Attribution dựa trên click chưa bao giờ đo tốt các kênh không trả phí, và AI khiến nó khó khăn thêm: khách nhận câu trả lời ngay trong AI nên phần ảnh hưởng nằm ngoài tầm nhìn của click, và theo ước tính của Graphite, lượng truy cập từ AI có thể bị ghi nhận thấp tới 10 lần.
Tóm tắt các điểm chính:
Công nghệ đo lường tốt hơn nhưng khả năng nhìn thấy hành trình khách hàng lại kém đi, vì nền tảng giữ lại phần lớn dữ liệu hành vi.
Attribution chỉ có thể ghi nhận cho phần hành trình mà nó nhìn thấy, và phần đó đang nhỏ dần.
Giải pháp hiện tại là giữ attribution ở vai trò công cụ tham khảo, kết hợp đo chéo nhiều tín hiệu với thử nghiệm đo mức tăng thực, và chừa chỗ cho những khoản đầu tư khó quy kết (Attribution Theory).
Hai hướng thay thế cho kênh không trả phí là đo chéo nhiều tín hiệu (triangulation) và dựng kịch bản đối chứng (incrementality).
AI đang biến phần việc dễ đo thành hàng đại trà, nên lợi thế khác biệt dịch chuyển sang phần khó đo như sáng tạo và thương hiệu.
1/ Vì sao công nghệ tốt hơn mà khả năng đo lường lại kém đi?
Vì các nền tảng ngày càng nắm nhiều dữ liệu hành vi nhưng chia sẻ cho doanh nghiệp ngày càng ít, nên ta thấy ít hơn dù công cụ đo xịn hơn. Nghịch lý này xuất hiện ở nhiều nơi cùng lúc.
Google AI Overviews và ChatGPT trả lời thẳng cho người dùng mà không cần họ vào website. Trải nghiệm tốt lên cho người dùng, nhưng doanh nghiệp mất dữ liệu về lượt giới thiệu, lượt nhấp và chuyển đổi, vốn là thứ từng cho biết khách tìm thấy mình bằng cách nào.
Google Analytics tinh vi hơn với cách theo dõi theo sự kiện và học máy, nhưng lại ngày càng phải ước tính chuyển đổi, vì quy định về sự đồng ý của người dùng và hành trình bị phân mảnh khiến dữ liệu thật không thu được.
Năm 2021, Apple cho người dùng iPhone quyền từ chối bị theo dõi giữa các ứng dụng, nhà quảng cáo mất khả năng biết quảng cáo nào dẫn đến lượt mua, và Meta đáp lại bằng chuyển đổi ước tính, tức thay hành vi quan sát được bằng con số suy đoán.
Nguyên nhân gồm ba lớp chồng lên nhau:
Nền tảng nắm nhiều giá trị hơn nhưng chia sẻ ít hơn cho nhà quảng cáo và marketer để bảo vệ biên lợi nhuận của chính họ.
Mối quan tâm về quyền riêng tư tăng mạnh và bê bối của Facebook, khiến nhiều người dùng tắt theo dõi hơn.
Người dùng dùng nhiều thiết bị, khiến hành trình bị đứt đoạn.
Hệ quả sâu hơn nằm ở bản chất của attribution: Attribution chỉ ghi được những gì để lại dấu vết click hay cookie. Khi khách ngày càng khám phá thương hiệu ở những nơi không để lại dấu vết, báo cáo chỉ phản ánh một phần nhỏ dần của những gì thực sự tạo ra nhu cầu.
2/ Vấn đề: attribution hỏng ở điểm nào khi AI xuất hiện?
Attribution được tạo ra để chia ngân sách quảng cáo nhờ cookie và click, nên nó chưa bao giờ phù hợp với các kênh không trả phí. Click chỉ là một một mảnh ghép nhỏ trong toàn bộ bức tranh và khiến bạn không thấy được những gì thực sự có ích hơn.
