Die erste Beitrag in der Serie Measuring Up des Skai Blogs untersuchte den Druck, unter dem Werbetreibende stehen, schnell die Produkte und Methoden zu identifizieren, die die besten Geschäftsergebnisse liefern. In dieser Folge werden wir die Schwachstellen der Attributionsmessung erörtern und verstehen, dass die Attribution, so wertvoll sie auch sein mag, in manchen Szenarien nicht ausreicht und oft am besten durch ergänzende Tools ergänzt wird. Wir werden auch einen Blick darauf werfen, wie Inkrementalitätstests dazu beitragen können, die Schwächen der gängigen Attributionsmethoden zu überwinden, damit du die Strategien auswählen kannst, die deinen Messanforderungen am besten entsprechen!
Attribution verwendet diskrete Modelle, um Werbeinvestitionen mit den daraus resultierenden Konversionen zu korrelieren. Ein großer Vorteil der Attributionsmodellierung ist die Kontinuität der Daten. Das bedeutet, dass eine Marke ihre Marketingpläne nicht mitten im Prozess ändern muss, um verwertbare Erkenntnisse zu gewinnen - ein gut formuliertes Modell kann regelmäßige Schwankungen und Umstellungen berücksichtigen. Die Daten können bis auf einzelne Keywords und Anzeigen eingegrenzt werden, was eine Verfeinerung zwischen verschiedenen Punkten im Konversionstrichter und kanalübergreifenden Verbraucherreisen ermöglicht.
Die Attribution hat sich zwar als weitgehend skalierbare Lösung für alle Branchen erwiesen, stellt aber auch eine Reihe neuer Herausforderungen an die Berichterstattung. Heute gehen wir auf fünf häufige Fallstricke der Attribution ein und überlegen, wie wir sie mit folgenden Mitteln bekämpfen können Inkrementalitätstests.
#1 - Attribution ist nur so gut wie die Daten
Werbetreibende müssen in der Lage sein, die gesamte Consumer Journey um Anzeigen mit ihrer Wirkung in Verbindung zu bringen. Doch die Customer Journey kann schwierig zu verfolgen sein, vor allem, wenn sie über mehrere Kanäle und Geräte verläuft! Ein ideales Attributionsmodell identifiziert einzelne Nutzerinnen und Nutzer über verschiedene Geräte und Kanäle hinweg, aber wenn dies nicht leicht zu bewerkstelligen ist, wird die Zuordnung der Daten beeinträchtigt. Wenn die Messung nicht umfassend ist, ist die Modellierung bestenfalls ungenau, und eine Modellierung, die von blinden Flecken in "Walled-Garden"-Kanälen abhängt, kann einzelne Datenpunkte nicht aufdecken und unterbricht die Attributionsketten.
Viele Werbetreibende haben Grund zu der Annahme dass mobile Werbung in Wirklichkeit effektiver ist, als ihre Berichte zeigen, und dass sie aufgrund unzureichenden Trackings unterbewertet wird. Bei linearen Messungen wird oft eine große Anzahl von Konversionen übersehen, die auf mobilen Geräten beginnen, aber auf Desktop-Geräten enden. Diese Ungenauigkeit zeigt sich besonders bei mobil-lastigen Publishern wie Facebook, Snap, Pinterest und Twitter. Ähnliches gilt für, Mangel an ausreichenden Daten zur Messung der Wirkung von Videos hat dazu geführt, dass Vermarkter glauben, dass Video-Promotions regelmäßig unterbewertet werden.
In diesen Szenarien erweisen sich Inkrementalitätstests als besonders vorteilhaft, da sie sich auf einzelne Investitionen konzentrieren, deren Auswirkungen auf die Gesamtergebnisse des Unternehmens direkt messen und die Notwendigkeit beseitigen, jeden Schritt in der Customer Journey zu identifizieren und zu messen. Inkrementelles Testen ermöglicht die Messung von Ursache und Wirkung und macht Schluss mit dem Rätselraten!
#2 - Attributionsmodelle sind subjektiv und intransparent
Jeder Weg zur Konversion mit mehreren Schritten kann zu Unsicherheiten darüber führen, wie und wie viel jeder Schritt zum endgültigen Kauf beigetragen hat. Konkurrierende Attributionsmodelle liefern widersprüchliche Aussagen darüber, wie jeder Schritt zur endgültigen Aktion beiträgt. Der erste Klick und der letzte Klick führen beispielsweise zu völlig unterschiedlichen Bewertungen! Heute stellen viele Unternehmen sogar KI-Teams ein, um eigene Attributionsmodelle auf der Grundlage von maschinellem Lernen zu entwickeln. Das kann zwar zu größerer Effizienz und robusten Datensätzen führen, führt aber auch zu noch mehr subjektiven Modellen. Außerdem können diese Modelle aufgrund ihrer ausgeklügelten, undurchsichtigen Logik als Blackboxen betrachtet werden.
Da Werbetreibende nach den neuesten und fortschrittlichsten Attributionsmodellen suchen, werden alte Modelle schnell veraltet und überflüssig. In den letzten Jahren hat die Vielzahl der verfügbaren Attributionsmodelle die Datenteams vor zusätzliche Herausforderungen gestellt, da sie sich bemühen müssen, die unterschiedlichen Berichte zu koordinieren, sogar zwischen einzelnen Branchen, Unternehmen, Teams und Zeiträumen!
In Fällen, in denen die Subjektivität der Attribution Anlass zur Sorge gibt, bietet das Inkrementalitäts-Testing zusätzliche Sicherheit. Durch das Testen einer bestimmten Investition in der Customer Journey kann das Inkrementalitäts-Testing deren direkte Auswirkungen und Halo-Effekte auf das Ökosystem der Investitionen messen, ohne Annahmen auf der Grundlage von Black-Box-Modellen zu treffen. Das Ergebnis ist sowohl transparent als auch empirisch!
#Nr. 3 - Zurechnung ist keine Insel
Ein wesentlicher Vorteil der Attribution ist, dass sie laufende Geschäftsinvestitionen und Schwankungen wie Budgetänderungen, Feiertage und besondere Ereignisse berücksichtigt. Allerdings muss man damit rechnen, dass sich diese Schwankungen auf die gemessenen Geschäftsergebnisse auswirken werden. Diese ganzheitliche Analyse, bei der eine Reihe von Inputs bewertet wird, lässt Raum für Unklarheiten über den tatsächlichen Wert der einzelnen Investitionen und Eindrücke und neigt dazu, Korrelation mit Kausalität zu verwechseln. Wie können Werbetreibende bei Unternehmen und Branchen, die saisonalen Schwankungen unterliegen, feststellen, welches Wachstum auf ihre Kampagnen und nicht auf externe Faktoren zurückzuführen ist?
Diese Lücke zeigt sich häufig bei Aktionen im oberen Trichter und bei den ersten Nutzerinteraktionen. Zum Beispiel wird bei der Attribution oft eine hohe Anzahl von Impressionen für Display-Anzeigen gutgeschrieben, was zu einer überzogenen Bewertung ihrer Wirksamkeit führen kann. Im Jahr 2017, Die New York Times berichtete dass Chase fast ununterscheidbare Ergebnisse zwischen einer Werbeaktion, bei der Display-Anzeigen auf 400.000 Websites geschaltet wurden, und einer anderen, bei der Anzeigen auf nur 5.000 Websites geschaltet wurden, feststellen konnte! Die Tatsache, dass ein Volumen von 400.000 Websites im Vergleich zu 5.000 vernachlässigbare Auswirkungen haben kann, deutet darauf hin, dass die tatsächliche Wirkung der geschalteten Display-Anzeigen nicht übereinstimmt.
Inkrementalitätsprüfungen können dazu beitragen, Unklarheiten zu beseitigen, indem sie einzelne Investitionen isolieren und fremde Parameter standardisieren, so dass die Messung unabhängig von Einflüssen wie Saisonalität, Geografie und Cross-Marketing ist.
#4 - Attribution fällt bei traditionellen Medien zu kurz
Erfolgreiche Attribution erfordert umfassende Daten für Engagement und Conversion-Aktionen, um den Bereich, in dem die Werbung ausgeliefert wird, mit dem Bereich, in dem die Conversion stattfindet, zu korrelieren. Bei reinen Online-Conversion-Trichtern ist dies oft möglich, aber bei Trichtern mit Offline-Komponenten, insbesondere bei traditionellen Formaten wie TV, Radio und Plakatwerbung, ist es schwierig, Impressionen und Engagement zu messen. In diesen Fällen können die statistischen Erkenntnisse nicht eindeutig mit bestimmten Verbrauchern in Verbindung gebracht werden, so dass es praktisch unmöglich ist, die tatsächliche Wirkung von Offline-Werbeaktionen zu ermitteln.
Die daraus resultierende Lücke bedeutet oft, dass Konversionen nur unzureichend den Offline-Anzeigen zugeschrieben werden, wodurch die Wirkung der Offline-Kanäle untergraben wird. In diesem Fall ist das Inkrementalitäts-Testing eine gute ergänzende Taktik, denn es ermöglicht Werbetreibenden, den Unterschied zwischen einer Testgruppe, die mit der Offline-Werbung konfrontiert wurde, und einer Kontrollgruppe, die dies nicht getan hat, zu messen.
#5 - Attribution kommt bei zukünftigen Investitionen zu kurz
Bei der Attributionsmodellierung wird versucht, die Kausalität zwischen Conversion-Aktionen und bereits getätigten Investitionen zu ermitteln. Mit der Aufnahme neuer Publisher und Werbemethoden in den Verbrauchertrichter müssen die Vermarkter jedoch Folgendes berücksichtigen den Wert der neuen Investitionen. Da Attributionsmodelle historisch sind und daher nicht genügend Daten für diese Berechnungen zur Verfügung stehen, müssen Werbetreibende Investitionen tätigen und die Auswirkungen im Nachhinein messen, anstatt im Voraus.
2017 führte Skai die volle Unterstützung für Pinterest-Kampagnen ein. Während einige Werbetreibende sofort zugriffen, stellten andere den Wert der Investition in einen neuen Kanal in Frage. Durch den Einsatz kleiner Budgets, mit denen die Wirksamkeit innerhalb etablierter statistischer Kriterien getestet wurde, konnten die Kunden die Auswirkungen der Einführung einer neuen Plattform auf ihre Verbraucherströme quantifizieren! Einsatz eines Inkrementalitätstests, Skai Belk und iCrossing festgestellt dass Pinterest-Werbung ihre Online-ROAS um das 2,9-fache und ihre In-Store-ROAS um das 31,4-fache steigerte!
Der Wert der Inkrementalitätsprüfung für zukünftige Investitionen ergibt sich aus der Möglichkeit, mit kleinen Budgets den Wert der neuen Investition mit statistischer Sicherheit zu bewerten.
Angesichts dieser Lücken stehen Werbetreibende, die Entscheidungen auf der Grundlage von Attribution treffen sollen, vor noch mehr Fragen. Wie kann die Attribution direkt in Nutzeraktionen umgesetzt werden? Können die Modelle im Laufe einer Werbeaktion angepasst werden? Können Werbetreibende feststellen, welche Szenarien einen Wechsel des Modells rechtfertigen?
In den letzten drei Jahren hat sich die Art und Weise, wie Marketer die Attributionsmodelle und -ergebnisse bewerten, verändert. Während Marketingspezialisten vor einem Jahrzehnt den gesamten Trichter für messbar und die Daten für akkurat und umsetzbar hielten, fühlen sie sich heute vergleichsweise eingeschränkt, wobei vor allem die mobilen Geräte die Messung stören und neue Lösungen erforderlich machen. Proaktive Werbetreibende kombinieren heute oft Attributions- mit Inkrementalitätstests. Indem sie beide Philosophien anwenden, können Werbetreibende Inkrementalitätstests nutzen, um die Attributionsmessung zu validieren und die Modellierung anzupassen, um die tatsächliche Werbewirksamkeit besser zu messen.
Während unserer jährlichen K8-Konferenzhaben wir die Skai Testing Services vorgestellt, um Marketern den Einstieg in die Welt des Inkrementalitäts-Testens zu erleichtern, unterstützt von unserem erfahrenen Team von Research Marketern. Unser Team besteht aus Datenwissenschaftlern, die Experten für digitale Werbung in verschiedenen Branchen sind und Erfahrung mit der Skalierung von Inkrementalitätstests über verschiedene Plattformen und Strategien hinweg haben. Wenn dein Team vor Herausforderungen in den Bereichen Testing, Attribution oder Messung steht, helfen wir dir gerne und würden uns freuen, mit dir ins Gespräch zu kommen.!
Möchtest du mehr über Inkrementaltests erfahren? Schau dir unsere Fallstudien an, um mehr zu erfahren:
- Belk und iCrossing (Pinterest-Inkrementalität)
- Experian (Facebook-Inkrementalität)
Bleib auf dem Skai für den nächsten Beitrag in der Serie Measuring Up, in dem wir in die Welt der Inkrementalitätstests eintauchen, um die Unterschiede zwischen Inkrementalität und A/B-Tests besser zu verstehen und zu erfahren, wie man das Konfidenzniveau erhöht!