Attribution – jetzt die Customer Journey optimieren (Teil 3/3)

Im vorangegangenen, zweiten Artikel dieser Serie „Attribution – Data-Driven-Design of the Future” in der letzten Ausgabe wurde der Fokus auf die Schaffung einer Basis für eine sogenannte actionable Attribution gelegt.

Zur Erinnerung ein kurzer Rückblick:

„Actionable Attribution” sammelt Daten aus möglichst jeder Kundeninteraktion, und zwar so granular, dass nach der Bewertung durch eine datengetriebene Methode, das Attributionsmodell, unmittelbar und effizient Optimierungen durchgeführt werden können.

Die Basis hierfür zu schaffen, erfordert die Klärung folgender Punkte:

• Bedarfsermittlung: Ist Attribution relevant für mich und welches Team benötige ich in meinem Unternehmen für die Umsetzung?
• Wie kann ich eine Projektzielstellung definieren und was sind die ersten Arbeitspakete, die priorisiert werden müssen?
• Welche Daten benötige ich und welche Technologien sind für die Sammlung und Bewertung notwendig?

Dieses Vorgehen wurde anhand Googles FABB-Prozess – The Future of Attribution Based Bidding (Grafik 1) über die Phasen Assess und Collect erläutert.

In diesem Artikel sollen nun die Phasen Understand, Optimize und Validate des Prozesses erläutert werden.

Understand

Tabelle 1: FABB – Fragen Status Understand

In der Understand-Phase geht es nicht nur um  „Verstehen” von Kundenverhalten und Strukturen der Customer Journeys, sondern auch um das „Festlegen” neuer Allokationsprinzipien und Ziel-KPIs, auf die optimiert werden soll.

In dieser Phase wird das Attributionsmodell ausgewählt. Von dem Modell spricht man häufig auch als Synonym für ein ganzes Projekt, tatsächlich ist es aber „nur” ein Regelwerk. Es handelt es sich jedoch um ein Regelwerk mit viel Einfluss. Zusammen mit einer entsprechend dem Business-Modell definierten, übergreifenden KPI, auf die das Marketing optimiert, wird mit dem Wechsel des Attributionsmodells eine Neubewertung der Marketingaktivitäten vereinbart. Für Unternehmen, die, wie in der Assess-Phase definiert, Bedarf für Attribution ermittelt haben, besteht zu 99 % ein Ziel:  Wechsel von einem Last-Click-Attributionsmodell – immer nur der letzte, vor der Conversion genutzte Kanal erhält 100 % der Conversion und des Wertes – zu einem Modell, dass alle Touchpoints auf dem Weg zur Conversion berücksichtigt, einem sogenannten Cross-Channel-Attributionsmodell. Aber für welche KPI und vor allem für welches Modell sollten sich Unternehmen entscheiden und welche Arbeitspakete gibt es noch in dieser Phase?

Das Ergebnis der Understand-Phase ist:

• Definition einer einheitlichen KPI, die an den aktuellen Unternehmenszielen ausgerichtet ist
• Strategische Gruppierung von Kanälen
• Entwicklung und Beschluss eines Attributionsmodells
• Aufbau eines Verständnisses von Rollen der Kanäle
• Aufbau eines Verständnisses für Struktur und typische Cluster ganzer Journeys

KPIs – eine Auswahl mit Folgen

Worin besteht das Ziel des Unternehmens in der jetzigen Phase? Durch welche KPI wird es darstellbar? Darauf gibt es leider keine gültige Antwort für alle. Alter des Unternehmens, strategische Ausrichtung und Erfahrung der Führungskräfte sind mindestens drei Einflussfaktoren auf die Zielgestaltung. Am Anfang eines (theoretischen) Online-Unternehmens ist mit Sicherheit das oberste Ziel, überhaupt einmal Traffic zu bekommen. Die Steuerungsgröße wäre also: Wo bekomme ich den meisten Traffic zu einem festgelegten maximalen CPC (Cost per Click)? Weil das Unternehmen zu dem Zeitpunkt unbekannt ist, würde man auch mit einem „First Cookie Counts”-Modell gut fahren, weil das oberste Ziel zu dem Zeitpunkt Bekanntheit oder Reichweite ist.

