Wenden Sie Erkenntnisse aus maschinellem Lernen auf PPC-Multi-Touch-Attributionsmodelle an

Anwendung von maschinellem Lernen auf Multi-Touch-Attributionsmodelle

Aktualisiert am 30.4.2020

Ihr neuer Medienmarketingplaner kann maschinelles Lernen integrieren, um Multi-Touch-Attributionsmodelle zu optimieren, die in PPC-Werbung für die 2020er Jahre verwendet werden.

Die erfolgreichen Agenturen für digitales Marketing von morgen werden eher diejenigen sein, die Daten nutzen und Erkenntnisse aus maschinellem Lernen anwenden können, um Multi-Touch-Attributionsmodelle zu optimieren. Die gewonnenen Erkenntnisse sind auch für erfolgreiche Remarketing-Kampagnen essenziell.

Die Erforschung neuer Innovationen im Bereich der maschinellen Intelligenz bei Google hat dazu beigetragen, das Unternehmen auf dem Weg in die 2020er Jahre als zweitwichtigste Marke weltweit zu positionieren. Der Suchgigant untersucht aktiv die fortschreitenden Aspekte des maschinellen Lernens, von klassischeren Algorithmen bis hin zu hochmodernen Techniken wie Deep Learning. Angesichts der Tatsache, dass Unternehmen, die mit Google AdWords werben, weiterhin neue Gewinne in der bezahlten Suche erzielen, ist es hilfreich zu verstehen, wie maschinelles Lernen und Multi-Touch-Attributionsmodelle zusammenarbeiten.

Lassen Sie uns zunächst einige häufig gestellte Fragen beantworten .

Was ist Multi-Touch-Attribution?

Multi-Touch-Attribution ist ein Mittel zur Messung der Marketingeffektivität. Es handelt sich um eine Technik, die alle Berührungspunkte der Verbraucherreise bewertet und jeder Aktion einen Teilwert zuweist, sodass ein digitaler Vermarkter beurteilen kann, wie viel Einfluss jeder Kanal auf einen Verkauf hat.

Was ist ein Attributionsmodell im Marketing?

Ein Benutzerzuordnungsmodell ist eine Reihe von Regeln, die entscheiden, wie die Gutschrift für Verkäufe und Konversionen Verbraucher-Touchpoints in Konversionspfaden zugewiesen wird. Das Modellvergleichstool bietet Vergleiche darüber, wie verschiedene Attributionsmodelle die Bewertung und Leistung Ihrer Marketingkanäle beeinflussen.

Die Multi-Touch-Attribution bietet eine ausgeklügeltere Alternative zu herkömmlichen, regelbasierten Attributionsansätzen wie First- und Last-Touch, bei denen der erste oder letzte Marketing-Touchpoint die gesamte Anerkennung erhält, bevor der Verbraucher durch einen Kauf, Download oder eine Conversion abschließt jede andere Veranstaltung.

Wenn Sie zunächst eine fundierte Marktforschung betreiben , können Sie die Aktivitäten Ihrer Nutzer vor Ort besser ermitteln.

Dies umfasst die Arbeit an Spracherkennung, Sprache, Übersetzung, visuellen Verarbeitungstrends , Ranking und Vorhersagefunktionen, die sich maschinelle Intelligenz zunutze machen. Umfangreiche Mengen an Big Data, die Hinweise auf direkte oder indirekte Interessensbeziehungen liefern, werden verwendet, um Lernansätze zu entwickeln, um genauere Suchergebnisse zu verstehen und schnell zu produzieren.

Fortschritte im maschinellen Lernen zwingen digitale Vermarkter dazu, sich weiterzuentwickeln – ob SEOs sich dessen bewusst sind oder nicht. Oder ob Sie Ihre Website darauf vorbereiten oder nicht. In diesem Artikel erfahren Sie, warum wir die positionsbasierte Modellierung bei der Multi-Touch-Attribution bevorzugen.

