MarTech · 27 พ.ค. 2026 · 5 min read

Attribution & Marketing Mix Modeling สำหรับธุรกิจไทย ปี 2026

คู่มือ marketing attribution + MMM + MTA + incrementality testing สำหรับธุรกิจไทย ปี 2026 — last-click vs data-driven, GA4 attribution, MMM ราคาถูก, holdout test, calibration

TL;DR: Attribution ในไทยปี 2026 = ไม่มีคำตอบเดียว — ใช้หลาย model เทียบกัน. Last-click attribution ที่ใช้กันอยู่ overcredit Google + Meta paid และ undercredit organic + LINE + brand. คู่มือนี้ครอบคลุม: 6 attribution models (Last-click, First-click, Linear, Time-decay, Position-based, Data-driven), Multi-Touch Attribution (MTA) limitations หลัง iOS 14.5, Marketing Mix Modeling (MMM) ที่ทำได้ด้วย Meta/Google open-source tools, Incrementality Testing ผ่าน geo + audience holdout, attribution stack TH-specific (Meta + Google + TikTok + LINE + Marketplace), และ calibration framework

ทำไม Attribution ใน TH ยากกว่าฝรั่ง

Channel complexity:
– Meta + Google + TikTok + LINE + Shopee + Lazada + own site = 7+ channels
– LINE OA chat → conversion ไม่ tracked โดย Meta/Google
– Shopee/Lazada in-marketplace = closed ecosystem
– Cross-device (mobile → desktop → in-store) common

Privacy + Signal Loss:
– iOS 14.5+ ATT — 60-80% iOS users opt out tracking
– ITP (Intelligent Tracking Prevention) ใน Safari → cookies หมด 7 วัน
– Chrome 3rd-party cookies sunset (delayed but coming)
– PDPA + Consent Mode v2 → consent-based tracking

Result: Attribution data ที่เคยเชื่อถือได้ 2022 → 2026 มี gap 30-60% โดยไม่รู้ตัว

6 Attribution Models — เข้าใจให้ครบก่อนเลือก

1. Last-Click Attribution

ให้เครดิต 100% กับ touchpoint สุดท้ายก่อน convert
Default ใน Google Ads, Meta Ads, Shopee, Lazada
✅ Simple, fast
❌ Overcredit branded search, retargeting; ignore awareness channels

2. First-Click Attribution

ให้เครดิต 100% กับ touchpoint แรก
✅ Highlight discovery channels (TikTok, YouTube, organic)
❌ Ignore decision-stage channels

3. Linear Attribution

กระจายเครดิตเท่ากันทุก touchpoint
✅ Fair across funnel
❌ Treats all touches equally (ไม่จริง)

4. Time-Decay Attribution

ให้เครดิตเพิ่มขึ้นตาม time ใกล้ conversion (exponential)
✅ Reflects influence proximity
❌ Still arbitrary weights

5. Position-Based (U-shaped / W-shaped)

40% first + 40% last + 20% middle (U-shaped)
30% first + 30% middle + 30% last (W-shaped)
✅ Recognize key milestones
❌ ยังเป็น rule-based, ไม่ใช่ data-driven

6. Data-Driven Attribution (DDA)

Algorithm assign credit based on actual conversion paths
Google Ads + GA4 default ปี 2024+
✅ Account for actual contribution
❌ Black-box, ยังจำกัดที่ data ใน 1 platform

Attribution & Marketing Mix Modeling สำหรับธุรกิจไทย ปี 2026 — แผนภาพที่ 1

Multi-Touch Attribution (MTA) — Limitations ปี 2026

MTA Tools เคยใช้กัน

AppsFlyer / Adjust (mobile)
Branch (cross-platform)
Segment + custom
HubSpot / Salesforce (B2B)

Why MTA Breaks ปี 2026

iOS 14.5+ ATT → SKAdNetwork-level only
ITP → Safari 7-day cookie cap
LINE app browser = restricted cookies
Cross-device = needs login ID linkage