In einer zweiten Phase, in der es für den Besucher erreichbare und messbare Ziele mit einem direkt zurechenbaren Wert gibt, tritt der CPC (Cost per Click) in den Hintergrund. Das Unternehmen will die maximale Anzahl von Zielaktionen (z. B. Anmeldungen oder Transaktionen) zu einem festgelegten CPA (Cost per Action) erreichen.

In der dritten Phase differenziert sich der Wert der Aktion durch z. B. unterschiedliche Preise oder Produkte – der Gesamtumsatz tritt in den Vordergrund.

Aber was ist der tatsächliche Wert bzw. Return der einzelnen Aktion? In Abbildung 3 sind exemplarisch Gruppen von Einflussfaktoren zur Ermittlung des Wertes einer Conversion dargestellt. Je nach Bewertung entstehen hiermit signifikante Unterschiede des Wertbeitrages, den ein Kanal in einer Customer Journey, die konvertiert, beigetragen hat. Die differenziertere Betrachtung von Aktionen führt automatisch zu einer differenzierten Betrachtung des zugeordneten Wertes.

Das Unternehmen möchte als Nächstes nicht mehr nur den Umsatz maximieren, sondern dafür auch dafür die Kosten möglichst effizient einsetzen. Die Zielgröße wird der ROAS (Return On Advertising Spend). In einer späteren Phase oder mit einer anderen Strategie ist das Ziel eventuell nicht mehr nur umsatzgetrieben, sondern orientiert sich mehr am Profit.  

Eine weitere Erkenntnisdimension und Reife des Steuerungsmodells kommt hinzu, wenn man zukünftige Umsätze diskontiert auf die erste Aktion aufschlägt. Bei einem Abo-Modell könnte man z. B. die Erfahrung haben, dass bei einem Erstkauf eines Kunden im Schnitt zwei Verlängerungen dazukommen. Wenn man den Wert der ersten Transaktion jetzt auf einmal nicht mehr mit 100 Euro, sondern (vereinfacht) mit 300 Euro berechnen kann, wird bei 1 % Conversion ein Klickpreis statt von 1 Euro von 3 Euro möglich. Jeder Marketer weiß, was das an Traffic-Zuwachs bedeutet, wenn man in auktionsgetriebenen Kaufsystemen statt 1 Euro nun 3 Euro pro Klick bieten kann.

Neben der Möglichkeit, Sources zu gruppieren, folgend weitere, häufig genutzte Channel-Grouping-Ansätze sowie Hintergründe dazu:

• Marketingziele oder Abteilungen sollen abgebildet werden, z. B. weist ein Channel Grouping alle Kanäle nach Brand- oder Performance-Marketing aus oder ein anderes nach CRM-, Vertriebs- oder Markenbudget.
• Abbilden der Entscheidungsphasen, häufig Funnel Steps, z. B. alle Channels nach Reichweite, Interesse, Produktauswahl und Kaufabsicht zu trennen.
• Eine gute Referenz zum CRM oder Marketingstrategie je Persona ist das Abbilden von User Types/Clustern aus der Marketingsteuerung, z. B. Neu- oder Bestandskunden oder granularer nach Produktgruppe oder Segmenten.
• Channel Groupings, die den konkreten Intent/die Absicht des Besuchs des Nutzers wiedergeben, können auf Basis des Onsite-Verhaltens abgebildet werden, z. B. Kunde kommt über die Homepage per Direktzugriff, sucht dann aber nach Aftersales-Artikel. Der Nutzer könnte dann dem Channel Aftersales zugewiesen werden.

