Warum eindimensionale Verteilungsmodelle ausgedient haben

Marken versuchen täglich Konsumenten mit Werbeinhalten zu erreichen. Entscheidet sich der Konsument zum Kauf der beworbenen Ware, ist der ausschlaggebende Grund für den Erwerb oftmals schwer nachzuvollziehen. Von Rabatten über auffallende Werbung bis hin zu inniger Markenverbundenheit: Es gibt viele Möglichkeiten, warum ein Kunde sich letztlich für ein bestimmtes Produkt entschieden hat.

Mit der steigenden Anzahl von Nutzern, die auf mehreren Geräten über diverse digitale Kanäle Inhalte im Web konsumieren, steigt auch die Komplexität, alle relevanten Touchpoints innerhalb der Customer Journey zu erfassen und messbar zu machen. Nichtsdestotrotz müssen Marketingentscheider bestimmen, welcher Wert den einzelnen Kanälen für den Verkauf zugeordnet werden muss. Dabei greifen sie oftmals auf die bekannten eindimensionalen Attributionsmodelle zurück.

Um jedoch Allokationsentscheidungen bestmöglich treffen zu können, muss ein Attributionsmodell gewählt werden, das präzise darstellen kann, welchen Beitrag jeder einzelne Touchpoint zum Gewinn leistet. Um den Beitrag zu ermitteln, muss innerhalb der Customer Journey jedem Touchpoint und Kanal ein Conversion-Wert zugewiesen werden. Das Ziel ist, ein Modell auf möglichst detaillierte Art und Weise darzustellen, um den Kaufentscheidungsprozess der Nutzer zu verstehen und das Marketing-Budget dementsprechend effektiv und effizient über alle Kanäle im Zeitverlauf einzusetzen.

Die verbreitetsten Attributionsmodelle

Zu den bekanntesten Standard-Attributionsmodellen gehört zum Beispiel das sogenannte "Last Click"- oder "Last Interaction"- Modell. Hierbei werden 100 Prozent des Conversion-Werts dem Kanal, mit dem der Nutzer zuletzt interagiert hat, zugewiesen. Analog dazu wird beim "First Interaction"-Modell der gesamte Wert dem ersten Kanal, den der Nutzer vor Erreichen der gewünschten Seite besucht hat, zugeordnet.

Das Problem der Darstellung dieser eindimensionalen Attributionsmodelle ist, dass Kunden nicht über nur einen Kanal, sondern über mehrere beeinflusst werden. Insbesondere das "Last Click"- Attributionsmodell ignoriert viele Gegebenheiten: Das Modell inkludiert z.B. nicht die Kanäle, die den Nutzern die Marke vorstellen und diese von der Brand überzeugen. Die Realität ist aber eine andere: Die Kaufentscheidungen werden durch verschiedene Touchpoints beeinflusst. Was fehlt, ist also die entsprechende Berücksichtigung der Multidimensionalität innerhalb der Customer Journey.

Das Problem kann dadurch gelöst werden, dass Conversions aufgeteilt und prozentual auf mehrere Interaktionspunkte während der Customer Journey aufgeteilt werden. Dazu können Attributions-Modelle entwickelt werden, die mit verschiedenen Ansätzen herausfinden, welchen Beitrag ein Kanal tatsächlich geleistet hat. Multi-Channel-Attribution erlaubt eine präzise Darstellung der Kampagnenleistung und kann ineffiziente und nicht rentable Kampagnen identifizieren.

Die bekanntesten multidimensionalen Attributionsmodelle sind das lineare Modell, das Zeitverlauf-Modell und das positionsbasierte Modell. Bei dem linearen Modell werden allen Touchpoints im Conversion-Pfad derselbe Wert für den Verkauf zugeordnet. Wie der Name schon vermuten lässt, ordnet das Zeitverlauf-Modell den Touchpoints einen immer größeren Wert zu, je näher die Interaktion an der Conversion ist. Das positionsbasierte Modell ist das am häufigsten verwendete Modell in der Attribution. Hierbei wird der ersten und letzten Interaktion mehr Wert zugewiesen, da der erste Kanal Brand-Awareness erzeugt und der letzte Kanal als der abschließende Touchpoint gesehen wird. Die statischen Modelle haben allerdings den Nachteil, dass sie auf vorab festgelegten Verteilungen basieren.

Weiterentwickelte Methoden: Dynamische Attributionsmodelle

Mit einem dynamischen Attributionsmodell erhält jeder einzelne Touchpoint einen realitätsnahen Wert. Der Wertbeitrag einzelner Maßnahmen wird auf der Basis maschinellen Lernens ermittelt und folgt nicht mehr vordefinierten Regeln, allerdings funktioniert dies in vielen Fällen noch nicht vollständig zielführend, da die Parameter anhand derer die Systeme lernen und die Attribution optimieren sollen, nicht immer unbedingt die richtigen sind.

Fazit

Eine erfolgreiche Attribution ist nicht alleine vom ausgewählten Modell abhängig. Genauso wichtig ist es, die KPIs zu verstehen und die richtigen Messwerte in Bezug auf die Marketing-Ziele auszuwählen. Auch das Gesamtverständnis des Marketing-Set-ups ist erfolgsentscheidend. Durch eine kontinuierliche Auswertungen der Daten in Echtzeit kann ein idealer Kanalmix gefunden werden und Budgets bestmöglich allokiert werden.