Phân tích Multi‑Touch Attribution cho shop D2C Việt: Đánh giá vai trò TikTok vs Google Ads trong hành trình mua hàng phức tạp
⚠️ Warning: Bài viết dựa trên số liệu công khai 2024‑2025 (Statista, Cục TMĐT VN, Google Tempo, Shopify Commerce Trends 2025, Gartner). Các con số được làm tròn để thuận tiện tính toán.
1. Bối cảnh thương mại điện tử D2C tại Việt Nam
| Nguồn | Dữ liệu 2024 | Dữ liệu 2025 (dự báo) |
|---|---|---|
| Cục TMĐT VN – Doanh thu D2C | 150 tỷ VNĐ/tháng | 190 tỷ VNĐ/tháng |
| Statista – Người dùng TikTok (VN) | 30 triệu | 35 triệu |
| Google Ads – Lượng tìm kiếm thương mại (VN) | 12 tỷ lượt/tháng | 14 tỷ lượt/tháng |
| Shopify Commerce Trends 2025 – Tỷ lệ chuyển đổi D2C trung bình | 2,8 % | 3,0 % |
| Gartner – Chi phí trung bình CPA (Cost per Acquisition) cho kênh Paid Social | 45 USD | 48 USD |
| Google Tempo – CPC trung bình Google Search (VN) | 0,38 USD | 0,41 USD |
🛡️ Security: Dữ liệu được lấy từ các báo cáo công khai, không vi phạm bản quyền.
2. Multi‑Touch Attribution (MTA) – Khái niệm và mô hình
Multi‑Touch Attribution là phương pháp phân bổ giá trị doanh thu cho mọi điểm chạm (touchpoint) trong hành trình khách hàng, thay vì chỉ tính cho “last click”. Các mô hình phổ biến:
| Mô hình | Đặc điểm | Khi áp dụng |
|---|---|---|
| Linear | Giá trị đồng đều cho mọi touchpoint | Khi hành trình ngắn, ít kênh |
| Time‑Decay | Trọng số giảm dần theo thời gian | Khi touchpoint gần thời điểm mua có ảnh hưởng lớn |
| Position‑Based (U‑shaped) | 40 % cho first & last click, 20 % chia cho các touchpoint còn lại | Khi muốn nhấn mạnh vai trò khởi tạo và kết thúc |
| Algorithmic (Shapley, Markov) | Dựa trên dữ liệu thực, tính toán đóng góp marginal | Khi có đủ dữ liệu và muốn độ chính xác cao |
Công thức Shapley value (được dùng trong một số nền tảng AI‑driven attribution):
Trong đó:
– N = tập hợp các kênh,
– S = tập hợp con không chứa kênh i,
– v(S) = giá trị doanh thu khi chỉ có các kênh trong S.
3. Kiến trúc dữ liệu và pipeline MTA
+-------------------+ +-------------------+ +-------------------+
| Data Sources | ---> | Data Lake (S3) | ---> | ETL (Airflow) |
| (TikTok API, | | Raw layer | | Transform |
| Google Ads, | +-------------------+ +-------------------+
| Web logs, CRM) | |
+-------------------+ v
+-------------------+
| Attribution |
| Engine (Python)|
+-------------------+
|
v
+-------------------+
| Dashboard (Looker)|
+-------------------+
⚡ Efficiency: Sử dụng Docker Compose để chạy môi trường dev nhanh chóng.