Für alle gilt: Zu granular sollten die Gruppierungen nicht werden. Wenn man Data-Driven-Attribution nutzen möchte, wird von mehr als 18 Channels abgeraten. Ohne diese Funktion wären auch mehr möglich, sie sind aber über die Zeit schwierig zu verwalten.

Das neue Google Analytics Channel Grouping

Eine wirkliche Neuheit im Channel Grouping wurde dieses Jahr allen Google Analytics-Konten (360/Premium und Free) zur Verfügung gestellt.

Was hat sich geändert und warum ist das so ein großer Nutzen für die Attribution?

• Das Default Channel Grouping ist nun in Acquisition wie auch in Multi-Channel-Funnels und Attribution Reports verfügbar.
• Das Default Channel Grouping ist editierbar.
• Für Premium/Analytics-360-Kunden kann somit auch das Data-Driven-Modell darauf angewendet werden.

Wie man es anpasst, welche Auswirkung eine Änderung hat und wie sich die anderen Arten der Groupings (Custom und Private Groupings) unterscheiden, wird hier im Helpcenter von Google Analytics genau erläutert: https://goo.gl/gM9zss.

Folgende Abbildung 6 zeigt das Vorgehen und die Möglichkeiten, ein zentrales Channel Grouping für die Attribution zu erstellen.

Das Channel-Grouping-Konzept, nachdem das Unternehmen agieren soll, muss vom Tracking-Code bis zur Erfassung der Kosten durchdacht, akzeptiert, vollständig und valide konfiguriert sein. Folgend ein paar anschauliche Anwendungsszenarien für Search, die sich zugleich als sehr dienlich für die Attribution herausgestellt haben.

Channel Grouping für eine faire SEO-Attribution-Allokation

Ein Teil des Understand-Prozesses ist die Untersuchung, wie Auswertungen erstellt werden und welche Implikationen sie haben. So erfüllen die Default-Einstellungen je nach Business-Modell naturgemäß nicht alle Bedürfnisse. Ein Beispiel dafür ist die Erfassung und Zuordnung einer speziellen Traffic-Quelle: Direct.

Im Direct Channel sind URLs wie:

• /
• /verzeichnis/verzeichnis/verzeichnis/seite.htm

Für Analytics ist zuerst einmal jeder Seitenaufruf ohne Tracking-Code oder Referrer „direct”. Beim ersten Beispiel ist eine Direkteingabe (also das Eintippen der kompletten URL) möglich, beim zweiten wohl eher unwahrscheinlich. Die Zuordnung kann aber unterschiedliche technische Gründe haben, z. B.:

• https/http-Protokollwechsel (wenn die Hauptseiten http einsetzen)
  • Intern: z. B. vom Warenkorb zurück auf eine Produktdetailseite
  • Extern: Suchmaschinen, Social Networks oder andere Seiten mit https
• Referral-Exclusion-Einstellung
• Mail-Clients
• Bookmarks

Diesen „neuen” Channel kann man sichtbar machen, indem man in der Default-Channel-Definition eine Regel anlegt: source = “(direct)” und Pfad der Landingpage ist länger als “/”. Sobald man die potenziellen internen Fehler aus dem Weg geräumt hat, kann eine Abteilung jetzt die Verantwortung für diesen Kanal übernehmen und durch Hypothesen und Tests feststellen, woher dieser Traffic wahrscheinlich kommt. Von dem Anteil, der davon Suchmaschinen zuzuordnen ist, werden dann auch die anteiligen Conversions dem SEO-Kanal zugewiesen. Dadurch erzeugt der Kanal auch mehr Wertbeitrag und kann seine Leistung vollständiger nachweisen. Natürlich müssen für so ein Vorgehen genügend objektive Gründe sprechen, das Beispiel soll nur darlegen, dass man dem „Default” nicht immer trauen kann.

