• deutsch
  • english

Statische vs. dynamische Attribution – Wie Sie mit Customer Journey-Daten das passende Attributionsmodell finden

Die Vergütung von Publishern richtet sich nach festgelegten Modellen. Diese geben Aufschluss darüber, ob zum Beispiel nach dem Last-Cookie-Wins-Prinzip vergütet wird oder auf Basis einer Customer Journey-Analyse. Ein Attributionsmodell definiert, wie die Vergütung ausgeschüttet wird. Grundsätzlich unterscheidet man hierbei zwischen statischen und dynamischen Modellen.

Dynamische Attribution: Wann macht das Last-Cookie-wins-Modell tatsächlich Sinn?

Dynamische Attribution: Wann macht das Last-Cookie-wins-Modell tatsächlich Sinn? (Bildquelle: http://www.istockphoto.com/)

In mehreren Blogbeiträgen "Die Qual der Wahl: Welches Attributionsmodell ist das richtige?" und "Conversion Attribution – Der Weg zur Aussteuerung von Online-Budgets" wurde bereits über statische Attributionsmodelle im Online Marketing diskutiert.

Statische Attributionsmodelle basieren auf vorab festgelegten Verteilungen. Sie spiegeln meist nicht den genauen Ursache-Wirkungszusammenhang wieder, da Kaufentscheidungsprozesse nicht realitätsgetreu abgebildet werden. Dieser Artikel konzentriert sich auf die Methodik, mit der eine valide Entscheidung hinsichtlich eines geeigneten Attributionsmodells getroffen werden kann. Im Folgenden wird das statische Modell „Last-Cookie-wins“ betrachtet. Dabei wird erörtert, wann das Last-Cookie-wins-Modell tatsächlich Sinn macht und ab welchem Zeitpunkt ein individuelles Modell unbedingt zu empfehlen ist.

Das Last-Cookie-wins-Modell unterstellt, dass nur der letzte Kontakt in einer Customer Journey ausschlaggebend für die Generierung der Conversion war:

Beispiel-Journey: Display-Awareness --> SEO --> SEA (Brand) --> Sale

Nach dem Last-Cookie-wins-Prinzip wird die Conversion ausschließlich dem letzten Kanal SEA (Brand) (Suchmaschinenwerbung mit Markenname) zugeschrieben. Diese Attribution wird häufig kritisiert, da sie einzig auf einer objektiven Annahme beruht. So liegt der Verdacht nahe, dass man sich mit einem Attributionsproblem konfrontiert sieht.

Mit Hilfe der folgenden exemplarischen Darstellung von Customer Journey-Daten lässt sich eine erste Struktur der Journeys aufzeigen. Die Journeys werden gemäß der Anzahl der getrackten Touchpoints gegliedert:

Exemplarischen Darstellung von Customer Journey-Daten.

Exemplarischen Darstellung von Customer Journey-Daten.

In diesem Beispiel führten Journeys, die aus nur einem Touchpoint bestehen, zu 3.800 Sales (27 Prozent der gesamten Sales). Weiterhin haben Journeys, die genau aus zwei Touchpoints bestehen 2.400 Sales erzielt. Bei Last-Cookie-wins wird jeder der 2.400 Sales immer dem letzten Touchpoint zugeordnet. Die ersten 1.200 Touchpoints dieser Journeys werden nicht berücksichtigt. Bei Journeys, die aus drei Touchpoints bestehen, werden zwei Drittel der vorangehenden Touchpoints nicht berücksichtigt usw.

Zusammenfassend bestehen 73 Prozent der Journeys aus mindestens zwei Touchpoints. Bei Anwendung des Last-Cookie-wins-Modells würde man somit 73 Prozent der Conversions (Journeys) objektiv auf die einzelnen Kanäle verteilen und somit falsche Entscheidungen - vor allem im Hinblick auf zukünftige Budgetentscheidungen - treffen. Es läge also ein deutliches Attributionsproblem vor.

Bei Anwendung des Last-Cookie-wins-Modells würde im Vergleich immerhin noch 27 Prozent der Conversions korrekt attribuiert werden, da nur ein Kanal in der Journey vertreten ist, dem man die Conversion zuordnen kann.

Trotz allem müssten neben den One-Touch-Journeys auch solche Journeys analysiert werden, die aus nur einem Channel und nicht nur aus einem Touchpoint bestehen:

Journey 1: SEA (Brand) --> Sale
One-Touch– und One-Channel-Journey

Journey 2: SEA (Brand) --> SEA (Brand) --> SEA (Brand) --> Sale
One-Channel-Journey

Je höher der Anteil an Journeys ist, die aus nur einem Channel bestehen, desto niedriger ist der Wert des Attributionsfehlers bei Standard-Modellen. Oder anders ausgedrückt: Je geringer der Anteil an Journeys, die aus nur einem Kanal bestehen, desto größer ist der Handlungsbedarf, ein individuelles Attributionsmodell aufzustellen.

Der tatsächliche Anteil an Journeys, die nur aus nur einem Channel bestehen, lässt sich mittels einer Analyse der Cross-Channel-Effekte ermitteln:

Cross-Channel-Analyse.

Cross-Channel-Analyse.

Die Cross-Channel-Analyse zeigt, dass beispielsweise der Anteil an Journeys, die aus nur einem Channel bestehen, bei 28 Prozent liegt, wenn Retargeting der letzte Kanal oder Touchpoint der Journey vor der Conversion war. 72 Prozent der vorangegangenen Touchpoints stammen von anderen Kanälen. Das bedeutet: Wenn Retargeting der letzte Kanal einer Journey war, würde man 72 Prozent der vorausgehenden Touchpoints bei Last-Cookie-Wins komplett nicht berücksichtigen!

Zusammenfassend beträgt der Anteil an Cross-Channel-Journeys im Mittelwert 40 Prozent. Somit werden 60 Prozent der gesamten Customer Journeys bei Anwendung des Last-Cookie-wins-Modells falsch bewertet. Ein individuelles und dynamisches Attributionsmodell, das alle Kanäle berücksichtigt und deren Beitrag zur Conversion individuell gewichtet, wäre in diesem Falle zwingend zu empfehlen!

Als Fazit ist Folgendes festzuhalten: Ein geringer Anteil an One-Touchpoint-Journeys einer Kampagne ist bereits ein erster Indikator dafür, dass ein Attributionsproblem vorliegen kann, sofern ein statisches Modell wie Last-Cookie-wins angewendet wird. Doch erst die Cross-Channel-Analyse gibt Aufschluss darüber, wann das Last-Cookie-wins Modell falsche Rückschlüsse zieht. Das Last-Cookie-wins-Modell ist somit nur in seltenen Fällen bis gar nicht zu empfehlen. Nur dann, wenn der Anteil an One-Channel-Journeys unverhältnismäßig hoch ist - zum Beispiel, wenn nur ein Online-Kanal genutzt wird - kann es Sinn machen, dieses statische Verfahren zu verwenden.



Schreibe einen Kommentar





Erforderliche Felder sind mit (*) markiert.