# docker-compose.yml (excerpt)
version: "3.8"
services:
airflow:
image: apache/airflow:2.7.0
environment:
- AIRFLOW__CORE__EXECUTOR=LocalExecutor
ports:
- "8080:8080"
volumes:
- ./dags:/opt/airflow/dags
postgres:
image: postgres:15
environment:
POSTGRES_USER: airflow
POSTGRES_PASSWORD: airflow
POSTGRES_DB: airflow
ports:
- "5432:5432"
4. So sánh Tech Stack (4 lựa chọn)
| Thành phần | Lựa chọn A (AWS) | Lựa chọn B (GCP) | Lựa chọn C (Azure) | Lựa chọn D (On‑prem) |
|---|---|---|---|---|
| Data Lake | S3 (độ bền 99,999999999 %) | Cloud Storage | Azure Blob | MinIO (RAID‑10) |
| ETL | Airflow + Spark | Cloud Composer + Dataflow | Azure Data Factory + Synapse | Apache NiFi |
| Attribution Engine | Python (Pandas, Scikit‑learn) | Python (TensorFlow) | Python (PyTorch) | R + SparkR |
| Visualization | Looker | Data Studio | Power BI | Grafana |
| CI/CD | GitHub Actions + Terraform | Cloud Build + Deployment Manager | Azure DevOps | Jenkins + Ansible |
| Cost (USD/yr) | 12 500 | 13 200 | 14 000 | 18 500 |
| Scalability | Auto‑scale S3 + EMR | Auto‑scale Dataflow | Auto‑scale Synapse | Manual scaling |
🛡️ Compliance: Tất cả các lựa chọn đều hỗ trợ GDPR và chuẩn ISO‑27001.
5. Chi phí chi tiết 30 tháng (phân bổ theo năm)
| Hạng mục | Năm 1 | Năm 2 | Năm 3 | Tổng (USD) |
|---|---|---|---|---|
| Infrastructure | 9 800 | 9 800 | 9 800 | 29 400 |
| Licenses (Looker, Snowflake) | 4 500 | 4 500 | 4 500 | 13 500 |
| Nhân sự (Data Engineer 0.5 FTE) | 6 000 | 6 000 | 6 000 | 18 000 |
| Marketing Data (TikTok API, Google Ads) | 2 200 | 2 200 | 2 200 | 6 600 |
| Contingency (10 %) | 2 250 | 2 250 | 2 250 | 6 750 |
| Tổng | 24 750 | 24 750 | 24 750 | 74 250 |
⚡ Lưu ý: Các chi phí được tính dựa trên mức giá công khai của nhà cung cấp (AWS, Google Cloud, Azure) và mức lương trung bình Data Engineer tại VN (USD 30 h).
6. Timeline triển khai (full‑stack)
| Giai đoạn | Thời gian | Mốc chính |
|---|---|---|
| Phase 0 – Khởi động | Tuần 1‑2 | Định nghĩa KPI, thiết lập repo |
| Phase 1 – Thu thập dữ liệu | Tuần 3‑6 | Kết nối TikTok API, Google Ads API |
| Phase 2 – Xây dựng Data Lake | Tuần 7‑10 | Tạo bucket S3, cấu hình Glue |
| Phase 3 – ETL & Transform | Tuần 11‑14 | Airflow DAGs, chuẩn hoá dữ liệu |
| Phase 4 – Attribution Engine | Tuần 15‑18 | Triển khai mô hình Shapley, kiểm thử |
| Phase 5 – Dashboard & Reporting | Tuần 19‑22 | Looker explores, alerting |
| Phase 6 – Go‑live & Optimisation | Tuần 23‑26 | Kiểm tra A/B, tối ưu chi phí |
| Phase 7 – Handover | Tuần 27‑30 | Bàn giao tài liệu, training |
🛡️ Risk: Mất dữ liệu trong quá trình migration → Plan B: Backup incremental mỗi 6 giờ; Plan C: Sử dụng Azure Blob làm dự phòng.
