Multi-Touch-Attributionsmodell — Identifizierung der richtigen Kanäle

This article has been translated. You can find the original in English here.

In der sich ständig erweiternden Medienlandschaft hängt der Erfolg selten von einem einzigen Kanal ab: eine Kombination von Marketingaktivitäten erzeugt Aufmerksamkeit und motiviert die Verbraucher, sich für eine bestimmte Marke zu entscheiden. Jede dieser Aktivitäten kann eine gewisse Wirkung entfalten und mehr oder weniger Conversions, d. h. Produktkäufe, hervorrufen.

Die Identifizierung der richtigen Kanäle mit Multi-Touch-Attributionsmodellen, um die Customer zu erreichen, wird immer wichtiger, um die Effizienz der Ausgaben im Marketing zu verbessern. Zu wissen, woher die Verbraucher kamen, als sie einen Kauf tätigten, und welche bezahlten oder eigenen Medien der Marke sie zuvor gesehen hatten, wird als Media Attribution bezeichnet.

Inhalt:

• Warum werden Modellings zur Media Attribution benötigt?

• Warum ist es sinnvoll, den Pfad zur Conversion zu optimieren?

• Warum ist maschinelles Lernen für ein Multi-Touch-Attributionsmodell erforderlich?

• Wie wirkt sich der Wegfall der Cookie-ID auf die Multi-Touch-Attribution aus?

• Was sind die Alternativen zu Cookie-IDs in Multi-Touch Attributionsmodellen?

Warum werden Modellings zur Media Attribution benötigt?

Conversions werden selten durch den letzten Touchpoint bestimmt: Verbraucher neigen dazu, öfter Kontakt mit einer Marke zu haben, bevor sie eine Entscheidung treffen, was in der Regel auch mit der Investition, die das Produkt für sie darstellt, zusammenhängt. Daher wäre es wenig sinnvoll, das Marketing Budget nur auf einen einzigen Kanal zu konzentrieren.

Es besteht die Notwendigkeit, die Auswirkungen jedes Mediums auf den gesamten Umsatz und Werbe-ROI abzuschätzen. Wenn es um digitale Kanäle geht, bieten sie auch die Möglichkeit, tiefer in die Daten einzutauchen und sie genauer zu analysieren. Aufgrund der Fragmentierung der digitalen Kommunikationswege fällt es Unternehmen zunehmend schwer für die Verbraucher sichtbar zu sein, ohne umfangreiche Investitionen in geräteübergreifende und kanalübergreifende Werbekampagnen zu tätigen, was Investitionen nach sich ziehen kann, die genau kontrolliert werden müssen.

Die verfügbare Technologie ermöglicht es, einen individuellen Pfad zur Konversion in allen digitalen Umgebungen zu verfolgen und die Interaktion eines Verbrauchers über einen "längeren" Zeitraum zu verfolgen. Die Marken können dann die Abfolge und die Kanäle ermitteln, die am besten geeignet waren, Leads zu generieren und den Kaufprozess zu beeinflussen.

Dieser Ansatz hilft Unternehmen ihre Ausgaben im Marketing zu optimieren und die richtigen Kunden am richtigen Touchpoint und zur richtigen Zeit anzusprechen.

Das Multi-Touch-Attributionsmodell (MTA) ist so kompliziert, wie der Name schwer auszusprechen ist. Lassen Sie uns erklären, warum.

Warum ist es sinnvoll, den Pfad zur Conversion zu optimieren?

Denn jeder Schritt in die richtige Richtung — sofern die Interaktion im richtigen Moment erfolgt — erhöht die Chancen auf eine Conversion. In der extrem wettbewerbsintensiven Landschaft des modernen digitalen Raums kämpfen Marken ständig darum, ihre Kunden zu halten.

Jeder Anreiz, der dazu beitragen kann neue Kunden zu gewinnen, hilft, die Marke in einer starken Position zu halten.

Es ist äußerst schwierig, die Conversionrate einer neuen Kampagne vorherzusagen. Wettbewerber können verglichen werden oder Marken können sich auf Branchen-Benchmarks stützen, aber letztendlich kann nur die durchgeführte Kampagne die die Wahrheit liefert. Von dort aus wird die Verbesserung der Conversionsrate Ihr Schlüssel zum Erfolg sein.

Warum ist maschinelles Lernen für ein Multi-Touch-Attributionsmodell erforderlich?

Stellen Sie sich ein Labyrinth aus nicht enden wollenden Pfaden, irreführenden Abzweigungen und Sackgassen vor... So sieht die Customer Journey eines Verbrauchers in unserem heutigen digitalen Zeitalter aus: ein Labyrinth, in dem potentielle Kunden zwischen verschiedenen Touchpoints wie Websites, sozialen Medien und Geräten hin und her springen, bevor sie sich für oder gegen den Kauf eines Produkts entscheiden.

• Daten werden auf der Grundlage von Cookies geräteübergreifend gesammelt: Sie müssen sortiert und organisiert werden, um in eine Reihenfolge gebracht werden zu können.
• Nicht alle Mediaaktivitäten haben die gleiche Wirkung: Eine Display-Anzeige zu sehen oder 3 Minuten auf einer Website zu verbringen, hat eindeutig unterschiedliche Auswirkungen auf die Erinnerung an eine Marke.
• Die Erinnerung nimmt mit der Zeit nicht linear ab, sondern wird durch die Vervielfachung der Exposition kompensiert, wodurch ein Aufbaueffekt entsteht, der berücksichtigt werden muss.
• Die Zahl der möglichen Berührungspunkte und medialer Formate ist groß.

