Analytische Attribution mit Customer Journey Analytics.
In diesem Beitrag werden die folgenden Themen behandelt:
Was ist analytische Attribution?
Wie sich analytische Attribution verändert
Modellierung der analytischen Attribution
Auswahl des richtigen regelbasierten Attributionsmodells
Fortgeschrittene Attributionstechniken
Wie man eine Attributionsplattform wählt
Wie Customer Journey Analytics bei analytischer Attribution helfen kann
Das Navigieren im komplexen Netz der Kundeninteraktionen über eine fragmentierte und datenschutzbewusste Customer Journey hinweg erfordert einen entscheidenden Schritt, der über elementares Tracking und vereinfachte, regelbasierte Wertung hinausgeht.
Verschiedene konvergierende Kräfte gestalten aktiv die Zukunft von Attribution. Der unumkehrbare Trend zu verbessertem Nutzerdatenschutz erfordert eine grundlegende Abhängigkeit von datenschutzfreundlichen Ansätzen, die Priorisierung von First-Party-Datenstrategien, robustes Consent-Management und die Einführung von datenschutzfördernden Technologien und Messtechniken wie der Marketing-Mix-Modellierung.
Was ist analytische Attribution?
Wie sich analytische Attribution verändert.
Modellierung der analytischen Attribution.
Analytische Attribution stützt sich auf Modellierungs-Frameworks, um den verschiedenen Interaktionen in der Customer Journey systematisch eine Wertung zuzuweisen. Das grundlegende Ziel ist es, den Einfluss von Touchpoints wie E-Mails, Videoansichten, Display-Anzeigen oder Content-Downloads auf dem Weg zur Conversion zu quantifizieren. Diese Modelle bieten strukturierte Wege zur Interpretation komplexer Interaktionsdaten, unterscheiden sich jedoch in ihrem Ansatz ganz erheblich. Attributionsmodelle werden im Allgemeinen in zwei Hauptkategorien aufgeteilt: Single-Source-Modelle (auch Single-Touch-Modelle genannt) und Multi-Source-Modelle (auch Multi-Touch-Modelle genannt).
Single-Source-Attributionsmodelle.
Single-Source-Attributionsmodelle sind die einfachste Form der Attribution. Sie identifizieren und weisen die Attribution für eine Conversion einem einzelnen, spezifischen Touchpoint in der Käufer-Journey zu. Obwohl sie im Umfang begrenzt sind, können sie bei der Analyse der Verkaufstrichter-Stufen helfen und sind bei relativ kurzen, einfachen Customer Journeys nützlich.
First-Touch-Attribution.
Dieses Modell weist die gesamte Attribution der ersten nachverfolgbaren Marketing-Interaktion eines Kunden mit der Marke zu.
- Vorteile: First-Touch-Attribution ist wertvoll, um zu verstehen, welche Kanäle oder Kampagnen am effektivsten darin sind, erste Aufmerksamkeit zu erzeugen und neue Interessenten in den Trichter zu bringen.
- Nachteile: Der größte Nachteil ist, dass alle nachfolgenden Interaktionen vollständig ignoriert werden, was potenziell dazu führt, dass Kanäle unterbewertet werden, die später in der Customer Journey eine entscheidende Rolle bei der Pflege von Leads oder beim Abschluss von Geschäften spielen. Außerdem wird die genaue Identifizierung des wahren „ersten Kontakts“ aufgrund von Faktoren wie geräteübergreifender Nutzung, Cookie-Löschpraktiken und Datenschutzbeschränkungen zunehmend schwieriger. Verkaufszyklen von mehr als 90 Tagen können dieses Modell ebenfalls weniger effektiv machen, da der anfängliche Touchpoint außerhalb der typischen Tracking-Fenster liegen kann.
Last-Touch-Attribution (oder Last-Click-Attribution).
Umgekehrt weist dieses Modell 100 % der Attribution der letzten Interaktion des Kunden vor der Conversion zu.
- Vorteile: Die Last-Touch-Attribution ist nützlich, um die Kanäle oder Taktiken zu identifizieren, die am effektivsten sind, um eine unmittelbare Aktion auszulösen und die Conversion zu vollziehen.
- Nachteile: Wie das First-Touch-Modell hat auch dieses Modell einen zu engen Fokus. Es vernachlässigt den Einfluss aller vorangegangenen Touchpoints, die die Kundschaft möglicherweise vorbereitet oder im Laufe der Zeit Interesse aufgebaut haben.
