Die Vorteile eines custom data-driven Attribution Models

Basic Attribution Models sind mangelhaft

Meistens werden einfache Attributionsmodelle verwendet, um Einblicke in die Channel Performance zu erhalten, aber diese Modelle sind sehr mangelhaft. Einige Beispiele sind lineare, Last-Click-, Last-AdWords-Click- und First-Click-Attributionsmodelle (siehe Abbildung unten). Diese Modelle bieten eine fehlerhafte Sicht auf die Channel Performance, da sie in erster Linie auf Annahmen, Business Knowledge und Bauchgefühl beruhen. Die Möglichkeit, dass Channels über- oder unterbewertet werden, ist enorm, und genau das gilt es zu vermeiden, um Kampagnenbudgets effektiv und effizient zuzuweisen.

Stattdessen sollten wir data-driven Attribution Models verwenden

Dieser Fehler kann vermieden werden, indem die Power des Business Knowledges und der Daten kombiniert wird, um ein data-driven Attribution Model zu erstellen. Ein solches Modell berücksichtigt alle möglichen Kombinationen von Channels in einer Customer Journey und wertet ihre Konversionsrate aus, die aus historischen Daten gewonnen wird. Diese Informationen werden verwendet, um den Mehrwert eines bestimmten Channels an einem bestimmten Punkt der Customer Journey algorithmisch zu ermitteln. Ein beliebter Algorithmus zur Durchführung dieser Art von Berechnungen ist der Shapley-Wert aus der Theorie des kooperativen Spiels, auf den wir aber hier nicht näher eingehen wollen.

Die Grenzen von Google

Es überrascht nicht, dass Google ein data-driven Attribution Model in seine Google 360 Suite integriert hat. Obwohl dies ein grosser Fortschritt bei der korrekten Zuordnung von Channels mit Google Analytics ist, hat das data-driven Attribution Model von Google unserer Meinung nach mehrere starke Einschränkungen. Im Folgenden gehen wir kurz auf die wichtigsten Einschränkungen ein:

• Nur Default Channel Grouping
• Maximale Customer Journey Länge
• Vorgegebene Business Rules
• Keine Omnichannel-Attribution

1. Nur Default Channel Grouping

Erstens kann das data-driven Attribution Model von Google die Attributionswerte nur über das Default Channel Grouping berechnen. Das bedeutet, dass Sie, wenn Sie sowohl aggregierte als auch detaillierte Einblicke in die Channel Performance erhalten möchten, Ihre Default Channel Grouping in einer separaten Ansicht anpassen müssen, um eine andere Perspektive zu erhalten. Abgesehen von der Tatsache, dass dieser Ansatz die Einschränkung lösen könnte, ist er sehr fehleranfällig und überhaupt nicht benutzerfreundlich.

2. Maximale Customer Journey Länge

Zweitens kann das Modell nur Customer Journeys mit bis zu vier Berührungspunkten berücksichtigen, was bedeutet, dass Customer Journeys, die möglicherweise mehr als vier Berührungspunkte umfassen, auf die letzten vier reduziert werden (siehe Abbildung unten). Dies ist eine grosse Einschränkung für Unternehmen, die Produkte verkaufen, die in der Regel mehr als vier Interaktionen erfordern, z. B. aufgrund eines langwierigen Orientierungsprozesses.

3. Vorgegebene Business Rules

Drittens sind die von Google auf die Daten angewandten Business Rules nicht bekannt und können daher nicht an ein bestimmtes Geschäfts- oder Branchenmerkmal angepasst werden. Genauer gesagt ist die Definition einer Customer Journey für ein data-driven Attribution Model von entscheidender Bedeutung und hängt oft von der Branche und manchmal sogar vom Unternehmen ab. So könnten beispielsweise Berührungspunkte kurz nach dem Kauf als Teil der Loyalitätsschleife der vorherigen Customer Journey betrachtet werden und nicht als Beginn einer neuen Customer Journey dieses Kunden oder dieser Kundin.

Ausserdem ist es in einigen Branchen üblich, dass viele Besuche auf der Website erforderlich sind, um das Vertrauen eines oder einer neue:n Kund:in zu gewinnen, bevor der erste Kauf getätigt wird. Wenn dieser Schwellenwert jedoch erreicht ist, führt jeder weitere Besuch zu einem Kauf, der ebenfalls den Channels im Orientierungsprozess zugerechnet werden sollte. Zusammenfassend lässt sich sagen, dass die meisten Unternehmen und Branchen ihre Customer Journeys sehr sorgfältig definieren müssen, um ein data-driven Attribution Model zur korrekten Bestimmung der Channel Performance effektiv und effizient nutzen zu können.

4. Keine Omnichannel-Attribution

Schliesslich ist eine Omnichannel-Attribution mit dem von Google bereitgestellten data-driven Attribution Modell nicht möglich, da die Customer Journeys auf der Grundlage der von Google-Produkten gesammelten Daten erstellt werden. Mit anderen Worten: Es ist wünschenswert, Touchpoints aus Nicht-Google-Datenquellen (CRM, E-Mail, In-Store usw.) in die Customer Journey einzubeziehen, bevor das data-driven Attribution Modell verwendet wird. Leider kann das Google-Modell nicht mit externen Datenquellen verwendet werden und kann daher nicht auf Datensätze angewendet werden, die ein umfassenderes Bild der Omnichannel-Touchpoints der Customer Journey enthalten.

Lösung: Custom data-driven Attribution Model

In Anbetracht der Einschränkungen des data-driven Attribution Model von Google haben wir beschlossen, ein data-driven Attribution Model zu entwickeln, das nicht den oben genannten Einschränkungen unterliegt und auch mit einem einfachen Google Analytics-Konto verwendet werden kann. Genauer gesagt wird der Shapley-Value-Cooperative-Game-Algorithmus in unserem custom data-driven Attribution Model verwendet, das wir mit der Open-Source-Software R entwickelt haben. Durch die Kombination der Flexibilität von R, über 1000 Zeilen manuell geschriebenen Codes und Rohdaten des Unternehmens ist es möglich, ein custom data-driven Attribution Model zu erstellen, das an die Bedürfnisse eines einzelnen Unternehmens angepasst werden kann. In diesem Abschnitt gehen wir kurz darauf ein, wie dieses custom Model die gleichen Fehler wie das data-driven Attribution Model von Google vermeidet:

• Custom Channel Grouping
• Lange Customer Journeys
• Custom Business Rules
• Omnichannel-Attribution

1. Custom Channel Grouping

Der erste grosse Vorteil ist die Möglichkeit, mehrere Sets von Channel Groupings zu definieren, die zur algorithmischen Berechnung der Channel Performance verwendet werden. Mit anderen Worten, diese Flexibilität bietet die Möglichkeit, leicht auf bestimmte Channel Groupings zu zoomen, um die Performance im Detail zu bewerten.

2. Lange Customer Journeys

Der zweite grosse Vorteil ist die Möglichkeit, die Länge der Customer Journey, über die das Attribution Model die Channel Performance berechnet, individuell zu gestalten. Dank dieser Funktion können auch Unternehmen mit Produkten, die typischerweise eine lange Customer Journey haben, dieses custom data-driven Attribution Model anwenden, ohne viele wichtige Touchpoints im oberen Trichter auszuschliessen.

3. Custom Business Rules

Eine der grössten Einschränkungen des Google-Modells besteht darin, dass alle Business Rules für die Customer Journeys für Sie definiert sind und nicht angepasst oder verändert werden können. Dies kann einen enormen Einfluss auf das Ergebnis des Modells haben und kann und sollte daher nicht standardisiert werden.

In diesem Zusammenhang arbeitet das custom data-driven Attribution Model mit den Rohdaten und ermöglicht es den Benutzer:innen, die für die Kund:innen geltenden Business Rules klar zu definieren. Dies bedeutet, dass die Customer Journeys angepasst werden können, um geschäfts- und branchenspezifische Regeln zu berücksichtigen (siehe Abschnitt «Vorgegebene Business Rules»). Darüber hinaus macht dies das Attribution Modelm nicht nur für alle Unternehmen über verschiedene Branchen hinweg anwendbar, sondern macht den Attributionsprozess auch vollkommen transparent, da alle Details darüber, wie die Attribution durchgeführt wird, verfügbar sind und im Detail erklärt werden können.

4. Omnichannel-Attribution

Das custom data-driven Attribution Model ist nicht an die Google-Umgebung gebunden und kann mit externen Datenquellen (CRM, E-Mail, Instore usw.) verwendet werden, was eine Omnichannel-Attribution ermöglicht. Mit anderen Worten: Wenn eine Datenmanagement-Plattform (DMP) vorhanden ist, die Nutzer-IDs aus verschiedenen Datenquellen miteinander verknüpft, kann das custom data-driven Attribution Model zur algorithmischen Berechnung der Omnichannel-Performance verwendet werden.

Aber Moment, da wartet noch mehr

Neben der Lösung der Einschränkungen des data-driven Attribution Model von Google sind wir davon überzeugt, dass es noch mehr zu analysieren gibt, und haben uns einige Erweiterungen ausgedacht, um den Output des data-driven Attribution Models weiter zu nutzen. Einige Möglichkeiten, an die wir dachten, sind Erweiterungen wie ein «Return on Ad Spend (ROAS) Analyse-Tool» und ein «Channel Weight Dashboard».

Ersteres bietet Einblicke in die Rendite der Werbeausgaben für jede individuelle Kanalgruppe, basierend auf dem datengesteuerten Attributionswert und dem in diesen Channel investierten Budget. So lässt sich besser bestimmen, wie viel jeder Channel unter Berücksichtigung des investierten Budgets an Umsatz generiert. Letzteres liefert wertvolle Erkenntnisse über die Performance jedes Channels für jeden Schritt in der Customer Journey. Auf diese Weise lässt sich feststellen, in welcher Phase der Customer Journey ein Channel am besten abschneidet. So ist es zum Beispiel sehr wahrscheinlich, dass einige Channels effektiver bei der Akquise sind, während andere effektiver bei der Generierung von Konversionen sind.

Zusammenfassung

Zusammenfassend lässt sich sagen, dass die datengesteuerte Attribution eine nicht willkürliche und korrekte Form der Bestimmung der Channel Performance ist und von allen Unternehmen, die an der Wirkung und den Ergebnissen ihrer Marketingbudgets interessiert sind, einbezogen werden muss. Darüber hinaus ermöglicht uns die Verwendung von Rohdaten die vollständige Anpassung des data-driven Attribution Models in Bezug auf die angewandten Business Rules, die Länge der Customer Journeys und das vom Shapley-Algorithmus verwendete Channel Grouping.

Darüber hinaus wird es von entscheidender Bedeutung sein, dass data-driven Attribution Models flexibel sind und in Kombination mit verschiedenen Datenquellen verwendet werden können. Vor allem, weil die Customer Journeys immer komplexer werden und die Grenzen zwischen Online- und Offline-Experience verschwimmen, was einen Omnichannel-Attributionsansatz erfordert. Ausserdem sollten wir alle zuerst unsere aktuellen Attributionsmodelle gegen ein data-driven Attribution Model austauschen, weil es einfach die wahre, nicht willkürliche Performance pro Channel liefert und uns davor schützt, unsere Channels über- oder unterzubewerten.