Mobile Marketing Analytics

Akquisekennzahlen: Reichweite und Kosteneffizienz messen.

Akquisemetriken konzentrieren sich darauf, wie Nutzende in das mobile Ökosystem gelangen – sei es durch das Herunterladen einer App oder den Besuch einer mobilen Website. Dazu gehören auch die Kosten, die mit diesen Aktivitäten verbunden sind.

• Installationen/Downloads: Bei mobilen Anwendungen dient die Anzahl der Installationen oder Downloads als erste Einstiegskennzahl. Sie ist zwar grundlegend, muss aber im Kontext gesehen werden. Eine hohe Anzahl von Installationen bedeutet nicht zwangsläufig Erfolg, wenn diese Nutzer von geringer Qualität sind (das heißt, sie brechen die Nutzung schnell ab oder interagieren nicht auf sinnvolle Weise mit dem Programm).

• Kosten pro Installation (CPI) und Kosten pro Akquisition (CPA): Diese Metriken quantifizieren die Kosteneffizienz von Kampagnen zur Nutzergewinnung. CPI stellt die durchschnittlichen Kosten dar, die anfallen, um eine neue App-Installation zu generieren, und wird berechnet, indem die gesamten Werbeausgaben durch die Anzahl der auf diese Ausgaben zurückzuführenden Installationen geteilt werden. CPA erweitert dieses Konzept: Es misst die Kosten, die mit einer bestimmten gewünschten Aktion über die reine Installation hinaus verbunden sind, wie z. B. die Nutzerregistrierung, der Abschluss einer Onboarding-Sequenz oder ein erster Kauf. Sowohl CPI als auch CPA sind entscheidend für die Bewertung der finanziellen Leistung verschiedener Werbekanäle und Kampagnen.

• Kundenakquisekosten (CAC): Diese bieten einen ganzheitlichen Blick auf die Akquisekosten, indem sie sich speziell auf die Gewinnung eines zahlenden Kunden konzentrieren. Der Wert berechnet sich aus den gesamten Vertriebs- und Marketing-Kosten (einschließlich Gehältern, Gemeinkosten, Werbeausgaben usw.) über einen bestimmten Zeitraum, dividiert durch die Anzahl der in diesem Zeitraum neu gewonnenen zahlenden Kunden. CAC ist typischerweise höher als CPI oder CPA, da der Wert berücksichtigt, dass sich nicht alle gewonnenen Nutzer (Installationen oder erste Aktionen) letztendlich monetarisieren lassen. Er setzt die Akquiseausgaben direkt in Beziehung zum Umsatzgenerierungspotenzial.

 
Interaktionskennzahlen, die die Nutzerinteraktion messen.

Sobald Nutzende akquiriert sind, messen die Interaktionskennzahlen, wie aktiv und häufig sie mit der mobilen App oder Website interagieren. Hohe Interaktion ist oft ein Vorläufer für Monetarisierung und langfristige Kundenbindung.

• Täglich aktive Nutzer (DAU) und monatlich aktive Nutzer (MAU): DAU steht für die Anzahl der einzelnen Nutzenden, die sich an einem bestimmten Tag mit der App beschäftigen, während MAU die einzelnen Nutzenden über einen Zeitraum von 30 Tagen misst. Diese Kennzahlen geben Aufschluss über die Gesamtgröße der aktiven Nutzerbasis und die allgemeine „Bindungskraft“ der App. Das Verhältnis von DAU zu MAU (oft als Prozentsatz ausgedrückt) gibt Einblick in die Interaktionshäufigkeit – ein höheres Verhältnis deutet darauf hin, dass Nutzende innerhalb eines Monats regelmäßiger zurückkehren.

• Sitzungsdauer und Häufigkeit: Die Sitzungsdauer misst die durchschnittliche Verweildauer der User während einer einzelnen Sitzung in der App. Die Session-Frequenz verfolgt, wie oft Nutzende neue Sessions über einen bestimmten Zeitraum initiieren (z. B. pro Tag, pro Woche). Zusammen messen diese Kennzahlen die Tiefe und Regelmäßigkeit der Nutzerinteraktion. Längere Sitzungen und eine höhere Frequenz korrelieren typischerweise mit einer größeren Investition der Nutzenden in die App.