Multi-Source-Attributionsmodelle (Multi-Touch-Attribution).
In Anerkennung der Einschränkungen von Single-Touch-Ansätzen zielt die Multi-Touch-Attributionsmodellierung darauf ab, die Gewichtung auf mehrere Touchpoints zu verteilen, denen die Käuferin oder der Käufer begegnet. Diese Modelle gelten im Allgemeinen als genauer und realistischer für nicht-lineare Customer Journeys, da sie anerkennen, dass typischerweise mehrere Interaktionen zu einer endgültigen Conversion-Entscheidung beitragen. Eine wesentliche Herausforderung besteht jedoch darin, den genauen Beitrag jedes Kanals genau zu bestimmen, insbesondere bei der Einbeziehung von Offline-Einflüssen oder Markeneffekten, die schwer oder gar nicht direkt quantifizierbar sind. Verschiedene Multi-Touch-Modelle versuchen, dieses Dilemma auf unterschiedliche Weise zu lösen.
Lineare Attribution.
Dieses Modell verfolgt den einfachsten Multi-Touch-Ansatz und gewichtet jeden nachverfolgten Touchpoint in der Customer Journey gleichermaßen.
- Vorteile: Es werden mehrere Interaktionen berücksichtigt.
- Nachteile: Es wird davon ausgegangen, dass alle Touchpoints denselben Einfluss haben, was selten der Fall ist. Zum Beispiel wird kein Unterschied zwischen einem kurzen Blick auf Social Media und einer ausführlichen Produktdemo gemacht.
Zeitverfalls-Attribution (Time Decay).
Dieses Modell weist mehreren Touchpoints Attributionen zu, gewichtet aber Interaktionen stärker, die näher an der Conversion stattfinden.
- Vorteile: Es spiegelt die intuitive Annahme wider, dass Interaktionen, die näher am Entscheidungspunkt liegen, einen größeren Einfluss haben.
- Nachteile: Es kann zu einer systematischen Unterbewertung kritischer Aktivitäten in der Frühphase kommen, wie z. B. Aufbau der Markenwahrnehmung oder erste Lead-Generierung, die lange vor der Conversion stattfinden. Darüber hinaus kann die spezifische Verfallsrate (wie schnell die Wertung im Laufe der Zeit abnimmt) willkürlich sein oder auf Software-Standardeinstellungen basieren, die möglicherweise nicht mit der Länge des Verkaufszyklus eines bestimmten Unternehmens übereinstimmen.
Positionsbasierte (U-förmige) Attribution.
Dieses Modell gibt sowohl dem ersten Touchpoint (dem Erstkontakt) als auch dem letzten (der Interaktion vor der Conversion) eine erhebliche Wertung – zum Beispiel jeweils 40 %. Die verbleibende Wertung – in diesem Fall die restlichen 20 % – wird gleichmäßig auf die dazwischen liegenden Touchpoints verteilt.
- Vorteile: Es wird betont, wie wichtig sowohl die Anbahnung der Kundenbeziehung als auch der Abschluss des Geschäfts sind.
- Nachteile: Es wird stark davon ausgegangen, dass der erste und letzte Kontakt immer die wichtigsten sind, wodurch der Wert wichtiger Interaktionen in der Mitte des Trichters, die der Pflege des Leads oder dem Aufbau von Überlegungen dienen, möglicherweise unterschätzt wird.
W-förmige Attribution.
Dieses Modell weist drei wichtigen Meilensteinen eine erhebliche Wertung zu – zum Beispiel jeweils 30 %: dem ersten Kontakt, dem Touchpoint, der den Lead generiert hat, und dem Touchpoint, der mit der Opportunity-Erstellung verbunden ist. Die verbleibende Wertung (in diesem Fall 10 %) wird auf andere Interaktionen verteilt.
- Vorteile: Die kritischen Phasen eines typischen Kauftrichters werden hervorgehoben.
- Nachteile: Interaktionen, die nach der Opportunity-Phase stattfinden, aber dennoch einen Einfluss auf den endgültigen Entscheidungsprozess haben können, werden vernachlässigt.
Das richtige regelbasierte Attributionsmodell wählen.