Still Useful When

B2B with logged-in CRM users
Loyalty program with persistent ID
Newsletter subscribers (email ID)
1st-party data rich (Customer Data Platform present)

Practical MTA Setup TH (2026)

Identity resolution — match user ID across touchpoints (email hash, phone hash, LINE ID)
Server-side tracking — Conversion API everywhere (Meta CAPI + Google EC + TikTok EAPI + LINE Conv API)
GA4 as cross-channel aggregator
Pipe to BI tool — Looker, Tableau, Metabase

Marketing Mix Modeling (MMM) — ปี 2026 Default for SME+

MMM คืออะไร

Top-down statistical modeling — predict business outcome (revenue) จาก marketing spend + external factors (seasonality, weather, competition, macroeconomics) โดยไม่ต้องใช้ user-level data

Why MMM Renaissance ปี 2024-2026

Privacy-friendly (aggregate data, no PII)
ทำงานได้แม้ ATT/ITP block tracking
ครอบคลุม offline + brand + non-trackable channels
Open-source tools ฟรี

MMM Tools (ใช้ได้จริง)

ฟรี / Open-source:
– Meta Robyn (R/Python) — most popular, Meta-built
– Google Meridian (Python) — newer 2024, Bayesian-first
– LightweightMMM (Google JAX) — academic
– PyMC-Marketing — flexible

Paid:
– Nielsen MMM (enterprise)
– Analytic Partners
– Marketing Evolution
– Recast — modern MMM

Data needed สำหรับ MMM

Weekly/Daily marketing spend by channel (12-24 months min)
Weekly/Daily revenue or conversions (same period)
Control variables: seasonality, holidays, weather, competition events
Optional: impressions, clicks, GRP

Process (simplified)

Attribution & Marketing Mix Modeling สำหรับธุรกิจไทย ปี 2026 — แผนภาพที่ 2

Common pitfalls

Multicollinearity (channels move together)
Insufficient variance (always same budget split)
Overfitting to short period
Confounding events (sale + ad blast same time)
ใช้ MMM แทน MTA (different purposes — ควรใช้ทั้งคู่)

Incrementality Testing — Truth Layer

Attribution model ทั้งหมดยัง correlation-based. Incrementality testing = causation-based — measure true incremental contribution

Test Types

1. Geo Holdout

หยุด channel ใน 1 city/region (control)
เปรียบเทียบ conversion uplift vs control
เหมาะกับ: Local-targetable channels (Meta, Google, TikTok)
TH ตัวอย่าง: หยุด Meta Ads ใน Chiang Mai 4 สัปดาห์ → เทียบกับ Khon Kaen / Hat Yai

2. Audience Holdout (Ghost Bids / PSA Test)

10-20% of audience ไม่เห็น ad (placebo / PSA)
Compare conversion rate between exposed vs holdout
Meta + Google มี Conversion Lift studies tool

3. Switchback Testing

Alternate channel ON/OFF ทุกสัปดาห์ในพื้นที่เดียวกัน
เหมาะกับ short cycle product (impulse purchase)

4. Brand vs Generic Search Holdout

Pause brand search ads → ดู organic recovery rate
ปกติ 50-80% recover organic → brand search incremental ต่ำกว่าที่ attribution บอก

How often to test

Quarterly minimum
ทุก channel ที่ spend > 10% of total budget
Before scaling new channel >2x

Attribution Stack TH-Specific

Cross-Platform Mapping

Channel	Self-attribution	Cross-channel signal	Conversion API
Meta Ads	Pixel + CAPI (last-click 7d)	GA4 + UTMs	Yes
Google Ads	DDA (default 2026)	GA4 + Enhanced Conv	Yes
TikTok Ads	Pixel + EAPI	UTM + GA4 (limited)	Yes
LINE Ads	LINE Tag + Conv API	Manual UTM	Yes
Shopee Ads	Internal only	UTM external only	No native
Lazada Ads	Internal only	UTM external only	No native
Email	Open + click	GA4 + email link UTM	N/A
Direct	None	GA4 referrer	N/A

