In den Jahren 2017 bis 2019 stiegen die Investitionen in Werbung in Deutschland von 27,02 Milliarden Euro auf 34,89 Milliarden (Weidenbach, n.d.). Mit einem durchschnittlichen monatlichem Werbebudget von 1.000 Euro im deutschen Mittelstand (Fuleda, n.d.) ist es für Unternehmen von großer Relevanz, Methoden zu haben eine effektive und effiziente Verteilung des Werbebudgets zu kalkulieren. Da ein Onlineauftritt im 21. Jahrhundert nicht mehr wegzudenken ist, müssen Unternehmen durch Marketing Attribution ihre Werbeausgaben auf Offline- und Onlinemarketing verteilen.
Wozu dient Marketing Attribution?
Um herauszufinden, welche Kanäle möglichst effektiv sind und wie Sie das begrenzte Werbebudget möglichst effizient verteilen, werden im Onlinemarketing sogenannte Attributionsmodelle verwendet. Mithilfe dieser Attributionsmodelle können Sie festlegen welche Kanäle für Ihre Kommunikation wichtig sind und diese Wichtigkeit mit Gewichtungen priorisieren. Durch das Abbilden von Nutzerverhalten und dem Zuordnen von monetären Werten in Abhängigkeit des Erfolgsanteils, strukturieren und bewerten Sie unterschiedliche Marketingkanäle. Nach einer solchen Modellierung können Sie ihr Marketingbudget effizient verteilen und höchste Effektivität erreichen (Abrahamczik, n.d.).
Durch die Entwicklung von Technologien, welche es uns erlauben Nutzer einer Website zu tracken (z.B. durch Cookies), ist es Ihnen möglich einen genaueren Einblick in die Customer Journey bis zur Umsetzung einer gewünschten Aktion (einer Conversion) eines Nutzers zu bekommen. Basierend auf diesen Technologien entstanden bald darauf die Attributionsmodelle der ersten Generation. Wie die meisten Modelle der ersten Generation basiert auch das bekannteste Attributionsmodell, das „Last Interaction Modell“, auf der Attribution eines einzigen Kanals und simplen heuristischen Annahmen (Leguina et al., 2020). Verschiedenen Web-Analyse Tools, wie Google Analytics, verwenden derzeitig diese Modelle (Clifton, 2015; Kakalejč et al., 2018; Kaushik, 2011; X. & Li, 2011).
Entwicklung der Marketing Attribution
Attributionsmodelle der ersten Generation
In dem „Last Interaction Modell“ wird nur auf die letzte Interaktion eines Nutzers mit einem Kanal geachtet, wobei diesem Kanal der volle Wert des Nutzers zugeschrieben wird. Zu unterscheiden sind in diesem Fall drei unterschiedliche Vorgehensweisen: Im „Last Click Modell“ werden alle monetären Werte des Nutzers in vollem Anteil auf den Kanal des letzten Clicks vor der Conversion verbucht (Abrahamczik, n.d.; Kakalejč et al., 2018). Dieses Modell wird aktuell von Google Search Ads 360 genutzt (Leguina et al., 2020). Um die Beeinflussung des Attributionsmodells durch nicht relevante Daten, wie Direkteingaben von URLs, zu verhindern, nutzen Tools wie Google Analytics das „Last Non-Direct Click Modell“.
Durch dieses wird nur der zuletzt geklickte Kanal, welcher kein Direkt-Kanal ist, mit dem vollen monetären Wert des Nutzers gewertet (Leguina et al., 2020). In den aufgeführten Modellen hätte man Nutzer, deren Klicks nicht aufgezeichnet wurden oder welche keine Klicks tätigten, nicht berücksichtigt. Somit ist die Entwicklung der „Floodlight Methode“ eine logische Schlussfolgerung. In dieser Attributionsmethode wird der Wert eines Nutzers, sofern kein Klick getätigt wurde, auf den Kanal mit der letzten Impression gezählt (Leguina et al., 2020).