Die wichtigste Änderung ist folgende: Medienplanungs- und -einkaufsunternehmen wissen, dass sie mit einer neuen Herangehensweise an Werbestrategien hervorgegangen sind, um das Volumen der Online-Verkäufe erfolgreich zu steigern .

Verständnis von Multi-Touch-Attributionsmodellen: regelbasiert vs. algorithmisch

Sollte ich einen regelbasierten Ansatz oder ein algorithmisches PPC-Attributionsmodell verwenden?

Die genaue Bestimmung des Zuordnungsmodells Ihrer Marke kann in zwei Kategorien von Modellen zusammengefasst werden: regelbasiertes und algorithmisches maschinelles Lernen. Ein regelbasiertes Modell wird von Menschen abgeleitet und könnte daher als ziemlich subjektiv bezeichnet werden. Diese traditionelleren Attributionsmodelle basieren auf allgemein verständlichen Annahmen über die erste und letzte Berührung, die gleiche Berührung, die Zeitverfallszuordnung und andere Szenarien. So war beispielsweise der letzte Kontakt ausschlaggebend für die Kaufentscheidung oder der erste und der letzte Kontakt werden gleich gewichtet.

Die regelbasierte Marketing-Attribution wird als einfacher Attributionsansatz bezeichnet. Diese Modelle weisen jedem Verbraucherkontaktpunkt, der durch eine vordefinierte Formel festgelegt wird, Werte zu. Es weist nur einem Berührungspunkt in der Kaufreise, normalerweise dem ersten oder letzten, 100 % Gutschrift zu.

Um diesen subjektiven Prozess zu verbessern, ist Multi-Touch-Attributionsmodellierung, die sich auf die Analytik-Reifegradskala stützt, im Falle einer Fehlausrichtung der Wahrnehmung aussagekräftiger und beinhaltet einen geringeren Betrachtungsprozess, während sie sich auf maschinelles Lernen stützt. Indem eine einzelne Touchpoint-Zuordnung – letzte Interaktion und erste Interaktion – durch Multi-Touchpoint-Modelle ersetzt wird, ist es einfacher, verschiedenen Touchpoints basierend auf bestehenden Regeln Anerkennung zuzuweisen.

Angesichts der Fortschritte beim maschinellen Lernen innerhalb des Google BERT-Algorithmus hat sich ein datengesteuerter algorithmischer Ansatz als zuverlässiger erwiesen. Das bedeutet, dass Attributionsausgaben auf der Grundlage von Daten und der Modellierung dieser Daten erstellt werden. Die teilweise Zuordnung wird prozentual abhängig vom Wert einer Berührung im Verhältnis zum Ganzen zugewiesen. Um genau zu sein, hängt die Zuordnung durch algorithmisches maschinelles Lernen jedoch stark von der Reichhaltigkeit der eingegebenen Daten ab. Wenn eine vertrauenswürdige Quelle verwendet wird, wird eine umfassende Momentaufnahme erstellt, aber wenn dies nicht der Fall ist, können die Ergebnisse brutal fehlerhaft sein.

Auch wenn wir auf maschinelles Lernen setzen, ist dieses Modell dennoch auf ein hohes Maß an menschlicher Interaktion angewiesen. Die von einem menschlichen Analysten gewonnenen kontextuellen Erkenntnisse tragen dazu bei, potenziell fehlerhafte Eingaben zu reduzieren. Ein erfahrener digitaler Vermarkter erkennt ein Missgeschick eher schnell, bevor es die Ergebnisse beeinträchtigt.

Das Multi-Touch-Zuordnungsmodell gibt Vermarktern einen umfassenden Überblick über die Auswirkungen, die jede Benutzerinteraktion auf das Endziel hat. Dies trägt dazu bei, besser zu verstehen, was in diesem riesigen, kanalübergreifenden Puzzle funktioniert, was nicht funktioniert und was sich auf was auswirkt. Diese Erkenntnisse bieten Marketingfachleuten und Marken ein enormes Potenzial, klügere Marketingentscheidungen zu treffen. Lassen Sie es Ihre lokalen Suchmaschinenmarketing-Bemühungen informieren.

