Attributionsmodelle: Eine einfache Erklärung und warum sie so wichtig sind, damit du die richtigen Schlüsse für deine Werbekampagnen ziehst.
Vor der Jahrtausendwende konnten sich Unternehmen im Rahmen ihrer Marketing Aktivitäten damit begnügen Marktdaten zu erheben. Im 21. Jahrhundert ist es nun notwendig diese Marktdaten mit Daten von Kund*innen anzureichern, um einen Wettbewerbsvorteil gegen konkurrierende Unternehmen zu behaupten. [5] Attributionsmodelle sind eine nützliche Systematik, um sich dieser Herausforderung anzunehmen. Einerseits erlauben sie die Verknüpfung von konventionellen Marktdaten, First-Party Daten und kanalübergreifend-generierten Kundendaten. Anderseits ermöglichen sie die Auswertung von Marketingmassnahme und Optimierung von Werbekampagnen. Zahlreiche Unternehmen haben diese Opportunitäten bisher vernachlässigt oder im schlimmsten Fall ganz verschlafen. [VL4, S.10] Das ist milde ausgedrückt bedenklich, denn deren Konkurrenz ist hellwach: Der zunehmend von digitalem Marketing geprägte Markt ist gnadenlos und höchst kompetitiv. Die Attributionsmodelle stehen ihrerseits vor einem gewaltigen Wandel, denn sie werden zunehmend mit Machine Learning und intelligenten Algorithmen optimiert. Haben wir dein Interesse geweckt? Tauche mit uns in die faszinierende Welt des Marketing Engineerings ein und eigne dir neue Kenntnisse über Attributionsmodelle an!
Was sind Attributionsmodelle und wozu dienen sie im online Marketing?
Attributionsmodelle versuchen eine kritische Frage der Disziplin des modernen Marketings zu beantworten: Wie kann man die Wirkung von Berührungspunkten auf den verschiedenen Kanälen einer Customer-Journey korrekt akkreditieren? [3] Mit der Nutzung von geeigneten Attributionsmodellen, kann das ROI (Return on Investment), Input-Output Verhältnis, Break-Even Analyse oder Opportunitätskosten pro Marketingmassnahme evaluiert werden. [18, S.13] Im betriebswirtschaftlichen Kontext soll sowohl Nutzen maximiert, sowie die Kosten minimiert werden. Der Nutzen wird maximiert, indem die Kundenerfahrungen verbessert werden und mehr Marktanteile gewonnen werden. Selbstverständlich kann eine konkrete Unternehmensstrategie in diesem Interessenkonflikt verschiedene Prioritäten setzen. Aufgrund dieser marktüblichen Rahmenbedingung und mit Kenntnissen über Attributionsmodelle kann die Aufteilung des beschränkten Marketing-Budgets, unter Berücksichtigung von Produkt- und Kundenspezischen Bedürfnissen, auf die wirkungsvollsten Kanälen und Touchpoints allokiert werden.
Die Vorteile der Attributionsmodelle nutzt eine Unternehmung um die verschiedenen Marketing-Känale, zum Beispiel "online", "mobile" oder "offline", richtig auszuwerten und somit das Nutzerverhalten abbilden zu können. Der Hauptnutzen eines Attributionsmodell ensteht dann, wenn man bei einer Werbekampagne genau bestimmen kann, welches Medium zu einer Conversion (auch Kundenaktion) geführt hat. Das Attributionsmodel bewertet die Wirksamkeit einzelner Touchpoints innerhalb der Kampagne. Dieses Vorgehen vereinfacht das Erstellen eines Werbeplans und informiert über die Effizienz der Touchpoints der Customer Journey. Mit Attributionsmodellen kann man wirksame und somit rentable Kanäle von unrentablen trennen, diese eliminieren und dabei den grösstmöglichen Erfolg mit der Werbekampagne erzielen. Die Costumer Journey, beschrieben als die Reise des Kunden vom Erstkontakt bis zum Ende des Kaufs, ist sehr wichtig bei der richtigen Wahl des Attributionsmodelles. Mit der Hilfe von Tools wie Google Analytics können die Werbetreibende die Option nutzen, die besten Conversion Pfade herauszufinden und so Rückschlüsse auf den Werbeerfolg schliessen. Es gibt verschiedenste Attributionsmodelle, welche die Conversions zu den einzelnen Touchpoints verschiedem gewichten und diese stellen wir euch im nächsten Teil vor. [7]
Eigene Darstellung in Anlehnung an [2] und [3].
