close

Mit dem richtigen Attributionsmodell zum Erfolg

attributionsmodelle

„Ich weiß, die Hälfte meiner Werbung ist hinausgeworfenes Geld. Ich weiß nur nicht, welche Hälfte.“ Dieser Satz von Henry Ford hat wahrscheinlich auch heute für so manchen Retailer – insbesondere im stationären Vertrieb – noch einen hohen Wahrheitsgehalt. Der Kundenkontakt in der Filiale oder bei Plakatwerbung lässt sich im Nachhinein kaum nachvollziehen, von der Ermittlung von Wechselwirkungen zwischen den einzelnen Werbekanälen ganz zu schweigen. Anders sieht die Situation dagegen heute im E-Commerce aus. Vor allem innovative Trackingtools ermöglichen uns umfangreiche Möglichkeiten die Customer Journey eines Kunden nachzuvollziehen und so den Teil der Werbung zu identifizieren, der nicht effizient eingesetzt wird.

Aber einmal von vorne! Die vielen verschiedenen Werbeformen, -plätze und –möglichkeiten insbesondere im Multi- oder Omnichannel-Marketing führen schnell dazu, dass jeder Kunde schon mal mit drei oder vier verschiedenen Touchpoints in Berührung kommt ehe er sich zu einem Kauf entschließt. Die Frage, die sich beim Werbetreibenden deshalb über kurz oder lang stellt ist: Welcher Marketingkanal hat nun eigentlich einen anderen wie beeinflusst? Und welcher Kanal hat letztendlich den ausschlaggebenden Kaufimpuls gegeben? Lässt sich mein Werbebudget effizienter über die Kanäle verteilen? Diese Fragen können durch eine gezielte Analyse der Customer Journey heute schon recht klar beantwortet werden.

Potenzial bietet die Analyse insbesondere für die Steuerung von Marketingkampagnen und Abrechnung performance-basierter Online-Marketing Maßnahmen. Im Hinblick auf die Beurteilung der Performance ist in diesem Zusammenhang die Ermittlung von Deckungsbeiträgen und Grenzkosten ein spannendes Thema. Diese bietet nicht nur eine effiziente Möglichkeit der Kontrolle, sondern auch jede Menge Optimierungspotenzial bei der Budgetallokation über die unterschiedlichen Werbekanäle. Neben den Kosten, die uns ja zu jedem einzelnen Werbekanal vorliegen, können wir so nun mithilfe der Customer Journey auch den Umsatz zum einzelnen Kanal attribuieren und so die Effizienz jeder einzelnen Kampagne transparent erscheinen lassen. Verschiedene Trackingtools wie Google Analytics bietet in diesem Zusammenhang bereits die Möglichkeit Zuordnungsmodelle, die auch als Attributionsmodelle bezeichnet werden, im Tool auszuwählen nach denen der Umsatz verteilt wird. Die Frage, die sich aber nun wahrscheinlich so mancher stellt, ist: Welches Attributionsmodell ist eigentlich das Richtige für meine Unternehmensziele?

Zu Recht, aber diese Problematik lässt sich am einfachsten anhand eines Beispiels verdeutlichen:

customer-journey

Stellen wir uns einmal vor, die Kundin X erhält am Montag einen Newsletter in dem sie auf eines unserer Produkte aufmerksam wird. Durch einen Link im Newsletter wird Sie auf unseren Online-Shop geleitet. Da wir regelmäßig Suchmaschinenoptimierung betreiben, erscheint das Produkt in der darauffolgenden Wochen bei einer Suche nach dem Markenamen des Produktes im Google Ranking der Kundin X. Am nachfolgenden Mittwoch wird die Kundin erneut durch eine Affiliate Marketingmaßnahme auf den Schuh aufmerksam und erwägt den Kauf des Schuhs, weshalb sie ein weiteres Mal den Online-Shop besucht. Am Freitag entscheidet sich die Kundin schließlich dazu die Schuhe im Online Shop zu kaufen. Die Kundin nutzt dazu den Weg über einen Social-Media Kanal. Der Umsatz des Schuhes beträgt 100 €.

