Trotz des durch die Coronavirus-Krise verursachten Rückgangs verzeichnet die digitale Werbebranche seit Jahren ein starkes Wachstum und erreichte laut Statista 2019 einen weltweiten Umsatz von mehr als 335 Millionen Dollar. In einer komplexen Werbebranche, die die Kanäle ständig neu erfindet und jeden Tag neue Akteure hinzugewinnt, sind fortgeschrittene Attributionsmodelle von entscheidender Bedeutung, um die Rentabilität von Werbeinvestitionen und die Wirksamkeit von Websites genau zu bewerten.
Die Einschränkungen traditioneller Attributionsmodelle
Ein Attributionsmodell ist eine Gruppe von Regeln, mit dessen Hilfe Unternehmen den Wert jeder Interaktion mit der Marke bei der endgültigen Conversion ermitteln (die Wirksamkeit der Werbekampagnen, aber auch jeder Touchpoint auf der Seite und sogar in der physischen Umgebung, wenn wir von Omnichannel-Modellen sprechen). Die am häufigsten verwendeten Attributionsmodelle sind folgende:
- Letzter Klick oder Last-Click: Die gesamte Conversion wird einer einzigen Aktion zugewiesen, dem letzten Klick im Conversion-Pfad. Dieses Modell spiegelt eine sehr begrenzte Realität wider: Customer Journey Map oder Route der Kundenreise sind heute viel komplexer.
- Multikanal oder Multi-Channel: Umfasst mehrere Kanäle und Phasen, wobei ein fester Prozentsatz der Conversion auf die verschiedenen Aktionen verteilt wird. Ihre Einschränkung besteht darin, dass es sich um geschlossene Modelle handelt: die Prozentsätze sind festgelegt und entwickeln sich nicht weiter, auch wenn sich der Nutzer und sein Verhalten ändern.
- Datengetriebene Attribution oder Data-Driven Attribution: Diese Modelle passen die Prozentsätze der Attribution für jede Aktion auf variable Weise an. Ihre Einschränkung besteht darin, dass sie nur die Route des Nutzers außerhalb der Website analysieren (insbesondere der verschiedenen Werbekampagnen) und nicht das Verhalten des Nutzers auf der Seite berücksichtigen.
Im Gegensatz zu diesen Methoden werten fortgeschrittene Attributionsmodelle nicht nur die Kanäle aus, die den Nutzer auf die Website gebracht haben, sondern analysieren auch das Nutzerverhalten auf der Website und vergleichen alle Daten, um den gesamten Kaufzyklus darzustellen.
Fortgeschrittene Attributionsmodelle: die Vorteile mit Machine Learning
Die überwachten Lernalgorithmen arbeiten mit bereits klassifizierten Ein- und Ausgabedaten, d. h. dem System wird das gewünschte Ergebnis vorgegeben und es leitet aus den erhaltenen Daten Regeln ab.
Daher sind Attributionsmodelle mit Machine Learning nicht voreingestellt, sondern werden kontinuierlich angepasst und mit der Zeit immer genauer. So ist es beispielsweise nicht notwendig, das Attributionsmodell bei jeder Änderung des Website-Designs neu zu überdenken, sondern es wird automatisch in den Algorithmus integriert und passt sich selber an.
Bei der anfänglichen Klassifizierung der Daten ist es wichtig, die vorhandenen Informationen zu nutzen, um sämtliche Möglichkeiten des Nutzers zur Interaktion mit der Website zu messen und zusätzliche Daten einzubeziehen, die den Kontext der Aktivität liefern. Diese Daten müssen Fragen beantworten wie: Wie viel Zeit verging zwischen den Ereignissen, wie oft wurde jede Aktion durchgeführt, welche elektronischen Geräte verwendete der Nutzer und von welchem geographischen Standort aus hatte er Zugang zu der Seite. Je reichhaltiger die Informationen sind, desto besser funktioniert das Modell, um die Qualität des Traffics zu bestimmen.
Álex Masip, Head of Data in Labelium Spanien
Darüber hinaus sind Attributionsmodelle mit Machine Learning in der Lage, Betrug aufzudecken, indem sie das Nutzerverhalten analysieren. Wenn ein Bot große Mengen an Datenverkehr aufzeichnet, dann aber keine Aktivität auf der Website aufweist, erkennt das Attributionsmodell mit Machine Learning diesen und schenkt ihm bei der Conversion keine Aufmerksamkeit.
Wie ein Attributionsmodell mit Machine Learning funktioniert
Es gibt drei Schlüsselphasen:
1. Datenerfassung: Dies kann über Google Analytics 360 exportiert werden oder, falls dies nicht möglich ist, mit einem JavaScript-Code, der die Daten speichert. Es können auch andere Datenquellen hinzugefügt werden, wie z.B. Adserver, CRM oder Modelle, die die UTMs interpretieren.
2. Entwicklung eines Data Lake, in dem die Daten gruppiert werden: Dies kann mit Hilfe von Plattformen wie BigQuery, Amazon, Azure oder Snowflake artikuliert werden.
3. Implementierung des Attributionsmodells mit Machine Learning im Data Lake, sodass es jeder Sitzung und jeder externen Aktion des Nutzers einen Wert zuweist. Auf diese Weise wird die Wahrscheinlichkeit der Conversion genau gemessen. Der Algorithmus führt für jeden Besuch auf der Website eine individuelle Berechnung durch und gruppiert sie dann, um eine Gesamtprozentsatz zu erhalten und so den Wert zu bestimmen, den jede Interaktion im Endverkauf hatte.
Attribution in Echtzeit und in ständiger Entwicklung
Attributionsmodelle mit Machine Learning ermöglichen nicht nur die Analyse der Auswirkungen abgeschlossener Werbekampagnen, sondern liefern auch einen globalen Überblick über das Geschehen in Echtzeit. Dies erleichtert die kontinuierliche Verbesserung der Strategie, indem Ineffizienzen erkannt und korrigiert werden. Außerdem können fortgeschrittene Attributionsmodelle Zukunftsprognosen erstellen, indem sie mögliche Szenarien vorschlagen. So können Sie sich für die profitabelste Version entscheiden.
Wenn Sie möchten, dass wir Ihnen bei der Implementierung eines fortgeschrittenen Attributionsmodells auf Ihrer Website oder im E-Commerce helfen, zögern Sie nicht, uns zu kontaktieren. Wir werden Ihren individuellen Fall analysieren, um Ihnen die effektivste Umsetzung bieten zu können.