Die 6 verschiedenen Typen von Attributionsmodellen
Letzter Klick
Dieses Attributionsmodel ordnet den gesamten Nutzen der Conversion lediglich der als letzter angeklickten Anzeige zu. Die mit dieser Kaufentscheid-auslösende Anzeige verbundenen Schlüsselwörter werden ebenfalls angerechnet. Wenn man keine komplexe Attributionsmodelle verwendet, wäre die Attribution über den letzten Klick, die vermutlich am weitest verbreitete Lösung. [2] Insgesamt kann man zusammenfassend erläutern, dass die Attribution über den letzten Klick geeignet ist um den Fokus auf die Conversions zu setzen aber zugleich sämtliche Einflüsse der anderen Kanäle vernachlässigt werden. [7]
Erster Klick
Hier das genaue Gegenteil. Der gesamte Wert der Conversion wird der zuerst angeklickten Anzeige angerechnet. Unternehmen, welche den Erstkontakt zum Kunden schätzen und dadurch neue Produkte anpreisen oder auf Neuerscheinungen aufmerksam machen möchten, werden mit diesem Modell gut bedient. Der Nachteil ist genauso nachvollziehbar: Bei einer Attribution zugunsten des ersten Klicks werden alle nachfolgenden Bemühungen und Aufwände gänzlich ausgeblendet. [3]
Linear
Mit der Nutzung des linearen Attributionsmodels wird der Wert auf alle Klicks gleichmässig verteilt. Zum Beispiel, wenn ein Kunde erst beim vierten Klick eine Conversion tätig, erhalten alle Klicks je ¼ des Gesamtwertes. Jeder Klick hat die gleiche Wirkung, egal ob er zur Conversion führt oder nicht. Diese Methode besticht durch ihre Einfacheit und erlaubt zugleich eine Analyse der gesammten Customer-Journey. Darunter leidet aber der Optimierungspielraum, welcher durch die Rigidität des Modells eingeschränkt wird. Hier werden sämtliche Anzeigen per Definition gleich gewichtet und somit wird eine differenzierte Bewertung, ganz unabhängig der Realität, ausgeschlossen. [7]
Zeitverlauf
Bei diesem Attributionsmodell ist der Zeitpunkt des getätigten Klicks relevant. Je später, desto besser und wertvoller. Bei diesem Modell schlägt Google eine Halbwertszeit von 7 Tagen vor. Zum Beispiel, ein Klick, welcher gerade vor der Conversion stattfindet, erhält am meisten Wert. Bei einem Klick vor 7 Tagen erhält dieser nur die Hälfte des Wertes. Der offensichtliche Vorteil ist dass die ganze Customer-Journey berücksichtigt wird aber Kritiker werfen diesem Modell, wie auch dem “letzter Klick Modell” einen zu hohen Conversion-Fokus vor. Möglicherweise essentielle Touchpoints zu Beginn der Customer-Journey werden aufgrund der chronologischen Gegebenheiten vernachlässigt. [2]
Positionsbasiert
Beim positionsbasierten Modell gilt das Keyword, welche als erstes vom Kunden gesucht und angeklickt wurde, als das entscheidende Kriterium. Dabei werden die beiden Anzeigen, welche zuerst und zuletzt angeklickt wurden, stärker gewichtet als diejenigen dazwischen. Nämlich 40% und 40%. Auf die restlichen Klicks werden die bleibenden 20% aufgeteilt. In Insider Kreisen wird dieses Modell gerne als “Wannenmodell” betitelt. [ 3] Dieses Modell impliziert eine Priorisierung der ersten und letzten Anzeige. Diese sollen optimiert werden jedoch geschieht dies, womöglich zu unrecht, auf Kosten der mittleren Anzeigen sollten diese untergewichtet worden sein. [7]
Datengetrieben