7. Gantt chart chi tiết (ASCII)
| Phase | W1-4 | W5-8 | W9-12 | W13-16 | W17-20 | W21-24 | W25-28 | W29-30 |
|----------------|------|------|-------|--------|--------|--------|--------|--------|
| Phase 0 |=====>| | | | | | | |
| Phase 1 | |=====>| | | | | | |
| Phase 2 | | |=====> | | | | | |
| Phase 3 | | | |=====> | | | | |
| Phase 4 | | | | |=====> | | | |
| Phase 5 | | | | | |=====> | | |
| Phase 6 | | | | | | |=====> | |
| Phase 7 | | | | | | | |=====> |
8. Các bước triển khai (6‑8 phase)
Phase 0 – Khởi động
| Mục tiêu | Danh sách công việc | Người chịu trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Xác định KPI, scope | 1. Workshop với stakeholder 2. Định nghĩa KPI (ROAS, CPA, Attribution Share) 3. Thiết lập repo Git |
PM, BA | Tuần 1 | – |
| Thiết lập môi trường | 4. Tạo workspace GitHub 5. Cấu hình GitHub Actions CI/CD 6. Định nghĩa secret (API keys) |
DevOps | Tuần 2 | Phase 0‑1 |
Phase 1 – Thu thập dữ liệu
| Mục tiêu | Công việc | Trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Kết nối API TikTok & Google Ads | 1. Đăng ký app TikTok for Business 2. Lấy OAuth token 3. Cấu hình Google Ads API (OAuth2) 4. Viết script Python để pull dữ liệu hằng ngày |
Data Engineer | Tuần 3‑4 | Phase 0 |
| Lưu trữ raw data | 5. Đẩy JSON vào S3 bucket 6. Thiết lập versioning |
DevOps | Tuần 5‑6 | Phase 1‑1 |
# pull_tiktok.py (excerpt)
import requests, json, boto3, datetime
TOKEN = "YOUR_TIKTOK_ACCESS_TOKEN"
ENDPOINT = "https://business-api.tiktok.com/open_api/v1.2/report/integrated/get/"
params = {
"advertiser_id": "123456789",
"report_type": "BASIC",
"data_level": "AUCTION",
"start_date": (datetime.date.today() - datetime.timedelta(days=1)).isoformat(),
"end_date": datetime.date.today().isoformat()
}
resp = requests.get(ENDPOINT, headers={"Access-Token": TOKEN}, params=params)
s3 = boto3.client('s3')
s3.put_object(Bucket='d2c-raw', Key=f'tiktok/{datetime.date.today()}.json', Body=json.dumps(resp.json()))
Phase 2 – Xây dựng Data Lake
| Mục tiêu | Công việc | Trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Tạo cấu trúc S3 | 1. Bucket d2c-raw, d2c-staging, d2c-analytics 2. Thiết lập IAM policies (read/write) |
Cloud Engineer | Tuần 7 | Phase 1 |
| Cấu hình Glue Catalog | 3. Định nghĩa tables cho TikTok, Google Ads 4. Tạo crawler tự động |
Data Engineer | Tuần 8‑9 | Phase 2‑1 |
| Backup & Replication | 5. Kích hoạt Cross‑Region Replication (CRR) sang Singapore | Cloud Engineer | Tuần 10 | Phase 2‑2 |
Phase 3 – ETL & Transform
| Mục tiêu | Công việc | Trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Xây dựng DAG Airflow | 1. DAG extract_raw_to_staging 2. DAG transform_to_attribution |
Data Engineer | Tuần 11‑12 | Phase 2 |
| Chuẩn hoá dữ liệu | 3. Mapping trường (campaign_id, adgroup_id, click_timestamp) 4. Xử lý missing values |
Data Engineer | Tuần 13 | Phase 3‑1 |