Theo tôi, khi cookie và click bị hạn chế, doanh nghiệp buộc phải nghĩ lại cách phân bổ ngân sách cho mọi thứ nằm ngoài quảng cáo. Nhưng giải pháp không thể là cắt giảm đầu tư vào các kênh khó đo.
Hành trình khách hàng chưa bao giờ đi theo đường thẳng như các báo cáo thường vẽ, mà rối và nhiều vòng hơn nhiều. Câu hỏi đáng đặt ra là các con số ta đo được phản ánh hành vi thật đến đâu, và theo tôi câu trả lời trung thực là không nhiều. Có thể ta không bao giờ vẽ chính xác được hành trình của khách. Điều ta làm được là đầu tư để hiện diện, hỗ trợ khách trong lúc họ khám phá và đánh giá, rồi theo dõi chuyển đổi.
Mô hình cũ là tìm kiếm → nhấp vào kết quả → rồi chuyển đổi. Mô hình đang dần hình thành có thể là: đặt câu hỏi cho AI, AI tổng hợp câu trả lời, rồi khách truy cập trực tiếp vào website. Đây là giả thuyết hợp lý chứ chưa phải điều đã được đo rõ. Nhưng nếu nó đúng, việc theo dõi sẽ khó hơn nhiều và attribution dựa trên click hầu như không còn phù hợp.
Theo ước tính của Graphite, lượng truy cập từ AI có thể bị ghi nhận thấp hơn thực tế tới 10 lần, song đây là một ước tính chứ chưa phải số đo trực tiếp. Nhưng điều đó không có nghĩa là sẽ bỏ qua hoàn toàn việc phân bổ. Chỉ là xem xét nó một cách nghiêm túc hơn hoặc nghiêm túc hơn và dành chỗ cho những dự đoán khó phân bổ. [1].
Lượt truy cập từ AI giới thiệu vẫn có giá trị: nó thiếu sót, nhưng là một trong số ít tín hiệu về tìm kiếm AI mà doanh nghiệp quan sát trực tiếp được. Giới hạn của nó là chỉ cho biết có điều gì đó đã thay đổi, không cho biết điều gì xảy ra trước lúc khách nhấp chuột, cũng không cho biết công việc của bạn đã tạo ra bao nhiêu tác động.
Đây cũng là lý do nhiều lãnh đạo tăng trưởng tại các công ty fintech cho rằng attribution và đo lường trực tiếp nói chung là cái nạng thay cho tư duy phản biện. Theo họ, mọi mô hình attribution đều sai, không có mô hình hoàn hảo, và bài toán này chưa có lời giải. Vì vậy chỉ nên dùng nó như công cụ để thống nhất động lực giữa các bộ phận, và luôn phải nhớ ưu nhược điểm của mô hình.
Các công ty này vẫn dùng một mô hình attribution đa điểm chạm (MTA) và vẫn đặt mục tiêu cấp tổ chức dựa trên đó. Điểm khác là gần như ngày nào, thậm chí giờ nào, đội của họ cũng thảo luận về giới hạn của mô hình và dùng thêm các cách đo tác động riêng cho từng kênh.
3/ Giải pháp 1: Phương pháp tam giác hóa - đo lường nhiều chỉ số khác nhau để đánh giá sự thành công.
Thay vì trông cậy vào một con số, ta kết hợp ba tín hiệu có điểm mù khác nhau: một chỉ số về mức độ hiện diện, một tín hiệu về hành vi và một kết quả kinh doanh. Khi cả ba cùng đi lên, độ tin cậy tăng. Khi chúng lệch nhau, đó là chỗ cần điều tra. Cách làm này gọi là đo chéo (triangulation).

Với hiển thị AI, ba tín hiệu đó có thể là:
Mức độ hiện diện: tỷ trọng thương hiệu được nhắc trong các câu trả lời AI so với đối thủ (Share of Voice).
Tín hiệu hành vi: khách tự khai báo họ biết đến bạn từ đâu kèm nhãn nguồn trong CRM, cùng các tín hiệu nền tảng như tìm kiếm thương hiệu và mức tương tác. Trong nhóm này, lời khách tự khai báo đáng tin hơn cả.