Ein datengetriebenes Attributionsmodell, versucht die Schwächen der zuvor vorgestellten Logiken auszumerzen. Das Ziel ist es die Customer-Journey von A bis Z zu bewerten und dabei eine präzise Gewichtung vorzunehmen. Wie geschieht das? Google bietet an, die bestmögliche Zuordnung von Conversions zu Klicks selber verzunehmen und vergleicht die verschiedenen Klickpfade eines User*in. Der dabei verwendetet Algorithmus ist ein wertvolles Geschäftsgeheimnis womit man aussagen kann, dass das methodologische Vorgehen für die Google Ads Lösung nicht zu 100% bekannt ist. Einzigartig ist bei einer datenbasierten Attribution, dass die Gewichtung der Anzeigen dynamisch erfasst und angepasst wird. Diese regelmässige Anpassung der Gewichtung ist einerseits ein Vorteil hinblicklich des Präzisionspotenzials aber zugleich Nachteil aufgrund der intransparenten Gewichtung. Eine weitere Herausforderung für die Nutzung einer datengetriebenen Optimierung ist das vorausgesetzte Datenvolumen. Laut Klickhelden sollten mindestens 20’000Klicks und 800 Conversion in einem Zeitfenster von 30 Tagen vorliegen, um die Daten auswerten zu können. [7]
Die 6 Attribtionsmodelle
Beispiele anhand eines Hotels
Das Hotel namens "Haus am See" steht in Zürich und du bist die Eigentümer*in. Eine Kund*in welche bei Google nach “Hotel Zürich”, “Hotel Kloten”, "5 Sterne Hotel Region Zürich” und schliesslich “5 Sterne Hotel Zürich Haus am See” gesucht hat, hat auf deine Anzeige geklickt und ist auf deine Webseite gelangt. Die Kund*in bucht eine Übernachtung, nachdem sie auf die Anzeige geklickt hat, welches nach der Suchanfrage “ 5 Sterne Hotel Zürich Haus am See” angezeigt wurde. [Beispiel angepasst von 8]
Letzter Klick
Beim Attributionsmodell Letzter Klick wird zu 100% die Conversion dem letzten Stichwort “5 Sterne Hotel Zürich Haus am See” angerechnet
Erster Klick
Beim Modell Erster Klick wird die Conversion zu 100% dem ersten Stichwort, also "Hotel Zürich".
Linear
Beim Attributionsmodell Linear wird die Conversion je zu 25% jedem Keyword zugeordnet. Jedes Stichwort erhält die gleiche Gewichtung.
Zeitverlauf
Beim Modell Zeitverlauf wird die Conversion zum grössten Teil dem Stichwort “5 Sterne Hotel Zürich Haus am See” zugeordnet, weil es die letzte Suchanfrage vor der Conversion war. Das Keyword “ Hotel Zürich” erhält am wenigsten Wert, da sie am längsten zurückliegt.
Positionsbasiert
Beim Attributionsmodell “Positionsbasiert” bekommen die Stichwörter “Hotel Zürich” und “5 Sterne Hotel Zürich Haus am See” je 40% und “Hotel Kloten” und “Hotel Region Zürich” je 10% der Conversion zugeschrieben.
Datengetrieben
Beim Modell “Datengetrieben” erhält jedes Stichwort, je nachdem wie viel es zur Conversion beigetragen hat, seinen Anteil. Diese Aussage ist nicht transparent bezüglich der prozentualen Akkreditierung und trotzdem, oder genau deshalb, ist sie bei einer adäquaten Datenauswertung die präziseste Methode.
Hier findest du ein sehr interessantes Video über Attributionsmodelle im Onlinemarketing. Leider ist diese Video auf Schweizerdeutsch. Doch auch hier haben wir an dich gedeicht. Scroll ein bisschen runter und du wirst ein ähnliches Video auf Hochdeuscth finden ;)
Was sind die Vor- und Nachteile?
