12 Gründe, sich für OWOX BI ML Funnel Based Attribution zu entscheiden

Ziel der Attribution ist es, die Effektivität von Werbekanälen und Kampagnen zu bewerten und zu ermitteln, welche bezahlten Traffic-Kanäle zu Conversions führen. Wenn Sie dies wissen, können Sie Ihr Werbebudget auf effektive Kanäle umverteilen, kein Geld mehr für ineffiziente Kanäle ausgeben und schließlich mehr Conversions erzielen.

Ihr Erfolg bei der Umsetzung Ihres Verkaufsplans und dem Wachstum Ihres Unternehmens hängt von der Qualität und Gültigkeit Ihres Attributionsmodells ab. Das Problem ist, dass die meisten Conversions das Ergebnis von mehr als einer Sitzung sind: Vor dem Kauf besucht der Benutzer die Website mehrmals. Um den Wert des Umsatzes oder Gewinns für eine bestimmte Bestellung objektiv zu verteilen, müssen Sie daher jede Sitzung auswerten, nicht nur die letzte. Die meisten Standard-Attributionsmodelle berücksichtigen nicht alle Benutzeraktionen vor einer Bestellung und geben ihren gesamten Wert einem Kanal in der Kette. Oder sie bewerten Kanäle nach einer bedingten Regel und nicht nach wirklichen Vorzügen.

Bei OWOX BI haben wir unser eigenes trichterbasiertes Zuordnungsmodell für maschinelles Lernen (ML) erstellt, das alle Benutzeraktionen online und offline sowie echte Umsatzdaten aus Ihrem CRM berücksichtigt und den gegenseitigen Einfluss der Kanäle auf Conversions und Benutzerförderung durch das zeigt Trichter.

In diesem Artikel beschreiben wir, was Sie mit OWOX BI Attribution tun können.

Lassen Sie uns zunächst Ihr theoretisches Wissen auffrischen.

Attribution ist die Wertverteilung einer Conversion zwischen Kanälen, die den Benutzer durch den Trichter geführt hat. Es hilft bei der Beantwortung, inwieweit jeder Kanal die Werbung des Benutzers durch den Trichter beeinflusst hat und welche Einnahmen Sie letztendlich erzielt haben.

Ein Attributionsmodell definiert die Logik zur Verteilung dieses Werts – beispielsweise an Werbekanäle und Kampagnen, die dazu beigetragen haben, Benutzer anzuziehen. Idealerweise sollte Ihr Attributionsmodell zuverlässig (unter Berücksichtigung des objektiven Beitrags jeder Anstrengung) und transparent (es ermöglicht, die Ergebnisse der Berechnung zu verstehen und zu überprüfen) sein.

Wer braucht Zuordnung und warum?

Attribution wird von denjenigen benötigt, die das Budget für Marketingkanäle verwalten und es effektiv verteilen möchten, um Kosten zu senken, Einnahmen zu steigern und den Verkaufsplan zu erfüllen.

Standardzuordnungsmodelle in Google Analytics

1. Erster Klick. Der gesamte aus der Conversion abgeleitete Wert wird der ersten Quelle zugeschrieben, die den Benutzer auf den Weg zur Conversion geführt hat.
2. Letzter Klick. Der gesamte Wert geht an den letzten Kanal, mit dem der Benutzer vor der Konvertierung in Kontakt gekommen ist.
3. Letzter indirekter Klick. Alle Werte werden dem letzten Kanal in der Kette zugewiesen. Handelt es sich um direkten Traffic, wird der Wert der vorherigen Quelle zugeschrieben.
4. Linear. Der Wert wird gleichmäßig auf alle Quellen in der Kette verteilt.
5. Zeitverfall. Der Wert wird inkrementell auf die Kanäle verteilt.
6. Positionsbasiert. Der Kanal, der dem Nutzer die Marke vorgestellt hat, und derjenige, der den Deal abgeschlossen hat, erhalten jeweils 40 % des Werts. Die restlichen 20 % werden gleichmäßig auf alle Kanäle in der Mitte des Trichters aufgeteilt.

Attributionsmodelle in Werbediensten

In verschiedenen Werbediensten und Analysesystemen sind unterschiedliche Attributionsmodelle verfügbar.

