Bạn chi tiền cho Facebook, TikTok, Google, KOC và email cùng lúc. Cuối tháng, dashboard báo Google Ads "ra đơn" nhiều nhất, TikTok gần như không đơn nào. Bạn định cắt TikTok. Nhưng khoan: nếu chính TikTok là nơi khách nhìn thấy sản phẩm lần đầu, còn Google chỉ hứng cú click cuối khi họ đã quyết mua, thì cắt TikTok là cắt vào phần trên của cái phễu đang nuôi toàn bộ doanh thu. Đây là cái bẫy của last-click, và bài viết này nói về cách thoát ra.
Vì sao bạn nên đọc bài này
Nếu brand của bạn chỉ chạy một kênh quảng cáo, bạn không cần đọc bài này. Cứ nhìn doanh thu là đủ. Nhưng nếu bạn chi ads trên nhiều kênh cùng lúc, việc chọn sai attribution model (mô hình phân bổ chuyển đổi) sẽ khiến bạn dồn tiền vào nhầm kênh và cắt nhầm kênh, tháng này qua tháng khác.
Bài viết này giải thích ba thứ cho người làm đo lường đa kênh: vì sao last-click ngày càng sai sau khi cookie và tín hiệu định danh mất dần, các mô hình attribution phổ biến cùng điểm mạnh yếu, và vì sao lời giải năm 2026 không phải một mô hình duy nhất mà là kết hợp attribution với incrementality (kiểm định gia tăng). Nếu bạn đang xây năng lực đo lường, hãy tham chiếu giải pháp analytics của ScaleCommerce để thấy các mảnh ghép này lắp vào đâu.
Last-click là gì và vì sao nó từng ổn
Last-click attribution gán 100% công của một đơn hàng cho lần click cuối cùng trước khi mua. Nó vẫn là thiết lập mặc định trên hầu hết nền tảng quảng cáo và dashboard phân tích (tham khảo), vì một lý do đơn giản: nó dễ hiểu và dễ tính. Ai chạm cuối, người đó được ghi công.
Thời cookie bên thứ ba còn mạnh, last-click tạm chấp nhận được vì hệ thống theo được gần trọn hành trình khách, và cú click cuối là điểm dễ đo nhất. Nhưng nó luôn có một lỗi cố hữu: nó thổi phồng giá trị của điểm chạm cuối, và ghi công cho cả những khách vốn đã mua dù có quảng cáo hay không (tham khảo). Nó bỏ qua toàn bộ công của các điểm chạm phía trên phễu, nơi khách biết đến và cân nhắc.
Vì sao last-click ngày càng sai sau mất cookie
Hai lực đẩy khiến sai lệch của last-click trở nên nghiêm trọng chứ không còn "tạm chấp nhận".
Một, độ phủ định danh sụt mạnh. Sau các thay đổi quyền riêng tư của iOS và việc cookie bên thứ ba bị loại bỏ, việc ghép một lượt hiển thị trên mạng xã hội với một đơn mua sau đó ngày càng khó với phần lớn khách. Ước tính thực địa cho năm 2026 đặt độ phủ định danh dùng được vào khoảng 30-60%, giảm mạnh so với hơn 90% thời cookie (tham khảo). Nghĩa là dashboard của bạn giờ chỉ "nhìn thấy" một phần hành trình, và phần nó bỏ lỡ thường rơi vào các kênh đầu phễu.
Hai, hành trình bị cắt ngắn dồn công về cuối. Khi đoạn đường nối giữa hiển thị đầu phễu và đơn hàng bị đứt gãy, những gì còn đo được thường là các điểm gần lúc mua: tìm kiếm thương hiệu, click cuối. Kết quả: last-click càng dồn công cho các kênh cuối phễu (như tìm kiếm thương hiệu) và càng "bỏ đói" công của các kênh khám phá (như video social). Bạn nhìn báo cáo rồi cắt đúng kênh đang tạo nhu cầu.
Đây là lý do một brand đa kênh dựa vào last-click thường rơi vào vòng luẩn quẩn: dồn tiền vào tìm kiếm thương hiệu vì nó "ra đơn", cắt video social vì nó "không ra đơn", rồi vài tháng sau lượng tìm kiếm thương hiệu tụt vì không còn ai được video làm cho biết đến. Muốn đọc đúng các chỉ số nền tảng trước khi bàn mô hình, xem cách đọc số liệu analytics cho shop.