TH-Specific Tracking Gaps

Shopee/Lazada in-app — closed ecosystem, no upstream attribution
LINE → OA chat → manual close — depends on admin log
Marketplace return rates ไม่นับ ใน first-pass ROAS
Cash on Delivery (COD) orders — return rate 15-30% ปกติ TH

Recommended Stack

1. GA4 — cross-channel aggregator
2. Server-side tagging (GTM Server) — CAPI for all 5 platforms
3. CRM/CDP — identity resolution + offline conversion
4. Marketplace data — manual import weekly
5. MMM (quarterly) — true incremental
6. Incrementality tests (quarterly per channel)

Calibration Framework

ใช้หลาย model + reconcile

Step 1: ดูทุก source

Meta Ads Manager ROAS
Google Ads ROAS
TikTok ROAS
LINE ROAS
Shopee Seller Center
Lazada Seller Center
GA4 attribution
Bank statement (actual revenue)

Step 2: Compare ratio

Platform-reported revenue / Total revenue
ปกติ sum > 100% → double-counting
Calibration factor = Actual / Sum-reported

Step 3: Apply Discount

เช่น Meta reports 1.5M, Google 1.2M, TikTok 0.5M, LINE 0.4M = 3.6M
Actual = 2.8M
Calibration = 0.78 (discount each by 22%)

Step 4: Cross-validate with MMM + Incrementality

MMM should show similar relative contribution
Incrementality test แม่นที่สุดสำหรับ marginal decisions

Common Pitfalls

Trust Last-Click only → overspend retargeting + branded search
Skip Incrementality test → never know real causal contribution
Run MMM on < 12 months data → unreliable
No identity resolution → MTA breaks for cross-device users
Forget Shopee/Lazada attribution gap → over-credit Meta for marketplace conv
Apply Google DDA to GA4 cross-channel → mixing model paradigms
Don’t reconcile reported vs actual revenue → make decisions on inflated numbers
Quarterly review only → missed seasonal anomalies

Decision Framework: เลือก Attribution อะไรเมื่อไหร่

Decision	Best Model
Daily channel bid optimization	Last-click + DDA (within-platform)
Weekly budget reallocation	GA4 cross-channel + UTM
Monthly channel mix review	MMM + Incrementality
Quarterly strategic planning	MMM + Calibration + Incrementality
New channel test	Incrementality (geo or audience holdout)
Brand vs Performance split	MMM + Brand lift studies

Quick Start Checklist

Week 1-2 — Foundation

[ ] Enable Conversion API ทุก platform (Meta, Google, TikTok, LINE)
[ ] Setup GA4 with custom channel grouping
[ ] UTM standard across ทุก campaign
[ ] Import Shopee/Lazada sales data weekly

Month 1 — MTA Layer

[ ] Identity resolution (CRM email/phone hash)
[ ] Cross-channel reporting in BI tool
[ ] Reconcile reported vs actual revenue monthly

Month 2-3 — MMM Foundation

[ ] Gather 12+ months data (spend + revenue + control vars)
[ ] Setup Robyn or Meridian
[ ] Run initial model + validate
[ ] Quarterly refresh cadence

Month 3+ — Incrementality

[ ] Run geo holdout test (1 channel)
[ ] Run audience holdout (Meta Lift Study)
[ ] Build internal capability for quarterly testing

บทความที่เกี่ยวข้อง

MarTech Analytics & Tracking Guide — GA4 + GTM Server + CAPI setup
Meta Ads สำหรับ B2C — Meta Pixel + CAPI deep dive
Google Ads สำหรับ B2C — Enhanced Conversions + DDA

TL;DR ย้ำ: Attribution ปี 2026 = multi-model + calibrated + incrementality-validated. Last-click อย่างเดียว = ตัดสินใจผิด. MMM ใช้ Robyn/Meridian ฟรี. Incrementality test รายไตรมาส. Reconcile platform-reported vs actual revenue — discount ratio ปกติ 20-40% สำหรับ TH multi-channel