Channel Grouping (CG) für ein besseres Clustering von SEA

Auch im SEA kann durch CG ein differenzierterer Blick auf sinnvoll trennbare Bereiche möglich gemacht werden. Google Adwords bedient durch ein Interface so viele unterschiedliche Werbeformen, die sich wiederum auf das Verhalten der User auswirken. Mögliche Segmentierungen sind:

• Nach Query Art
  • Brand
  • Generic
• Nach Werbeform
  • Google Shopping (ehemals Product Listing Ads – PLA)
  • Google MyBusiness (Local Ads)
  • Google Display Network (ehemals Content Network)
  • Video
• Nach Targeting
  • Search Term Targeting
  • Retargeting/Remarketing

Welche Segmentierung man persönlich oder historisch bevorzugt, ist nun nicht mehr relevant. Durch das CG können alle Segmentierungen parallel angelegt und für spezielle Fragestellungen dann zurate gezogen werden.

Attributionsmodell – die Qual der Wahl

Grundsätzlich muss man zwei Arten und Ergebnisse von Modellen unterscheiden:

• Regelbasierte Modelle
• Data-Driven-Modelle

In Abbildung 7 werden diese vereinfacht mit Bezug zur Businessstrategie dargestellt.

Regelbasierte Modelle zeichnen sich durch starre, annahmenbasierte Regeln aus. Diese Regelwerke betrachten folgende Kriterien:

• Position des Kanals in der Customer Journey (erster, letzter etc.)
• Zeit/Entfernung von der Conversion
• Kanaltyp (z. B. Direkt, SEA etc.)
• Interaktionstyp (Click vs. View)

Durch eine Änderung reiner Positions- und Zeitkriterien handelt es sich um Custom-Modelle, oft auch kontrollierte Strategie genannt.

Die oben genannten Regeln können in Google Analytics im Model Builder (Model Comparison Report) umgesetzt werden, siehe hierzu das Helpcenter (https://goo.gl/9pQNrH) sowie eine gute „How-to”-Erläuterung unter: http://goo.gl/cqO3Na (Blog Avinash Kaushik).

Der Trend geht heute ganz klar zu Data-Driven-Modellen, weil sie drei entscheidende Vorteile haben. Wichtigster: Diese Modelle verteilen den Wertbeitrag entsprechend dem inkrementellen Beitrag. Vereinfacht gesagt stellt das Modell im Vergleich der Journeyketten immer die Frage: „Was wäre, wenn der Kanal an dieser Position nicht da gewesen wäre?” Zweiter Vorteil ist, dass diese Modelle laufend lernen, so stellt man sicher, dass neue Verhaltensmuster von Kunden oder Kanalinteraktionen, die zu einem geänderten Ergebnis führen, immer wieder berücksichtigt werden (in Google Analytics 360 z. B. wird das Modell jede Woche neu berechnet). Der dritte entscheidende Vorteil ist, dass auch nicht konvertierende Pfade bei der Bewertung mit einbezogen werden. (Die genannten Vorteile beziehen sich vor allem auf die statistische Methode, die in Google Analytics Premium verwendet wird.)

In Abbildung 9 werden für Data-Driven-Attributionsmodelle Vor- und Nachteile genannt.

Customer-Journey-Pfade – actionable?

Häufig wird von Pfadanalysen bei der Attributionsmodellierung gesprochen. Pfadanalysen bearbeiten einen Datensatz, der die Sequenzen an Kanälen, die zu einer Conversion führen, ausgibt. In Google Analytics kann man dies auf Basis des Top Converting Path Reports durchführen, siehe auch Abbildung 10.