Die Customer Journey besteht aus Zillionen potenzieller Conversion Pfade, die in eine Reihenfolge gebracht, gewichtet und analysiert werden müssen, um eine Heatmap der verschiedenen Möglichkeiten zu erstellen, mit denen Marken ihre aktuelle Strategie verbessern können.

Wie wirkt sich der Wegfall der Cookie-ID auf die Multi-Touch-Attribution aus?

Die Art und Weise, wie Modelle zur Multi-Touch-Attribution heute aufgebaut sind, stützt sich stark auf Cookie-IDs. Ihr Verschwinden bedeutet den Tod des Multi-Touch-Attributionsmodells in seiner jetzigen Form: Eine Welt ohne Cookies würde die Granularität und Präzision der gesammelten Informationen sowie die Tiefe des Pfads beeinflussen, der dem Modell helfen kann, das Gewicht der verschiedenen Medienkanäle vorherzusagen.

Was sind die Alternativen zu Cookie-IDs in Multi-Touch Attributionsmodellen?

First-Party-Datenerhebung

Heutzutage haben die meisten Werbetreibenden die Verwendung von Drittanbieterdaten (Cookies) bereits aufgegeben, da diese ohnehin langsam aussterben, und sind zu First-Party-Daten übergegangen.

First-Party-Daten sind genauer und zuverlässiger als Third-Party-Daten und ermöglichen es Werbetreibenden, ein besser auf den Kunden zugeschnittenes Erlebnis zu schaffen.

Durch die Nutzung aller vorhandenen Berührungspunkte, die Sie mit Ihren Verbrauchern und potenziellen Kunden haben, können Sie die Daten auf Kundenebene aggregieren, um den Pfad zu zeichnen, der am Ende des Trichters zum Kauf führt. Dies ist der Schlüssel vom Multi-Touch-Attribution Modell von MMT, um auf der Grundlage dieser Pfade verschiedene Dimensionen vorherzusagen. Wir werden die First Party Data Strategy demnächst in einem Artikel behandeln.

Universelle ID

Viele Frameworks verwenden universelle Identifikatoren, um die Erstellung einer eindeutigen Benutzer-ID für jeden Online-Nutzer zu fördern. Diese Lösung hilft den Vermarktern, gezielte Werbung zu schalten und gibt den Nutzern mehr Kontrolle.

Wenn ein Nutzer eine Website oder App besucht, die universelle Benutzer-IDs unterstützt, hilft die Single Sign-On-Technologie dabei, die E-Mail-Adresse des Nutzers zusammen mit der einmaligen Zustimmung zu erfassen.

Probabilistische Modellierung

Die probabilistische Modellierung verknüpft die Aktivitäten eines einzelnen Benutzers über zahlreiche Geräte hinweg mit einem einheitlichen Kundenprofil, indem sie Vorhersagealgorithmen einsetzt, um Informationen wie IP-Adresse, Betriebssystem, Standort, WLAN-Netzwerk und Verhaltensdaten mit einem bestimmten Zuverlässigkeitsgrad zu einem Profil zu korrelieren.

Mit dieser Technik können Sie alle Informationen miteinander verknüpfen, z. B. die Touchpoints eines bestimmten Nutzers, und erhalten so einen vollständigen Pfad, der später für die MTA-Modellierung verwendet werden kann.

Fingerprinting

Beim Fingerprinting wird ein digitaler Fingerabdruck eines Nutzers erstellt, der über verschiedene Kanäle hinweg verfolgt werden kann, indem ein Querschnitt von nicht persönlich identifizierbaren Informationen wie Gerätetyp und Standort verwendet wird.

Genau wie bei der probabilistischen Modellierung ermöglicht dieser Ansatz den Analysten, die notwendigen Informationen wie Touchpoints zu extrahieren, um sie in das MTA-Modell einzuspeisen.

Wie kann MMT Sie unterstützen?

Wir kombinieren unsere Media-, Analytics und Data-Science-Expertise, um Multi-Touch-Attributionsmodelle zu entwickeln, die sich an die Marktentwicklung anpassen.

Unsere Lösung integriert zwei Modelle, die das Sequencing, den Speicheraufbau und -abbau, den Einfluss der Werbeformate und den binären Konversionsgrad berücksichtigen. Sie bietet eine klare Visualisierung der effizientesten Pfade sowie des Beitrags der einzelnen Medien zur Konversion.

Unser Attribution Model erfordert die Eingabe von mindestens 3 bis 6 Monatsdaten über digitale Aktivitäten, um möglichst genaue Ergebnisse zu erzielen. Unser Standardmodell kann innerhalb weniger Tage ausgeführt und in einem webbasierten Dashboard visualisiert werden, um den Fortschritt zu überwachen.

Benötigen Sie mehr Details und möchten mehr über unser Modeling erfahren um ins datengetriebene Marketing zu starten? Nehmen Sie Kontakt mit uns auf.

Quellen

• https://medium.com/machine-learning-for-business-problem/how-to-implement-an-attention-rnn-into-solving-the-multi-channel-attribution-problem-6fa90d935859
• https://marketinginsidergroup.com/demand-generation/are-your-lead-conversion-rates-above-average/