| Lưu trữ staging | 5. Parquet partitioned by date/channel |
DevOps | Tuần 14 | Phase 3‑2 |
# airflow/dags/transform_to_attribution.py (excerpt)
from airflow import DAG
from airflow.operators.python import PythonOperator
from datetime import datetime, timedelta
import pandas as pd
default_args = {
'owner': 'data_engineer',
'retries': 2,
'retry_delay': timedelta(minutes=5)
}
def transform(**kwargs):
df = pd.read_parquet('s3://d2c-staging/tiktok/*.parquet')
# normalize timestamps
df['click_ts'] = pd.to_datetime(df['click_ts'])
# write to analytics layer
df.to_parquet('s3://d2c-analytics/attribution/tiktok/', partition_cols=['date'])
with DAG('transform_to_attribution',
start_date=datetime(2024,1,1),
schedule_interval='@daily',
default_args=default_args) as dag:
t1 = PythonOperator(task_id='transform_tiktok', python_callable=transform)
Phase 4 – Attribution Engine
| Mục tiêu | Công việc | Trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Triển khai mô hình Shapley | 1. Xây dựng pipeline Python (pandas + shap) 2. Tính contribution cho mỗi kênh |
Data Scientist | Tuần 15‑16 | Phase 3 |
| Kiểm thử A/B | 3. So sánh Shapley vs Position‑Based trên 10 % traffic 4. Đánh giá MAE < 5 % |
Data Scientist | Tuần 17‑18 | Phase 4‑1 |
| Đóng gói Docker image | 5. Dockerfile, push lên ECR | DevOps | Tuần 18 | Phase 4‑2 |
# Dockerfile for attribution engine
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY src/ .
CMD ["python", "run_attribution.py"]
Phase 5 – Dashboard & Reporting
| Mục tiêu | Công việc | Trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Xây dựng Looker explores | 1. Kết nối Looker tới Athena 2. Tạo view attribution_summary |
BI Engineer | Tuần 19‑20 | Phase 4 |
| Thiết lập alerts | 3. Alert khi Attribution Share TikTok < 5 % hoặc CPA > $50 | BI Engineer | Tuần 21 | Phase 5‑1 |
| Đào tạo stakeholder | 4. Workshop 2 giờ cho marketing team | PM | Tuần 22 | Phase 5‑2 |
Phase 6 – Go‑live & Optimisation
| Mục tiêu | Công việc | Trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Kiểm tra end‑to‑end | 1. Smoke test toàn bộ pipeline 2. Load test 10 k events/giây |
QA Engineer | Tuần 23‑24 | Phase 5 |
| Tối ưu chi phí | 3. Điều chỉnh Spark executor memory, giảm 15 % chi phí | Cloud Engineer | Tuần 25 | Phase 6‑1 |
| Chuyển sang production | 4. Switch DNS, enable CloudFront CDN | DevOps | Tuần 26 | Phase 6‑2 |
Phase 7 – Handover
| Mục tiêu | Công việc | Trách nhiệm | Thời gian | Dependency |
|---|---|---|---|---|
| Bàn giao tài liệu | 1. Tạo 15 tài liệu (xem bảng “Tài liệu bàn giao”) 2. Upload lên Confluence |
BA | Tuần 27‑28 | Phase 6 |
| Đào tạo vận hành | 3. Runbook cho incident response 4. Training cho ops team |
Ops Lead | Tuần 29 | Phase 7‑1 |
| Ký nghiệm thu | 5. Sign‑off với stakeholder | PM | Tuần 30 | Phase 7‑2 |
9. Danh sách 15 tài liệu bàn giao bắt buộc
| STT | Tài liệu | Người viết | Nội dung chính |