Eric Enge sagt, dass „maschinelles Lernen von der SEO-Planung bis zum Gewinnen von Online-Käufen eingesetzt werden kann, wenn man das Benutzerengagement richtig zuordnet“. Der Moz-Artikel vom 4. Februar 2016 mit dem Titel The Machine Learning Revolution: How it Works and its Impact on SEO * geht ausführlich darauf ein, wie die Investitionen von Google und anderen Suchmaschinen in algorithmenbasierte Technologie genutzt werden können. Hör zu.

Sollten Sie Multi-Touch Model Attribution für Ihr Unternehmen verwenden?

Maschinelles Lernen kann verwendet werden, um die agile Marketingplanung zu informieren , um Online-Käufe zu gewinnen, wenn man das Benutzerengagement richtig zuordnet.

Eine der besten Möglichkeiten, vom Data Mining zu profitieren, besteht darin, Ihre Kunden zu segmentieren und dann mithilfe von AdWords gezielte Nachrichten zu senden. Und es ist ein ziemlich einfacher Prozess. Allein anhand Ihrer Search Console- und Google Analytics-Daten ist es möglich, Ihre Zielgruppe in aussagekräftige Segmente wie Alter, Interessen, Einkommen, Beruf oder Geschlecht aufzuschlüsseln. Und das ist effektiv, egal ob Sie E-Mail-Marketingkampagnen , bezahlte Suche oder die Aktualisierung Ihrer SEO-Strategien durchführen.

Ein weiterer Vorteil der Datensegmentierung ist die Fähigkeit, Ihre Wettbewerbslandschaft besser zu verstehen. Allein diese Erkenntnis wird Ihnen dabei helfen, schnell zu erkennen, dass die üblichen Märkte, die Sie identifizieren, sowie diejenigen, die auf die gleichen potenziellen Käufer abzielen, die Ihr Unternehmen bedienen möchte.

Wenn Sie wie das typische Unternehmen sind, das, wenn es darum gebeten wird, seine Konkurrenten aufzulisten, mit einer Liste von Einzelpersonen zurückkommt. Größer denken und planen. Verwenden Sie bezahltes Suchmaschinenmarketing, um mehr Käufer zu erreichen . Die Suchmaschinen müssen aus einem weltweiten Pool potenzieller Übereinstimmungen für Suchanfragen der Nutzer auswählen. Die meisten Unternehmen müssen ihren Kreis von wettbewerbsfähigen Websites zwei- oder dreimal erweitern, wenn sie wirklich konkurrieren und gewinnen wollen. Data Mining und ein besseres Verständnis der Funktionsweise von maschinellem Lernen werden Ihnen dabei helfen.

Der Artikel von E-Marketern mit dem Titel Google's Journey into Machine Learning: What Marketers Need to Know spricht über die verschiedenen Methoden, die es bei einem Top-Funnel-Ansatz gibt. Dazu gehört ein strategischer Plan, um qualifizierte Leads zu gewinnen, die auf Ihre Website kommen, einschließlich Käufern, die direkt von Google Maps kommen .

„Die Sitzungen und die Besuche auf der Website eines Unternehmens sind nicht alle gleich wertvoll, und ein Unternehmen sollte nicht für alle Leads den gleichen Betrag zahlen“, erklärt Justin Cutroni.

8 herausragende Vorteile eines maschinellen Lernmodells zur Verbesserung der Conversions:

Bessere Werbeentscheidungen zu treffen, beginnt mit genauen Daten und der Möglichkeit, die Modellaktualisierung des maschinellen Lernens bei jeder Conversion zu nutzen.

1. Verstehen Sie auf einfache Weise, wie tief der Konversionstrichter Ihrer Website-Besucher ist und wie Benutzer Entscheidungen treffen.