Vorteile
Der grosse Teil der Werbetreibenden, welche wissen wollen wie erfolgreich ihre Onlinewerbung ist, messen den Erfolg anhand des letzten Klicks. Dadurch wird der komplette Wert einer Conversion dem zuletzte engeklickte Stichwort zugeorndet. Alles was vorher passiert, wird einfach ignoriert. Mit den verschiedenen Attributionsmodellen lässt sich viel einfacher nachvollziehen, welches Keyword, wie stark an der schlussendlichen Conversion ihren Beitrag geleistet hat. So lässt sich viel präziser bestimmen, welche Keywords rentabel und welche unrentabel sind. Dadurch entstehen verschiedene Möglichkeiten / Vorteile: [8]
- Sie können den Nutzer früher im Kaufprozess ansprechen. Dabei können Sie herausfinden, wie Sie den Käufer sehr früh zu einer Conversion führen können.
- Sie könne ein Modell auswählen, welches perfekt zur Strategie Ihres Unternehmens passt. Sie können das Modell implementieren, welches am besten zum Suchverhalten des potentiellen Käufer passt.
- Zusätzlich könne SIe damit die Gebote verbessern. Das heisst, diese Gebote können basierend auf guten Daten zur Anzeigenleistung optimiert werden.[8]
Nachteile
Bei traditionellen Attributionsmodellen verfolgt das gewählte Modell einige Regeln stur. Zum Beispiel beim First Klick wird die ganze Conversion nur dem ersten Medium, vielleicht Facebook, zugeordnet. Dies kann ein Nachteil sein, den der Kunde war auf mehreren Kanälen eine sogenannte Omnichannel Customer Journey. Er war dann vielleicht auf Google, Youtube, bekam ein Erinnerungsmail und war auf Facebook. Heutezutage gibt es im Gegensatz auch fortgeschrittenere Methoden/Attributionsmodelle, welche den gesamten Kaufzyklus darstellen und nicht die ganze Wirkung der Werbekampagne einem Medium zuschreiben. Später im Blog kannst du mehr über diese fortgeschrittenen Attributionsmodelle mit Machine Learning erfahren. [8]
Video Attributionsmodelle Einfach Erklärt
Welchen Wert hat ein User für mich als Unternehmen?
In der digitalen Wirtschaft werden mehr und mehr Daten erfasst. Unternehmen sammeln User-Daten aus unterschiedlichen Systemen und der Wert solcher Daten steigt erheblich mit der Zeit. Die Prognose besagt, dass der Gesamtwert der globalen Datenökonomie im Jahre 2025 den Betrag von 400 Mrd. US-Dollar übersteigt [18, S.9]. Der Wert hängt jedoch von der Verwendbarkeit der Informationen ab. Die gesammelten Daten müssen in einen Kontext gesetzt werden können (keine getrennten Datenköpfe). Vorteil der Datensammlung ist die Erleichterung in der Entscheidungsfindung von Manager*innen. Die Daten werden gebündelt, so dass das Online-Marketing effizient genutzt werden kann. Im Gegensatz zu Computern verarbeiten Menschen Informationen in der Analyse leider unpräzise. Das Marketing Engineering arbeitet mit konsistenten und präzisen mathematischen Modellen, die der Computer zur Verfügung stellt. [18, S.9]
Wie du das zu dir am besten passendste Attributionsmodell wählst
In Anbetracht der heutigen Herausforderungen des Marketing Engineering, ist naheliegend, dass die datengetriebenen Modelle zwar komplexer aber dadurch potenziell präziser sind als ihre geometrischen oder chronologischen Kontrahenten. Marketing Engineering beschäftigt sich heute unter anderem mit der konkreten Auswertung und systematischen Modellierung dieser Daten. Aus der Vorlesung kennen wir die Definition von Marketing Engineering laut Lilien et al. (2013) als: «einen systematischen Ansatz zur Nutzung von Daten und Wissen, um effektive Marketing-Entscheidungen und deren Umsetzung durch einen technologie- und modellgestützten Entscheidungsprozess voranzutreiben» [1] Die Erkenntnisse aus der Marketing Engineering Aktivitäten werden auch Marketing Management Support Systems (MMSS) genannt. Dafür soll Wissen aus dem Marketing mit, den über verschiedenen Kanälen gesammelten Kundendaten angereicht werden.[4]
Was bedeutet diese Definition? Attributionsmodelle sind ein Kernstück von Marketing Engineering! Die Mitarbeiter*innen welche diesen Bedarf erfüllen, zum Beispiel mit der Aufgabe passende Attributionmodelle zu entwerfen und diese über Daten zu optimieren, benötigen eine breitabgestützte Fähigkeiten und haben ein multidisziplinäres Profil. In Anlehnung an [18, S.7] vereinen sie das Beste aus der Welt von IT und Marketing – diese Spezialist*innen nennt man digital Marketing Engineers. Diese Online Marketing Expert*innen sind auf dem Arbeitsmarkt hochbegehrt. Deshalb gibt für Unternehmen auch die Möglichkeit MMSS Dienstleistung bei Drittanbietern zu beziehen.