Kết quả kinh doanh: số chuyển đổi.
Một nghiên cứu về hành vi người dùng cho thấy Share of Voice trên AI có tương quan từ trung bình đến khá mạnh với chuyển đổi. Phần lớn chuyển đổi đó đến qua truy cập trực tiếp và ta không biết chính xác điều gì xảy ra trước đó, nên Share of Voice đủ dùng làm chỉ số đại diện cho mức hiện diện, nhưng chưa đủ để kết luận nhân quả [2].
Đo chéo làm bằng chứng vững hơn nhưng tự thân không chứng minh được quan hệ nhân quả. Cách làm này đã phổ biến ở các lĩnh vực khác mà ít được áp dụng cho tìm kiếm AI. Khảo sát của BCG với 3.000 chuyên gia đo lường cấp cao cho thấy 46% dùng kết hợp mô hình hóa marketing mix (MMM), thử nghiệm đo mức tăng thực và attribution đa điểm chạm, và nhóm dẫn đầu theo cách tiếp cận tích hợp này đạt tăng trưởng doanh thu cao hơn tới 70% [3].
4/ Giải pháp 2: Xây dựng các kịch bản đối chứng
Xây dựng các kịch bản đối chứng bằng cách so sánh những gì xảy ra sau một hoạt động với kết quả khi không có hoạt động đó.

Ta phải so sánh điều đã xảy ra khi có hoạt động với điều sẽ xảy ra nếu không có nó. Đó là incrementality, và nó khác attribution ở chỗ attribution cho biết ai được quy kết, còn incrementality cho biết cái gì thực sự hiệu quả.
Phần “điều sẽ xảy ra nếu không có hoạt động” gọi là kịch bản đối chứng. Có sáu cách dựng nó:
Nhóm đối chứng ngẫu nhiên: giữ lại hoạt động với một nhóm người dùng, tài khoản hoặc địa điểm chọn ngẫu nhiên, rồi so kết quả giữa nhóm có tiếp xúc và nhóm đối chứng.
Thử nghiệm theo khu vực: chạy hoạt động ở một số thị trường và so mức tăng với những thị trường tương tự không có gì thay đổi.
Triển khai theo giai đoạn: đưa hoạt động vào từng thị trường, tệp khách hoặc trang vào các thời điểm khác nhau, dùng nhóm đang chờ làm đối chứng tạm thời.
Thử nghiệm bật tắt luân phiên: xen kẽ giai đoạn có và không có hoạt động, rồi so kết quả sau khi loại trừ các quy luật lặp lại như mùa vụ.
Thử nghiệm bán thực nghiệm: khi không thể chọn ngẫu nhiên, dựng đối chứng bằng nhóm tương đồng hoặc các kỹ thuật thống kê như so sánh chênh lệch trước và sau giữa hai nhóm, đối chứng tổng hợp, phân tích chuỗi thời gian có gián đoạn.
MMM: ước tính đóng góp của các kênh rộng và chồng lấn từ biến động trong dữ liệu lịch sử, nên hiệu chỉnh bằng kết quả thử nghiệm nếu có.
Cách chọn khá rõ ràng. Nhóm đối chứng ngẫu nhiên phù hợp khi tách riêng được người tiếp xúc. Thử nghiệm theo khu vực hoặc triển khai theo giai đoạn phù hợp khi có thể thay đổi địa điểm hoặc thời điểm. Bán thực nghiệm dành cho trường hợp không thể ngẫu nhiên hóa. MMM dành cho các hoạt động rộng, chồng lấn, khó tách riêng.
Incrementality đã được dùng rộng rãi. Khảo sát của IAB cho thấy 76% người ra quyết định mua quảng cáo dùng thử nghiệm incrementality, nhỉnh hơn phân tích attribution (73%) và MMM (67%). Nhưng chỉ 39% dùng cả ba cùng lúc, nghĩa là đa số đội ngũ vẫn có từng công cụ rời rạc thay vì một hệ thống đo lường thống nhất [3].
