Ist Multi-Touch-Attribution tot? Aufbau einer besseren Lösung zur Leistungsmessung
Veröffentlicht: 2023-05-04Das uralte Ziel der Marketing-Attribution klingt einfach: herauszufinden, welche Touchpoints, Kanäle und/oder Kampagnen am effektivsten sind, um Kunden zur Conversion zu führen.
In der digitalen Welt basiert unsere Fähigkeit, Wirkung zuzuordnen, auf deterministischen Identifikatoren, mit denen wir Marketinginteraktionen zusammenfügen können. Dann wird ein Modell, entweder regelbasiert oder datengesteuert, auf diese Interaktionen angewendet, um die Gewichtung der Gutschrift anzupassen, die jeder Interaktion über die Customer Journey hinweg zugewiesen wird.
Die Attribution gibt Marketern also theoretisch die Möglichkeit, den Wert verschiedener Arten von Markeninteraktionen für die Entscheidung eines Verbrauchers zu verstehen und zu bewerten. Das platonische Ideal eines Attributionsmodells würde eine ganzheitliche Sicht auf jeden Berührungspunkt in der User Journey erzeugen und seine Bedeutung genau einschätzen, um Menschen zum Endziel zu führen.
Einige Modelle sind näher gekommen, wie die Multi-Touch-Attribution, während andere bekannte blinde Flecken haben, wie die letzte Berührung.
Aber es ist einfach nicht möglich, jeden Berührungspunkt, der ein Conversion-Ereignis beeinflusst haben könnte, genau zu verfolgen. Das wird es wahrscheinlich nie sein. Und selbst wenn dies der Fall wäre, vermittelt uns die Zuordnung möglicherweise nicht das vollständige Bild, das wir benötigen.
Zuschreibung allein ist ein von Natur aus fehlerhaftes Ziel
Perfekte Attribution war lange Zeit ein Wunschtraum des Marketings; Seit den Tagen von John Wanamaker sind Marketer von der Idee eines universellen Messrahmens besessen, der beweist, dass sie den Wert steigern.
Aber selbst wenn Sie alle Touchpoints sehen und eine perfekte ganzheitliche Zuordnung erreichen könnten, würden Sie damit alle Informationen erhalten, die Sie zum Aufbau der perfekten Marketingstrategie benötigen? Schließlich ist Zuschreibung naturgemäß immer ein Blick in den Rückspiegel. Es blickt nicht in die Zukunft oder weist einen Weg nach vorn. Es berücksichtigt auch keine kritischen Medieninvestitionssignale wie sinkende Renditen.
Die Messung der Leistung sollte sich darauf konzentrieren, Daten zu verwenden, um zu verstehen, wohin Ihr nächstbester Dollar gehen sollte, und nicht nur, wie weit der letzte Dollar gegangen ist. Sie müssen in der Lage sein, Ihre Daten einzusehen und zukunftsgerichtete Fragen zu beantworten wie:
- Wo können wir die Budgets erhöhen, um unsere Conversions zu skalieren und gleichzeitig unseren aktuellen ROAS beizubehalten?
- Welche Hebel kann ich ziehen, um die Kampagnenleistung zu optimieren?
Sie können solche Fragen nicht beantworten, wenn Sie sich nur ein Modell ansehen, das rückwirkende Gutschriften zusätzlich zu einem unvollständigen Datensatz zuweist. Die kalte, harte Wahrheit ist, dass deterministische Multi-Touch-Attribution kein Allheilmittel ist; Wenn dies das einzige Modell ist, auf das Sie sich verlassen, um Entscheidungen zu treffen, kann es diese Antworten nicht liefern.
Die Datenabwertung erschwert die deterministische Multi-Touch-Attribution
Unabhängig davon, ob Sie zustimmen, dass die bloße Idee der Zuordnung uns nur teilweise zu unserem endgültigen Messziel führt, sind wir uns alle einig, dass viele Marketingspezialisten immer noch Zuordnungsmodellen verpflichtet sind. Wie bei allen Modellen gibt es das Perfekte nicht. Obwohl es im Laufe der Jahre Fortschritte gegeben hat, wobei Googles wertbasierte datengesteuerte Zuordnung besonders hervorzuheben ist, gibt es noch viele Unbekannte, wenn es um die Zukunft der Zuordnung geht.