Eine Analyse kann einerseits Insights zu typischen Sequenzen hervorbringen oder Pfade mit besonders hohen Conversion-Werten aufzeigen, andererseits aber auch die Frage aufbringen: Wie kann man das steuern, eine ganze Journey? Die Steuerbarkeit liegt häufig nicht bei der ganzen Journey, sondern bei Kanälen, die in Abhängigkeit gesteuert werden können, wie z. B. Remarketing-basiertes Targeting bedingt durch den vorangegangenen Kanal. Ein Beispiel wäre, über die Pfadanalyse Conversion-Pfade zu identifizieren, die Cookie-basierte Remarketing-Kanäle enthalten. Je nachdem, wie viel Optimierungspotenzial für den Remarketing-Kanal und das konkrete Targeting besteht, könnten das Remarketing-Targeting in Abhängigkeit vom vorangegangenen Kanal priorisiert werden (Beispiel: Immer wenn Newsletter die Journey startet, konvertiert Remarketing einen hohen Warenkorb).

Dies soll nur als Beispiel dienen, dass man sich bei der Analyse der Pfade schnell in komplexen Mustern verlaufen und die konkrete Umsetzbarkeit dabei aus den Augen verlieren kann.

Zusammengefasst kann man sagen, dass diese Reports sehr gut sind, um anfänglich ein Verständnis von den Journeys seiner Kunden aufzubauen, Stukturen zu verstehen, ggf. punktuelle Optimierungen vorzunehmen.

Wenn man sein Attributionsmodell aber nicht selber rechnen will, erfolgt die Modellierung in anderen Reports, natürlich auf Basis der gleichen Informationen.

Die Modellauswahl

Ausgehend von einer Umsetzung des Attributionsmodells innerhalb eines Tools steht der Auswahlprozess an.

Eines ist sicher, es gibt kein perfektes Modell, nur eines,

1. das hilft, Optimierungspotenziale zu identifizieren, deshalb sollte es auch granulare Ergebnisse ausweisen können,
2. das unternehmensweit akzeptiert wird und
3. das es ermöglicht, die Ergebnisse in die operative Steuerung zu überführen.

Abbildung 11 veranschaulicht simplifiziert diesen Ansatz:

Die gute Nachricht bei der Modelldiskussion ist, dass man auf Basis gesammelter Daten mehrere Modelle parallel betrachten kann, um so die Auswirkungen eines Wechsels besser abzuschätzen. Der Google-Analytics-Report „Conversion > Attribution > Model Comparison” ermöglicht, parallel drei Modelle zu vergleichen und auch Custom-Modelle zu konfigurieren.

Die Bewertung des Potenzials hängt stark vom Steuerungs- und Integrationsprozess ab und wird in der folgenden Phase  „Optimize” detailliert erläutert.

Vereinfacht kann gesagt werden, dass folgenden Kriterien geprüft werden sollten:

• Signifikante Potenziale auf Kanaltypebene, z. B. neue/kaum erschlossene Gattungen, enorme Über- und oder Unterbewertungen
• Operatives Optimierungspotenzial, wo liegen z. B. Grenzkosten zwischen Aufwand für die Optimierung und Ergebnis einer möglichen Performance-Steigerung
• Bestehen Optimierungslimitierungen, z. B. kann der Kanal, Vendor etc. überhaupt optimiert werden; es könnten z. B. Inventar- oder Wettbewerbsgrenzen bestehen

Wichtige Schlussbemerkung: Nachdem man sich für ein Modell entschieden halt, gilt es, darauf basierend zu entscheiden, d. h. Kanäle bzw. einzelne Targetings zu optimieren.

Optimize

Tabelle 2: FABB – Fragen Status Optimize

Eine Unter-Überschrift dieser Artikelserie lautet: vom Diagramm zur Entscheidung. Die Attribution soll nicht nur in einem bunten Bild darstellen, welche Maßnahme wie viel Beitrag hatte, sondern auch Entscheidungen ermöglichen, diese in die Steuerung überführen und im Nachgang transparent und überprüfbar machen.