Die meisten Dienste verwenden das Modell des letzten indirekten Klicks; Einige bieten Post-View-, geräteübergreifende oder andere Modelle. Aber diese Modelle lassen sich nicht dienstübergreifend vergleichen: Facebook misst Werbung auf seine Weise, Google Ads verfolgt einen anderen Ansatz. Daher ist es unmöglich, sich einen Gesamtüberblick über all Ihre Werbemittel zu verschaffen.

Standardzuordnungsmodelle sind nicht geeignet, wenn:

• Die meisten Bestellungen auf Ihrer Website werden in mehr als einer Sitzung getätigt – das heißt, es gibt zwei oder mehr Besuche in der Kette vor der Transaktion
• Sie haben eine große Anzahl von Werbequellen
• Sie müssen den gegenseitigen Einfluss der einzelnen Kanäle auf die Funnel-Promotion bewerten
• Sie möchten verstehen, wie Werbekanäle in einem Bündel funktionieren
• Sie haben einen komplizierten und inkonsistenten Verkaufstrichter.

Um die gegenseitige Beeinflussung aller Quellen zu bewerten, müssen Sie Daten aus verschiedenen Werbediensten, Google Analytics und Ihrem CRM kombinieren und komplexe Attributionsmodelle verwenden: das datengetriebene Modell in Google Analytics 360, Markov Chains, Shapley Value oder angepasste Algorithmen . Aber auch diese Modelle haben ihre Grenzen: eine minimale Datenmenge, die für Berechnungen erforderlich ist, die Unfähigkeit, Post-View-Conversions zu berücksichtigen oder Daten aus Ihrem CRM zu kombinieren, versteckte Berechnungslogik, komplexe und teure Implementierung usw.

ML Funnel Based Attribution von OWOX BI hilft Ihnen, all diese Einschränkungen zu vermeiden.

Das OWOX BI-Zuordnungsmodell bewertet die Effektivität Ihrer Werbekampagnen und berücksichtigt den Beitrag jedes Kanals zur Kundenwerbung durch den Konversionstrichter. Mit diesem Modell können Sie:

• Weisen Sie Ihr Werbebudget unter Berücksichtigung des tatsächlichen Beitrags der Kanäle zu Conversions und ihrer gegenseitigen Beeinflussung richtig zu
• Reduzierung der Cash Reserve Ratio (CRR) bei gleichzeitiger Umsatzsteigerung
• Erhöhen Sie die Anzahl neuer Kunden und schonen Sie gleichzeitig Ihr Budget
• Erhöhen Sie die Anzahl der Zielbenutzer, die durch Medienkampagnen erreicht werden, und schonen Sie gleichzeitig Ihr Budget.

Die trichterbasierte Zuordnung in OWOX BI basiert auf Markov-Ketten und maschinellem Lernen. Die Markov-Kette ist eine Abfolge von Ereignissen, bei der jedes nachfolgende Ereignis vom vorherigen abhängt. Die auf Markov-Ketten basierende Zuordnung verwendet ein probabilistisches Modell, das die Wahrscheinlichkeit von Übergängen zwischen den Schritten des Trichters berechnet, sodass Sie den gegenseitigen Einfluss der Schritte auf die Conversions bewerten und herausfinden können, welche Schritte am wichtigsten sind.

Um Wahrscheinlichkeiten zu berechnen, werden alle Schritte des Konversionstrichters, die in den Einstellungen des OWOX BI-Zuordnungsmodells angegeben sind, sowie der Site-Login-Schritt als Ergebnisse in der Markov-Kette dargestellt. Danach wird die Wahrscheinlichkeit eines Übergangs zwischen diesen Ergebnissen berechnet:

Die obige Grafik ist ein vereinfachtes Beispiel zum leichteren Verständnis. In realen Fällen kann es sogar noch mehr Transaktionen geben.

Lesen Sie mehr über die Berechnung des OWOX BI Funnel Based Attribution Modells in unserem Help Center.

1. Sammeln Sie Rohdaten zum Nutzerverhalten von Ihrer Website in Google BigQuery. Dazu können Sie Datenstreaming aus OWOX BI oder BigQuery Export mit Google Analytics 360 verwenden.
2. Importieren Sie Kostendaten aus Werbediensten in Google BigQuery. Dazu können Sie mit OWOX BI Statistiken zu Google Ads-Kampagnen in Google Analytics mit Kostendaten aus anderen Werbediensten ergänzen und dann alle diese Informationen in Google BigQuery importieren. Sie können OWOX BI auch verwenden, um Rohdaten von Facebook direkt in BigQuery zu importieren.
3. Wenn Sie möchten, können Sie Daten in Google BigQuery mit Informationen aus Ihrem CRM/ERP-, Callcenter- und internen Buchhaltungssystem ergänzen. Auf diese Weise können Sie Offline-Verkäufe und tatsächliche CRM-Umsatzdaten in Ihren Zuordnungsberechnungen verwenden. Sie können auch benutzerdefinierte Ereignisse als Trichterschritte verwenden: Anrufe, E-Mails, persönliche Treffen usw.
4. Erstellen Sie in Ihrem OWOX BI-Projekt ein Attributionsmodell und führen Sie Berechnungen durch.

Die meisten unserer Kunden nutzen OWOX BI, um bestehende Werbekampagnen objektiv zu bewerten und zukünftige zu planen. Dies ist erforderlich, um einen Umsatzplan mit geplantem ROAS (Return on Ad Spend) auszuführen.

Hier sind die Hauptgründe, warum wir glauben, dass OWOX BI die beste Wahl für Vermarkter ist.

Unser Attributionsmodell basiert auf vollständigen Daten: Media Advertising Impressions und Post-View-Conversions, Benutzeraktivitäten auf Ihrer Website, Kostendaten von Werbediensten, Transaktionsdaten aus Ihrem CRM und alle anderen Online- und Offline-Ereignisse. Als Ergebnis sehen Sie das Gesamtbild der Interaktionen der Benutzer mit Ihrem Unternehmen und können die Auswirkungen aller Marketingmaßnahmen auf die Geschäftskennzahlen berücksichtigen.

Umsätze in Google Analytics und Umsätze aus gekauften Waren in Ihrem CRM stimmen oft nicht überein. Mit OWOX BI können Sie den Beitrag des Online-Marketings zum realen Umsatz messen, indem Sie die Einnahmen aus physischen Geschäften und Daten zu abgeschlossenen Bestellungen aus Ihrem CRM berücksichtigen.

Im Gegensatz zu herkömmlichen Attributionsmodellen berücksichtigt das OWOX BI-Modell jeden Schritt des Benutzers vor der Bestellung – nicht nur den letzten Klick. Je schwieriger es ist, einen Schritt zu bestehen, desto mehr Wert erhält eine Sitzung, die dazu beigetragen hat, dies zu erreichen. Und wenn Sie den Wert von Sitzungen kennen, können Sie den Wert von Kampagnen berechnen und dabei ihren Beitrag zur Förderung der Benutzer durch den Trichter berücksichtigen.

Sie können schneller wachsen als Ihre Konkurrenten, indem Sie die einzigartigen Vorteile Ihres Unternehmens nutzen. Mit OWOX BI können Sie einen Trichter erstellen, der der Struktur Ihres Unternehmens entspricht.

Zusätzlich zu den Aktionen von Benutzern auf Ihrer Website können Sie benutzerdefinierte Ereignisse aus Ihrem CRM, Anrufverfolgungssystem und anderen Systemen als Trichterschritte hinzufügen. Sie können beispielsweise Daten zu Anrufen, Besprechungen oder E-Mails in Google BigQuery hochladen. Kombinieren Sie alle geschäftlichen Bemühungen, die darauf abzielen, Benutzer in einen Trichter zu konvertieren, um ihre Effektivität genauer zu bewerten.

Es reicht nicht aus, eine umfassende Auswertung Ihrer Werbekampagne zu erhalten. Ihre Bewertung muss anhand des AIDA-Modells in die Stufen Awareness, Interest und Conversion unterteilt werden.

Bei OWOX BI können Sie beispielsweise feststellen, dass Kampagnen fast kein Bewusstsein bilden:

Infolgedessen können Kampagnen, die darauf abzielen, die nächsten Phasen des Trichters zu beeinflussen, unwirksam erscheinen. Eine ROAS-Bewertung bestehender Kampagnen zeigt Ihnen möglicherweise, wie Sie Ihr Budget zwischen ihnen umverteilen können, zeigt jedoch nicht den Mangel an Aufwand in der oberen Phase des Trichters auf. OWOX BI gibt Ihnen ein Verständnis dafür, worauf Sie Ihre Bemühungen konzentrieren sollten.

Kein Algorithmus kann Ihre Erfahrung ersetzen. Beispielsweise wissen Sie vielleicht, dass Ihre Markenkampagnen erschöpft sind und dass ihr hoher ROAS nicht bedeutet, dass Sie mehr in sie investieren sollten.

In OWOX BI können Sie ganz einfach die Kanäle angeben, die nicht an Ihrer Auswertung teilnehmen:

Als Ergebnis erhalten Sie eine Bewertung nur der Kampagnen, die Sie objektiv verwalten können. Es ist wichtig, dass Sie dies jederzeit über eine praktische Oberfläche tun können, ohne Entwickler oder Ihr Support-Team kontaktieren zu müssen.

OWOX BI berechnet den Wert jeder Sitzung. Auf diese Weise können Sie Attributionsmodelle für verschiedene Benutzerkohorten anpassen, ROI/ROAS für neue und wiederkehrende Benutzer berechnen und die Kohortenrentabilität vergleichen.

Beispielsweise können Mobilfunkbetreiber den Beitrag von Werbekampagnen zum Verkauf zusätzlicher Dienste an Bestandskunden (die „Stammkunden“-Kohorte) bewerten. Und Unternehmen aus der Nische des Modeeinzelhandels können Erstkäufer und Folgekäufer separat bewerten, um herauszufinden, welche Kanäle neue Kunden besser zum Geschäft bringen.

Wenn Sie die Kosten einer Sitzung kennen, können Sie auch berechnen, wie viel Sie ausgeben und wie viel Sie für jede Produktgruppe verdienen. Mit diesen Informationen können Sie die Wirksamkeit von Werbung für verschiedene Regionen, Zielseiten, mobile App-Versionen und Anwendungen bewerten.

Es ist wichtig, Kampagnen nicht nur zu bewerten, sondern die Bewertung für Unternehmen transparent zu machen. Jede Black-Box-Bewertung ist fragwürdig und erlaubt Ihnen nicht, Fehler zu finden.

In OWOX BI können Sie sehen, wie der Wert für jede Transaktion, mit der ein Benutzer interagiert hat, über Kampagnen verteilt ist:

Fehler und falsche Schlussfolgerungen aufgrund von Versuchen, maschinelles Lernen auf unzureichende Daten anzuwenden, können für Unternehmen kostspielig sein. Unser Algorithmus prüft und kontrolliert automatisch die statistische Signifikanz der Berechnungen. Darüber hinaus gibt OWOX BI Ihren Analysten vollen Zugriff auf eine Tabelle mit Konfidenzintervallen für jedes Segment. Dadurch können Sie sich Ihrer Ergebnisse sicher sein und verstehen, wie sie erzielt werden.

Die Effektivität des Online-Marketings hängt zunehmend nicht mehr von den eingesetzten Technologien ab, sondern von der Qualität der Daten, auf denen die Models trainiert werden. Daher verliert die Zuordnung allein gegenüber Modellen, die auf der Grundlage von Marktdaten erstellt wurden.

Das maschinelle Lernmodell von OWOX BI berücksichtigt Daten aus Zehntausenden von Projekten.

Damit ein Attributionsmodell effektiv ist, muss es außerdem die folgenden Anforderungen erfüllen:

1. Daten für Berechnungen müssen korrekt aufbereitet werden. Sie können die von Ihrem JavaScript-Tracker durch maschinelles Lernen gesammelten Daten nicht einfach überspringen. Aus diesem Grund eignet sich BigQuery ML für Experimente, aber nicht für den kommerziellen Einsatz.
2. Sie müssen Informationen über Interaktionen mit dem oberen Teil des Trichters berücksichtigen: Media Advertising Impressions. Dazu haben wir OWOX BI Post-View Pixel entwickelt, mit dem Sie Medienanzeigen auf Benutzerebene messen können. Wir haben auch OWOX BI in Google Ads Data Hub integriert, wodurch BigQuery Informationen von Campaign Manager (ehemals DoubleClick Campaign Manager) und einigen anderen Quellen anfordern kann, damit Unternehmen den Beitrag von Medienwerbung zu den oberen Stufen von betrachten und transparent bewerten können der Trichter.
3. Das Modell sollte die Expertenmeinung berücksichtigen:

• Welche Kanäle werden verwaltet?
• Welche Kapazität haben diese Kanäle?
• Welche Rolle spielt ein bestimmter Kanal im Trichter?
• Was ist das Conversion-Fenster?

Das Attributionsmodell von OWOX BI erfüllt all diese Anforderungen.

Die datengetriebene Attribution in Google Analytics 360 stellt hohe Anforderungen an die Daten: 400 Conversions jedes Typs mit einer Pfadlänge von mindestens zwei Interaktionen. OWOX BI liefert durch die dynamische Gruppierung von Ereignissen in Trichterphasen aussagekräftige Ergebnisse mit kleineren Datenmengen und eignet sich für viel mehr Unternehmen. Gleichzeitig wird die statistische Signifikanz der Berechnungen automatisch auf der Ebene der Nutzerkohorten kontrolliert, sodass Sie sich auf die Ergebnisse verlassen können.

In OWOX BI Smart Data können Sie Berichte basierend auf Zuordnungsdaten ohne die Hilfe von Analysten oder SQL-Kenntnisse erstellen. Sobald das Attributionsmodell berechnet ist, berichtet Smart Data automatisch über das Einkommen, die Anzahl der Conversions, ROI, ROAS und CRR im Kontext der hinzugefügten Ereignisse. Außerdem können Sie mit einem praktischen Report Builder Ihre eigenen Berichte erstellen. Wählen Sie einfach die Parameter und Kennzahlen aus, die Sie in Ihrem Bericht sehen möchten. Der Service stellt Ihnen sofort ein verständliches Diagramm und eine Tabelle zur Verfügung.

Hier sind einige Beispiele für sofort einsatzbereite Datenzuordnungsberichte, die Sie in Smart Data erhalten können:

Mit diesem Bericht können Sie die Ergebnisse von Berechnungen mit verschiedenen Attributionsmodellen vergleichen. In unserem Fall sind dies der letzte nicht direkte Klick, der in Google Analytics verwendet wird, und die ML Funnel Based Attribution von OWOX BI. Sie können den zugeordneten Umsatz und ROAS nach Kanal, Kampagne, Benutzertyp, Region, Stadt und Gerät anzeigen. Überbewertete Kampagnen haben einen negativen Unterschied. Unterschätzte Kampagnen haben einen positiven Unterschied/Wert. Im obigen Screenshot sehen wir beispielsweise, dass der Yandex/Display-Kanal unterschätzt wurde und es sich lohnt, mehr Mühe darauf zu verwenden.

Der folgende Bericht zeigt, wie der Wert von Quellen und Kanälen nach Trichterschritten verteilt wird. Im obigen Beispiel sehen wir, dass die meisten Käufe (der hellgrüne Streifen) offline getätigt werden.

Zusätzlich zu den Ereignissen können Sie den Berichten weitere Parameter hinzufügen, z. B. die Art der Benutzer (neu oder wiederkehrend):

Der obige Bericht zeigt, wie Ausgaben, Trichterschritte und Käufe über Kundenkohorten verteilt sind. Damit können Sie bestimmen, welche Kanäle und Kampagnen Transaktionen von Neukunden anziehen und ihnen Budgets zuweisen. Diese Kampagnen helfen Ihnen, Ihren Kundenstamm zu vergrößern.

Mit OWOX BI können Sie basierend auf Ihren Daten automatisch aktualisierte Zielgruppensegmente erstellen und diese Segmente in Google Ads herunterladen. Darüber hinaus können Sie die Ergebnisse der Zuordnungsberechnungen automatisch an die Gebotsdienste K50 und Alytics sowie an Google Ads und Facebook senden, um Gebote unter Berücksichtigung der tatsächlichen Wirksamkeit Ihrer Werbung zu verwalten.

Als Vorreiter bei der Entwicklung der trichterbasierten Zuordnung haben wir einzigartige Erfahrungen gesammelt, die wir in Dutzenden von Artikeln und zahlreichen Dokumentationen mit unseren Kunden teilen. Darüber hinaus sind wir bereit, in unserem SLA eine Datenerfassungs- und Verarbeitungsqualität von über 96 % zu garantieren.

Mit OWOX erhalten Sie nicht nur die schöne Idee, maschinelles Lernen im Marketing einzusetzen, sondern Schritt-für-Schritt-Anleitungen, praktische Empfehlungen und Beispiele erfolgreicher Anwendungsfälle.

Erfahren Sie, wie die OWOX BI-Attribution Ihrem Unternehmen helfen kann. Melden Sie sich für eine Produktdemo an, um die Fähigkeiten unserer Produkte zu testen.