Es ist entscheidend zu verstehen, dass diese regelbasierten Modelle als Richtlinien und nicht als starre Vorschriften gedacht sind. Viele Analyseplattformen ermöglichen es, regelbasierte Attributionsmodelle an spezifische Geschäftsanforderungen anzupassen oder zu erstellen. Die Auswahl eines geeigneten Modells oder einer Kombination von Modellen hängt stark von mehreren Faktoren ab:
- Verkaufszyklus und Komplexität der Touchpoints. Für Unternehmen mit kurzen Verkaufszyklen und wenigen Kundeninteraktionen sind möglicherweise einfachere Modelle aus einer Hand ausreichend. Umgekehrt erfordern längere Zyklen mit zahlreichen Touchpoints über verschiedene Kanäle hinweg in der Regel anspruchsvollere Multi-Touch-Ansätze.
- Geschäftsziele und Kanalstrategie. Das primäre Ziel, das gemessen werden soll (z. B. die Steigerung des Bekanntheitsgrads oder das Vorantreiben von sofortigen Verkäufen) und die Kanäle, in die am meisten investiert wird (z. B. Top-of-Funnel oder Bottom-of-Funnel), sollten die Modellauswahl beeinflussen. Wenn beispielsweise ein erhebliches Budget für wirkungsvolle Aktivitäten wie Konferenzen im mittleren Trichterbereich (MoFu) vorgesehen ist, könnte ein W-förmiges Modell, das entscheidende Meilensteine berücksichtigt, angemessener sein als ein einfaches lineares oder ein U-förmiges Modell.
- Online- vs. Offline-Kanalmix. Wenn ein erheblicher Teil der Kundeninteraktionen offline stattfindet (z. B. durch Printanzeigen, Besuche in Geschäften oder Callcenter), stellt das Tracking dieser Touchpoints eine Herausforderung für rein digitale Attributionsmodelle dar. Um diesen Lücken Rechnung zu tragen, müsst ihr möglicherweise Modelle anpassen oder zusätzliche Methoden in Betracht ziehen, wie z. B. die Integration von aggregierten Offline-Daten, wo dies möglich ist, oder die Verwendung breiterer statistischer Ansätze wie Marketing-Mix-Modellierung.
- Software-Fähigkeiten. Verschiedene Analysetools bieten eine unterschiedliche Bandbreite an integrierten Modellen und Anpassungsoptionen. Es ist wichtig, die Fähigkeiten und Grenzen der gewählten Software-Plattform zu verstehen, einschließlich der Standardeinstellungen wie Zeitverfallsraten. Einige Plattformen legen Wert darauf, eine große Auswahl an Modellen anzubieten, um verschiedenen Use Cases gerecht zu werden. Dabei wird der Tatsache Rechnung getragen, dass verschiedene Nutzende innerhalb einer Organisation – wie Digitalanalysten, Medieneinkäufer und B2B-Marketer – unterschiedliche Attributionsanforderungen haben.
Fortgeschrittene Attributionstechniken.
Marketing-Mix-Modellierung.
Marketing-Mix-Modellierung (MMM) ist eine statistische Technik, die aggregierte Zeitreihendaten analysiert, u. a. Marketing-Ausgaben über verschiedene Kanäle (wie TV, Radio, Print, Digital und Social Media), Verkaufs- oder Conversion-Daten und externe Faktoren wie Saisonalität, wirtschaftliche Trends, Wettbewerbsaktivitäten und Wetter. Diese Datenpunkte werden aggregiert, um den inkrementellen Beitrag jedes Marketing-Inputs zu den Key Performance Indicators (KPIs) zu schätzen. MMM bietet eine starke Einhaltung des Datenschutzes und eine ganzheitliche Sicht auf die Marketing-Leistung.
Vorteile von MMM.
Zu den Vorteilen der Marketing-Mix-Modellierung gehören:
- Datenschutz: Da MMM mit aggregierten Daten arbeitet, anstatt einzelne Nutzer zu tracken, ist es nicht auf Cookies von Drittanbietern angewiesen und erfüllt die modernen Datenschutzbestimmungen.
- Ganzheitlicher Ansatz: MMM integriert auf natürliche Weise sowohl Online- als auch Offline-Marketing-Kanäle sowie andere als Marketing-Faktoren, die Ergebnisse beeinflussen können, und bietet so ein umfassendes Bild der Performance-Treiber.