• Bindungsrate: Diese wichtige Kennzahl misst den Prozentsatz der User, die nach einem bestimmten Zeitraum nach der ersten Nutzung zur App zurückkehren (z. B. Beibehaltung an Tag 1, an Tag 7 oder an Tag 30). Hohe Bindungsraten sind für nachhaltiges Wachstum unerlässlich und deuten darauf hin, dass die App einen kontinuierlichen Mehrwert bietet und die Nutzenden zum Wiederkommen bewegt. Sie ist ein starker Indikator für die Produkt-Markt-Eignung und langfristige Lebensfähigkeit.

• Abwanderungsrate: Die Abwanderungsrate ist das Gegenteil der Bindung und stellt den Prozentsatz der Nutzerinnen und Nutzer dar, die die App über einen definierten Zeitraum nicht mehr nutzen. Eine hohe Churn Rate signalisiert Probleme, die möglicherweise mit der User Experience, mangelnder Wertwahrnehmung, technischen Problemen oder nicht zufriedenstellendem Onboarding zusammenhängen. Die Minimierung der Abwanderung ist entscheidend für die Aufrechterhaltung einer gesunden Nutzerbasis und die Maximierung des Lebenszeitwerts.

Starke Interaktionskennzahlen dienen als wesentliche Voraussetzungen für die Erreichung eines substanziellen Customer Lifetime Value (CLV). Sie fungieren als Frühindikatoren für zukünftiges Monetarisierungspotenzial und den Allgemeinzustand des Unternehmens. Schlechte Interkationskennzahlen prognostizieren unweigerlich einen niedrigen CLV, unabhängig davon, wie viele oder wie kostengünstig Nutzende ursprünglich akquiriert wurden. Folglich können strategische Bemühungen, die auf die Verbesserung der Nutzerinteraktion und der Kundenbindung abzielen, selbst bei scheinbar geringen prozentualen Zuwächsen erhebliche positive Auswirkungen auf den langfristigen Umsatz und die Rentabilität haben.

Monetarisierungskennzahlen zur Umsatzmessung.

Monetarisierungskennzahlen verfolgen direkt die finanzielle Leistung der mobilen Marketing-Maßnahmen und der App selbst und bewerten, wie effektiv die Nutzerbasis in Umsatz umgewandelt wird.

• Durchschnittlicher Umsatz pro User (ARPU): Der ARPU wird berechnet, indem die in einem bestimmten Zeitraum erzielten Gesamteinnahmen durch die Gesamtzahl der aktiven User in diesem Zeitraum geteilt werden. Der Wert bietet ein breites Maß für den durchschnittlichen Umsatzbeitrag der gesamten Nutzerbasis, einschließlich zahlender und nicht zahlender Nutzender.

• Durchschnittlicher Umsatz pro zahlendem User (ARPPU): Der ARPPU konzentriert sich speziell auf die Einnahmen, die von Usern erzielt werden, die Käufe tätigen oder einen finanziellen Beitrag leisten. Er wird berechnet, indem die Gesamteinnahmen durch die Anzahl der zahlenden User geteilt werden. ARPPU bietet eine klarere Sicht auf die Monetarisierungseffektivität innerhalb des konvertierenden Nutzersegments und hilft, die Ausgabenmuster wertvoller Kunden zu verstehen. Der Vergleich von ARPU und ARPPU zeigt den Anteil der Nutzenden, die den Umsatz antreiben.

• Kundenlebensdauerwert (CLV): Der CLV (Customer Lifetime Value; manchmal auch als LTV bezeichnet) ist eine prädiktive Kennzahl, die den gesamten Nettoumsatz darstellt, den ein Unternehmen von einem einzelnen durchschnittlichen Kunden bzw. einer Kundin während seiner gesamten Beziehung zur App oder Marke erwarten kann. Die Berechnung des CLV beinhaltet in der Regel den durchschnittlichen Kaufwert, die Kaufhäufigkeit und die Kundenlebensdauer (oft abgeleitet aus Bindungs-/Abwanderungsraten). Er ist wohl eine der wichtigsten Kennzahlen für nachhaltiges Wachstum, da er den Fokus von kurzfristigen Gewinnen auf langfristige Kundenbeziehungen und Rentabilität verlagert. Ein erfolgreiches Geschäftsmodell erfordert im Allgemeinen einen deutlich höheren LTV im Vergleich zum CAC.