Das liegt daran, dass der aktuelle Stand der Marketingdaten die Dinge nur noch schwieriger macht. Da Plattformen wie Meta, Google und Snap Schwierigkeiten haben, mit Apples App Tracking Transparency (ATT) fertig zu werden, würden die CFOs dieser Unternehmen als Erste zugeben, dass die Abwertung von Daten ihre größte Herausforderung ist.
Zumindest einige der praktischen Probleme bei der Zuordnung sind menschlicher Natur: Menschen sind besessen davon, die Punkte zu verbinden und Muster zu finden, unabhängig davon, ob sie tatsächlich existieren oder nicht. Wir erhalten häufig Fragen von Werbetreibenden dazu, wie die Zuordnung in Google Analytics funktioniert, da es zu Inkonsistenzen mit anderen Datensätzen kommt.
Sie sind wahrscheinlich mit dieser Herausforderung vertraut: Die Facebook Business Manager-Benutzeroberfläche behauptet, dass die Plattform 10-mal mehr Conversions erzielt hat, als Sie in Google Analytics gemeldet sehen. Also welches ist richtig?
Die Antwort ist, dass sie beide falsch liegen, nur auf unterschiedliche Weise. Keine noch so lustige Mathematik (dh Proxy-Berechnungen, die das Delta zwischen den beiden Datenpunkten im Laufe der Zeit betrachten) wird Ihnen helfen, die Gleichung zu lösen und genau zu berechnen, wie viel Guthaben Facebook-Anzeigen erhalten sollten.
Letztendlich ist dies ein Problem der Datenbeobachtbarkeit; Die Daten sind unvollständig, aber wir suchen trotzdem nach einer Antwort.
Quelle: eMarketer
Wenn das verwirrend ist, stellen Sie sich das so vor: Nehmen wir an, Sie telefonieren mit lückenhaftem Empfang. Für jeweils 10 Wörter fehlt ein Wort. Wahrscheinlich können Sie den Kern des Gesprächs immer noch verstehen, weil Sie so viel anderen Kontext haben.
Aber wenn Sie anfangen, ganze Sätze oder jedes zweite Wort zu verlieren, werden Sie sich in Schwierigkeiten wiederfinden. Das liegt daran, dass die Eingaben zu begrenzt und fragmentiert sind, um genaue Schlussfolgerungen zu ziehen. Genau das passiert derzeit mit der deterministischen Zuordnung auf allen Werbeplattformen, und es ist etwas, das keine noch so große Modellierung vollständig lösen kann.
Erinnern Sie sich an die Super Bowl T-Mobile-Werbung, in der Rob Gronkowski Tom Brady einlädt, sich in Florida zurückzuziehen, aber Brady kann nur jedes zweite Wort hören und denkt, Gronk sagt ihm, er solle in Tampa Bay spielen gehen? Das ist heute Zuschreibung. Das ist die Realität, der Marken mit Datenverlust gegenüberstehen.
Dies ist vergleichbar damit, wie ChatGPT das wahrscheinlichste nächste Wort vorhersagt, während es Antworten zusammenstellt. Oft macht es Sinn, aber manchmal halluziniert es und sagt Ihnen, dass Elon Musk der nächste Präsident der Vereinigten Staaten sein wird.
Natürlich gibt es bei der Modellierung immer eine Reihe von Fehlern, aber wenn der Datenverlust schlimm genug ist, können Sie kein genaues Modell erstellen. Dann nimmt die eigentliche Frage Gestalt an: Wie sehr können Sie darauf vertrauen, dass Werbeplattformen richtig liegen?
Aus diesem Grund müssen Sie Ihr Messwerkzeug erweitern.
Media-Mix-Modellierung und Inkrementalitätstests können Sie dem Verständnis der Wirkung näher bringen
Attribution ist immer noch ein mächtiges Konstrukt, aber die zugrunde liegende Methodik muss sich ändern, damit sie sich in die moderne Ära weiterentwickeln kann. Sie müssen einige schwierige Fragen stellen, um herauszufinden, welche Art von Mess-Toolkit und Framework für Ihr Unternehmen geeignet ist, wie zum Beispiel:
- Welche Messung benötigen Sie, um intelligente Entscheidungen über die Investitionsplanung über Kanäle und Plattformen hinweg zu treffen?