Nun stellt sich aber die Frage: Welcher Kanal war den nun ausschlaggebend für die Conversion und hat damit die Zuordnung des Umsatzes verdient?

 

Statische Attributionsmodelle – Einfach, aber auch Sinnvoll?

Vielfach verbreitete Modelle sind die sogenannten statischen Attributionsmodelle, die festlegen wie eine konkrete Zuordnung der Umsätze zu den einzelnen Werbekanälen erfolgen soll.

Attributionsmodell Last Cookie wins

Weit verbreitet in der Praxis ist das Attributionsmodell Last-Cookie wins oder auch als Letzte Interaktion bezeichnet. Im Rahmen dessen erfolgt eine 100% Zuordnung des Umsatzes auf den letzten Kanal in der Customer Journey. In diesem Fall würden also die 100 € dem Touchpoint Social-Media zugerechnet werden, da dies der letzte in der Customer Journey war. Damit eignet sich das Modell speziell für Marketer, die einen besonders hohen Fokus auf den Antrieb der Conversion legen. Problematisch bleibt in dieser Betrachtungsweise allerdings das eine Beachtung der vorherigen Touchpoints gänzlich unterbleibt, sowie die fehlende  Berücksichtigung einer möglichen Wechselwirkung zwischen den einzelnen Kanälen.

attributionsmodell-last-click

 

Attributionsmodell First Cookie wins 

Dieses Modell, welches auch unter Zuordnungsmodell Erste Interaktion bekannt ist, teilt den gesamten Umsatz dem Cookie zu, welches als erstes in der Customer Journey auftaucht. Damit würde der Umsatz von 100 EUR aus unserem obigen Fallbeispiel gänzlich dem Newsletter zugeordnet werden. Dieses Modell verfolgt damit den Gedanken, dass diese Marketingmaßnahme die meiste Aufmerksamkeit erzeugt hat und damit erst die anderen angestoßen hat. Damit kann das Modell recht nützlich im Hinblick darauf betrachtet werden, welcher Touchpoint bzw. welche Kampagne die Nachfrage besonders angetrieben hat und zu einen ersten Kundenkontakt geführt hat, dabei aber kein Fokus auf die Conversion gelegt wird. Nachteilig bleibt somit weiterhin, wie schon im Zuordnungsmodell letzte Interaktion, das diese Methode ein recht geringes Optimierungspotenzial bietet insbesondere im Hinblick auf die Conversion Optimierung.

 attributionsmodell-first-click

Attributionsmodell Linear

Das Zuordnungsmodell Linear betrachtet gegenüber den vorausgegangenen Modellen als erstes Modell die gesamte Customer Journey. Die Zuordnung des Umsatzes wird in diesem Fall proportional auf jeden einzelnen Kanal verteilt mit dem der Kunde in Berührung gekommen ist. Wenn man unser obiges Fallbeispiel betrachtet würden nach 100 EUR Umsatz auf jeden Kanal 25 EUR fallen. Dieses Modell steht im ganz klaren Vorteil darin, dass alle Marketingkanäle gleichwertig betrachtet werden und so einen Teil zum Umsatz beigetragen haben und findet insbesondere in der Einfachheit einen Vorteil. Dennoch geht mit dieser Methode auch der Verlust der Fähigkeit einher spezifische Folgen oder Ergebnisse zu erkennen und damit sinkt das Optimierungspotenzial. Ebenso ist es schwierig wenn man bedenkt, dass bestimmte Marketingkanäle wie Demo-Anfragen, die von Grund auf eine hohe Conversion erzeugen in gleichem Maßstab bewertet werden wie ein E-Mail Newsletter ein Banner oder ein AdWord, welche von Grund auf weniger genutzt werden. Damit kann es schnell zu Fehleinschätzungen oder falschen Schlussfolgerungen kommen.