Der Suchmaschinenriese Google bietet bei der Wahl des richtigen Modells für die Werbekampagne ein eigenes Tool zur Simulation an. Dort kannst du, als Werbetreibende, 2 Modelle gleichzeitig anzeigen und diese so vergleichen. Dadurch gewinnst du nützliche Daten und mit diesen kann man Rückschlüsse auf das optimale Attributionsmodell schliessen. Es bleibt aber trotzdem recht schwierig im Einzelfall das perfekte Modell zu finden. Mit dem datengetriebenen Modell kann man auch bei Unsicherheit gute Resultate liefern laut Google. Eine andere Methode ist der Report aus dem Bereich Zeitintervall. Mit diesem kann man sehr gut Rückschlüsse ziehen, den die Daten zeigen wie lange die Zeitspannen sind, die zwischen dem ersten und dem letzten Klick liegen. [7]
Exkurs: Machine Learning
Als Machine Learning werden grundsätzlich Programme bezeichnet welche anstelle von manuellen Regeln (vom Menschen vorgegeben) aufgrund eines Trainingssets durch "lernen" eigene Regeln aufstellen um ihre Aufgabe (Verwendungszweck) unter gewissen Einschränkungen zu erreichen. [17]
Wie funktioniert ein Attributionsmodell mit Machine Learning?
Es gibt dabei 3 Schlüsselphasen
Datenerfassung
Zuerst muss man alle relevanten Daten erfassen und zusammenführen. Am besten führen Sie das über Google Analytics 360 aus. Wenn dies nicht möglich ist, können Sie auch mit einem JavaScript-Code die Daten speichern. Andere Datenquellen wie z.B Adserver, CRM oder Modelle, die die UTM s interprätieren können ebenfalls hinzugefügt werden. [9]
Gruppierung der Daten
Die Daten müssen gruppiert werden. Dazu benutzen Sie am besten eine Plattform wie BigQuery, Amazon, Azure oder Snowflake. [9]
Implementierung des Attributionsmodells mit Machine Learning im Data Lake:
Damit es jeder Sitzung und jeder externer Aktion des Nutzers einen Wert zuweist, muss das Attributionsmodell mit Machine Learning im Data Lake implementiert werden. Mit dieser Methode wird die Wahrscheinlichkeit der Conversion jedes Nutzers genauer gemessen. Um jeden Wert zu bestimmen und den Gesamtprozentsatz zu erhalten, den jede Interaktion zum Endverkauf hatte, berechnet ein Algorithmus bei jedem Besuch individuell den Wert und gruppiert ihn dann. [9]
So sieht die Zukunft aus: Attributionsmodelle mit Machine Learning.
Bei Attributionsmodellen mit Machine Learning wird mit überwachten Lernalgorithmen gearbeitet und mit bereits klassifizierten Daten. Das System leitet mit erhalten Daten und gewünschtem Ergebnis gewisse Regeln ab. Diese Modelle passen sich Schritt für Schritt an und werden mit er Zeit immer besser. Man muss das Attributionsmodell nicht bei jeder Änderung des Design der Internetseite neu überarbeiten, denn es wird automatisch in den Algorithmus implementiert und passt sich selber an.
