Das datengetriebene Attributionsmodell

25.03.2022

< ZurĂŒck zur Übersicht

Marketing-Budget mithilfe von KI optimal verteilen

Eine der hĂ€ufigsten Problemstellungen im E-Commerce und im Online-Marketing ist die Verteilung des Werbebudgets. Getreu dem Zitat des großen Automobilpioniers und Erfinders Henry Ford:

„Half the money I spend on advertising is waste & the problem is I do not know which half.“

Dabei ist die optimale Zielwertbestimmung noch ein wenig komplizierter. Eine Verteilung des Werbebudgets kann anhand „harter“ KPIs festgemacht werden. Ein Onlinemarketingkanal, etwa Suchmaschinenmarketing (SEA), wird mittels Kostenumsatzrelationen (KUR) und Kostenabsatzrelationen (KAR) gemessen und demnach auch mit einem Budget versorgt, sodass nach Ende einer Werbeperiode ein positives Ergebnis zu verzeichnen ist.

Allerdings gibt es viele KanĂ€le, die Interessenten oder Neukunden auf eine gewĂŒnschte Landingpage weiterleiten (Traffic-Orientierung) und nicht den reinen Abschluss fokussieren, wie es Remarketing- oder RetargetingkanĂ€le tun.

Wie können Unternehmen diese Punkte in Einklang bringen und das gewĂŒnschte GeschĂ€ftsmodell optimal aussteuern? Das zeigen wir Ihnen im nachfolgenden Paper.

Die Customer Journey

Eine Customer Journey beschreibt den Weg des Kunden entlang verschiedener Touchpoints, an denen dieser mit einem Produkt, einer Marke oder einem Unternehmen in BerĂŒhrung kommt. Dabei definiert man fĂŒr diese Kundenreise in der Regel drei Phasen:

1. Die Vorkaufsphase

2. Die Transaktionsphase

3. Die Nachkaufphase

Im Fokus der optimalen Budgetverteilung sind aber vor allem die Vorkaufs- und Transaktionsphase relevant (Awareness und Consideration), da im Rahmen des Attributionsmodells eine Journey mit einem erfolgreichen Abschluss endet. Beispielsweise mit einem Kauf eines Produktes. Schematisch kann eine Customer Journey wie folgt skizziert werden:

Abbildungen_Artikel_Customer_Journeys_Seite_1

Jeder einzelne Punkt symbolisiert einen Touchpoint, indessen der Kunde mit dem Unternehmen interagiert, obgleich der Kunde auch mehrmals den gleichen Kontaktpunkt nutzen kann. Die Summe der einzelnen Touchpoints bis zum definierten Zielevent bezeichnet die KettenlĂ€nge der jeweiligen Journey. Das heißt, es gibt sowohl kurze, als auch lĂ€ngere Kundenreisen. Allerdings werden die einzelnen Journeys in der Regel auf 30 Tage normiert. Sollte ein Kunde also fĂŒr ein Eventabschluss nach seinen „Erstkontakt“ lĂ€nger als 30 Tage benötigen, bricht die Journey ab und es beginnt eine neue. Diese Grenze ist dabei willkĂŒrlich gewĂ€hlt,  hat sich aber mittlerweile branchenweit bewĂ€hrt, da man gerne eine monatliche Sicht auf das Budget verfolgt.

Icon GlĂŒhbirneWeiterfĂŒhrende Informationen zur Customer Journey in der CINTELLIC-Publikation:
Customer Journeys erfolgreich verstehen, abbilden und gestalten

 

Bewertung der Customer Journey

Um ein Budget zu allokieren, können nun mehrere Bewertungsmodelle verwendet werden, rein regelbasierte – oder rein statistische Modelle. Aber der Reihe nach. Bei Onsite- und Kampagnentools (u.a. SAS Customer Intelligence 360 & Google Analytics) werden hĂ€ufig einfache Attributionsmodelle im Lieferumfang mit angeboten. Die bekanntesten Logiken sind First- und Last Click Modelle, sowie das Badewannenmodell, welche im Folgenden kurz erlĂ€utert werden.

