Perinteiset sääntöpohjaiset attribuutiomallit (kuten first-touch tai last-touch) jakavat markkinoinnin kunnian mekaanisesti klikkausten perusteella. Jos asiakas lukee asiantuntijatekstejä, juttelee AI-chatin kanssa ja lopulta ostaa tuotteen suoran haun kautta, analytiikka antaa kaiken painoarvon viimeiselle suoralle kontaktille.

Kielimallit (LLM) mahdollistavat laadullisen datan – kuten chat-keskustelujen sävyn ja kysymysten syvyyden – muuntamisen numeerisiksi signaaleiksi. Nämä signaalit voidaan yhdistää kvantitatiiviseen attribuutiomalliin BigQueryssä tai muussa tietovarastossa ilman monimutkaista perinteistä koodausta.

1. Keskustelulokin laadullinen pisteytys (LLM Blueprint)

Ensimmäinen vaihe on poimia chat-keskustelusta käyttäjän ostoaikeen muutos (intent shift) ja kysymysten tekninen syvyys. Vibe-koodaajana sinun ei tarvitse rakentaa omia luokittelumalleja tyhjästä – voit käyttää suoraan valmiita LLM-rajapintoja (kuten Gemini 2.5 Flash) ja pakottaa ne palauttamaan strukturoitua dataa.

Toteutuksen ydinrakenne:

  • Strukturoitu JSON-ulostulo: Pyydä tekoälyä palauttamaan data tiukassa JSON-muodossa. Määrittele kentät kuten intent_score (0.0-1.0), sentiment (POSITIVE/NEUTRAL/NEGATIVE) ja leads_confidence (ostoaikeen todennäköisyys).
  • Prompt-suunnittelu: Syötä tekoälylle asiakkaan ja asiakaspalvelijan välinen keskusteluhistoria ja anna sille tarkat säännöt pisteytykseen (esim. "Anna arvo 0.9, jos asiakas kysyy hintoja tai integraatioita").

2. Datan yhdistäminen attribuutiomalliksi

Kun keskustelut on pisteytetty tekoälyllä ja tallennettu tietokantaan, ne yhdistetään Google Analytics 4 (GA4) tapahtumadataan. Tavoitteena on luoda painotettu malli, jossa pelkän klikkauksen sijaan painotetaan sitä, kuinka syvällistä kiinnostusta käyttäjä osoitti chatin aikana.

Näin arkkitehtuuri toimii:

1. Kosketuspisteiden keräys: Kerää käyttäjän kaikki vierailut (lähteet, tulotavat ja kampanjat) talteen.

2. Laadullisen kertoimen soveltaminen: Korvaa perinteinen "tasajako" (Linear Attribution) siten, että chatin kohdalla käytetään LLM:n antamaa leads_confidence-arvoa painokertoimena.

3. Lopullinen pisteytys: Jos asiakaspolku sisälsi chatin, jossa ostoaie oli korkea (esim. 0.9), tämä kosketuspiste saa moninkertaisen painoarvon verrattuna passiiviseen sivustovierailuun.

---

Mitä vibe-koodaajan tulee ottaa huomioon?

Kun rakennat tätä järjestelmää Cursorin tai muiden AI-avustajien kanssa, pidä mielessä seuraavat kriittiset asiat:

  • Pakota JSON-formaatti (Structured Outputs): Älä luota pelkkään vapaaseen promptiin. Käytä aina API:n tarjoamaa response_schema-ominaisuutta. Ilman sitä tekoäly saattaa satunnaisesti lisätä vastauksen ympärille selittävää tekstiä tai markdown-koodiblokkeja, mikä rikkoo automaattisen tietokantapäivityksen.
  • Identiteetin täsmäys (Identity Mapping): Jotta voit yhdistää chat-keskustelun GA4-vierailuun BigQueryssä, chatin täytyy tallentaa käyttäjän Google Analytics Client ID (_ga-evästeen arvo tai user_pseudo_id) ja lähettää se chat-lokin mukana tietokantaan. Ilman tätä yhteistä avainta dataa ei voi yhdistää.
  • Kustannustehokas mallivalinta: Chat-lokeja voi kertyä päivässä tuhansia. Älä käytä kalleimpia ja hitaampia malleja. Gemini 2.5 Flash on erittäin nopea, tukee natiivia JSON-skeemaa ja maksaa vain murto-osan isoista malleista, mikä tekee siitä täydellisen tähän taustaprosessiin.
  • Yksityisyys ja GDPR: Suodata tai maskaa chat-keskusteluista henkilötiedot (kuten nimet, puhelinnumerot ja osoitteet) ennen kuin lähetät ne LLM API-rajapintaan. Voit käyttää tähän yksinkertaisia tekoälyttömiä regex-suodattimia taustaprosessissa.