Leitfaden für Marketer zur datengesteuerten Marketing-Attribution
Veröffentlicht: 2020-07-3130-Sekunden-Zusammenfassung:
- Alle Attributionsmodelle haben ihre Vor- und Nachteile, ein Nachteil der traditionellen Modelle ist jedoch, dass sie regelbasiert sind. Der Nutzer muss im Vorfeld entscheiden, wie das Guthaben für Verkaufsereignisse auf die Touchpoints aufgeteilt werden soll.
- Das probabilistische Modell von Markov stellt Buyer Journeys als Graph dar, wobei die Knoten des Graphen die Berührungspunkte oder „Zustände“ sind und die Verbindungskanten des Graphen die beobachteten Übergänge zwischen diesen Zuständen sind.
- Die Häufigkeit, mit der Käufer zwischen zwei Zuständen gewechselt haben, wird in eine Wahrscheinlichkeit umgewandelt, und der vollständige Graph kann verwendet werden, um die Bedeutung jedes Zustands und die wahrscheinlichsten Erfolgspfade zu messen.
- Die Effektivität einer Kampagne wird bestimmt, indem sie aus dem Diagramm entfernt und Käuferreisen simuliert werden, um die Änderung der Erfolgsquote ohne sie zu messen.
- Durch die Nutzung eines datengesteuerten Attributionsmodells können Sie die mit herkömmlichen Attributionsmechanismen verbundenen Verzerrungen beseitigen und verstehen, wie verschiedene Nachrichten potenzielle Kunden und die Abweichungen nach geografischer Lage und Umsatzart beeinflussen.
Die Marketing-Attribution ist eine Möglichkeit, den Wert der Kampagnen und Kanäle zu messen, die Ihre potenziellen Kunden erreichen.
Durch die Verwendung der Ergebnisse eines Attributionsmodells können Sie verstehen, welche Touchpoints den größten Einfluss auf erfolgreiche Buyer Journeys haben und fundiertere Entscheidungen treffen, wie Investitionen in zukünftige Marketingressourcen optimiert werden können.
Aber wir alle wissen, dass Buyer Journeys selten geradlinig sind und die Wege zum Erfolg lang und kurvenreich sein können.
Bei so vielen zu berücksichtigenden Berührungspunkten ist es schwierig, zwischen den tatsächlichen Interaktionen mit hoher und geringer Wirkung zu unterscheiden, was zu einer ungenauen Aufteilung der Kreditwürdigkeit und einer falschen Darstellung der Marketingleistung führen kann.
Aus diesem Grund ist es so wichtig, das beste Attributionsmodell für Ihr Unternehmen zu wählen.
In diesem Beitrag besprechen wir einige Hintergrundinformationen zu verschiedenen Attributionsmodellen und schließlich dazu, wie Sie ein benutzerdefiniertes, datengesteuertes Attributionsmodell erstellen, um die Leistung globaler Kampagnen zu messen.
Grenzen traditioneller Marketing-Attributionsmodelle
Alle Attributionsmodelle haben ihre Vor- und Nachteile, ein Nachteil der traditionellen Modelle ist jedoch, dass sie regelbasiert sind. Der Nutzer muss im Vorfeld entscheiden, wie das Guthaben für Verkaufsereignisse auf die Touchpoints aufgeteilt werden soll.
Traditionelle Modelle umfassen:
Glücklicherweise gibt es ausgefeiltere datengesteuerte Ansätze, die in der Lage sind, die Feinheiten von Buyer Journeys zu erfassen, indem sie modellieren, wie Touchpoints tatsächlich mit Käufern und untereinander interagieren, um das gewünschte Verkaufsergebnis zu beeinflussen.
Wir haben auch das Shapley-Modell aus der kooperativen Spieltheorie evaluiert. Dieses beliebte (nobelpreisgekrönte) Modell lieferte viel mehr Einblicke in die Kanalleistung als die herkömmlichen Ansätze, aber es war nicht skalierbar, um die schiere Menge an Touchpoints in der heutigen digitalen Welt zu bewältigen.
Das Shapley-Modell hat sich auf einer relativ kleinen Anzahl von Kanälen gut bewährt, aber die meisten Unternehmen müssen für alle Kampagnen eine Attribution durchführen, was Hunderten von Berührungspunkten entlang der Customer Journey entsprechen kann.
Bewertung des Markov-Attributionsmodells
Das probabilistische Modell von Markov stellt Buyer Journeys als Graph dar, wobei die Knoten des Graphen die Berührungspunkte oder „Zustände“ sind und die Verbindungskanten des Graphen die beobachteten Übergänge zwischen diesen Zuständen sind.