2. Erkennen Sie, wann Sie optimieren müssen, indem Sie sehen, wie lange es normalerweise dauert, bis Benutzer konvertieren, je nachdem, wo sie mit dem Kauf beginnen und enden.

3. Besser in der Lage zu bestimmen, wo Werbegelder ausgegeben werden sollen, um den ROI und den Geschäftsumsatz im nächsten Quartal zu steigern.

4. Entschlüsseln Sie die Anzahl der Conversions basierend auf dem verwendeten Gerät und der Wirkung des strategischen Geräte-Targetings in bestimmten Teilen des Trichters.

5. Bessere Möglichkeit zu sehen, wie sich Ihre Upper-Funnel-Taktik und die Verwendung von Videoinhalten auf jede Conversion auswirken.

6. Genauere Fähigkeit, den gesamten Kundenlebenszyklus sowohl für neue als auch für wiederkehrende Geschäfte zu verstehen.

7. Ein Vorteil von algorithmischen Attributionsmodellen ist, dass man zu Beginn weniger raten muss.

8. Es reduziert die Notwendigkeit, Ihre Daten im Nachhinein erneut zu überprüfen.

Verwenden Sie Machine Learning Time Decay Attribution, um Marktausgaben zuzuweisen

„Grundsätzlich erhält die letzte Kampagne oder Impression, mit der der Lead interagiert hat, die gesamte Conversion-Gutschrift. Wenn Sie nur eine oder zwei Kampagnen durchführen, ist die Einfachheit und die sofort einsatzbereite Zugänglichkeit dieses Modells ansprechend. In Fällen, in denen Sie jedoch mehrere Marketingkanäle haben, ist diese Art der Zuordnung irreführend und hilft Ihnen nicht, Ihre Marketingausgaben besser zuzuordnen“, so die Segment Analytics Academy**.

Bei der Verwendung des Time-Decay-Attributionsmodells wird den Touchpoints, die dem Kauf oder der Conversion des Verbrauchers zeitlich am nächsten liegen, der größte Anteil der Gutschrift zugeschrieben. Wenn beispielsweise sowohl ein Klick auf eine AdWords-Kampagne als auch E-Mail-Kanäle als die letzten Kundeninteraktionen innerhalb weniger Stunden vor dem Verkauf erkannt werden, würde ein anderer Kanal weniger Guthaben erhalten als entweder der Anzeigen- oder der E-Mail-Kanal. Da die Paid Search-Interaktion kurz vor dem Verkauf stattfand, erhält dieser Kanal deutlich mehr Anerkennung als eine frühere soziale Interaktion mit einem Agenten.

Verwendung von Googles datengetriebener Attributionsmodellierung

Google verlässt sich mehr auf maschinelles Lernen, das Ihre Nutzerverhaltensdaten und Ihr arithmetisches Geschick beeinflusst, um ein Attributionsmodell zu finden, das am besten zur Maximierung des gesamten Conversion-Volumens geeignet ist. Es ist ein wahrer Goldminen-Traum, einen Datensatz zu finden, der Ihr mobiles AdWords-Conversion-Volumen stärker als alle Mitbewerber steigern würde.

Eine Herausforderung bei der datengesteuerten Attribution in AdWords besteht darin, dass sie am besten eine Single-Channel-Interpretation des Nutzerengagements bietet. Um neue Kunden erfolgreich anzusprechen, die online nach Ihrem Produkt suchen, ist es schwierig, Conversions zu identifizieren, die möglicherweise aus anderen nicht suchbezogenen Marketingmaßnahmen wie E-Mail oder sozialen Netzwerken stammen. Maschinelles Lernen ist besser darin, Bildentitäten einem Produkt zuzuordnen, nach dem Menschen suchen. Ihre Produktbilder und Anzeigen können in Online-Produktkarussells angezeigt werden .