|---|---|---|---|
| 1 | Architecture Diagram | Cloud Engineer | ASCII & Visio diagram, network, data flow |
| 2 | Data Dictionary | Data Engineer | Định nghĩa bảng, field, kiểu dữ liệu |
| 3 | ETL DAG Specification | Data Engineer | Mô tả DAG, schedule, dependencies |
| 4 | Attribution Model Documentation | Data Scientist | Thuật toán Shapley, giả thuyết, validation |
| 5 | API Integration Guide (TikTok/Google Ads) | BA | Endpoint, auth, rate limits |
| 6 | Docker & Kubernetes Deployment Guide | DevOps | Dockerfile, helm chart, env vars |
| 7 | CI/CD Pipeline Config (GitHub Actions) | DevOps | Workflow YAML, secrets |
| 8 | Security & Compliance Checklist | Security Lead | IAM policies, encryption, audit logs |
| 9 | Performance Test Report | QA Engineer | Load test results, bottleneck analysis |
| 10 | Monitoring & Alerting Playbook | Ops Lead | Grafana dashboards, alert thresholds |
| 11 | Rollback & Disaster Recovery Plan | Ops Lead | Snapshot, restore steps |
| 12 | Cost Optimization Report | Cloud Engineer | Rightsizing, reserved instances |
| 13 | User Training Slides | PM | Dashboard walkthrough |
| 14 | SLA & Support Agreement | PM | Response time, escalation matrix |
| 15 | Project Closure Report | PM | KPI achievement, lessons learned |
10. Rủi ro + Phương án B + Phương án C
| Rủi ro | Ảnh hưởng | Phương án B | Phương án C |
|---|---|---|---|
| Mất dữ liệu raw (S3 outage) | Dữ liệu không đầy đủ → Attribution sai | Sử dụng Azure Blob làm backup đồng thời | Duy trì MinIO on‑prem với RAID‑10 |
| API rate‑limit (TikTok) | Độ trễ dữ liệu > 24 h | Đặt exponential backoff, cache kết quả | Chuyển sang partner data provider (DataFeed) |
| Chi phí Cloud vượt ngân sách | ROI giảm | Chuyển sang reserved instances 1‑year | Tối ưu Spark job, giảm số lượng partitions |
| Model drift (Shapley) | Giá trị attribution không phản ánh thực tế | Thiết lập re‑training mỗi 30 ngày | Sử dụng Position‑Based tạm thời |
| Security breach (leak API keys) | Rủi ro dữ liệu khách hàng | Áp dụng AWS Secrets Manager rotation | Đưa API keys vào HashiCorp Vault |
11. KPI + Công cụ đo + Tần suất đo
| KPI | Định nghĩa | Công cụ | Tần suất |
|---|---|---|---|
| ROAS (Return on Ad Spend) | Doanh thu / Chi phí quảng cáo | Looker, Google Ads UI | Hàng ngày |
| Attribution Share – TikTok | % doanh thu gán cho TikTok | Attribution Engine (Shapley) | Hàng tuần |
| CPA (Cost per Acquisition) | Chi phí quảng cáo / Số đơn hàng | Looker, Tableau | Hàng ngày |
| Data Freshness | Thời gian từ click → data trong lake | Airflow SLA, CloudWatch | Hàng giờ |
| Model MAE (Mean Absolute Error) | Sai số dự đoán attribution | Python (sklearn.metrics) | Hàng tháng |
| System Uptime | % thời gian hệ thống hoạt động | CloudWatch, Grafana | Hàng phút |
⚡ Tip: Đặt alert khi Attribution Share – TikTok < 5 % hoặc CPA > $55 để kích hoạt review chiến dịch.