First Click Modelle:

Im Falle der First Click Attribution wird der erste Kanaleinsprung einer Journey mit 100% gewichtet. Im Beispiel bedeutet dies, dass bei fĂŒnf potenziellen Kontakten der erste Kontakt der wichtigste war und der Erlös auf eben diesen Kanal „geschrieben“ wird. Das kann durchaus Sinn ergeben, da so KanĂ€le und Kampagnen mit Budget versorgt werden, die das Produkt oder die Marke mit „Traffic“ und Ansprachen versorgen. Möchte man also in einen Markt mit seinem neuen Produkt Bekanntheit erlangen, ist dieser Ansatz durchaus plausibel und nachvollziehbar.

Problematisch erweist sich dieses Modell aber dahingehend, da es kaum Erkenntnisse ĂŒber die Auswirkung auf Conversions und dem Umsatz enthĂ€lt. Der Checkout-Prozess wird hier nicht fokussiert. Weiter werden, wie bei allen anderen regelbasierten Modellen, alle anderen KanĂ€le oder Kampagnen, die fĂŒr den Abschluss wichtig waren, außen vorgelassen.

Last Click Modelle:

Last Click Modelle funktionieren, wie First Click Modelle, mit dem Unterschied, dass nun der letzte Kanaleinsprung der Relevante ist. Das setzt die Kampagnen und OnlinemarketingkanÀle ist den Mittelpunkt, die rein auf Conversion optimiert werden. In der Regel sind dies Onsite-Kampagnen, Affiliate- und RetargetingkanÀle, aber auch das E-Mail-Marketing.

Wie auch bei den First Click Modellen wird der Einfluss der anderen Touchpoints völlig ignoriert. Dieses Vorgehen ist fĂŒr die Bestandkundenbespielung sinnvoll, lĂ€sst aber die traffic-starken KanĂ€le außen vor. Somit nimmt man auch immer ein Verzicht auf Neukundengewinnung in Kauf, was insbesondere bei der Verfolgung einer Wachstumsstrategie kein geeignetes Vorgehen fĂŒr ein Unternehmen ist.

Badewannenmodelle:

Die Badewannenmodelle sollen die SchwĂ€chen der vorab vorgestellten Modelle abfedern. Sowohl Neukunden- als auch der Checkout werden gleichermaßen berĂŒcksichtigt. Zudem kann das Unternehmen die Gewichte fĂŒr die einzelnen Touchpoints vorab aus den eigenen Erfahrungen heraus bestimmen.

Und genau das ist das eigentliche Problem, denn eine solche Gewichtsbestimmung kann dazu fĂŒhren, dass eigentlich sehr niedrigwertige Kontaktpunkte zu stark gewichtet werden. Ferner ist die Umstellung auf ein Badewannen-, oder auch U-Modellansatz schon der erste Schritt fĂŒr ein datengetriebenes, statistisches Modell.

Das datengetriebene, statistische Modell

Beim datengetriebenen, statistischen Ansatz handelt es sich um ein Modell, welches nicht im Umfang der fĂŒhrenden Kampagnentools mit bereitgestellt wird. Das Modell muss fĂŒr jedes Unternehmen einzigartig erstellt und konfiguriert werden und  in einen IT-Prozess eingebettet werden. Das bringt den großen Vorteil mit sich, dass nun auf alle BedĂŒrfnisse eines Unternehmens oder einer Fachabteilung RĂŒcksicht genommen werden kann. Lassen sich die regelbasierten, standardisierten Modelle nur auf eine KPI (Bestellwert, Clicks, Conversions, etc.) kontrollieren, kann ein individuell entwickeltes Modell eben alle gewĂŒnschten KPIs bewerten.