Die Lösung heißt zumeist: Viele Kanäle erfordern mehrere individuelle Lösungen. In diesem Kapitel sollen deshalb typische Arbeitspakete aufgezeigt werden, um die attributionsbasierte Steuerung des Marketing- bzw. Vendormixes zu ermöglichen. Dabei geht es um Steuerungsprozesse, wie welche Kanäle entsprechend welcher Zielstellung, aber auch von verschiedenen Entscheidungsträgern durch Attributionsdaten gesteuert werden können. Auf der anderen Seite geht es um die technische Verknüpfung von Attribution und Media-/Vendor-Technologie. Zu guter Letzt geht es um die Validierung der Entscheidung unter Berücksichtigung einflussreicher Faktoren, die ein Attributionsmodell nur schwer erfassen kann.

Das Ergebnis der Opitimize-Phase ist

• Definition und Beschluss des Steuerungsprozesses
• Implementierung des Transferprozesses
• Identifizierung von Einflussfaktoren auf attributionsbasierte Entscheidungen
• Erfolgte Entscheidungen

Steuerung = Entscheidungsprozesse

Im ersten Schritt dieser Phase müssen Steuerungsansätze decodiert werden.

Es gibt mehrere Dimensionen, auf denen Entscheidungen getroffen werden können. Daher ist es wichtig, vor der Optimierung festzulegen, wie das Unternehmen mittels der Attribution Daten steuern will und auch kann. Das Steuerungsverständnis ist häufig auch unterschiedlich je Funktion und natürlich Person.

Beispielhafte Dimensionen, auch Abhängigkeiten sind:

• Operative vs. strategische – Kampagnenmanagement oder Abteilungsleiter
• Short Term vs. Mid Term – täglich, wöchentlich oder gar länger
• Granular vs. aggregated – Beispiel: priorisiert man Keywords bei Adwords, Kampagnen oder gar ganz SEA, ganze Abteilungen usw.
• Intra Channel vs. Cross Channel – Entscheidungen vendor- und kanalübergreifend oder Priorisierung innerhalb eines Kanals bzw. Vendors

Target Setting

Die Ziele sind im Online-Marketing wieder abhängig von den Phasen, die oben schon beschrieben wurden, so gern auch manche Führungskräfte das Ziel ausgeben wollen: „Lauf, so schnell du kannst so weit du kannst.”

In Abbildung 13 wird beispielhaft dargestellt, dass man auf einem festen Zielwert auf unterschiedliche Ziel-KPI optimieren kann.

Wenn also Entscheidungen anhand eines Ziels getroffen werden sollen, werden die Maßnahmen und ihre Werte aufgelistet, eventuelle limitierende Faktoren berücksichtigt (Abb. 14) und danach die Entscheidungen getroffen.

Limitierung bei der Optimierung

Oben wurden bereits Faktoren genannt, warum trotz Optimierungspotenzial diese nicht durchgeführt werden können. Man spricht von Optimierungslimitierungen, die durch die Attributionsmethode bedingt sein können, aber auch durch Kanal/Vendor oder andere Faktoren, die in der Wirkungskette stehen.

Beispiele sind:

• Volumen und Nachfrage: z. B. Search-Position, Impression-Share
• Inventar Adtypes: z. B. keine oder limitierte Formate
• Funktionsgrenzen: keine Übergabe von Fractional-Werten möglich
• Vertragslimitierungen: z. B. Preistruktur oder Weitergabe von Provisionen
• Wettbewerb
• Conversion-Prozess/Website
• Produkt/Preis etc.

Die Abbildung 15 soll die Zusammenhänge anhand einer CPA(Cost per Action)-basierten SEA-Optimierung verdeutlichen.

Steuerung = Transferprozesse

Neben dem Entscheidungsprozess ist der Transferprozess essenziell für eine erfolgreiche Umsetzung der Customer-Journey-Optimierung durch Attribution. Die Abbildung 16 verdeutlicht die Aufgaben und Ansätze des Prozesses. Der Transferprozess wird übergreifend in zwei Arten unterschieden - indirect oder integrated. Beide versuchen, die Ergebnisse aus der Modellierung und dem folgenden Entscheidungsprozess an die Steuerungstools wie z. B. Bidmanagement, Planungstool, Newslettersystem etc. zu übergeben.