• Rendite der Werbeausgaben (ROAS): Dieser Wert misst die Bruttoeinnahmen, die für jeden für Werbung ausgegebenen Dollar erzielt werden. Der Wert wird berechnet, indem der direkt einer Werbekampagne zugeschriebene Umsatz durch die Kosten dieser Kampagne geteilt wird. ROAS bietet ein direktes Maß für die Rentabilität spezifischer Werbemaßnahmen und wird häufig zur taktischen Kampagnenoptimierung verwendet.

Gängige Attributionsmodelle.

Es gibt mehrere Attributionsmodelle, und die Wahl des Modells beeinflusst maßgeblich, wie die Kanal-Performance wahrgenommen wird.

• First-Touch-Attribution: Weist dem ersten Marketing-Touchpoint, mit dem ein Nutzer interagiert hat, bevor er konvertiert, eine 100%ige Attribution zu.

• Last-Touch-Attribution: Weist dem letzten Touchpoint vor der Conversion eine 100%ige Attribution zu. Dies ist historisch aufgrund seiner Einfachheit üblich, übersieht aber oft frühere einflussreiche Interaktionen.

• Multitouch-Attribution: Versucht, die Attribution über mehrere Touchpoints in der User Journey zu verteilen. Gängige Varianten umfassen:

• Linear: Verteilt die Attribution gleichmäßig auf alle Touchpoints.

• Zeitverfall: Weist Touchpoints, die zeitlich näher an der Conversion liegen, einen höheren Wert zu.

• U-förmig (positionsbasiert): Dem ersten und dem letzten Touchpoint wird ein höherer Wert zugewiesen, während der Rest auf die Interaktionen in der Mitte verteilt wird.

Die Auswahl eines Attributionsmodells sollte idealerweise die typische Customer Journey und die Geschäftsziele widerspiegeln, aber praktische Einschränkungen und die Datenverfügbarkeit beeinflussen oft die Wahl.

Herausforderungen bei der mobilen Attribution.

Die Attribution im mobilen Umfeld steht vor mehreren speziellen und wichtigen Herausforderungen.

• View-Through-Attribution (VTA): Dies bezieht sich auf die Attribution von Conversions, die stattfinden, nachdem ein User eine Anzeige gesichtet (Impression), aber nicht darauf geklickt hat. Obwohl Anzeigenansichten das Verhalten beeinflussen können, ist es technisch schwierig und oft auf spezifische Tracking-Methoden von Werbenetzwerken und MMPs angewiesen, diesen Zusammenhang definitiv zu messen und falsche Korrelationen zu vermeiden. Die Bestimmung des geeigneten Lookback-Fensters (wie lange nach dem Ansehen einer Anzeige eine Conversion zugeschrieben werden sollte) ist ebenfalls komplex.

• Geräteübergreifendes Tracking: User interagieren häufig mit Marken über mehrere Geräte hinweg. Sie entdecken sie auf einer mobilen App, recherchieren auf einer Desktop-Website und konvertieren vielleicht anschließend auf einem Tablet. Diese Interaktionen einer einzigen Nutzer-Journey zuzuordnen, ist aufgrund fragmentierter Nutzeridentifikatoren und unterschiedlicher Tracking-Mechanismen auf verschiedenen Plattformen (Webcookies vs. mobile Anzeigen-IDs) bekanntermaßen schwierig. Eine wirklich einheitliche Sicht auf den Kundenpfad kommt auf diese Weise nicht zustande.

• Walled Gardens: Die großen Werbeplattformen wie Meta und Google arbeiten als „Walled Gardens“. Sie besitzen umfangreiche Daten über die Nutzeraktivität in ihren eigenen Ökosystemen und verwenden oft ihre eigenen internen Attributionssysteme. Von diesen Plattformen gemeldete Daten können sich manchmal von den von Drittanbieter-MMPs gemeldeten Daten unterscheiden. Dies ist die Folge von Unterschieden in der Attributionslogik, den Lookback-Fenstern oder dem Datenzugriff. Oft ist es Aufgabe der Marketing-Fachleute, diese unterschiedlichen Ergebnisse in Einklang zu bringen.

