Case
Attributionsmodell & inkrementalitet
En prioriterad analysplan för att mäta vad som faktiskt driver bokningar, från trovärdighetsanalys av datan till ett geo-baserat lifttest som räknar hem inkrementell ROAS mot verkliga bokningar i PMS.
Caset bygger på en fiktiv kundbrief och visar hur jag lägger upp mätning, attribution och inkrementalitetstester i praktiken.
Utmaningen
- Plattformarnas egna rapporter ger en förskönande bild: Google Ads och Meta rapporterar tillsammans 2–4× fler konverteringar än GA4 totalt, eftersom de tar kredit för samma bokning.
- Metas standardfönster (7 dagars klick + 1 dags view) gör att view-through blåser upp resultatet, eftersom en gäst som ser annonsen men bokar direkt räknas ändå som Metas förtjänst.
- Det enda sanna facit är faktiska bokningar i PMS, och spårningsdiskrepanser på 35 %+ är vanliga för hotell.
- Utan ett systematiskt sätt att validera datan riskerar kedjan att fatta budgetbeslut på felaktiga siffror, och betala för trafik man hade fått ändå.
Strategi & angreppssätt
- Fastställ först vilken data som går att lita på: sanity check av GA4 mot plattform mot PMS, diskrepans per kanal och en utpekad "golden source".
- Säkra förutsättningarna innan test: CAPI som skickar bokningshändelser dagligen med värde, Event Match Quality ≥ 6,0 och learning phase under 20 % av budgeten.
- Kör tre attribueringsfönster parallellt i Meta och jämför utfallet mot GA4 DDA och PMS för att välja fönster empiriskt i stället för av vana.
- Validera med ett geo-baserat lifttest: åtta hotell delas i matchade par efter bokningsvolym och säsongsmönster.
- I testgruppen pausas Meta eller sänks budgeten med 80 %, bokningar mäts dagligen i PMS och den uteblivna intäkten blir den inkrementella effekten.
- Geo definieras som hotellets placering, inte gästens hemort, så med hotell på olika orter undviks audience-överlapp naturligt.
Prioriterad analysplan, i den här ordningen
01
Trovärdighetsanalys
Vecka 1–2
- Sanity check: GA4 mot PMS mot plattform
- Identifiera diskrepans per kanal
- Sätt baseline och utse datakällan som gäller framåt
02
MTA & view-through
Vecka 2–4
- Tre parallella attribueringsfönster i Meta (A/B/C)
- Jämför mot GA4 DDA och faktiska PMS-bokningar
- Välj rätt attribueringsfönster framåt
03
Geo-baserat lifttest
Vecka 4–10
- Dela åtta hotell i matchade par
- Pausa eller sänk Meta i testgruppen
- Beräkna inkrementell ROAS mot PMS
Förutsättningar innan testet
Baserat på Metas Performance 5-ramverk, anpassat för hotell. Utan den här grunden blir testresultaten inte tillförlitliga.
Svep i sidled för att se hela tabellen.
| Prioritet | Område | Krav |
|---|---|---|
| Kritisk | Datakvalitet | CAPI skickar bokningshändelser dagligen med värde |
| Kritisk | Datakvalitet | Event Match Quality ≥ 6,0, kontrolleras i Events Manager |
| Hög | Resultatvalidering | Diskrepans GA4 mot PMS under 20 % per kanal |
| Hög | Kontostyrning | Learning phase under 20 % av total budget |
| Medium | Automation | Advantage+ Shopping minst 30 % av budget |
| Medium | Kreativitet | Video och statiskt, minst tre distinkta format per ad set |
Målbild & testdesign
4×
Mål för inkrementell ROAS
8
Hotell i matchade par
3
Analysfaser från sanity check till lifttest
-80 %
Budgetsänkning i testgruppen
Siffrorna är den uppsatta målbilden och testdesignen i analysplanen. Varje spenderad krona ska generera minst fyra kronor inkrementell intäkt, mätt mot faktiska bokningar i PMS.
Lärdomar
- Om GA4 visar 30 bokningar och PMS säger 45 är det inte ett Meta-fel, utan ett trackingproblem. Då vet man vad som ska åtgärdas.
- Ett kortare attribueringsfönster (1 dags klick, ingen view) ligger närmast verkliga bokningar och bör valideras empiriskt innan det görs till standard.
- Geo-test är den mest direkta metoden att mäta inkrementalitet utan att förlita sig på plattformarnas egna modeller.
- Ordningen är avgörande: pålitlig data först, attribution sedan, budgetbeslut sist.
Vill du prata om det här caset?
Jag går gärna igenom detaljerna.