Các mô hình attribution phổ biến
Không có mô hình nào "đúng tuyệt đối". Mỗi mô hình là một cách phân chia công khác nhau. Hiểu bản chất để chọn.
| Mô hình | Cách chia công | Hợp với ai |
|---|---|---|
| Last-click | 100% cho chạm cuối | Kênh đơn, muốn đơn giản |
| First-click | 100% cho chạm đầu | Muốn nhấn giá trị khám phá |
| Linear | Chia đều mọi điểm chạm | Hành trình ngắn, cân bằng |
| Time-decay | Chạm gần lúc mua công nhiều hơn | Chu kỳ mua ngắn |
| Position-based | Ưu tiên chạm đầu và cuối | Cân cả khám phá lẫn chốt |
| Data-driven (DDA) | Thuật toán chia theo dữ liệu thật | Đủ dữ liệu, đa kênh |
Multi-touch attribution (MTA) là nhóm mô hình phân công cho nhiều điểm chạm (linear, time-decay, position-based, DDA), thay vì dồn hết vào một điểm như last/first-click. MTA cho bức tranh công bằng hơn về vai trò từng kênh. Nhược điểm: MTA cần theo dõi hành trình ở cấp cá nhân, mà chính điều đó ngày càng khó sau khi cookie mất, nên độ chính xác của MTA cũng giảm cho phần khách không định danh được.
Điều kiện tiên quyết để bất kỳ mô hình nào chạy đúng là dữ liệu đầu vào sạch. Nếu tracking sai từ gốc thì mô hình nào cũng cho kết quả rác. Hãy chuẩn hóa nền đo trước bằng cách cài đặt tracking GA4, Pixel, CAPI cho đúng.
Lời giải 2026: kết hợp ba lớp, không chọn một mô hình
Đây là điểm mấu chốt và cũng là phần khác biệt với hầu hết bài "so sánh mô hình attribution". Đồng thuận trong ngành năm 2026 là không mô hình đơn lẻ nào đủ; nên kết hợp ba lớp bổ trợ (tham khảo Improvado và các nguồn 2026):
Lớp 1, Attribution/DDA cho tối ưu chiến dịch. Dùng mô hình data-driven để có tín hiệu chi tiết theo ngày, theo campaign, phục vụ tối ưu vận hành hằng ngày. Đây là lớp "gần mặt đất", nhanh nhưng nhiễu và bị giới hạn bởi độ phủ định danh.
Lớp 2, Marketing Mix Modeling (MMM) cho phân bổ ngân sách chiến lược. MMM không theo dõi từng người mà phân tích quan hệ giữa tổng chi tiêu các kênh và tổng doanh thu theo thời gian, bằng hồi quy thống kê trên dữ liệu tổng hợp. Vì không cần định danh cá nhân, MMM miễn nhiễm với thay đổi quyền riêng tư, opt-out của iOS và chặn cookie. Theo eMarketer, khoảng 27,6% marketer Mỹ hiện xem MMM là phương pháp đo lường đáng tin nhất, vượt MTA ở mức 19,4% (tham khảo). Với brand chi ads lớn, MMM là lớp trả lời câu "tháng tới dồn tiền vào đâu". Xem sâu ở bài marketing mix modeling (MMM) cho D2C.
Lớp 3, Incrementality (kiểm định gia tăng) làm chuẩn nền. Incrementality là chạy thí nghiệm có đối chứng để chứng minh một kênh thực sự tạo ra doanh thu tăng thêm, chứ không chỉ trùng thời điểm với đơn vốn đã xảy ra. Đây là phương pháp duy nhất dựa trên nhân quả thay vì tương quan, và nó là "sự thật nền" để hiệu chỉnh lại hai lớp kia. Ví dụ: tắt hẳn một kênh ở một nhóm khách/khu vực trong vài tuần, so doanh thu với nhóm còn bật, chênh lệch chính là phần kênh đó thật sự đóng góp.
Ba lớp bổ trợ nhau: DDA cho tín hiệu chi tiết để tối ưu, MMM cho định hướng phân bổ ngân sách, incrementality cho sự thật nhân quả để hiệu chỉnh cả hai. Không lớp nào tự đứng vững một mình.
Nói thẳng: đừng phức tạp hóa nếu bạn không thuộc nhóm cần
Bộ ba attribution, MMM và incrementality nghe rất "cao cấp", nhưng nói thẳng: không phải brand nào cũng cần, và nhiều brand sẽ tốn tiền vô ích nếu áp dụng khi chưa tới ngưỡng.
Bạn thật sự cần bộ ba này khi: chi ads đủ lớn trên nhiều kênh (thường vài trăm triệu/tháng trở lên), và một quyết định phân bổ sai đủ tốn để bù chi phí đo lường. Chỉ khi đó sai lệch của last-click mới "đau" thành tiền thật.
Bạn chưa cần khi: ngân sách nhỏ, một hai kênh, chu kỳ mua ngắn. Lúc này last-click và một chút phán đoán thường "đủ đúng", và tiền nên đổ vào sản phẩm với chuyển đổi hơn là vào mô hình đo lường.