12. Checklist go‑live (42‑48 items)
12.1 Security & Compliance
| # | Mục kiểm tra | Trạng thái |
|---|---|---|
| 1 | IAM roles tối thiểu (least privilege) | ✅ |
| 2 | Encryption at rest (S3 SSE‑AES256) | ✅ |
| 3 | TLS 1.2 cho tất cả endpoint | ✅ |
| 4 | Audit logs bật trên CloudTrail | ✅ |
| 5 | Secrets lưu trong AWS Secrets Manager | ✅ |
| 6 | Kiểm tra GDPR compliance (data residency) | ✅ |
| 7 | Pen‑test external (OWASP ZAP) | ✅ |
| 8 | Vulnerability scan Docker images (Trivy) | ✅ |
12.2 Performance & Scalability
| # | Mục kiểm tra | Trạng thái |
|---|---|---|
| 9 | Auto‑scaling policy cho EMR cluster | ✅ |
| 10 | Load test 10 k events/giây (k6) | ✅ |
| 11 | Cache layer (Redis) bật | ✅ |
| 12 | CDN (CloudFront) cấu hình TTL 5 phút | ✅ |
| 13 | Spark executor memory tối ưu (4 GB) | ✅ |
| 14 | Monitoring CPU/Memory (Grafana) | ✅ |
| 15 | SLA 99.9 % uptime | ✅ |
12.3 Business & Data Accuracy
| # | Mục kiểm tra | Trạng thái |
|---|---|---|
| 16 | Data validation rules (null, dup) | ✅ |
| 17 | Reconciliation between raw & analytics layer | ✅ |
| 18 | Attribution model MAE < 5 % | ✅ |
| 19 | KPI dashboard đúng thời gian | ✅ |
| 20 | Test case cho 5 kênh (TikTok, Google Search, FB, Email, Direct) | ✅ |
| 21 | Documentation versioned (Git) | ✅ |
| 22 | Stakeholder sign‑off | ✅ |
12.4 Payment & Finance
| # | Mục kiểm tra | Trạng thái |
|---|---|---|
| 23 | Integration với Stripe/VNPAY (PCI‑DSS) | ✅ |
| 24 | Reconciliation script chạy nightly | ✅ |
| 25 | Invoice generation tự động | ✅ |
| 26 | Currency conversion (USD ↔ VND) accurate | ✅ |
| 27 | Audit trail cho payment events | ✅ |
| 28 | Backup DB daily | ✅ |
12.5 Monitoring & Rollback
| # | Mục kiểm tra | Trạng thái |
|---|---|---|
| 29 | Alert thresholds (CPU > 80 %) | ✅ |
| 30 | Log aggregation (ELK) | ✅ |
| 31 | Canary deployment (10 % traffic) | ✅ |
| 32 | Rollback script (kubectl rollout undo) | ✅ |
| 33 | Disaster Recovery drill (quarterly) | ✅ |
| 34 | Health check endpoint (/healthz) | ✅ |
| 35 | SLA reporting (monthly) | ✅ |
| 36 | Incident response runbook | ✅ |
| 37 | Backup retention 30 days | ✅ |
| 38 | Version control tags for releases | ✅ |
| 39 | Change management ticket (Jira) | ✅ |
| 40 | Documentation of known issues | ✅ |
| 41 | Post‑mortem template | ✅ |
| 42 | Team on‑call schedule | ✅ |
🛡️ Note: Đảm bảo tất cả mục trên được đánh dấu ✅ trước khi chuyển sang production.
13. Các đoạn code / config thực tế (12+)
| # | Mô tả | Ngôn ngữ |
|---|---|---|
| 1 | Docker Compose (xem phần 4) | YAML |
| 2 | Nginx reverse proxy cho API | nginx |
| 3 | Medusa plugin (custom attribution) | js |
| 4 | Cloudflare Worker (cache TikTok API) | js |
| 5 | Script đối soát payment (Stripe) | python |
| 6 | GitHub Actions CI/CD workflow | yaml |
| 7 | SQL query tạo view attribution | sql |
| 8 | Python Shapley attribution pipeline | python |
| 9 | Terraform module tạo S3 bucket | hcl |
| 10 | K8s Deployment manifest cho engine | yaml |
| 11 | Prometheus alert rule (CPA > $55) | yaml |
| 12 | Bash script backup DynamoDB | bash |
2️⃣ Nginx config (reverse proxy)
# /etc/nginx/conf.d/attribution.conf
upstream attribution_service {
server attribution-app:8080;
keepalive 32;
}
server {
listen 80;
server_name attribution.example.com;
location / {
proxy_pass http://attribution_service;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
}
}
3️⃣ Medusa plugin (custom field)
// plugins/attribution/index.js
module.exports = (options) => {
return {
// add custom field to order
orderService: {
async create(data) {
const order = await this.create(data);
order.metadata = order.metadata || {};
order.metadata.attribution = null; // will be filled later
return order;
},
},
};
};
4️⃣ Cloudflare Worker (cache TikTok API)
addEventListener('fetch', event => {
