל אדס – מותאם אוטומטית לדפוסי החשבון
למה לשים לב
- המעבר אליו מזיז קרדיט בין קמפיינים בדוחות ועלול להיראות כמו שינוי ביצועים
- טוב בדיוק כמו הנתונים שמזינים אותו – מעקב המרות שבור פוגע באיכותו
- פחות שקוף ממודלים מבוססי-כלל; קשה יותר להסביר מדוע קרדיט הוקצה כך
- מצריך נפח המרות מספק כדי שהמודל יתאמן ביעילות
שאלות נפוצות על ייחוס מבוסס-נתונים
מה זה ייחוס מבוסס-נתונים?
מודל ייחוס של גוגל אדס שמשתמש בלמידת מכונה כדי לחלק את הקרדיט על המרה בין נקודות המגע לפי תרומתן בפועל, במקום לפי כלל קבוע כמו 'קליק אחרון'.
האם ייחוס מבוסס-נתונים הוא ברירת המחדל?
כן, כיום ייחוס מבוסס-נתונים הוא מודל ברירת המחדל בגוגל אדס עבור פעולות המרה חדשות.
מהו ההבדל בין DDA למודל קליק אחרון?
מודל קליק אחרון נותן את כל הקרדיט לנקודת המגע האחרונה, ואילו DDA מחלק את הקרדיט בין כל נקודות המגע לפי השפעתן בפועל על ההמרה.
איך DDA משפיע על הבידינג החכם?
הקרדיט המחושב ב-DDA מזין ישירות את הבידינג החכם, כך שאסטרטגיות כמו tROAS ו-Maximize Conversions מקבלות אות מדויק יותר ומקצות תקציב טוב יותר.
מה צריך כדי שייחוס מבוסס-נתונים יעבוד היטב?
צריך מעקב המרות תקין, נתונים נקיים ונפח המרות מספק כדי שהמודל יתאמן. DDA טוב בדיוק כמו איכות הנתונים שמזינים אותו.
מונחים קשורים
מודלי ייחוס · נתיבי המרה · בידינג חכם · המרות
רוצים שמומחי הפרסום של Boostit ינהלו עבורכם את הקמפיינים בגוגל וישיגו יותר תוצאות? לשירות ניהול קמפיינים בגוגל »
נכתב ונבדק על ידי צוות המומחים של Boostit – סוכנות Google Partner מובילה בישראל עם ניסיון בפרסום בגוגל מאז 2007, המתמחה בהגדלת המרות והורדת עלות הרכישה ללקוחותיה. עודכן לאחרונה: יוני 2026.
למידע נוסף: מעקב המרות בגוגל אדס
מושגים קשורים: מודלי ייחוס · נתיבי המרה · מעקב המרות (Conversion Tracking)