Google empfiehlt mindestens 20.000 Klicks und 800 Conversions innerhalb eines Zeitraums von einem Monat. Viele Unternehmen, die mit AdWords beginnen, haben bescheidenere Zahlen und kommen am besten mit einer positionsbasierten Zuordnung am Anfang zurecht. Das Finden des besten Attributionsmodells für PPC für Ihr Unternehmen hängt von vielen Faktoren ab und zeigt sich im Laufe der Zeit und durch Tests.

Herausforderungen bei der Auswahl des besten Multi-Channel-Attributionsmodells

Unabhängig davon, welches Modell Sie auswählen, denken Sie daran, die Best Practices für Verbrauchertransparenz und Datenschutz zu respektieren .

Nicht viele Aspekte der Analytik sind komplexer als die Ermittlung des besten Multi-Channel-Zuordnungsmodells für Ihr Unternehmen.

Wie kann es sein, dass der letzte Klick falsch ist, nachdem er jahrelang das Standard-PPC-Zuordnungsmodell war? Und dann zu erfahren, dass die Zuordnung des ersten Klicks ebenfalls fehlerhaft ist, kann schwer zu ertragen sein. Während wir uns auch im Laufe der Zeit in Richtung positionsbasierter Modelle bewegen, scheint keine datengesteuerte Attributionstechnik perfekt zu sein. Ihre Marketing-PPC-Ausgaben im kommenden Jahr können mit besseren Ergebnissen und mehr Rendite für Ihre Investition in bezahlte Werbung erhöht werden. Egal, ob Sie im Team für organische Suche oder bezahlte Suche sind, wenn Sie den Verbrauchern am Ende mehr Wert bieten, haben Sie die Nase vorn.

Das Last-Touch-Attributionsmodell ist einfach und oft das, worauf viele Vermarkter zurückgreifen. Es ignoriert jedoch die Stimuli aller Anzeigenimpressionen vollständig, abgesehen von der letzten. Alternativ wurde die neuere Idee des Multi-Touch-Attributionsmodells (MTA) von vielen übernommen. Dies bedeutet, dass mehr als ein Berührungspunkt jeweils einen Bruchteil des Guthabens haben kann, basierend auf einem wahrhaftigeren Benutzereinfluss an jedem Berührungspunkt, der zur Kaufentscheidung des Benutzers führt.

Lassen Sie sich aufgrund neuer maschineller Lerntechnologien nicht von früheren Vorstellungen davon abschrecken. Basierend auf der Mustererkennung des Such- und Website-Besucherverhaltens ermöglicht die Forschungsarbeit der künstlichen Intelligenz Ihrem Unternehmen, aus Daten und Ihren Benutzer-Touchpoints zu lernen. Conversion-Daten können besser visualisiert und gutgeschrieben werden. Der iterative Aspekt des maschinellen Lernens ist wichtig, da Modelle, wenn sie neuen Daten ausgesetzt werden, sich unabhängig anpassen können. Sie lernen aus früheren Berechnungen, um zuverlässige, wiederholbare Entscheidungen und Ergebnisse zu erzielen. Dies ist eine alte Wissenschaft, die jedoch erheblich verbessert wurde und von versierten digitalen Vermarktern neue Zustimmung erhält. Wenn Sie Ihre SEO-Marketingpraktiken auf dem neuesten Stand halten , wird dies auch Ihren PPC-Operationen zugute kommen.

Während viele maschinelle Lernalgorithmen schon seit Jahren existieren, ist die Möglichkeit, komplexe mathematische Berechnungen schneller und zuverlässiger automatisch auf Ihre Google Analytics-Daten anzuwenden, eine neuere Entwicklung.

So verwenden Sie den Top-Conversion-Pfade-Bericht von Multi-Channel-Trichter Analytics

Sehen Sie sich den Bericht "Pfadlänge" im Standardbericht "Multi-Channel-Trichter" in Google Analytics (oder einer ähnlichen Plattform) an. Häufig haben viele Website-Conversions mehr als eine Pfadlänge, was es schwierig macht, die Conversion korrekt zuzuordnen. Mit Google Analytics können Vermarkter Erkenntnisse über den Conversion-Pfad des Benutzers kombinieren, der mit seiner Multi-Channel-Conversion visualisiert wird, die im Abschnitt „Übersicht“ zu finden ist.

Sehen Sie sich den Bericht „Vorbereitete Conversions“ in Google Analytics an. Konzentrieren Sie sich auf die letzte Spalte, die alle unterstützten/letzten Klicks oder direkten Conversions anzeigt:

• Bei Werten unter eins hat dieser Kanal eine höhere Wahrscheinlichkeit, Conversions nach dem letzten Klick zu erzielen.

• Bei Werten über eins ist dieser Kanal wahrscheinlich früher in der Konvertierungsphase verfügbar. Bei Verwendung einer Attributionsstrategie "Letzter Klick" fehlt diesen Kanälen möglicherweise die entsprechende Quellenangabe.

Es ist möglich zu entschlüsseln, welche Bereiche in Ihren Marketingkanälen möglicherweise unterbewertet sind.

Passen Sie dann einen Prozentsatz der Budgetzuweisung an und messen Sie neue Ergebnisse. Ganze Marketingteams profitieren davon, zu wissen, welcher Kanal zuerst kommt (derjenige, der dazu dient, Ihre Marke dem Verbraucher vorzustellen “), welcher Kanal als nächstes kommt („fördert unsere potenziellen Käuferentscheidungen“), welcher Kanal danach kommt und so weiter.

Suchen Sie als Nächstes nach Erkenntnissen im Analytics-Bericht „Top-Conversion-Pfade“.

Data Mining für bessere Zuordnungsmodelle

Segmentieren und Ihre Datenbank und Testen, wie Ihre Erkenntnisse Form angenommen haben. Indem Sie Ihre PPC-Werbeaktionen von einem straffen, hochinteressierten Marketingplan abheben, kann es Ihr Unternehmen in die Lage versetzen, Produkte und Werbeaktionen anzupassen, um die Bedürfnisse eines einzigartigen Publikums besser zu erfüllen, als es eine allgemeinere, breitere Werbung möglicherweise kann.

Intelligentere Top-Funnel-Ansätze zur Gewinnung neuer und qualifizierter Leads für Ihre Website können einen stärkeren Fokus auf den Mid-Funnel beinhalten. Gewinnorientiertes Marketing umfasst die Vorhersage der Ursachen für Abwanderung, Benutzerbindung und bessere Bindungsraten. Es ist möglich, organisatorische Silos zu reduzieren und zu sehen, wie Unternehmen ihre Datenquellen integrieren. Wir haben die Möglichkeit, maschinelles Lernen einzusetzen, um die Datenintegration zu verbessern, die dazu verwendet werden kann, die Neukundengewinnung voranzutreiben, die Absprungraten von Zielseiten zu reduzieren und Rückkäufe von bestehenden Kunden zu generieren.

Viele schreiben maschinelles Lernen, Kundenanalysen und die Zusammenarbeit von Big Data zu, um einen bestimmten Käufertyp mit einer bestimmten Nachricht auf einem Gerätetyp zu erreichen. Nach der Bestimmung eines Trigger-Verhaltens, das ein Website-Besucher ausführt, erhalten Vermarkter qualifiziertere Erkenntnisse darüber, was an Nachrichten, Angeboten, Häufigkeit, Tageszeit und anderen Faktoren geändert werden muss, um bezahlte Werbung effizienter zu gestalten.

Positionsbasierte Modellierung in der PPC-Attribution

Jedes Unternehmen möchte so sparsam wie möglich sein, um maximale Ergebnisse aus seinen Werbeausgaben zu erzielen und sichtbare Featured Snippets anzuzeigen . Indem Sie Ihren Konversionstrichter genau bis zum Ende untersuchen, verdient die Zuordnung des letzten Klicks die meisten Bemühungen vieler Vermarkter. Obwohl es leicht zu verstehen ist, warum, wenn das Ziel die PPC-Effizienz ist und das Wachstum nach außen weniger Aufmerksamkeit erfordert, bevorzuge ich ein Zeitverfallsmodell.

Wenn der geschäftliche Fokus jedoch auf Wachstum und der Steigerung der Neukundenakquise liegt, hat die AdWords-Optimierung Priorität , sich näher an der Spitze des Trichters zu befinden . Sowohl die First-Click-Attribution als auch die Last-Click-Attribution bieten nur winzige Stücke vom Kuchen. Google in AdWords- und Google Analytics-Daten können eines Tages eine umgekehrte Iteration des Zeitverfalls liefern, aber da es heute nicht angeboten wird, erfordert ein positionsbasiertes oder U-förmiges Modell mehr Arbeit und eine geschickte Interpretation verfügbarer Datenberichte.

Indem Sie sich auf Vorhersagedaten und relevante Kaufinformationen konzentrieren, ist es möglich, die Beziehungen der Verbraucher zu Ihren Produkten und Dienstleistungen zu verbessern. Dies erfordert eine klare Content-Marketing-Strategie , die für Ihren immergrünen Verkaufstrichter funktioniert.

Das U-förmige positionsbasierte Attributionsmodell erleichtert die Identifizierung wichtiger Benutzerkontaktpunkte und weist gleichzeitig früheren Marketingbemühungen einen prozentualen Anteil zu. Wenn das Geschäft einen langen Kaufzyklus hat, wird den mittleren Berührungspunkten oft weniger Gewicht beigemessen. Käufer suchen nach Produktbewertungen , die ihnen bei der Entscheidungsfindung helfen. Die Attributionsmodellierung ist völlig willkürlich. Jahrelange Praxis und ein analytischer Verstand helfen Ihnen, die Metriken und Kanäle zu würdigen, die am besten zu Ihren Geschäftszielen passen.

Cross-Device-Tracking-Studie bietet Einblicke für Messung und Attribution

Verbessertes geräteübergreifendes Tracking bietet einen vollständigen Überblick über das Verhalten eines Benutzers und kann für eine Reihe von Zwecken wertvoll sein, darunter Anzeigen-Targeting, Multi-Touch-Attribution, Recherche und Conversion-Attribution. Website-Benutzer sind sich jedoch oft nicht bewusst oder überspringen oft das Lesen von Cookie-Hinweisen, die am Ende der Seiten veröffentlicht sind und darüber informieren, wie und wie oft ihr Verhalten auf verschiedenen Geräten verfolgt wird. Eine Studie von OTech gibt daher Aufschluss über Cross-Device-Tracking und bietet Beobachtungen aus Sicht des Endnutzers.

In einer E-Mail-Mitteilung vom 5. Januar von Aaron Alva von der Technology Division der FTC heißt es: „Unternehmen für Internetwerbung und Analysetechnologie versuchen zunehmend, Wege zu finden, das Verhalten der verschiedenen Geräte der Verbraucher zu verknüpfen. Dieses geräteübergreifende Tracking kann einen umfassenderen Überblick über das Verhalten eines Verbrauchers bieten und kann für eine Reihe von Zwecken wertvoll sein, einschließlich Anzeigenausrichtung, Recherche und Konversionszuordnung.“

Weitere Informationen finden Sie im neu veröffentlichten Bericht der FTC mit dem Titel Cross-Device Tracking: Measurement and Disclosure by The Office of Technology Research and Investigation (OTech).

So profitieren Ihre Google-Anzeigen von maschinellem Lernen

Warum Geschäftsinhaber die Aktivität jedes Kunden an jedem Kontaktpunkt wissen möchten:

• Verbessertes Anzeigen-Targeting und maßgeschneiderte Kommunikation für Google Ads – mit genauerem Wissen über Kundenverhalten und Online-Interaktionen können Ihre Suchmaschinenmarketing-Strategien maßgeschneiderte Botschaften formulieren, um sie besser über alle Kanäle hinweg zu integrieren.

• Bessere Produkt- und Serviceentscheidungen – mit verbesserten Einblicken in Kundendaten zur Analyse können Ihre Einzelhandels-Landingpages nützlicher sein, nachdem sie durch fundiertes Marketing, On-Page-SEO und Positionierungsentscheidungen optimiert wurden.

• Verbessert die Kundenloyalität – wie ein einzelner Kunde Ihren Marketingstrategien helfen kann, den Kundenservice zu verbessern und die Kundenloyalität positiv zu beeinflussen.

• Bessere Angebotskopien und bezahlte Werbeaktionen in Display-Anzeigen“ – Wenn Sie Ihr Benutzerverhalten verstehen und wissen, wie Kunden denken, wenn sie mit Ihrer Marke in Kontakt treten, können Ihre Marketingteams die Angebote und Werbeaktionen entwickeln, die kundenorientiert sind und denen sie am meisten bedeuten Website-Besucher.

„Im positionsbasierten Attributionsmodell werden der ersten und der letzten Interaktion jeweils 40 % der Punkte zugewiesen, und die restlichen 20 % werden gleichmäßig auf die mittleren Interaktionen verteilt. In diesem Beispiel würden die Kanäle „Bezahlte Suche“ und „Direkt“ jeweils 40 % gutgeschrieben, während die Kanäle „Soziale Netzwerke“ und „E-Mail“ jeweils 10 % gutgeschrieben würden.“ – Google Analytics-Unterstützung

HINWEIS: Google reichte am 15. Februar 2013 seinen Antrag für ein Verfahren und eine Vorrichtung zur datengesteuerten Multi-Touch- Zuordnungsbestimmung in Mehrkanal-Werbekampagnen ein . Auch bekannt als US 20140236705 A1, das auf der Nutzung von Deep Learning beruht.

Wie finde ich heraus, welches Modell für mein Unternehmen am besten geeignet ist?

Manager für digitales Marketing können am besten feststellen, welche Google Ads-Kampagnen, -Anzeigen und -Platzierungen am besten abschneiden, wie sie optimiert werden können oder ob Sie überhaupt in bestimmte Kampagnen investieren sollten. Die Antwort „es kommt darauf an“ ist hier richtig, da mehrere andere Faktoren, wie z. B. bereits vorhandene Markenbekanntheit, ROI-Margen und Demografie, alle ins Spiel kommen; fraktionale Zuordnung nicht.

In engen Nischen stehen digitale Vermarkter unter größerem Druck. Sie werden zunehmend dafür verantwortlich gemacht, die Konversion zu steigern und Rich Featured Snippets in den Suchergebnissen zu erhalten . Wenn neue Messungen auftauchen, ist es einfacher zu entschlüsseln, ob eines dieser Modelle besser ist als die Siled-Channel-Messung. Diese Methoden werden Sie mit Einblicken in die Verbraucherreise ausstatten, die Sie zuvor nicht hatten. Die Entscheidung, welche Multi-Touch-Zuordnungslösung für Ihre Produkte am besten geeignet ist, hängt stark von Ihren Geschäftszielen, Anforderungen, Ihrem Budget und davon ab, wie Sie die Ergebnisse verwenden möchten, um die Effektivität Ihres bezahlten Marketings zu verbessern.

ZUSAMMENFASSUNG

Erfahren Sie bequem mehr über Jeannie Hill und die Google Ads-Dienste.

Wenn Sie sehen möchten, was die Einbeziehung eines maschinellen Lernansatzes bewirken kann, lassen Sie uns weiter über unsere AdWords-Optimierungsdienste für stärkere Konversionsraten sprechen

* https://moz.com/blog/machine-learning-revolution

** https://segment.com/academy/advanced-analytics/an-introduction-to-multi-touch-attribution/