Gerne beraten wir Sie auch telefonisch & geben Ihnen eine kostenfreie persönliche Auskunft zu Ihrem Projekt.

X

Attributions- und Market Mix Modeling – Wie man das richtige Attributionsmodell für Verkäufe und Conversions nutzt

In der Vergangenheit ähnelten Marketingstrategien eher Black-Blox-Maßnahmen. Man investierte Kapital in der Hoffnung, den RoI (Return on Investment) dabei irgendwie zu steigern. Der Verbleib dieser Investitionen konnte allerdings nicht immer zweifelsfrei nachgewiesen werden. Heute konzentrieren sich Marketingstrategien an datengetriebenen Modellen. Diese Attributionsmodelle ermöglichen präzisere Angaben zur Budgetverteilung im Marketing. Die Nutzung von Attributionsmodellen (z.B. First Click Attribution oder Market Mix Modelling) ist stark von den dafür modellierten Marketingszenarien abhängig. Arbeiten Unternehmen mit einer Vielzahl von Medienplattformen und Offline-Kampagnen, reichen einfache Attributionsmodelle häufig nicht aus. Es existieren diverse Attributionsmodelle mit unterschiedlichen Vor- und Nachteilen. Diese lassen sich an das jeweilige Unternehmen und den jeweiligen Marketing-Mix anpassen. Wir beraten Sie gerne bei der Auswahl des Attributionsmodell.

Die 6 Standard-Modelle für das Attributionsmodell

Bei Attribution Modeling handelt es sich um einen Bottom-Up-Ansatz für die Bewertung der Effizienz von Marketingstrategien. Attributionsmodelle ermitteln die Pfade, die Kunden bis zur Conversion beschreiten. Hierzu werden Daten der einzelnen Prozessschritte analysiert und ausgewertet. Es existieren sechs unterschiedliche Standard-Attributionsmodelle.

  1. Last Click Attribution
  2. First Click Attribution
  3. Last Non-Direct Click Attribution
  4. Lineare Attribution
  5. Time Decay Attribution
  6. U-förmige oder positionsbasierte Attribution

Eines der Standardmodelle ist das Modell der „Last Click Attribution“.

1. Last Click Attribution

Das am häufigsten verwendete Attributionsmodell ist das Modell der „Last Click-Attribution“. Dieses Modell ist ungenau, weil es ausschließlich handlungsbasiert ist und nur der letzten Interaktion von Kunden Bedeutung beimisst. Das bedeutet zudem, dass man alle anderen Marketingmaßahmen eines Unternehmens in diesem Modell ignoriert. Alle Conversions werden komplett dem letzten Kanal zugeordnet, mit dem Kunden vor dem Kauf oder der Conversion interagiert haben.

2. First Click Attribution

Bei diesem Attributionsmodell handelt es sich um das Gegenteil der Last Click Attribution. Interaktionen zur Markenbekanntheit gewichtet man dabei stärker als die handlungsbasierten Aktionen der Kunden. Im Gegensatz zum Last Click Attributionsmodell werden bei First Click Attribution alle Conversions dem ersten Kanal zugeschrieben, mit dem Kunden vor dem Kauf oder der Conversion interagierten.

3 Last Non-Direct Click Attribution

Direkte Interaktionen von Kunden ignoriert man  bei diesem Attributionsmodell. Die kompletten Conversions werden dem von Kunden letztgenutzten Kanal zugeschrieben. Ein Beispiel dafür ist ein Kunde oder eine Kundin, die auf eine Google-Ad für ein Produkt klicken. Am Folgetag beschließen der Kunde oder die Kundin, dieses Produkt auf der in der Google-Ad beworbenen Internetseite zu erwerben. In diesem Fall erhält Google dann die komplette Zuweisung der Werte der erfolgreichen Conversion. Dieses Modell wird in Google Analytics für Berichte ohne Multi-Kanal-Trichter als Standard-Attributionsmodell genutzt.

4. Lineare Attribution

Bei diesem Attributionsmodell wird allen Kanälen, die Kunden vor der Conversion genutzt haben, der gleiche Conversion-Wert zugeordnet.

5. Time Decay Attribution

Dieses Attributionsmodell baut auf der linearen Attribution auf und misst Kunden-Interaktionen Bedeutung im Zeitverlauf zu. Bei diesem Attributionsmodell beinhaltet die Standard-Halbwertzeit 7 Tage. Einem Touchpoint, der VOR diesem Zeitraum liegt, misst man also weniger Bedeutung bei als einem Touchpoint, der am Tag der Conversion besucht wurde. Zudem bedeutet dies, dass der Wert vor der Conversion nur ein Viertel des Werts eines Touchpoints am Tag der Conversion beträgt. Diese kontinuierliche Abnahme wird für einen Standard-Trackingzeitraum von 30 Tagen erfasst.