- Strategische Erkenntnisse: MMM liefert wertvolle Ergebnisse für die strategische Planung, einschließlich kanalspezifischer ROI-Schätzungen, Reaktionskurven (die zeigen, wie sich der ROI bei verschiedenen Ausgabenniveaus ändert), Empfehlungen für die Budgetzuweisung und Prognosefunktionen für „What-If“-Szenarien.
- Skalierbarkeit: MMM lässt sich für Unternehmen verschiedener Größen und Branchen anpassen.
Einschränkungen von MMM.
Historisch gesehen wurde die traditionelle MMM kritisiert. Sie wurde oft als hauptsächlich korrelational angesehen, was bedeutet, dass sie Beziehungen zwischen Variablen identifizieren, nicht jedoch die Kausalität endgültig nachweisen konnte. Der Aufbau und die Pflege von MMM konnten auch ressourcenintensiv sein und erforderten erhebliche Mengen an historischen Daten (oft zwei Jahre oder mehr) und erheblichen Aufwand bei der Datenerfassung, -bereinigung und -aufbereitung. Ohne diese Transparenz fungieren die Modelle als „Black Boxes“. Andere Modellspezifikationen können die historischen Daten unter Umständen ebenso gut abbilden, jedoch widersprüchliche ROI-Schätzungen oder Optimierungsempfehlungen erzeugen. Dies macht es schwierig, die beste Vorgehensweise zu finden.
Moderne MMM-Ansätze, die oft durch maschinelles Lernen erweitert werden, zielen jedoch zunehmend darauf ab, diese historischen Herausforderungen durch Verbesserung der Transparenz, Verfeinerung der kausalen Inferenzfähigkeiten und Bereitstellung dynamischer Erkenntnisse zu bewältigen.
KI und maschinelles Lernen.
KI und maschinelles Lernen sind leistungsstarke Wegbereiter für fortschrittliche Attribution.
- Modellkomplexität. ML-Algorithmen können die großen, komplexen Datensätze bewältigen, die für modernes Marketing typisch sind. Diese Algorithmen können komplizierte nichtlineare Beziehungen und Interaktionseffekte erfassen, die einfachere Modelle möglicherweise übersehen, und Teile des Modellbau- und Analyseprozesses automatisieren.
- Prädiktive und präskriptive Kraft. KI-gesteuerte Plattformen können über die historische Analyse hinausgehen und Prognosen für die künftige Leistung erstellen, Empfehlungen für die Budgetoptimierung geben und aufkommende Chancen oder Risiken erkennen.
- Wichtiger Vorbehalt. Während KI und maschinelles Lernen die analytischen Fähigkeiten verbessern, ist es entscheidend, dass diese Techniken innerhalb eines soliden kausalen Rahmens angewendet werden. Die ausschließliche Verwendung von maschinellem Lernen zur Vorhersagegenauigkeit ohne Berücksichtigung kausaler Strukturen kann zu Modellen führen, die Scheinkorrelationen identifizieren und fehlerhafte Entscheidungen begünstigen. Konsequentes kausales Denken ist zwingend notwendig.
Die Einführung dieser fortschrittlichen Techniken bedeutet eine wichtige Entwicklung in der analytischen Attribution. Sie erfordert Investitionen in neue Werkzeuge und Dateninfrastrukturen sowie eine Veränderung der organisatorischen Fähigkeiten und der Denkweise. Teams müssen Kompetenzen in statistischer Modellierung, experimentellem Design und kausalem Denken entwickeln oder erwerben. Die funktionsübergreifende Zusammenarbeit zwischen Marketing, Datenwissenschaft und potenziell auch der Finanzabteilung wird entscheidend für den Aufbau, die Validierung und die Umsetzung der Erkenntnisse, die durch diese anspruchsvolleren Ansätze generiert werden.
Wie man eine Attributionsplattform wählt.
Fortgeschrittene Analyseplattformen sind der Motor für moderne Attribution, indem sie komplexe Berechnungen automatisieren, Daten aus unterschiedlichen Quellen integrieren und die Schnittstellen bereitstellen, die zur Ableitung umsetzbarer Erkenntnisse erforderlich sind. Bei der Evaluierung potenzieller Attributions-Tools, Plattformen oder breiter angelegter Customer Journey-Analyselösungen sollten Unternehmen nicht nur auf die oberflächlichen Funktionen achten, sondern auch eine Reihe wesentlicher Funktionen bewerten.