 attributionsmodell-linear

Attributionsmodell Zeitverlauf

Wie der Name dieses Attributionsmodells schon verrät, erfolgt die Verteilung des Umsatzes hier nach dem Zeitverlauf. Konkret bedeutet dies, dass jeder Touchpoint, je näher er an der Conversion liegt, einen höheren Anteil vom Umsatz zugeteilt bekommt. Damit verleiht dieses Modell jedem einzelnen Touchpoint in der Customer Journey eine Signifikanz und bietet daher eine ideale Grundlage zur Conversion-Optimierung. Damit werden Touchpoints, desto näher sie an der Conversion liegen wertvoller und es kann eine gewisse Wahrscheinlichkeit ermittelt werden. Damit kann das Modell insbesondere zur Optimierung der Touchpoints genutzt werden, die die Conversion vorantreiben und die Touchpoints mit steigender Wahrscheinlichkeit optimiert werden. Diese Maßnahme geht wiederum zu Lasten der Touchpoints, die zur Erkennung der Maßnahmen beitragen, die den Kunden letztendlich zur Marke geführt haben und deshalb muss auch dieses Modell mit der Kenntnis über diesen Nachteil genutzt werden.

attributionsmodell-position-based

Attributionsmodell Positionsbasiert

Dieses Attributionsmodell wird zum Teil auch als Badewannenmodell oder U-Modell bezeichnet, da es in seiner graphischen Darstellung in gewisser Weise an ein U erinnert. Die Zuordnung des Umsatzes erfolgt in diesem Fall zu 40 % auf den ersten und den letzten Touchpoint, während die restlichen 20 % zu gleichen Teilen auf die Kontaktpunkte in der Mitte verteilt werden. Positiv zu bewerten ist, dass in diesem Fall sowohl der erste als auch der letzte Touchpoint stärker berücksichtigt werden, sodass ein signifikanter Wert tatsächlich auf die Werbekanäle fällt, die den Kunden an die Marke herangeführt haben, als auch auf die Kanäle, die zum Kaufabschluss geführt haben. Punkte erhalten zudem alle Kanäle mit denen der Kunde in Kontakt war. Klingt schon mal ganz gut, ist aber trotzdem mit Nachteilen behaftet. Wie schon bei dem linearen Zuordnungsmodell stellt sich die Frage nach einer gerechten Gewichtung bei Touchpoints, die über einen geringeren Wert verfügen als Touchpoints, die einen höheren Wert haben. So muss man doch in Frage stellen, wie viel Sinn es macht, einer ersten E-Mail genau so viel Umsatz zuzusprechen wie dem bezahlten Suchwort, welches letztendlich zur Conversion geführt hat. Eine Optimierung auf dieser Grundlage kann damit schnell zu falschen Entscheidungen führen.

attributionsmodell-badewanne

Dynamische Attributionsmodelle

Kaufentscheidungsprozesse können sehr individuell und unterschiedlich sein und deshalb nicht konkret nach einem Schema abgebildet werden. So variieren diese beispielsweise stark nach Marke, Produkt, Unternehmen und Werbemaßnahme. Darüber hinaus ist auch das Involvment des Kunden entscheidend. Während ein Kunde beim Kauf eines neuen Fernsehers beispielsweise sehr viele Informationen einholt und demnach ein hohes Involvment für dieses Produkt besitzt, kann der selbe Kunde beim Spontankauf einer neuen Jeans eine sehr niedriges Involvment  und damit eine sehr kurze Customer Journey aufweisen. Wiederum ein anderer Kunde hat beim Kauf eines Fernsehers kein hohes Involvment, weil er beispielsweise wesentlich mehr verdient und daher regelmäßig ein neues Gerät kauft.