1. Die genauere Verifizierung des Kaufs, bzw. des Abschlusses:

Ein Vertrags- oder Kaufabschluss lÀsst sich wunderbar binÀr reduzieren, der Kunde kauft oder eben nicht. Allerdings muss man hier einschrÀnken, dass ein potenzieller Abschluss ein sehr komplexer Vorgang ist. Dieser Vorgang beruht auf einer Vielzahl interner und externer Faktoren, die mit regelbasierten Attributionsmodellen nicht beachtet werden.

Die internen Faktoren sind recht leicht zu identifizieren, da sie uns der Kunde immer gleich mitliefert. Über das Tracking sind Kundenverhalten und Kaufabsichten bekannt, also die sogenannten Engagement-Parameter. Weiter ist bekannt, welches Werbebudget fĂŒr den Kunden pro Periode aufgewendet wurde. Dies umfasst selbstverstĂ€ndlich das Online- als auch das Offlinebudget. Zudem verfĂŒgen Unternehmen ĂŒber Vergangenheitsdaten dieser  Kunden bzw. dieser Kundengruppen, also welche AbschlĂŒsse hat der Kunde vorher schon geschlossen und wie rentabel waren diese.

Die externen Faktoren werden im Rahmen der Erstellung des Attributionsmodells analytisch gewonnen. Dabei sind mache ebenfalls bekannt, andere können nicht sichtbar gemacht werden. Bekannt sind in der Regel der Wohnort oder die Wohnregion eines Kunden (GEO-ID oder PLZ), in AbhĂ€ngigkeit der aktuellen Datenschutzgrundverordnung (DSGVO). So gibt es Regionen in Deutschland oder Europa, die im Mittel ĂŒber ein höheres Haushaltseinkommen verfĂŒgen als andere.

Dies zahlt u.a. in Kundengruppen-ElastizitĂ€ten ein, also zu welchem Betrag der Kunde bereit ist, einen Vertrag abzuschließen oder ein Produkt zu kaufen. Auch lĂ€sst sich einteilen, ob es sich um ein notwendiges Produkt (Lebensmittel, Medikamente, Haftpflicht, etc.) handelt oder ob die Kampagne ein reines Luxusgut (Schmuck, Automobil, Lebensversicherung) bewirbt. Was ein Unternehmen allerdings nicht in Erfahrung bringen kann, sind die intrinsischen BedĂŒrfnisse des einzelnen Kunden, die in der jeweiligen Situation zum Abschluss fĂŒhren. Denn auch ob ein Kunde satt oder hungrig ist, oder gesund oder krank hat Auswirkungen auf diesen Prozess.

Zusammenfassend lĂ€sst sich zeigen, dass ein datengetriebenes Modell alle internen und viele externe Faktoren in eine Berechnung der optimalen Werbebudgetverteilung mit aufnehmen kann. Traditionell sind interne und externe Kontrollvariablen wichtig, da sie die elementaren Attribute (KanaleinspĂŒnge) bereinigen und somit genauer optimiert werden kann.

2. Aufbau eines datengetriebenen Attributionsmodells:

Die technische Umsetzung eines Attributionsmodells lÀsst sich in drei wichtige Phasen unterteilen:

  • Im ersten Schritt werden die zur VerfĂŒgung stehenden Daten auf Ausreißer und Datenfehler geprĂŒft und in ein statistisches KI-Modell geladen. Die Validierung der einzelnen Variablen oder Features (KI-Kontext) ist elementar und muss anschließend bei jedem standardisierten Prozesslauf durchgefĂŒhrt werden (klassisches pre-processing). Das statistische Modell ist hier freier zu wĂ€hlen, da eine Festlegung auf ein Modell hĂ€ufig zu einem methodischen Operationalisierungsproblem fĂŒhrt.Genauer: Das Modell soll sich den Daten anpassen und nicht umgekehrt. HĂ€ufig werden auch mindestens zwei Modelle zu Trainingszwecken implementiert, um den „Gewinner“ ĂŒber ein Benchmark-Verfahren zu ermitteln. Dabei wird v.a. auf zwei wichtige AusprĂ€gungen kontrolliert, die Performance des Modells und die Genauigkeit. AbhĂ€ngig vom Use Case muss abgewĂ€gt werden, welcher der beiden Punkte relevanter fĂŒr das Unternehmen ist. Bei einer „Neartime“-Umsetzung (auch als Realtime bekannt) ist die Performance wichtiger, da die Allokation sofort durchgefĂŒhrt werden muss. Bei monatlichen Budgetallokationen wird hingegen auf die Genauigkeit fokussiert.
  • Der zweite Schritt ist der eigentliche IT-Prozess. Sind die analytischen Vorarbeiten abgeschlossen (Schritt Eins) wird ein nachvollziehbarer Prozess, inklusive Scheduling und Monitoring, aufgesetzt. Je nach Use Case mĂŒssen hier neben ETL- auch Streaming-Strecken aufgebaut werden. Die Daten werden aus der Cloud oder dem DWH geladen und der beschriebenen Pipeline ĂŒbergeben. Diese startet dann nach und nach alle relevanten Prozesse an, sodass eine Parameterberechnung zur Allokationsoptimierung stattfinden kann.
  • Im dritten Schritt werden die gewĂŒnschten Parameter, also die genauen EinflĂŒsse der jeweiligen Kampagnen und KanĂ€le, ausgegeben und in gewĂŒnschte Outputdateien geschrieben. Diese werden dann den relevanten Fachbereichen und dem DWH wieder zugespielt. Die genaue Ausgabe der Dateien ist kundenabhĂ€ngig und kann ĂŒber E-Mails erfolgen oder ĂŒber den DWH-Export in ein firmenweites, oder bereichsweites Reportingtool ĂŒbergeben werden.Schlussendlich gelangen die Parameter auch wieder zur Analytics-Abteilung, die die Berechnungen auch fachlich weiter betreut und die Ergebnisse fortlaufend validiert, obgleich ein „fertiges“ Attributionsmodell wenig Pflege bedarf.

Zusammenfassend wird somit ein fertiges Statistiksoftwareprodukt initialisiert und ĂŒber standardisierte IT-Prozesse implementiert. Der Output wird dem Stakeholder bzw. dem Fachbereich auf jede gewĂŒnschte Art und Weise zur VerfĂŒgung gestellt.

Fazit

Ein datengetriebenes Attributionsmodell kontrolliert auf alle sichtbaren Effekte, die auf einen Kauf- oder Vertragsabschluss wirken. Somit lĂ€sst sich das Werbebudget genaustens optimieren, was zur Folge hat, dass jeder Kanal oder jede Kampagne genau mit dem richtigen Budget versorgt wird. Dabei entscheidet jedes Unternehmen selbst, was das „richtige“ Budget ist, denn der GeschĂ€ftsfokus kann zwischen Produkten oder Marken variieren. Manchmal sind Image und Bekanntheit, sowie mehr Neukunden wichtiger als die Nettoumsatzerlöse. Wichtig dabei ist zu verstehen, dass ein datengetriebenes Modell genau das alles vereint und so Ihrem Business bestens weiterhilft.

Folgendes spricht fĂŒr eine Zusammenarbeit mit CINTELLIC

CINTELLIC hat langjĂ€hrige, branchenĂŒbergreifende Erfahrung in der Analyse, Optimierung und Implementierung von datengetriebenen Attributionsmodellen. Als kompetenter Partner begleiten und unterstĂŒtzen wir Sie gerne in allen Projektphasen – von der Analyse, ĂŒber die Planung bis hin zur Umsetzung und Aussteuerung. Zögern Sie nicht, uns anzusprechen.

Hier können Sie die Publikation kostenfrei als PDF herunterladen:

PDF jetzt herunterladen
Cintellic_Das-Attributionsmodell
CINTELLIC Consulting - Social Media