• Datenschutzgesetze: Dies ist die größte Herausforderung, vor der die mobile Attribution derzeit steht. Datenschutzbestimmungen wie die DSGVO und CCPA, gepaart mit plattformgestützten Richtlinien, insbesondere Apples App Tracking Transparency (ATT) Framework, haben den Datenschutz und das mobile Analyse-Tracking grundlegend beeinflusst. ATT verlangt, dass Apps die ausdrückliche Zustimmung der Nutzenden einholen, bevor sie auf den eindeutigen Identifier for Advertisers (IDFA) des Geräts für Tracking-Zwecke über die Apps und Websites verschiedener Unternehmen hinweg zugreifen. Da viele Nutzende dies ablehnen („Opt-out“), ist die Verfügbarkeit der IDFA für deterministisches, nutzerbezogenes Cross-App-Tracking stark gesunken. Als Reaktion darauf führte Apple SKAdNetwork ein, ein datenschutzfreundliches Attributions-Framework. SKAdNetwork stellt Attributionsdaten direkt vom Betriebssystem an Werbenetzwerke bereit, aber diese sind aggregiert (nicht nutzerbezogen), verzögert und in der Menge der Kampagnengranularität und der resultierenden Post-Install-Ereignisdaten begrenzt. Dieser Wandel beeinträchtigt die Fähigkeit, präzise, echtzeitnahe, nutzerbezogene Attribution für iOS-Kampagnen durchzuführen, ganz erheblich. Ähnliche Datenschutzüberlegungen betreffen Android-Werbe-IDs (Google Advertising ID oder GAID) und Browser-basiertes Tracking.

Ereignisnachverfolgung.

Ereignisnachverfolgung beinhaltet die Konfiguration einer Analyseplattform (wie Adobe Analytics), um spezifisches, vordefiniertes Benutzerverhalten oder Ereignisse innerhalb der App aufzuzeichnen. Diese Ereignisse können alles sein, was als wichtig erachtet und deshalb nachverfolgt wird, also von einfachen Interaktionen wie Klicks auf Schaltflächen, Ansichten von Bildschirmen oder Scroll-Aktivitäten bis zu bedeutenderen Meilensteinen wie dem Abschluss eines Tutorials, dem Hinzufügen eines Artikels zum Warenkorb, dem Beenden eines Levels in einem Spiel, dem Teilen von Inhalten oder einer Bestellung.

Die Implementierung einer umfassenden Ereignisnachverfolgung liefert granulare Daten darüber, wie Nutzende mit verschiedenen Funktionen und Inhalten innerhalb der App interagieren. Sie ermöglicht Marketing- und Produkt-Teams, die Akzeptanzraten von Funktionen zu messen, Nutzerinteraktionsmuster auf detaillierter Ebene zu verstehen, den Fortschritt durch wichtige Workflows nachzuverfolgen und spezifische Benutzerverhaltensweisen zu identifizieren, die mit Bindung oder Monetarisierung korrelieren. Diese granularen Daten sind das Rohmaterial für anspruchsvollere Analysen wie Trichter- und Nutzerflussanalysen.

Trichteranalyse.

Die Trichteranalyse visualisiert die sequenziellen Schritte, die Nutzende unternehmen, um ein bestimmtes, gewünschtes Ziel oder einen Conversion-Pfad innerhalb der App abzuschließen. Beispiele hierfür sind der Nutzerregistrierungsprozess, der E-Commerce-Checkout-Flow, die Onboarding-Tutorial-Sequenz oder die Schritte, die zur Durchführung einer Kernaktion in einer Produktivitäts-App erforderlich sind. Die Analyse misst die Anzahl der Nutzenden, die jeden Schritt erfolgreich abschließen, und berechnet vor allem die Conversion- oder Abbruchrate – zwischen aufeinanderfolgenden Schritten.

Der Hauptwert der Trichteranalyse liegt in der Identifizierung von Engpässen und Reibungspunkten innerhalb kritischer Userflows. Indem genau lokalisiert wird, wo Nutzende einen Prozess abbrechen (hohe Abbruchraten zwischen bestimmten Schritten), können Teams ihre Optimierungsbemühungen auf die Verbesserung dieser Phasen konzentrieren. Wenn beispielsweise ein Checkout-Trichter einen großen Abbruch zwischen der Ansicht des Warenkorbs und dem Einleiten der Zahlung zeigt, signalisiert dies ein potenzielles Problem mit dem Design, der Klarheit oder den verfügbaren Zahlungsoptionen der Warenkorb-Ansicht.