- Modellflexibilität und -komplexität. Die Plattform sollte eine Vielzahl von Standard-Attributionsmodellen unterstützen (z. B. First-Touch, Last-Touch, linear, Time-Decay und positionsbasiert), um unterschiedlichen analytischen Anforderungen gerecht zu werden. Um tiefere Erkenntnisse zu gewinnen, ist auf die Unterstützung fortschrittlicher Attributionstechniken wie der Marketing-Mix-Modellierung zu achten. Ebenfalls wertvoll ist die Fähigkeit, benutzerdefinierte Modelle zu erstellen, die auf spezifische Geschäftslogiken zugeschnitten sind.
- Umfassende Datenintegration. Die wahre Stärke einer Plattform liegt in der Kombination von Daten aus dem gesamten Spektrum der Marketing- und Kundeninteraktionskanäle – Paid, Owned und Earned Media, sowohl in Online- als auch in Offline-Umgebungen. Achtet auf eine breite Palette von vorgefertigten Integrationen mit Standard-Marketing-Technologien (z. B. CRMs wie Salesforce, Werbeplattformen wie Google Ads und E-Mail-Dienstanbieter) und robuste APIs für benutzerdefinierte Verbindungen.
- KI- und ML-Fähigkeiten. Führende Plattformen integrieren zunehmend KI und maschinelles Lernen, um die Analyse zu verbessern. Dies kann von der Bereitstellung algorithmischer Attributionsmodelle bis zu Predictive Analytics (die bei der Vorhersage von Ergebnissen, der Vorhersage von Abwanderung usw. helfen kann) und präskriptiven Empfehlungen (z. B. Vorschläge für Budgetverschiebungen zur Optimierung) reichen.
- Omni-Channel-Unterstützung. Für Unternehmen mit erheblicher kanalübergreifender Aktivität muss die Plattform über starke Fähigkeiten für Omni-Channel-Marketing-Attribution verfügen. Dazu gehören Funktionen für eine robuste geräteübergreifende Identitätsbestimmung, die Verknüpfung von Online-Verhalten mit Offline-Interaktionen (wie Callcenter-Daten oder Käufen im Geschäft) und die Bereitstellung einer einheitlichen Sicht auf die Customer Journey über alle Touchpoints hinweg.
- Einhaltung von Datenschutz und Data Governance. Plattformen müssen über Funktionen verfügen, die die Einhaltung von Datenschutzbestimmungen unterstützen, z. B. Tools für die Verwaltung von Nutzerzustimmungen und die Einhaltung von Vorschriften wie GDPR und CCPA. Die Unterstützung datenschutzfördernder Techniken wie Server-seitiges Tracking kann ebenfalls eine wichtige Überlegung sein.
- Reporting, Visualisierung und Benutzerfreundlichkeit. Daten sind nur dann wertvoll, wenn man sie versteht und danach handelt. Beurteilt die Berichts- und Dashboarding-Funktionen der Plattform nach Übersichtlichkeit, Intuitivität und der Fähigkeit, komplexe Daten effektiv zu visualisieren. Obwohl ein gewisses Daten-Know-how oft von Vorteil ist, sollten Plattformen bestrebt sein, Marketing-freundlich zu sein und die Lernkurve zu minimieren.
- Anbieter-Support, Fachwissen und Community. Beurteilt die Verfügbarkeit von professionellen Dienstleistungen, technischem Support, umfassender Dokumentation, Schulungsressourcen und einer aktiven Benutzergemeinschaft, da dies für die erfolgreiche Implementierung und Maximierung des Werts einer fortschrittlichen Attributionsplattform entscheidend sein kann.
- Kontinuierliche Überprüfung und Anpassung. Analytics-Attribution kann nicht ein für alle Mal festgelegt werden. Marketing-Strategien entwickeln sich weiter, neue Kanäle entstehen und das Kundenverhalten ist ebenfalls Änderungen unterworfen. Daher sollten Attributionsmodelle und -konfigurationen regelmäßig (z. B. vierteljährlich) überprüft und angepasst werden, um sicherzustellen, dass sie relevant und genau bleiben.
Wie Customer Journey Analytics bei der analytischen Attribution helfen kann.