Wenn man ganz am Anfang die Daten klassifiziert ist es wichtig, die vorhandenen Informationen zu nutzen, um alle Daten einzubinden, die Aktivität und die Interaktion des Nutzers messen. Es müssen Fragen wie, "Wie oft wurde die Aktion getätigt?", "Wie viel Zeit ist zwischen dem einen und dem anderen Ergebnis vergangen?", "Welches Gerät wurde genutzt?" und "Von wo hat der Nutzer die Aktion getätigt?" gestellt werden. Je mehr Daten man hat und sammelt, desto besser wird das ganze Modell funktionieren und so kann man die Qualität des Traffics optimal bestimmen.
Ein andere nützliche Eigenschaft eines Modells mit Machine Learning ist das Aufdecken von Betrug, indem es das Nutzerverhalten analysiert. Im Falle, dass ein Bot eine sehr grosse Menge an Aktivität erzeugt, aber keine Aktivität aufweist, wird dies vom Attributionsmodell mit Machine Learning erfasst und schenkt ihm keine Aufmerksamkeit bei der Conversion.
Mit diesen neuen, besseren Modellen kann man nicht nur die Auswirkung einer abgschlossenen Werbekampagne analysieren, sondern auch globale Überblicke über das Geschehen in Echtzeit erfassen. Dadurch wird die kontinuierliche Verbesserung der Strategie, indem Ineffizienten erkannt und korrigiert werden, erleichert. Fortgeschrittene Attributionsmodelle können Zukunftsprognosen erstellen, indem sie mögliche zukünftige Szenarien vorschlagen. Dadurch erleichtert es Ihnen die Arbeit und Sie könne die profitabelste Version wählen. [9]
Der Schlüssel für einen erfolgreichen Werbeauftritt: First-Party-Daten!
Als First-Party-Daten werden Daten bezeichnet, die ein Unternehmen selbst erhebt. Durch E-Mail-Marketing werden beispielsweise Informationen zu den E-Mail-Adressen, Namen und Geschlechter gesammelt. Auf diese Daten kann das Unternehmen im Rahmen der zugestimmten Datenschutzerklärung jederzeit zugreifen. Laut einer in 2021 von Google veröffentlichten Case Study [11] geben 90% der befragten Werbetreibenden an, dass First-Party-Daten für ihr digitales Marketing eine grosse Rolle spielen. 30% erheben und verknüpfen Daten kanalübergreifend und nur 1% nutzt die Daten, um die kanalübergreifenden Kundenerfahrung zu verbessern. Dieses Ergebnis zeigt das grosse Potential in der Ausschöpfung der User-Daten auf.
Damit du die Vorteile von First-Party Daten nutzen kannst, müssen drei technische Massnahmen getroffen werden (Coffey, 2021).
1. Massnahme
Ein zentrales Data-Warehouse muss in der Cloud eingerichtet werden, damit die Daten aus alten und neuen Systemen verarbeitet und verwaltet werden können.
2. Massnahme
Ausserdem müssen Abgleichsraten zwischen Datensätzen durchgehend verbessert werden, um durch diese, relevante Botschaften und Anreize für den Kunden geschaffen werden können.
3. Massnahme
Firmeneigene Algorithmen müssen entwickelt werden. Durch selbstentwickelte Algorithmen können sich Firmen besser auf ihre Messwerte konzentrieren und die Entwicklung des Customer Lifetime Value’s oder Prognosen zur Abwanderung von Kunden besser überblicken. [18, S.10]
Die Qual der Wahl: Attributionsmodelle in der Praxis
Die Wahl des Attributionsmodells hängt von verschiedenen Faktoren ab. Ein wichtiger Punkt, den du bei der Wahl des Attributionsmodells berücksichtigen musst, ist das Nutzer-Engagement. Der Kunde sucht nach Informationen über ein bestimmtes Produkt, damit das Produkt alle für den Kunden relevanten Eigenschaften abdeckt. Im Folgenden wird erklärt, weshalb die datengetriebene Attribution bei einem Luxusuhrenanbieter die passende Methode und ein regelbasiertes Attributionsmodell bei einem günstigen Modeverkäufer die bessere Entscheidung ist:
Datengetriebenes Attributionsmodell bei Luxusgütern
Ein Luxusuhrenanbieter würde aufgrund der Analyse des Suchverhaltens die datengetriebene Attribution verwenden. Ein Vorteil ist, dass der Werbetreibende erfährt, welche Keywords, Anzeigen, Anzeigengruppen und Kampagnen im Hinblick auf die Ziele am wichtigsten sind (Bild mit Google-Suchwörter). Ausserdem kann der Werbetreibende die Angebote aufgrund von Leistungsdaten eines Kontos optimieren. Durch das datengetriebene Attributionsmodells stellt der Luxusuhrenanbieter fest, dass Kunden, die zuerst auf “Luxus Uhrenmarken” und dann auf “Schweizer Luxus Uhrenmarken” klicken, öfter eine Uhr aus der Schweiz kaufen als solche, die nur auf die zweite Anzeige Klicken. Der ersten Anzeige wird daher dieser Anteil zugerechnet.