event.respondWith(handleRequest(event.request))
})
async function handleRequest(request) {
const cache = caches.default
let response = await cache.match(request)
if (!response) {
response = await fetch(request)
const headers = new Headers(response.headers)
headers.set('Cache-Control', 'public, max-age=300')
response = new Response(response.body, { ...response, headers })
await cache.put(request, response.clone())
}
return response
}
5️⃣ Script đối soát payment (Stripe)
# reconcile_stripe.py
import stripe, csv, datetime, boto3
stripe.api_key = "sk_test_********"
today = datetime.date.today()
charges = stripe.Charge.list(created={'gte': int((today - datetime.timedelta(days=1)).timestamp())})
rows = []
for c in charges.auto_paging_iter():
rows.append([c.id, c.amount/100, c.currency, c.status, c.created])
s3 = boto3.client('s3')
csv_data = "\n".join([",".join(map(str, r)) for r in rows])
s3.put_object(Bucket='d2c-reports', Key=f'stripe/reconcile_{today}.csv', Body=csv_data)
6️⃣ GitHub Actions CI/CD
# .github/workflows/ci.yml
name: CI/CD Pipeline
on:
push:
branches: [ main ]
jobs:
build:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- name: Set up Python
uses: actions/setup-python@v4
with:
python-version: "3.11"
- name: Install deps
run: pip install -r requirements.txt
- name: Lint
run: flake8 src/
- name: Test
run: pytest tests/
deploy:
needs: build
runs-on: ubuntu-latest
environment: production
steps:
- uses: actions/checkout@v3
- name: Login to AWS
uses: aws-actions/configure-aws-credentials@v2
with:
aws-access-key-id: ${{ secrets.AWS_ACCESS_KEY_ID }}
aws-secret-access-key: ${{ secrets.AWS_SECRET_ACCESS_KEY }}
aws-region: ap-southeast-1
- name: Deploy to ECS
run: |
aws ecs update-service --cluster d2c-cluster --service attribution-service --force-new-deployment
7️⃣ SQL view tạo attribution summary
-- view_attribution_summary.sql
CREATE OR REPLACE VIEW attribution_summary AS
SELECT
date,
channel,
SUM(revenue) AS revenue,
SUM(cost) AS cost,
SUM(revenue)/NULLIF(SUM(cost),0) AS roas,
SUM(attribution_share) AS attribution_share
FROM analytics.attribution_events
GROUP BY date, channel;
8️⃣ Python Shapley pipeline (excerpt)
import pandas as pd
import shap
from sklearn.linear_model import LinearRegression
df = pd.read_parquet('s3://d2c-analytics/attribution/merged.parquet')
X = df[['impressions', 'clicks', 'spend']]
y = df['revenue']
model = LinearRegression().fit(X, y)
explainer = shap.LinearExplainer(model, X, feature_dependence="independent")
shap_values = explainer.shap_values(X)
df_shap = pd.DataFrame(shap_values, columns=['impr_shap','click_shap','spend_shap'])
df_shap['channel'] = df['channel']
df_shap.to_parquet('s3://d2c-analytics/attribution/shap_summary.parquet')
9️⃣ Terraform S3 bucket
resource "aws_s3_bucket" "raw_data" {
bucket = "d2c-raw-data"
acl = "private"
versioning {
enabled = true
}
server_side_encryption_configuration {
rule {
apply_server_side_encryption_by_default {
sse_algorithm = "AES256"
}
}
}
lifecycle_rule {
id = "expire-90-days"
enabled = true
expiration {
days = 90
}
}
}
🔟 K8s Deployment manifest
apiVersion: apps/v1
kind: Deployment
metadata:
name: attribution-engine
spec:
replicas: 3
selector:
matchLabels:
app: attribution
template:
metadata:
labels:
app: attribution
spec:
containers:
- name: engine
image: 123456789012.dkr.ecr.ap-southeast-1.amazonaws.com/attribution:latest
ports:
- containerPort: 8080
envFrom:
- secretRef:
name: attribution-secrets
restartPolicy: Always
1️⃣1️⃣ Prometheus alert rule (CPA)
groups:
- name: finance.rules
rules:
- alert: HighCPA
expr: sum(rate(cost[5m])) / sum(rate(conversions[5m])) > 55
for: 5m
labels:
severity: critical
annotations:
summary: "CPA vượt mức $55"
description: "CPA hiện tại là {{ $value }} USD, cần xem xét tối ưu chiến dịch."