Cảnh báo về MMM cho brand nhỏ: MMM cần dữ liệu lịch sử đủ dài và đủ biến động chi tiêu để mô hình học được. Brand mới chạy vài tháng, chi đều đều, sẽ không có đủ dữ liệu để MMM cho kết quả tin cậy. Kết quả ra có thể còn sai hơn cả nhìn last-click.
Đừng để đo lường thay cho quyết định. Không mô hình nào cho con số "chuẩn tuyệt đối". Mục tiêu của đo lường đa kênh là giảm sai lệch để ra quyết định tốt hơn, không phải tìm sự thật hoàn hảo. Ai bán cho bạn "attribution chính xác 100%" là đang bán ảo tưởng.
Muốn định cỡ ngân sách trước khi bàn đo lường, tham chiếu các mức ngân sách ads cho D2C, benchmark VN.
Kết
Last-click không "sai" một cách vô dụng, nhưng trong thế giới mất cookie và hành trình đa kênh, nó dồn công về cuối phễu và khiến bạn cắt nhầm chính những kênh đang tạo nhu cầu. Lời giải không phải đổi sang một mô hình "đúng hơn", mà là hiểu rằng mỗi mô hình chỉ là một góc nhìn, rồi kết hợp ba lớp: DDA để tối ưu, MMM để phân bổ, incrementality để làm chuẩn nền. Và quan trọng không kém: chỉ đầu tư vào bộ máy này khi quy mô chi ads của bạn đủ lớn để một quyết định sai đáng giá hơn chi phí đo lường. Đúng công cụ, đúng thời điểm, mới ra quyết định đúng.
Nếu bạn chi ads đa kênh và muốn dựng năng lực đo lường vượt qua last-click, đội ScaleCommerce có thể giúp bạn thiết kế hệ đo phù hợp quy mô thật của mình.
Câu hỏi thường gặp (FAQ)
Attribution model là gì? Là quy tắc phân chia công của một đơn hàng cho các điểm chạm marketing trên hành trình khách. Ví dụ last-click gán hết công cho chạm cuối, còn multi-touch chia công cho nhiều điểm chạm. Mô hình bạn chọn quyết định kênh nào "trông có vẻ" hiệu quả.
Vì sao không nên chỉ dùng last-click? Vì nó thổi phồng giá trị điểm chạm cuối và bỏ qua các kênh đầu phễu tạo nhu cầu. Sau khi cookie và định danh mất dần, sai lệch này nặng thêm, khiến bạn dễ dồn tiền vào tìm kiếm thương hiệu và cắt nhầm các kênh khám phá đang nuôi doanh thu.
Multi-touch attribution có còn dùng được sau khi mất cookie không? Còn, nhưng độ chính xác giảm với phần khách không định danh được, vì MTA cần theo dõi hành trình cấp cá nhân. Vì vậy năm 2026 nên kết hợp MTA/DDA với MMM (dùng dữ liệu tổng hợp) và incrementality để bù các điểm mù.
Incrementality khác attribution ở đâu? Attribution chia công dựa trên tương quan, tức kênh nào xuất hiện trên hành trình. Incrementality dùng thí nghiệm có đối chứng để đo nhân quả, tức kênh đó có thực sự tạo doanh thu tăng thêm không. Incrementality là chuẩn nền để hiệu chỉnh các mô hình attribution.
Brand nhỏ có cần MMM không? Thường là chưa. MMM cần dữ liệu lịch sử dài và đủ biến động chi tiêu mới cho kết quả tin cậy. Brand nhỏ, ít kênh, chi đều đều nên tập trung vào tracking sạch và phán đoán tốt trước; MMM chỉ đáng đầu tư khi chi ads đã lớn và đa kênh.
Nguồn tham khảo
- Improvado / Digitalapplied, Marketing Mix Modeling 2026: MMM vs Attribution Playbook. https://www.digitalapplied.com/blog/marketing-mix-modeling-2026-mmm-vs-attribution-playbook
- ThoughtsOfMuskan, Last-click attribution wrong: what to use instead 2026. https://thoughtsofmuskan.in/stories/last-click-attribution-wrong-what-to-use-instead-2026
- Layerfive, Why Last-Click Attribution Is Failing Ecommerce in 2026. https://layerfive.com/blog/ecommerce-attribution-beyond-last-click/
- Digitalapplied, Incrementality Testing: Proving Ads Actually Caused Sales. https://www.digitalapplied.com/blog/incrementality-testing-paid-media-causal-lift-2026
Nhận buổi đánh giá doanh nghiệp miễn phí từ ScaleCommerce: xem điểm số, lỗ hổng và lộ trình cụ thể cho riêng shop của bạn. Không pitch, chỉ tư vấn thật.