6. U-förmige oder positionsbasierte Attribution

Mithilfe dieses Attributionsmodells kann man ein Hybrid aus dem Attributionsmodellen „First Click Attribution“ und „Last Click Attribution“ erstellen. Das bedeutet, dass dem ersten Touchpoint und dem letzten Touchpoint unterschiedliche Werte zugeordnet werden. Die von Unternehmen am häufigsten genutzte Variante der positionsbasierten Attribution bewertet die erste Interaktion mit 40 % und die dazwischen stattfindenen Interaktionen mit 20 %.

Diese 6 Attributionsmodelle werden auch bei Google Analytics näher beschrieben.

Es existieren allerdings noch weitere Attributionsmodelle, die sich durch eine Modifizierung der 6 Grundkonzepte ableiten lassen. Neben Attributionsmodellen existieren andere Modelle, die man für die Planung von Marketingstrategien nutzen kann: Market Mix Modelling (MMM) und Multi Touch Attribution (MTA).

Market Mix Modelling (MMM) und Multi Touch Attribution (MTA)

Der Vorteil gegenüber Attributionsmodellen besteht beim MMM darin, dass er sich für Unternehmen mit diversen Marketingkanälen nutzen lässt, die online und offline präsent sind und eine Vielfalt an Produkten und Standorten aufweisen. Diese Unternehmen verfügen somit über sehr komplexe Marketingdaten. Die Vor- und Nachteile von Attributionsmodellen gegenüber MMM können Sie folgender Abbildung entnehmen.

Vor- und Nachteile von Attributionsmodell (z.B. First Click Attribution) gegenüber Market Mix Modeling
Vor- und Nachteile von Attributionsmodellen gegenüber Market Mix Modelling

Woher stammt Market Mix Modelling (MMM)?

Der Begriff des Market Mix Modelling (MMM) entstammt dem Offline-Handel. Mithilfe von MMM wird der Erfolg von Marketingaktionen wie Print- und Werbemaßnahmen sowie Radio- oder TV-Aktivitäten gemessen. Im Gegensatz zu Attributionsmodellen ist MMM Top-Down-orientiert. Market Mix Modelling beruht auf Benchmarks, externen Faktoren sowie Ein- und Ausgaben. Externe Faktoren umfassen alle potenziellen Einflussfaktoren auf das Kundenverhalten wie beispielsweise Gewinnspannen, Marktbedingungen und Konkurrenz. MMM verzichtet auf den Einsatz von Echtzeitanalysen im Vergleich mit vorhandenen historischen Daten hinsichtlich einer halb-, viertel- oder ganzjährlichen Analyse und beruht auf den vier Marketingsäulen Preis, Produkt, Ort und Werbung.

Der optimale Mix

Mithilfe von MMM soll ein optimaler Mix für die Erreichung von Unternehmenszielen identifiziert werden. Zu diesem Zweck werden alle Faktoren erfasst, die potenziell den Erfolg von Marketingmaßnahmen beeinflussen können. Zusätzlich wird eine Regressionsanalyse durchgeführt, die den Effekt diverser unabhängiger Variablen auf eine Zielvariable wie Verkaufszahlen ermittelt. MMM bietet die Möglichkeit, die Auswirkungen der diversen Marketingkanäle auf die Verkaufszahlen nachträglich für Zeiträume zwischen vier Monaten bis zu 12 Monaten nachzuweisen. Digitale Attributionsmodelle bewerten geräteübergreifend den Effekt aller Touchpoints auf die Kaufentscheidung und erlauben eine detaillierte Übersicht über die Customer Journey. Damit lassen sich die Touchpoints online besser gewichten.

