ज़्यादातर मार्केटिंग एनालिटिक्स का मकसद बस मीटिंग निकाल लेना होता है। ऐसे डैशबोर्ड जिन्हें दो रिव्यू के बीच कोई नहीं खोलता, ऐसे एट्रिब्यूशन मॉडल जिन पर मन ही मन किसी को भरोसा नहीं, और ऐसी तिमाही रिपोर्ट जो इस तरह गढ़ी जाती हैं कि कभी कोई फ़ैसला लेना ही न पड़े। मैं ऐसा मेज़रमेंट बनाता हूं जो खुलकर समझाने पर भी टिका रहे, चाहे सामने आपका CFO हो या वह ग्राहक जिसे मापा जा रहा है।
ट्रैकिंग पर भरोसा करने से पहले मैं उसका ऑडिट करता हूं, क्योंकि जिस सेटअप को कोई नहीं जांचता, नंबर सबसे पहले वहीं बिगड़ते हैं। एट्रिब्यूशन को मैं काम के झूठों का एक सेट मानता हूं, जिन्हें आपस में मिलाकर परखना पड़ता है, और फ़ोन कॉल व ऑफ़लाइन नतीजे, जिन्हें आपका डैशबोर्ड अभी नज़रअंदाज़ करता है, वापस तस्वीर में लाता हूं। इंक्रीमेंटैलिटी मैं होल्डआउट टेस्ट से साबित करता हूं, जिन्हें कोई भी मार्केटिंग टीम चला सकती है; इसके लिए डेटा साइंस डिपार्टमेंट की ज़रूरत नहीं। 342:1 का रिटर्न मैंने इसी तरह परखा था, जब डैशबोर्ड का बताया आंकड़ा इतना अच्छा था कि उस पर बिना जांचे दस्तखत नहीं कर सकता था। मार्केटिंग मिक्स मॉडलिंग वहां चलती है, जहां खर्च और चैनलों का फैलाव उसे जायज़ ठहराए, और जहां न ठहराए, वहां साफ़ इनकार। और गवर्नेंस, यानी UTM और नेमिंग का वह बेहद उबाऊ अनुशासन, तय करता है कि अगले साल के सवालों के जवाब मिल भी पाएंगे या नहीं।
डिलिवरेबल का मेरा पैमाना मेरे अब तक के सबसे अच्छे क्लाइंट से आया है। हर एनालिसिस एक फ़ैसले पर खत्म होता है, और वह नंबर पहले से लिखा होता है जिससे वह फ़ैसला बदल जाए। डैशबोर्ड तब तक दोबारा बनते रहते हैं, जब तक वे लोग उन्हें सच में खोलने न लगें जिनके लिए वे बने हैं। आम तौर पर इसका मतलब होता है कम चार्ट, ज़्यादा सीधी भाषा, और एक ऐसा पेज जो बता दे कि सोमवार को क्या करना है।
यहां प्राइवेसी डिज़ाइन की एक शर्त है: मेज़रमेंट जो कंसेंट मिलने पर ही चलता है, फ़र्स्ट-पार्टी डेटा का सक्रिय इस्तेमाल, ऐसे क्लीन रूम जिनमें सिर्फ़ वही फ़र्स्ट-पार्टी डेटा डाला जाता है जो मैच होने लायक साफ़ हो, और रेगुलेटेड कैटेगरी के ऐसे सेटअप जो पहले ही HIPAA की जांच में खरे उतर चुके हैं। अगर आपके नंबर तो भरोसेमंद लगते हैं पर फ़ैसले नहीं, तो इन दोनों के बीच का फ़ासला ही वह काम है जो हम साथ करेंगे। आम तौर पर यह काम उन पिछली तीन वेंडर पिचों से भी छोटा निकलता है जिन्हें आपने बैठकर झेला, और इसके अंत में आपके पास ऐसे नंबर होते हैं जिनका आप बिना झिझके बचाव करेंगे।
ऐसे नंबर, जिन पर आप डटकर खड़े रह सकें
भरोसेमंद डैशबोर्ड और भरोसेमंद फ़ैसलों के बीच का फ़ासला ही वह काम है जो हम साथ करेंगे।
बातचीत शुरू करेंसीधे सवाल, सीधे जवाब
क्या होल्डआउट टेस्ट चलाने के लिए हमें डेटा साइंस टीम चाहिए?
नहीं। होल्डआउट टेस्ट में विज्ञापन देखने वाले ग्रुप की तुलना एक मिलते-जुलते ग्रुप से होती है जिसे विज्ञापन नहीं दिखते, और सही सैंपल साइज़ के साथ मार्केटिंग टीम खुद इसे डिज़ाइन कर सकती है और इसके नतीजे पढ़ सकती है। eBay का 342:1 का रिटर्न इसी तरह परखा गया था।
हमें किस एट्रिब्यूशन मॉडल पर भरोसा करना चाहिए?
कई मॉडल इस्तेमाल करें, और किसी एक पर अकेले भरोसा न करें। प्लेटफ़ॉर्म रिपोर्ट, एनालिटिक्स और मल्टी-टच मॉडल, हर एक तस्वीर का बस एक हिस्सा देखता है, इसलिए काम इन्हें आपस में मिलाकर परखने, कॉल और ऑफ़लाइन बिक्री जोड़ने, और अहम सवालों का फ़ैसला होल्डआउट टेस्ट से करने का है।
क्या कंसेंट के नियमों और HIPAA के तहत भी मेज़रमेंट काम करता है?
हां। टैग कंसेंट मिलने पर ही चलते हैं, फ़र्स्ट-पार्टी डेटा वही काम करता है जिसकी उसे इजाज़त है, और रेगुलेटेड कैटेगरी के सेटअप पहले ही HIPAA की जांच में खरे उतर चुके हैं।
The Signal से (अंग्रेज़ी में)
सभी नोट्स देखेंImpressions Are Not Created Equal. Frequency Should Not Be Either.
A search impression, a feed impression, and a banner impression are three different events wearing one name. Why every channel needs its own frequency math.
27 जून 2026Most Attribution Dashboards Get Built and Then Ignored
A dashboard nobody opens has a trust problem. The fix is admitting uncertainty on the dashboard itself instead of hiding it behind false precision.
3 अप्रैल 2026Marketing Mix Modeling Came Back From the Dead Because Nothing Else Survived
MMM was the dusty econometrics of big TV advertisers until signal loss made it modern again. What mix modeling does, what it needs, and who should wait.
1 अप्रैल 2026You Do Not Need a Data Science Team to Run a Holdout
Incrementality testing sounds like a research department. It is a spreadsheet, a map, and the discipline to leave some money on the table for six weeks.
25 मार्च 2026Every Attribution Model Is Wrong. Choose the One Wrong in Your Favor.
First-touch, last-touch, linear, data-driven: what each marketing attribution model assumes, what it hides, and how to use models without believing them.
24 मार्च 2026Your Match Rate Is the Ceiling on Everything Else
Every first-party data strategy depends on one unglamorous number: how much of your customer file the platforms can recognize. Typical is about 20 percent.