Ein Käufer sieht sich beispielsweise ein Produkt-Webinar an (erster Status) und navigiert dann zu LinkedIn (Übergang), wo er auf eine Anzeigenimpression für dasselbe Produkt (zweiter Status) klickt.
Der Schlüsselbestandteil des Modells sind die Übergangswahrscheinlichkeiten (die Wahrscheinlichkeit, zwischen Zuständen zu wechseln).
Die Häufigkeit, mit der Käufer zwischen zwei Zuständen gewechselt haben, wird in eine Wahrscheinlichkeit umgewandelt, und der vollständige Graph kann verwendet werden, um die Bedeutung jedes Zustands und die wahrscheinlichsten Erfolgspfade zu messen.
In einer Stichprobe von Buyer Journey-Daten beobachten wir beispielsweise, dass der Webinar-Touchpoint 8-mal auftritt und Käufer das Webinar nur dreimal angeschaut und anschließend auf die LinkedIn-Anzeige geklickt haben, sodass die Übergangswahrscheinlichkeit zwischen den beiden Zuständen 3 / 8 = 0,375 . beträgt (37,5%).
Für jeden Übergang wird eine Wahrscheinlichkeit berechnet, um den Graphen zu vervollständigen.
Bevor wir uns mit der Berechnung der Kampagnenattribution befassen, kann uns das Markov-Diagramm einige nützliche Informationen über unsere Buyer Journeys liefern.
Aus dem obigen Beispiel sehen Sie, dass der Pfad mit der höchsten Erfolgswahrscheinlichkeit „Start > Webinar > Kampagne Z > Erfolg“ mit einer Gesamtwahrscheinlichkeit von 42,5 % (1,0 * 0,425 * 1,0) ist.
Das Markov-Diagramm kann uns auch die Gesamterfolgsrate anzeigen; d. h. die Wahrscheinlichkeit einer erfolgreichen Buyer Journey unter Berücksichtigung der Historie aller Buyer Journeys. Die Erfolgsrate ist eine Grundlage für die Gesamtmarketingleistung und die Messlatte für die Messung der Wirksamkeit von Änderungen.
Das obige Beispiel-Markov-Diagramm hat eine Erfolgsquote von 67,5%:
Kampagnenzuordnung
Ein Markov-Diagramm kann verwendet werden, um die Bedeutung jeder Kampagne zu messen, indem der sogenannte Entfernungseffekt berechnet wird.
Die Effektivität einer Kampagne wird bestimmt, indem sie aus dem Diagramm entfernt und Käuferreisen simuliert werden, um die Änderung der Erfolgsquote ohne sie zu messen.
Die Verwendung von Removal Effect für die Marketing-Attribution ist das letzte Stück des Puzzles. Um den Attributionswert jeder Kampagne zu berechnen, können wir die folgende Formel verwenden:
Angenommen, im ersten Quartal des Geschäftsjahres beträgt der USD-Gesamtwert aller erfolgreichen Buyer Journeys 1 Million US-Dollar.
Dieselben Buyer Journeys werden verwendet, um ein Markov-Modell zu erstellen, und es berechnete den Entfernungseffekt für unsere Anzeigenkampagne zu 0,7 (dh die Erfolgsrate der Buyer Journey sank um 70 %, als die Anzeigenkampagne aus dem Markov-Diagramm entfernt wurde).
Wir kennen die Removal Effect-Werte für jede Kampagne, die in den Eingabedaten beobachtet wurde, und für dieses Beispiel nehmen wir an, sie summieren sich zu 2,8. Durch Einfügen der Zahlen in die Formel berechnen wir den Attributionswert für unsere Anzeigenkampagne auf 250.000 US-Dollar.
Beginnen Sie mit Ihrem eigenen Modell
Die obige Anwendung zur Marketing-Attribution wurde vom Marketing and Data Center of Excellence von Cloudera entwickelt, aber Sie können noch heute mit Ihrem eigenen Modell beginnen.
Durch die Nutzung eines datengesteuerten Attributionsmodells können Sie die mit herkömmlichen Attributionsmechanismen verbundenen Verzerrungen beseitigen und verstehen, wie verschiedene Nachrichten potenzielle Kunden und die Abweichungen nach geografischer Lage und Umsatzart beeinflussen.
Sobald Sie solide und vertrauenswürdige Daten hinter der Attribution haben, können Sie die Ergebnisse sicher nutzen, um Marketing-Mix-Strategien und Investitionsentscheidungen zu unterstützen und voranzutreiben. Und Sie können sich auf die Zahlen verlassen, wenn Sie mit Vertriebsteams zusammenarbeiten, um Marketingstrategien voranzutreiben.
James Kinley ist leitender Datenwissenschaftler bei Cloudera. Er kam aus der britischen Verteidigungsindustrie zu ihnen, wo er sich auf Cybersicherheit spezialisierte.