Indirect-Transfers sind Attributionsansätze, die zwar attribuieren, jedoch die Ergebnisse nicht direkt an die Steuerungssysteme übergeben können, weil z. B. Informationen im Modelling fehlen oder es keine operative Übertragung zur Steuerung gibt.

Ein Beispiel hierfür ist in Abbildung 17 dargestellt. Das Modelling bewertet auf Channel-Grouping-Ebene den Beitrag für „SEA”. Das Management definiert hierauf neue Budgets im Vergleich zur Vorperiode, z. B. pro Quartal + 20 %. Die Steuerung auf operativer Ebene hat unter dem Grouping „SEA“ jedoch verschiedene Vendoren (Sources) und je Vendor, z. B. Adwords, verschiedene Targetings zu optimieren. Mit dem Ergebnis auf Channel-Grouping-Ebene kann der SEA-Manager jedoch die Treiber für das Ergebnis nicht identifizieren und somit keine Entscheidung für eine Optimierung auf operativer Targeting-Ebene treffen. Dennoch wird der Manager agieren, indem er die verfügbaren Budgets bzw. die Veränderung anhand der Informationen aus dem Adwords Measurement und der eigenen Allokation verteilt (i. d. R haben Vendoren ihre eigenen Tracking-Pixel, die auch attribuieren). Es wird hier häufig mit Multiplikatoren gearbeitet, die Top-down die 20 % Budgeterhöhung anwenden. In der Folge werden die Targetings priorisiert, deren Beitrag auf Basis einer anderen Messung und Bewertung ermittelt wurde. Die Steuerung wird hiermit ungenau und erfolgt nicht entsprechend dem Modellingergebnis.

Integrated-Transfers versuchen, genau dies zu lösen, eine Überführung der Modellingergebnisse direkt in die Steuerung. In Abbildung 18 wird dies schematisch dargestellt: Die Übermittlung der Informationen SEA + 20 % wird ergänzt mit Budgetdefinitionen auf jeder Steuerungsebene des Vendors. In diesem Fall erhält Adwords + 12% und die Targetings bis auf die kleinste Ebene „Keyword” genau definierte Vorgaben.

Wichtige Basis hierfür ist die Fähigkeit, das Modellingergebnis granular auszugeben und im besten Fall entsprechend dem Kanal bzw. der Steuerungsfrequenz des Vendors laufend zu versorgen.

Man kann dies sowohl durch exportierte Daten aus z. B. Google Analytics als auch durch Cookie-Weichen und das dynamische Auslösen der Conversion-Pixel ermöglichen. Letzteres ist jedoch nicht für alle Vendoren, darunter Adwords, möglich. Siehe hierzu Artikel 2 – Implikationen der Cookie-Weiche.

Eine Möglichkeit, Integrated Decision zumindest manuell zu übertragen, gibt es in dem Linkbuilder https://goo.gl/bIKq74 (zum Ansehen oder Verwenden durch eine Kopie wird ein Google Account benötigt).

Für den Transferprozess „Integrated“ stellt sich die Frage: Wie kann diese Verbindung ermöglicht werden? Der Schlüssel liegt in

1. der Steuerung – auf Basis welcher Informationen wird Cross- und Intra-Vendor gesteuert (hat der Vendor Click Ids, auf deren Basis Targeting und Campagnen-Informationen gemappt werden können)? Oder sind es Informationen aus dem Modelling, die manuell übertragbar sind, siehe Decision ID aus dem zuvor genannten Linkbuilder.
2. dem Transfer – wann werden welche Daten übermittelt (per Cookie-Weiche in Realtime der Event an sich und/oder durch den asynchronen Import der attribuierten Ergebnisse)?

