„Ich weiß, die Hälfte meiner Werbung ist hinausgeworfenes Geld. Ich weiß nur nicht, welche Hälfte.“

Dieses Zitat von Henry Ford ist dir bestimmt bekannt.

Seitdem hat sich jedoch einiges in der Werbung und Analyse von Werbemaßnahmen getan.

Theoretisch.

Auch wenn viele Organisationen heutzutage eigens entwickelte Attributionsmodelle einsetzen, wird das Last Click Modell noch viel zu häufig genutzt.

Das Problem: Last Click Bewertungen sind unrealistisch und entsprechen nicht deiner tatsächlichen Werberealität.

In einem aktuellen Projekt wollten wir wissen, ob das genutzte Retargeting-Tool sein Geld auch wirklich Wert ist. Hätten wir uns nur auf den letzten Klick fokussiert, wäre das wohl nach hinten losgegangen.

Daher zeige ich dir in diesem Beitrag eine Möglichkeit, den Impact deiner Werbemaßnahmen realistisch und ohne erheblichen Aufwand zu analysieren: Multi-Touch-Attribution.

Marketingkanäle bewerten: Attributionsmodelle und die Customer Journey

Heutzutage können wir insbesondere im digitalen Raum die Werbewirkung unserer Marketingkanäle aufschlussreich analysieren. Häufig liegt aber das Problem viel mehr in der korrekten Bewertung der jeweiligen Kanäle.

Marketer geben monatlich erhebliche Beträge für Ads aus, andere schwören auf Service- oder Retargeting-Tools – doch was passiert, wenn du eine dieser Maßnahmen abschaltest oder Budget verschiebst?

Sieh dir die nachfolgende Abbildung an.

Wem schreibst du nach erfolgreicher Conversion den Erfolg zu?

Gar nicht so einfach, oder?

So auch in einem aktuellen Praxisfall, den ich in einem Kundenprojekt erlebte. In einem Projekt kam die Frage auf, ob das eingesetzte Retargeting-Tool seinen Preis auch wirklich wert sei.

Faire Umsatzverteilung? Darum sind Last Click Modelle unrealistisch

Warum ist es wichtig, sich nicht zu sehr auf den letzten Klick zu fokussieren?

Noch immer nutzen viele Organisationen einfache Attributionsmodelle wie das Last Click Modell. Häufig wissen sie auch nicht, welche anderen Möglichkeiten sie alternativ einsetzen könnten. Deshalb geht ungeahntes Potenzial verloren, da du mit dem Last Click Modell, bezogen auf deine Daten, ein stark verzerrtes Bild der Realität erhältst. Anschließend schreibst du dem letzten Touchpoint den ganzen Umsatz zu – andere Touchpoints gehen leer aus.

In manchen Situationen mag so eine Betrachtungsweise sinnvoll sein, meistens aber möchte man möglichst nah an die Realität kommen. So ein Last Click Modell ist nicht nur unfair, sondern auch fernab der Realität.

Last Click Modelle (LCM) führen noch zu weiteren Problemen:

• Last Touch Marketing Attribution ignoriert den Conversion Funnel
• sie liefern nur ein begrenztes Verständnis deiner Käufergruppen

Oftmals sorgen auch organisatorische Hemmnisse dafür, dass LCM zum Einsatz kommen.

Doch es gibt eine gute Lösung, diese Probleme aufzulösen: datengetriebene und dynamische Attributionsmodelle.

Multi-Touch-Attribution: datengetriebene Attributionsmodelle mittels Algorithmus aufbauen

Im Kern geht es bei datengetriebenen Attributionsmodellen natürlich um Daten.

Im Beispiel von Markow Ketten (siehe nächster Abschnitt), berechnest du für jede Marketingaktivität die Wichtigkeit, indem du simulierst, was passieren würde, wenn du diese Marketingaktivität weglassen würdest.

Funktionsweise des Algorithmus

Um dir die Funktionsweise des Algorithmus möglichst einfach zu veranschaulichen, schauen wir uns ein Beispiel an.

Folgende drei Customer Journeys haben wir:

1. Display ➔ E-Mail ➔ SEA
2. Display
3. E-Mail ➔ SEA

Die erste Customer Journey hat eine Bestellung ausgelöst, die anderen beiden gehen leer aus.

Der Algorithmus betrachtet jeden Besuch bzw. jeden Touchpoint als Zustand. In unserem Beispiel sind das die Marketingkanäle. Zusätzlich zu unseren Kanälen, fügen wir noch Hilfszustände hinzu, damit der Algorithmus auch weiß, wann es zu einer Bestellung kam und wann nicht.

1. (Start) ➔ Display ➔ E-Mail ➔ SEA ➔ (Conversion)
2. (Start) ➔ Display ➔ (null)
3. (Start) ➔ E-Mail ➔ SEA ➔ (null)

(null) bedeutet: Keine Bestellung aufgegeben und (Conversion) bedeutet: Bestellung aufgegeben.
Diese Customer Journeys werden nun als Netzwerk dargestellt.

Es werden dabei nur die Zustände miteinander verbunden, die tatsächlich in den Customer Journeys vorkommen. Die Prozente geben die Übergangswahrscheinlichkeit an, also wie wahrscheinlich es ist, von einem Zustand in den nächsten zu wechseln. Beispielsweise geht die Hälfte (50 %) aller Zustände von SEA zur Bestellung über, die andere Hälfte (50 %) führt zu keiner Bestellung.

Im nächsten Schritt wird berechnet, wie hoch die Gesamtwahrscheinlichkeit einer Bestellung ist, indem die Übergangswahrscheinlichkeiten eines Bestellpfades multipliziert und mit anderen Pfaden addiert werden. In unserem Beispiel existieren zwei Bestellpfade. Diese sind:

1. Start) ➔ Display ➔ E-Mail ➔ SEA ➔ (Conversion)
2. (Start) ➔ E-Mail ➔ SEA ➔ (Conversion)

Multipliziert man nun die Übergangswahrscheinlichkeiten miteinander und addiert anschließend die Ergebnisse aller Pfade, so erhält man die Gesamtwahrscheinlichkeit von 33 %:

66,66 % * 50 % * 100 % * 50 % = 16 %

+

33,33 % * 10 0% * 50 % = 16 %

= 33 %

Um jetzt die Wichtigkeit eines Kanals ausrechnen zu können, wird simuliert, was passieren würde, wenn ein Kanal aus dem Netzwerk entfernt wird.

In unserem Beispiel wird nun der Display-Kanal entfernt. Dadurch wird ein Bestellpfad gelöscht und es existiert nur noch folgender:

(Start) ➔ E-Mail ➔ SEA ➔ (Conversion)

Demnach beträgt die Gesamtwahrscheinlichkeit einer Conversion nur noch 16 %:

33,33 % * 100 % * 50 % = 16 %

Verglichen mit der Gesamtwahrscheinlichkeit davor, fällt diese um 50 % (0,5) (33 % ➔ 16 %). Dieser relative Unterschied spiegelt nun die Wichtigkeit des Display-Kanals wider und beträgt 0,5.

Diese Simulation wird auch für die restlichen Kanäle durchgeführt, um so die Wichtigkeit der Kanäle berechnen zu können. Mit diesen Werten werden anschließend die Bestellungen bzw. Umsätze neu kalkuliert.

Nach dem Last-Click Modell hätte nur SEA die Bestellung zugewiesen bekommen. Nach der Zuweisung durch den Algorithmus, erhält SEA und E-Mail jeweils 0,4 und Display 0,2 der Bestellung.

Das bisherige Beispiel zeigt dir die Markow-Ketten der 1. Ordnung. Eine Markow-Kette ist ein stochastischer Prozess mit dem Ziel, Wahrscheinlichkeiten für das Eintreten zukünftiger Ereignisse festzustellen. Die Ordnung gibt an, wie viele Zustände für die Berechnung der Übergangswahrscheinlichkeiten mit einbezogen werden sollen.

1. Ordnung bedeutet, dass nur der aktuelle Zustand benutzt wird. Die 2. Ordnung bezieht auch den Zustand davor mit ein.

So werden auch Interaktionseffekte zwischen den Kanälen bzw. Marketingaktivitäten berücksichtigt. Möglicherweise verhält sich ein Nutzer anders, wenn er zuerst Display und dann SEA sieht, als ein anderer, der zuerst E-Mail und dann SEA sieht.

Budgetallokation: Der Nutzen einer Multi-Touch-Attributionsanalyse

Durch den Einsatz eines datengetriebenen Attributionsmodells kommst du deutlich näher an die Realität und damit an die tatsächliche Performance deiner Marketingmaßnahme.

Es stellt sich auch direkt die Frage, was du mit dieser gemessenen Performance machst: Budgetallokation.

Bei der Budgetallokation wird das verfügbare Marketingbudget auf die verschiedenen Marketingkanäle bzw. Maßnahmen aufgeteilt. Als Verantwortlicher stellt sich dir die Frage, wie das Marketingbudget aufgeteilt werden soll. Hier kommt nun unsere gemessene Performance aus der datengetriebenen Attributionsanalyse zum Einsatz.