Neben der Attribution der letzten Interaktion wurde des Öfteren auch die Attribution anhand der ersten Interaktion angewandt. Etwas weiterentwickelte Modelle stellen die folgenden drei dar: „Lineare Modelle“ verteilen den monetären Wert zu gleichen Teilen auf alle durch den Nutzer verwendeten Kanäle. Jedoch werden in der „Position Based Methode“ dem ersten und dem letzten Touchpoint jeweils 40% des Wertes zugeschrieben und die restlichen 20% auf die übrigen Kanäle verteilt. In der „Time Decay Methode“ verteilt man den Wert in absteigender Menge, abhängig von der Nähe zur Conversion. Hierbei definieren Sie selbst die entsprechenden Prozentanteile. (Kakalejč et al., 2018; Leguina et al., 2020)
Datengetriebene Attributionsmodelle
Um die Limitationen der Attributionsmodelle der ersten Generation zu lösen, entwickelten Experten eine neue Generation von Modellen. In den datengetriebenen Attributionsmodellen werden mathematische und statistische Methoden verwendet, um möglichst passende Werteverteilungen zu ermitteln. Hierzu werden unter Anderem auch Daten aus vorherigen Marketingkampagnen berücksichtigt und für statistische Hochrechnungen genutzt. Laut Leguina et al. (2020) gibt es drei klare Vorteile der datengestützten Modelle gegenüber der Modelle der ersten Generation.
- Durch die Berechnung des Attributionsmodells anhand der Input-Daten ergibt sich bei datengestützten Modellen immer individuell auf Ihre Bedürfnisse und Situationen angepasste Attributionsmodelle.
- Im Gegensatz zu den meistgenutzten Attributionsmodellen den „Last Interaction Modellen“ nutzen datengestütze Modelle, wie auch die etwas weiter entwickelten Modelle der ersten Generation (z.B. „Lineare Modelle“) das volle Wissen über die Customer Journey bis zur Conversion.
- Modelle der ersten Generation nutzen lediglich einen kleinen Bruchteil der vorhandenen Informationen. Wenn man von einer Conversionrate von 1% ausgeht, vernachlässigen diese Modelle 99% der vorhandenen Daten. Datengestützte Attributionsmodelle nutzen auch die Customer Journey von Nutzern, welche keine Conversion vollzogen haben. Durch diese Eigenschaft lassen sich genauere, effektivere und effizientere Modelle entwickeln.
Fazit
Durch den Einbezug von mathematischen und statistischen Methoden ist die datengetriebenen Marketing Attribution den Modellen der ersten Generation bei weitem überlegen, jedoch sind auch diese Modelle kritisch zu betrachten, da man bei diesen stark vom Input abhängig ist. Ohne geeignete Daten können die berechneten Attributionsmodelle keiner Validierung standhalten. Zudem ist die datengestütze Modellbildung etwas Ressourcen einnehmender als die Modelle der ersten Generation. Grundsätzlich gilt jedoch für eine möglichst repräsentative Aussage sollten Daten und Informationen genutzt werden.
Falls Sie Fragen an uns haben, kontaktieren Sie uns gerne jederzeit!
Referenzen
Abrahamczik, T. (n.d.). Attribution, was ist das eigentlich? Internet Warriors. Retrieved May 28, 2021, from https://www.internetwarriors.de/blog/attribution-was-ist-das-eigentlich/
Clifton, B. (2015). Successful Analytics: Gain Business Insights by Managing Google Analytics. In Advanced Web Metrics.
Fuleda, D. (n.d.). Das Marketingbudget von KMUNo Title. Fuleda KG. Retrieved June 6, 2021, from https://unternehmensberatung-fuleda.de/marketingbudget/
Kakalejč, L., Bucko, J., Resende, P., & Ferencova, M. (2018). Multichannel Marketing Attribution Using Markov Chains. Journal of Applied Management and Investments, 7(1), 49–60.
Kaushik, A. (2011). Webová analytika 2.0: Kompletní průvodce analýzami návštevnost. In Computer Press.
Leguina, J. R., Rumín, Á. C., & Rumín, R. C. (2020). Digital marketing attribution: Understanding the user path. Electronics (Switzerland), 9(11), 1–25. https://doi.org/10.3390/electronics9111822
Weidenbach, B. (n.d.). Investitionen in Werbung und Nettowerbeeinnahmen der Medien in Deutschland in den Jahren 2009 bis 2020. Zentralverband Der Deutschen Werbewirtschaft e.V. (ZAW). Retrieved June 6, 2021, from https://de.statista.com/statistik/daten/studie/70742/umfrage/investitionen-in-werbung-und-netto-werbeeinnahmen-seit-2004/
X., S., & Li, L. (2011). Data-driven Multi-touch Attribution Models. 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 258–264.
Foto von Negative Space von Pexels
Autor:
Philipp Kazmierczak M. Sc.
Lead Analytiker im Bereich SEO, SEA und Head of Marketing Strategy