Diesen Prozess anhand einer Customer Journey zu analysieren und auf den Entscheidungsweg effiziente Aussagen über die einzelnen Marketingmaßnahmen zu treffen ist nicht ganz einfach. Statische Attributionsmodelle haben für gewöhnlich eine recht starre Perspektive auf die Customer Journey, da sie sich lediglich auf die Position eines Werbekanals in der Customer Journey konzentrieren. Damit greifen sie oft zu kurz und bilden die Realität nur begrenzt ab. Aus diesem Grund werden für viele Unternehmen dynamische bzw. individuelle Modelle immer attraktiver. Diese beziehen über die Position des Kanals weitaus individuellere Faktoren wie beispielsweise Werbemittelart, Größe der Anzeige sowie Klick oder View mit in die Betrachtung ein.  Aus diesem Grund werden heute immer öfter individuelle Attributionsmodelle, welche unternehmensspezifisch und iterativ bestimmt werden und unter zu Hilfenahme von Data Mining angewandt werden, interessanter.

Eine weit verbreitete Methode um Wirkungszusammenhänge zwischen einzelnen Werbekanälen zu identifizieren sind Verteilungs- und Regressionsanalysen.  Diese beziehen über den Standpunkt der Position der einzelnen Kontaktpunkte weitaus mehr Faktoren mit in die Analyse ein und sind deshalb umso spannender. Beobachtungskriterien können so unter anderem eingesetzte Werbemittel, bestimmte Keywords sowie Unterschiede zwischen Views und Klicks sein. Aber auch Umsatzziele oder Journey Typ (Lead oder Sale) sind Faktoren die mit in diese Analysen einbezogen werden.

Darüber hinaus dürften Machine Learning Algorithmen für viele Marketer ein interessantes Thema sein.  Auch wenn diese Technologien in der Praxis noch in den Kinderschuhen steckt, bieten uns schon heute die umfassenden Mengen an Daten eine Vorstellung davon, bestimmte Muster des Kaufverhaltens unserer Kunden zu erkennen. Interessante Themen sind in diesem Zusammenhang, insbesondere Ansätze zur Zielgruppensegmentierung (Clustering) oder Modelle auf deren Basis eine wahrscheinlichkeitsbasierte Attribution der Erlöse zu den einzelnen Werbekanäle in der Customer Journey erfolgen kann (siehe Abbildung).

dynamische-attributionsmodelle

Ein zentraler Hemmungsfaktor in der Praxis ist insbesondere die Aufwendigkeit und Komplexität dieser Lösung. Wenngleich diese sehr viel flexibler und genauer ist als die statischen Modelle, kann die Analyse als nie beendet angesehen werden, da sie fortwährend optimiert werden muss.

 

Der heilige Gral ist noch nicht erfunden – oder doch?

Die Möglichkeiten in diesem Umfeld sind breit und für die Praxis auch im Hinblick auf die stärkere Personalisierung von Produkten und Werbung überaus interessant. Aktuell arbeiten viele Trackingtools an dem Thema – welches unter Experten auch als heiliger Gral bezeichnet wird – und deshalb mit äußerster Aufmerksamkeit beobachtet werden sollte. Insbesondere die dynamischen Ansätze bieten in diesem Umfeld gegenüber den statischen Analysen einen enormen Fortschritt und lassen erste individuelle Rückschlüsse auf die Marketingoptimierung zu. Dennoch werden die Ansätze aufgrund ihrer Komplexität und Arbeitsintensität kaum in der Praxis angewandt.

In Ansätzen bietet aber insbesondere Google mit seinem neuen Tool Google Attribution 360 schon Eigenschaften einer benutzerdefinierten Attribution und macht so schon erste individuelle Analysen in diese Richtung möglich.

Das Thema interessiert euch? Dann freut euch auf unseren nächsten Artikel! Wir freuen uns über eure Kommentare und Meinungen!

Tags : AttributionAttributionsmodellFirst ClickLast ClickMachine LearningMarketing
Laura Kleickmann

Über den Autor Laura Kleickmann

Schreib uns deine Meinung