5/ Nên đặt mục tiêu đo lường theo điều gì?
Nên bắt đầu từ việc doanh nghiệp muốn đạt được gì, rồi thiết kế mục tiêu và cách đo bám theo hành động đó, thay vì ép mọi thứ về doanh thu. Ví dụ với tiếp thị theo tài khoản (ABM), thước đo đúng có thể là mỗi tháng bao nhiêu phần trăm thị trường mục tiêu (TAM) đã được tiếp cận, bao nhiêu phần trăm tương tác và bao nhiêu phần trăm được kích hoạt.
Ta thường gắn chỉ số dẫn dắt với doanh thu. Khi việc đó khó hoặc không làm được, Infinity khuyên cứ bám vào chỉ số dẫn dắt, vì ta có thể suy luận hợp lý về tác động của chúng dù chưa đo được ngay.
6/ Vì sao AI khiến việc đo lường lại ngày càng quan trọng?
Vì AI đang biến mọi thứ đo được thành hàng đại trà, nên lợi thế khác biệt chuyển sang phần khó đo.
Theo Infinity, gần như mọi việc đo trực tiếp được đang bị AI đại trà hóa, phần lớn công việc đo được không còn tạo ra khác biệt, trong khi phần khó đo nhất lại chưa được đánh giá đúng giá trị. Nhiều dự báo CMO và CFO sẽ nhận ra lợi thế vượt trội nằm ở những thứ mô hình attribution không đo được, và chính họ sẽ thúc đẩy các cách đo tinh tế hơn hoặc attribution gián tiếp bậc hai.
Và theo tôi: nếu mọi thứ đo được rồi sẽ bị tự động hóa, thì lợi thế nằm ở phần không đo được. Sáng tạo và tính nguyên bản khó lượng hóa, khó tự động hóa, và sự khác biệt thường đến từ đó.
Một ví dụ thực tế: nếu chỉ nhìn attribution, các công ty fintech đã cắt hết marketing thương hiệu, các màn gây chú ý, thư gửi trực tiếp và sự kiện, rồi dồn tiền và thời gian vào chiến dịch outbound đại trà và quảng cáo trả phí đơn giản. Cách đó ổn được một thời gian, nhưng kết quả chỉ ở mức trung bình, trong khi họ muốn xuất sắc chứ không muốn trung bình.
Hoặc bạn tin rằng AI sẽ trở nên đủ tốt để tự động hóa và đảm nhận phần lớn công việc của chúng ta, và do đó, mọi thứ có thể đo lường được cuối cùng đều có thể được tự động hóa. Hoặc, bạn tin rằng chúng ta sẽ phải đối mặt với một "mùa đông AI" khắc nghiệt.
Kết luận
Attribution vẫn cần thiết, nhưng chỉ khi ta coi nó là một công cụ có điểm mù chứ không phải thực tế. Với việc đo lường khả năng hiển thị AI, hướng đi vững hơn là đo chéo nhiều tín hiệu, dựng kịch bản đối chứng cho các hoạt động quan trọng và chừa chỗ cho phần việc không đo được, vì đó thường là nơi tạo ra khác biệt. Mục tiêu của đo lường lúc này là đủ để định hướng đầu tư, không phải để chứng minh nhân quả cho từng đồng chi ra.
Nguồn báo cáo & trích dẫn:
[1]. https://graphite.io/research/n8n-attribution-gap
[2]. https://www.tryprofound.com/blog/the-shortlist-is-the-new-shelf
[3]. https://web-assets.bcg.com/e3/b7/aa59e7f14c09b64beb5f33f127c3/mastering-marketing-measurement-slideshow-june-2025-hybrid-03.pdf
[4]. https://www.iab.com/wp-content/uploads/2026/01/IAB_StateofDataReport_February_2026pdf.pdf