Google Ads datengetriebene Attributionsmodelle
"Datengetriebene Attribution unterscheidet sich von den anderen Attributionsmodellen dahingehend, dass der tatsächliche Beitrag jeder Anzeigen-Interaktion im Conversion Pfad auf der Grundlage Ihrer Conversion-Daten berechnet wird. Das datengetriebene Modell wird an den jeweiligen Werbetreibenden angepasst." [12]
Vor- und Nachteile der datengetriebenen Attributionsmodellen
Vorteile
-
Neuer Umsatz durch gezieltes Online-Marketing
-
Kostenreduktion durch die richtige Verwendung von Informationen
-
Produktivitätsgewinn
-
Besseres Verständnis der Kundenerfahrung und Verbesserung dieser
Nachteile
-
Kunden fühlen sich durch zu gezieltes Marketing bedrängt
-
Grössere Abhängigkeit von einem Mitarbeiter (weil nur einer den Durchblick über die neuen Verfahren hat. Besonders ein Problem, wenn das Modell kompliziert ist)
-
Gesetzlich Veränderungen gegen die Nutzung von privaten Daten
Last-Click Attributionsmodell bei spontanen Kaufentscheidungen
Schauen wir nun auf den neuen Fast-Fashion Händler "KleiderJetzt" welcher in einem Umfeld mit tiefer Markentreue, starkem Preisdruck und vielen spontanen Kaufentscheidungen seiner Kund*innen konfrontiert ist. Diese spezielle Situation unseres Händlers wirkt sich auf die Wahl des sinnvollsten Attributionsmodells aus. Da wir in einem Marktumfeld mit starkem Preisdruck agieren ist der Händler in den verfügbaren Ressourcen eingeschränkt. Dadurch wird ein datengetriebenes Attributionsmodell unattraktiver da dies viele Ressourcen verwendet. Bei der weiteren Analyse zeigt sich, dass durch die Spontanität der Käufer*innen sowie die Neuheit des Verkäufers, ein Last-Click Attributionsmodell für den Verkäufer sinnvoller als die Alternativen ist [In Anlehnung an 13].
Vor- und Nachteile bei Last-Click Attributionsmodellen
Vorteile
-
Keine Daten zur Modellierung notwendig
-
Kostengünstige Erstellung/Adaption der Modelle
-
Bei den meisten keine/wenige rechtliche Einschränkungen
-
Nur wenig Infrastruktur notwendig
Nachteile
-
Weniger optimale Modelle als durch datengetriebene Modelle möglich
-
Höhere Kosten für Marketing durch weniger effektive Auswertungen
"In a Nutshell"
Unternehmen haben enorm viel Potenzial Marketing Engineering besser zu nutzen. Die daraus resultierenden Opportunitäten sind zum Beispiel: Das Erreichen von konkreten Zielen welche aus KPIs formuliert werden können, zukünftige Kundenaktivitäten identifizieren, Wissen durch ein Analytisches Fundament systematisieren, rational begründete Entscheidungen ermöglichen und die kontinuierliche Implementation von neuen Methoden dynamisch zu fördern. [VL4, S.12]
Zugleich müssen mehrere Herausforderungen gemeistert werden. Die Daten fallen fortlaufend an doch müssen diese auch sinnvoll genützt werden können. Die verschiedenen Teams haben die Tendenz ihre eigenen Daten zu überschätzen und dadurch Partikularinteressen zu fördern. [VL4, S.9] Eine weitere Schwierigkeit ist die steigende Komplexität welche bewältigt werden muss. Dieser Aufwand fällt sowohl innerhalb des Marketing Teams an, aber auch bei den Entscheidungsträgern in der Geschäftsführung. Zudem wird Marketing in der Regel nach wie vor als Supportprozess angesehen und somit ist der ROI erstens indirekt und zweitens Zeitverzögert erkennbar. Hierfür sollen Attributionsmodelle entgegenwirken und die Zurechenbarkeit von angefallen Werbeausgaben besser zuordbar machen.Die Nutzung von adäquaten Attributionsmodellen erlauben eine systematische Nutzung und Bewertung der Daten. Dabei werden kognitive Verzerrungen eingedämmt. Viele Möglichkeiten des Marketing Engineerings, und da gehören Attributionsmodelle dazu, sind neu und bei den Entscheidungsträgern oft relativ unbekannt. Die hohen Anforderungen an die Marketing Engineers gestaltet die Suche nach qualifiziertem Mitarbeiter*innen als zunehmend schwieriger, weshalb Dienstleistungen wie Google Ads vermutlich weiter an Beliebtheit gewinnen werden.