Market Mix Modelling: Potenzielle Nachteile

Der Nachteil dieser Methoden beinhaltet, dass ein Teil der Einflussfaktoren auf die Verkaufszahlen möglicherweise übersehen wird. MMM ermöglicht eine optimale Budgetverteilung auf die Erfolg versprechenden digitalen Kanäle. Digitale Kanäle erlauben jedoch einen nur eingeschränkten Einblick, d. h. es ist nicht möglich, die Customer Journey über diverse Touchpoints hinweg zu verfolgen. Zudem ist es nicht möglich zu klären, welche weiteren Einflussfaktoren aus dem Internet einen Einfluss auf die finale Kaufentscheidung hatten. Diese Details lassen sich nur mithilfe von gesammelten Nutzerdaten von digitalen Attributionsmodellen ermitteln. Mithilfe der digitalen Attribution kann man jedoch nicht ermitteln, welche externen Einflussfaktoren zu einem ersten Online-Kontakt von Kunden mit einem Produkt geführt haben. Ob und inwieweit Werbemaßnahmen für hohe Verkaufszahlen sorgen, kann nur mithilfe des MMM beantwortet werden. Zudem existieren weitere Einflussfaktoren, die mit beiden Methoden nicht gemessen werden können wie Kaufkraft, Trends oder saisonal bedingte Faktoren. Einen tieferen Einblick in MMM bietet auch dieser Fachartikel.

Attributionsmodell & Market Mix Modelling: Vorteile schaffen

Um die Vorteile von MMM und Attributionsmodellen zu kombinieren, arbeiten viele Unternehmen mit zwei Datensätzen. Dabei verknüpft man einen MMM-Datensatz mit Makrodaten mit Mikrodaten eines Attributionsdatensatzes. Diese Kombination birgt jedoch das Risiko von Fehl-Rückschlüssen. Eine Lösung für dieses Problem bietet ein einheitlicher Datensatz der Marketing Mix Attribution. Auf diese Art wird ein ganzheitlicher Einblick über die diversen Kanäle und die jeweiligen Relationen und Einflüsse auf das Kundenverhalten gemessen. Das bedeutet, dass Offline-Kampagnen in Relation zu den Attributionsdaten gesetzt werden.

Multi Touch Attribution (MTA)

Die sogenannte Multi Touch Attribution (MTA) erfasst die digitale Customer Journey einzelner Kunden und wertet den Pfad der Conversion über diverse Touchpoints aus. Mithilfe von Data Science-Methoden kann man kontospezifische Daten der Kunden in Erkenntnisse über den Erfolg aller Marketingaktivitäten konvertieren. Der Nachteil von MMM besteht darin, dass aggregierte Daten keine Aussagen zu den einzelnen Details einer Customer Journey zulassen und damit einen Drillown für spezifische Zielgruppen und Marketingstrategien erschweren. Eine Reaktion des jeweiligen Unternehmens in Echtzeit ist damit kaum möglich. MTA erlaubt dagegen eine granulare Darstellung dieser Daten. Unternehmen können daher auf Marktveränderungen in Echtzeit reagieren. Die Echzeit-Verfügbarkeit der Daten bei MTA birgt jedoch auch ein Risiko: Offline-Marketingaktivitäten kann man möglicherweise nicht angemessen zuordnen und Basis-Conversions wenig bis gar nicht berücksichtigen.

Cross Channel Attribution

Die Cross Channel Attribution verknüpft Online- und Offline-Kampagnen, Makro- und Mikrolevel- und historische Daten mit Data Science-Methoden, um die Vorteile von MMM und MTA kombinieren zu können. Auf diese Art wird die Lücke zwischen strategischen MMM-Erkenntnissen und taktischen MTA-Empfehlungen geschlossen und erlaubt lang- und kurzfriste Reaktionen eines Unternehmens. Cross Channel-Attributionsmodelle erlauben einen detaillierten Einblick in Offline- und Online-Maßnahmen sowie in Kanalsynergien sowie die Orchestration der diversen Marketing-Kanäle für Conversion-Ziele. Auf diese Art lassen sich die Vorteile von MMM und MTA effektiv miteinander verbinden.

Fazit: Attributionsmodell und Market Mix Modelling

Dieser Artikel hat Ihnen die Vor- und Nachteile von Attibutionsmodellen und MMM aufgezeigt. Attributionsmodelle verweisen präzise darauf, welche Marketingstrategien funktionieren und wie Sie diese planen können. Wie bereits erwähnt liegt der Vorteil von MMM und MTA darin, dass sich diese Methoden für Unternehmen mit diversen offline- und online-Marketingkanälen nutzen lassen. Somit werden Investitionen nicht mehr „auf gut Glück“ getätigt. Novustat kann Sie kompetent beraten, welche der vorgestellten Methoden und Attributionsmodelle für Ihr Unternehmen geeigneter ist.

Attributionsmodell: Weiterführende Quellen

Fachartikel zu Market Mix Modelling aus „Retail Marketing and Branding“

Artikel über Attributionsmodelle auf der Google Analytics Website

Sharma, Himanshu (2019): Attribution Modelling in Google Analytics and Beyond

Sharma, Himanshu (2019): Master the Essentials of Email Marketing Analytics