- Wo liegen die besten Möglichkeiten, Ihren bestehenden Mediamix möglichst effizient zu skalieren?
Als Branche haben wir uns daran gewöhnt, an eine imaginäre Version der perfekten Zuordnung als das A und O zu denken, aber sie sollte immer nur als Wegweiser dienen.
Das bedeutet nicht, dass es nicht nützlich ist. Aber Sie müssen Ihren Fokus auf die Zukunft verlagern und die Zuordnung zu einem Bestandteil Ihrer Entscheidungsfindung machen, nicht zum einzigen Schiedsrichter.
Und obwohl es keine perfekte Lösung gibt, gibt es eine unvollkommene, die uns dem Ziel viel näher bringt: Unified Attribution kombiniert mit Media Mix Modeling (MMM), bei der Sie einige deterministische Daten und Modelle für den Rest verwenden. Ziel ist es, vergangene Daten zu nutzen, um zukünftige Investitionen vorherzusagen. Es ist im Wachstum verwurzelt und wird nicht als Geisel vergangener Leistungen gehalten.
Um es richtig zu machen, müssen Sie in robuste Inkrementalitätstests investieren, die Ihnen helfen, modellierte Leistungsdaten zu validieren und sich ein klareres Bild davon zu machen, wie sich Ihre Kampagnen auf die gesamte Customer Journey auswirken.
Geobasierte Inkrementalitätstests sind für die Kalibrierung der Media-Mix-Modellierung von entscheidender Bedeutung. Es ist auch die leistungsfähigste Messlösung, um festzustellen, wo Sie zu einem bestimmten Zeitpunkt zu viel oder zu wenig investiert haben.
Die meisten Marken sind mit Inkrementalitätstests nicht sehr vertraut. Einige haben es schon einmal gemacht, aber historisch gesehen ist die Mehrheit nicht besonders gut darin. Wenn das Ihre Marke ist, brauchen Sie zuverlässige Partner mit einer vorhersehbaren Methodik, die auf die Bedürfnisse und Besonderheiten Ihrer einzigartigen geschäftlichen Herausforderungen zugeschnitten ist.
Es ist Zeit für eine zukunftsorientierte Lösung, die mehrere Tools integriert: das Leistungsmessungs-Framework
Eine der großen Herausforderungen bei traditionellen Media-Mix-Modellen ist die Schnelligkeit der Umsetzung. Bei Wpromote haben wir ein Hochgeschwindigkeits-Media-Mix-Modell und ein Planungstool für Investitionsszenarien namens Growth Planner als Teil unserer Polaris-Marketingplattform entwickelt, um sowohl die Herausforderungen der Datenabwertung als auch die Umsetzbarkeit zu bewältigen.
Growth Planner bildet den Kern unseres Frameworks zur Leistungsmessung. Im Wesentlichen werden Prognosen über das gesamte Jahr eines Kunden erstellt, um die optimale Investition der verfügbaren Dollars zu finden, um die Umsatzziele zu erreichen. Es kann auch für wöchentliche Optimierungen verwendet werden, damit Ihre Marke agil bleibt und sich an neue Entwicklungen anpassen kann.
Growth Planner betrachtet alle Ihre Marketingkanäle und den gesamten Trichter, um die Margen zu maximieren, denn Rentabilität ist das Endspiel. Es sagt Ihnen, wie Sie investieren müssen, bis hin zur spezifischen Taktik, bis zum Kanal, bis zum Monat, der Woche, dem Tag.
Wir stellen sicher, dass das Modell ehrlich bleibt und durch kontinuierliche Inkrementalitätstests immer besser wird, und wir können zusätzliche erweiterte Dateneingaben wie den prognostizierten Lebensdauerwert in das Modell einspeisen, um Investitionsentscheidungen weiter zu untermauern. Dann speisen wir Daten aus Growth Planner in die Datenreinraumanalyse in wichtigen Investitionsbereichen ein.
Die Messung wird weiterhin eine Herausforderung für Plattformen wie Google und Facebook und Medienkanäle wie CTV sein. Wenn Sie wirklich wissen möchten, wie Ihr Marketing tatsächlich abschneidet, müssen Sie damit beginnen, datenschutzkonforme Messlösungen zu untersuchen.