Die Autoren
Julia Akkara
Cyril R. Czibula
Alexandre Bonvin
Felix Bieri
Vicky Hostettler
Quellen:
- Lilien G.L., Rangaswamy A., De Bruyn A. (2013): Principles of Marketing Engineering
- Digital Guide Ionos (2021)
- P.K. Kannan P.K., Reinartz W., Verhoef P. C. (2016): The path to purchase and attribution modeling: Introduction to special section
- Alsamydai M. J. (2019) Marketing Engineering And Making Marketing Decisions
- Lilien G.L., Rangaswamy A. (2001) The Marketing Engineering Imperative: Introduction to the Special Issue
- Google, About attribution models Abgerufen am 30.04.2021 von https://support.google.com/google-ads/answer/6259715?hl=en
- Klickhelden, About DIe Adwords Attributionsmodelle Abgerufen am 02.05.2021 von https://www.klickhelden.com/wiki/attributionsmodelle
- Google Ads Hilfe, About Attributionsmodelle Abgerufen am 02.05.2021 von https://support.google.com/google-ads/answer/6259715?hl=de
- Labelium Group, About Vorteilefortgeschrittener Attributionsmodelle mit Machine Learning Abgerufen am 02.05.2021 von https://www.labelium.com/blog/de/fortgeschrittene-attributionsmodelle-machine-learning/
- Damcon, About Attributionsmodelle im Überblick Abgerufen am 04.05.2021 von https://www.damcon.net/attributionsmodell-positionsbasiert/
- First-Party-Daten effektiv nutzen: 6 wichtige Faktoren, Abgerufen am 26.04.2021 von https://www.thinkwithgoogle.com/intl/de-de/zukunft-des-marketings/digitale-transformation/first-party-daten-infografik/
- Datengetriebene Attribution, Abgerufen am 26.04.2021 von https://support.google.com/google-ads/answer/6394265?hl=de&ref_topic=7279627C1
- IDENTIFY THE BIGGEST ATTRIBUTION CHALLENGES-AND LEARN HOW TO RESOLVE THEM. (n.d.). Abgerufen am 04.05.2021 von https://www.thinkwithgoogle.com/_qs/documents/8364/TwGxDDMA_AttributionWhitepaper.pdf
- Kubix Digital, about Google Ads datengetriebene Attributionsmodelle, Abgerufen am 06.05.2021 von https://kubix.digital/de/blog/google-ads-attributionsmodelle/
- ERKD, About Fazit, Abgerufen am 06.05.2021 von https://www.ref-degersheim.ch/fazit
- Informatec, About Machine Learning, Abgerufen am 06.05.2021 von https://www.informatec.com/en/machine-learning
- A. Krause: Introduction to Machine Learning. Abgerufen am 06.05.2021 von https://las.inf.ethz.ch/courses/introml-s20/slides/introml-01-introduction-annotated.pdf
- Blattmann, O. (2021): Vorlesung 4 der Vorlesungsunterlagen zur Veranstaltung "Online-Marketing und -Vertrieb" im FS21 an der Universität Bern