Diese verrät uns anhand des ROIs, wie „gut“ eine Marketingaktivität funktioniert. Ist diese weit unter dem durchschnittlichen ROI, sollte hier eventuell weniger Budget investiert werden. Ist dagegen der ROI einer Marketingaktivität sehr hoch, könnte in Betracht gezogen werden, hier mehr Budget zu investieren.

Um beurteilen zu können, ob die Performance durch die neue Budgetallokation besser geworden ist, heißt es zunächst, je nach Länge der durchschnittlichen Customer Journey abzuwarten.

Stellst du eine Veränderung fest, kannst du nun erneut das Budget gemäß der Performance verteilen. Dieses Spiel geht immer weiter, bis du annähernd ein Optimum für jede Marketingaktivität gefunden hast.

Warum es dann doch nicht ganz so einfach ist, zeige ich dir im Kapitel Herausforderungen.

Herausforderungen der datengetriebenen Attributionsanalyse

Auch wenn das datengetriebene Modell ein deutlich besseres Abbild des tatsächlichen Impacts einer Marketingaktivität als eine Last Click Betrachtung aufweist, so kann dieses trotzdem die Realität nicht zu 100 % abbilden.

Empfehlungen von Freunden, persönliche Wünsche, Werte und Charakterzüge der Kunden werden in der Customer Journey nicht abgebildet, um nur einige zu nennen. Denn die „Reise deiner Kunden“ mit allen qualitativen Aspekten ist sehr individuell und lässt sich nicht immer in Zahlen fassen.

Auch auf technischer Seite existieren Herausforderungen. Unterstützt das Web-Analyse-Tool Cross Device Tracking? Was passiert, wenn jemand seine Cookies löscht oder den Cookie Consent nicht annimmt?

Auch bei der Budgetallokation gibt es Herausforderungen.

Jede Marketingaktivität hat ihr individuelles Limit. Der E-Mail-Kanal ist hierfür ein anschauliches Beispiel. Da die Erstellung von E-Mail-Inhalten verhältnismäßig günstig ist, ist es nicht überraschend, dass hier häufig ein sehr hoher ROI beobachtet wird.

Gehst du nach dem oben erwähnten Schema vor, so könntest du einfach mehr E-Mails versenden. Denn mehr E-Mails = mehr Sales = mehr Umsatz, oder?

Dass diese Vorgehensweise nicht ins Unendliche skalierbar ist, ist klar. Irgendwann nervst du deine Nutzer mit den E-Mails und erreichst genau das Gegenteil deines ursprünglichen Ziels, nämlich weniger Abonnenten.

Hier könnte beispielsweise ein Ziel sein, die optimale Versandfrequenz zu finden. Dabei haben wir noch nicht über die Inhalte gesprochen. Die Suche nach diesem Optimum gilt es auch für alle anderen Marketingaktivitäten durchzuführen, am besten duch ein Herantasten mittels „Trial-and-Error“.

Attribution-Monitoring: dauerhafte Performance-Transparenz durch Machine Learning

Einzelne Analysen mit besagtem Modell sind schon sehr hilfreich.

Aber da geht noch mehr. Durch ein einfaches Monitoring machst du dir die ganze Power eines datengetriebenen Attributionsmodells zunutze.

In der folgenden Abbildung ist an einem Beispiel erkennbar, wie anschließend die berechneten Daten veranschaulicht werden könnten.

Ein einfaches Dashboard zeigt dir die jeweilige Performance, indem es sich die vorher definierten Daten zieht, den Machine Learning Algorithmus trainiert, um dir anschließend den ROI auszurechnen.

Gleichzeitig kannst du Empfehlungen erhalten, wie die derzeitige Budgetverteilung vonstatten gehen sollte, welche Kanäle du mehr oder welche weniger bespielen solltest, und bei welchen Kanälen du vielleicht ein Abschalten in Erwägung ziehen kannst. Bitte schau dir dazu unbedingt nochmal in Ruhe den Abschnitt „Herausforderungen“ weiter oben an.

Eine faire Aufteilung der Conversions bzw. des Umsatzes auf die beteiligten Kanäle ist eine komplexe Angelegenheit. Ein gutes Attributionsmodell hilft dir dauerhaft, die richtigen Entscheidungen für deine Marketingaktivitäten zu treffen.

Für eine effiziente Budgetallokation ist das eingesetzte Attributionsmodell das A und O.

Du hast Fragen oder Interesse an diesem Modell?

Sprich mich gerne an oder werde Teil unserer Ambassador Community. Dort kannst du dich mit anderen Expert:innen über bewährte Attributionsmodelle austauschen.

Zusätzliche Leseempfehlung: Data-to-Persona Modell – Data Analytics und Personae verbinden