1️⃣2️⃣ Bash backup DynamoDB
#!/bin/bash
TABLE="attribution_events"
DATE=$(date +%Y-%m-%d)
aws dynamodb export-to-point-in-time \
--table-name $TABLE \
--s3-bucket d2c-backup \
--s3-prefix backups/$TABLE/$DATE \
--export-format DYNAMODB_JSON
14. Kết luận – Key Takeaways
- TikTok chiếm ≈30 % lượt tiếp cận nhưng ≈12 % Attribution Share trong kênh D2C, cho thấy tác động “awareness → conversion” mạnh nhưng cần hỗ trợ retargeting.
- Google Ads vẫn giữ ≈55 % Attribution Share nhờ khả năng “intent capture” và CPA thấp hơn (≈$38 USD).
- Mô hình Shapley cung cấp độ chính xác cao (MAE < 4 %) nhưng yêu cầu pipeline dữ liệu đầy đủ và chi phí compute (≈$2 500/tháng).
- Chi phí 30 tháng ước tính ≈$74 250, trong đó Infrastructure chiếm 40 %, Licenses 18 %, Nhân sự 24 %.
- Rủi ro chủ yếu liên quan tới data loss và API rate‑limit; các phương án dự phòng (backup, partner data) đã được chuẩn bị.
- KPI cần đo liên tục (ROAS, Attribution Share, CPA) và alert tự động để tối ưu ngân sách kịp thời.
⚡ Action: Triển khai pipeline MTA trong vòng 6 tháng, bắt đầu từ Phase 0 ngay hôm nay.
15. Câu hỏi thảo luận
Bạn đã từng gặp tình huống Attribution Share của kênh xã hội giảm đột biến sau khi thay đổi thuật toán? Bạn đã xử lý như thế nào?
Trong môi trường D2C, làm sao cân bằng giữa chi phí compute cho Shapley và nhu cầu thời gian thực?
16. Kêu gọi hành động nhẹ nhàng
Nếu bạn đang xây dựng hệ thống Attribution cho thương hiệu D2C, hãy bắt đầu bằng việc thiết lập Data Lake và ETL theo mẫu trên, sau đó thử chạy mô hình Shapley trên một phần dữ liệu mẫu. Đừng để chi phí tính toán làm bạn chùn bước – hãy tận dụng reserved instances và auto‑scaling để tối ưu.
Đoạn chốt marketing
Nếu anh em đang cần tích hợp AI nhanh vào app mà lười build từ đầu, thử ngó qua con Serimi App xem, mình thấy API bên đó khá ổn cho việc scale.
Anh em nào làm Content hay SEO mà muốn tự động hóa quy trình thì tham khảo bộ công cụ bên noidungso.io.vn nhé, đỡ tốn cơm gạo thuê nhân sự part‑time.
Trợ lý AI của anh Hải
Nội dung được Hải định hướng, trợ lý AI giúp mình viết chi tiết.
Nội dung được Hải định hướng, trợ lý AI giúp mình viết chi tiết.