Um das Modellingsystem (z. B. Google Analytics) mit einer sinnvollen Steuerungsebene zu versorgen, muss man der Steuerungslogik des Channels/Vendors folgen. Bewährte Steuerungsebenen sind:

• Adwords: AdGroup, Keyword oder die gclid
• Preissuchmaschinen: SKU
• Affiliate: Publisher-ID
• Remarketing: Audience List oder gclid

In Google Analytics könnte diese Steuerungsebene z. B. im selten verwendeten Parameter utm_content übertragen werden. Zum Beispiel bei Preissuchmaschinen könnte der Attribution Report dann durch die zwei Dimensionen source/medium + content : Preissuchmaschine / Feed ID + SKU dargestellt und für die Steuerung benutzt werden.

Aus Entscheidungen werden Taten

Bei all den Pfaden, Touchpoints und Modellen darf eines nicht aus dem Blickfeld geraten: Es geht um das Handeln. Entscheidungen in die Tat umzusetzen, mag banal klingen, aber erst das wirkliche Tun wird die Verbesserung deutlich machen, die durch das konsequente Umsetzen der neuen Logik erreicht wurde.

Um die Frage „Was hat das jetzt alles gebracht?” zu beantworten, gibt es die Phase „Validate”.

Validate

Tabelle 3: FABB – Fragen Status Validate

Die Validate-Phase dient vor allem der Feststellung, ob die Modellauswahl und die erfolgten Optimierungen erfolgreich waren oder ob es weitere Potenziale gegeben hätte.

Diese Phase wirft damit die komplexesten Fragestellungen des Attributions-Implementierungsprozesses auf.

Die übergreifende Fragestellung lautet: Ist das gemessene Ergebnis auf meine Optimierung hin oder durch einen anderen Faktor, wie das Wetter erfolgt? Frühere Entscheidungen werden zu dem Zeitpunkt infrage gestellt, etwa: Habe ich das richtige Modell gewählt und die richtigen Optimierungen basierend darauf ausgeführt?

Fast alle Marketer nähern sich diesen Fragen anhand der Veränderung der Ziel-KPI (z. B. ROI). Wenn sich diese z. B. bei gleichem Mitteleinsatz positiv verändert hat, wird dies der geänderten Maßnahme (z. B. Kanaloptimierung) zugeordnet. Dies nennt man ein Pre-Post-Verfahren. Hierüber werden eher belastbare Ergebnisse erzielt, wenn folgende Kriterien berücksichtigt wurden:

• Volumenresistente KPI (d. h. relative KPIs wie Cost per Action, Return on Adspend, Cost/Revenue Relation etc.
• Validierung signifikanter Mengen (große Anzahl Conversions oder großes Spend-Volumen)
• Ausschluss anderer signifikanter Maßnahmen (z. B. Offline-Marketing)
• Repräsentativer Zeitraum (Ausschluss von Saisonalitäten, Ferien, Fußball-EM etc.)
• Dauer des Tests (insb. im RTA-Bereich oder der algorithmischen Optimierung durch Bidmanagement-Systeme brauchen die Maßnahmen einen gewissen Vorlauf, quasi eine Lernphase)
• Test von variablen Vergleichszeiträumen
• Konstante Einflussfaktoren (Conversion-Rate im Shop, Markenbekanntheit etc.)
• Berücksichtigung externer Faktoren, wenn vorhanden (Wetter, Wettbewerbsverhalten)

Im Bereich der statistischen Modellierung kann zusätzlich noch das Ist-Ergebnis mit dem vorher geschätzten Soll-Ergebnis abgeglichen werden.

Zum anderen gibt es aber auch unterschiedliche, teils wissenschaftliche Verfahren zum Testen von Optimierungen von Kanälen oder im Umkehrschluss auch der Auswahl des Modells (wenn das Modell die Basis für die Bewertung des Kanals ist, kann über ein Performance-Experiment die Bewertungsleistung des Modells geprüft werden).

In Abbildung 19 werden diese exemplarischen Methoden gelistet: