Attributing Conversions in a Multichannel Online Environment: An Empirical Model and a Field Experiment

Jedes Unternehmen steht regelmäßig vor der Herausforderung, seine Budgets sinnvoll auf die verschiedenen Werbekanäle aufzuteilen. Hierfür ist es von hoher Relevanz, die Customer Journeys der Kunden zu kennen und nachzuvollziehen. Jeder Touchpoint ist hierbei zu berücksichtigen, um die Attribution – also die Zuordnung von Conversions auf diese Kontaktpunkte – korrekt vornehmen zu können.

Im Bereich des Online Marketings ist Attribution ein komplexes Themenfeld. Durch die vielseitigen Kanäle und die Vernetzung dieser ist die genaue Zuordnung eine schwierige aber enorm relevante Aufgabe.
Es gibt verschiedenste Attributionsmodelle wie beispielsweise Last Click, First Click oder das lineare Modell. Obwohl diese statischen Modelle keine aussagekräftige Einschätzung über die Kanäle zulassen, werden diese auch heutzutage noch oft genutzt. Jedoch kann durch Einsatz dieser Modelle keine aussagekräftige Zuordnung, und daraus folgend auch keine sinnvolle Budgetverteilung, erfolgen.

P.K. Kannan und Alive Li haben sich 2014 mit der Thematik der Attribution beschäftigt und ein neues dynamisches Modell entwickelt, welches durch die Berücksichtigung von kanalübergreifenden und zeitlichen Synergien, Beachtung der Customer Journey Pfade ohne Conversion, sowie der Differenzierung der Customer Journey in drei Phasen, neue Aspekte einfließen lässt.

Dieses Modell prognostiziert unter Berücksichtigung der genannten Aspekte die Conversions und allokiert diese zu den verschiedenen Werbekanälen. Durch eine solche Prognose ist es möglich, Budgets effizient zu verteilen und auf diese Weise Werbepotenziale besser auszuschöpfen.

Folgende Faktoren sind für dieses Modell relevant:

• Bei der Berechnung der Prognosen wurden auch Journeys berücksichtigt, die am Ende nicht zu einer Conversion geführt haben.
  
• Es wurden signifikante Carryover- und Spillover-Effekte erkannt und einbezogen:
  Carryover-Effekte sind Effekte, die von einem Channel auf den gleichen Channel auftreten. Beispielsweise wurde ein Seitenbesuch über eine SEA-Anzeige ausgelöst, dann kann diese Nutzung des SEA-Kanals Auswirkungen – positive als auch negative – auf den nächsten Besuch über SEA haben.
  
  Spillover-Effekte sind im Grunde das gleiche, jedoch beziehen diese sich nicht auf den gleichen Channel, sondern geht es hierbei um Effekte auf andere Channel.
  Wenn der Besuch wieder über die SEA-Anzeige ausgelöst wurde, kann dies Auswirkungen auf den nächsten Besuch über beispielsweise Referral Kanäle haben.

• Die Werbekanäle werden differenziert in Customer-Initiated und Firm-Initiated Channel
  Insgesamt wurden bei dieser Studie sechs unterschiedliche Channel berücksichtigt: Paid und Organic Search, Direct, Referral, Newsletter und Display, wobei die letzten beiden Channel zu den Firm-Initiated Channel gehören, da diese aktiv durch das Unternehmen gesteuert werden.

• Die Customer Journey wird in drei Phasen aufgeteilt:
  1. Consideration Stage
  „Wie wahrscheinlich ist es, dass der Kunde den Kanal X nutzt?“
  Diese Wahrscheinlichkeit ist bei jedem Nutzer individuell und abhängig
  von persönlicher Erwartung, Erfahrung und der Awareness, welche dem
  Channel gegenüber bestehen.
  
  2. Visit Stage
  „Wie wahrscheinlich ist der nächste Besuch des Kunden über den Kanal X?“
  In der Visit Stage ist der erwartete Nutzen das relevante Entscheidungskriterium. Dieser berechnet sich aus den erwarteten nützlichen Informationen plus der Kaufattraktivität abzüglich der Kosten.
  Kosten: hierbei sind keine monetären Kosten gemeint, die beispielsweise für die Buchung eines Werbemittels über einen Channel anfallen. Sondern steht dieser Begriff für den Aufwand, welcher für den Endkunden entsteht, wenn er einen Channel für einen Visit oder einen Kauf nutzt. Darunter fallen Suchaufwands-, Opportunitäts- und kognitive Kosten.
  
  3. Purchase Stage
  „Wie wahrscheinlich ist der Kauf des Kunden über den Kanal X?“
  Die Kaufwahrscheinlichkeit hängt von dem bereits gesammelten Info
  Stock (=Informationsbestand) ab. Dieser wird durch vorherige Besuche
  und Recherche über verschiedene Channel angesammelt, besteht aber
  auch aus persönlichen Erfahrungen und Erwartungen.
  Ebenfalls zu berücksichtigen ist, dass zeitliche Abstände und die
  Zerfallsrate eine wichtige Rolle spielen. Informationen, welche über
  Organic Search gesammelt wurden, bleiben deutlich länger im
  Gedächtnis als solche, die über eine Display-Anzeige vermittelt wurden.

Durch die Aufteilung in dieses dreistufige Modell konnten differenziertere Erkenntnisse, abhängig von der jeweiligen Phase in der der Kunde sich befindet, gewonnen werden.

Die Datenbasis
Das Modell wurde auf der Datenbasis eines großen Franchise-Unternehmen im Gastgewerbe entwickelt. Hier lagen Kundendaten wie Touches, Visits und Käufe über verschiedene Kanäle vor. Insgesamt wurde über einen Zeitraum von 68 Tagen eine geschichtete Stichprobe von 1997 Unique Besuchern gesammelt. Anhand dieser Datenbasis wurde das Modell trainiert und mithilfe eines Feldexperiments überprüft.

Erkenntnisse
Die Erkenntnisse der Studie lassen sich auf die drei Phasen der Customer Journey aufteilen:

Consideration Stage:
In dieser Phase wurden nur die vier Customer-Initiated Channel in der Auswertung berücksichtigt, da nur diese aktiv durch den Kunden in Erwägung gezogen werden können.
In der Consideration Stage konnten Erkenntnisse über die Channelauswahl abhängig vom jeweiligen Rewards Level des Kunden gewonnen werden. Rewards Level sind hier wie Level in einem Kundenbindungsprogramm anzusehen, je höher das Level (vergleichbar mit beispielsweise einem Gold-Mitgliedsstatus), desto loyaler sind beziehungsweise desto mehr Umsatz bringen die Kunden.In der Studie gab es insgesamt vier verschiedene Rewards Level.Es ist deutlich erkennbar, dass Kunden in höheren Leveln eher den Direkteinstieg oder Referral Kanäle bevorzugen, wohingegen die Wahrscheinlichkeit, Search Kanäle zu nutzen, deutlich abnimmt.

„Intercept“ ist wie ein Basiswert anzusehen, welcher mit anderen Werten aus der Spalte verrechnet wird. Jedoch können die Werte nicht spaltenübergreifend verglichen werden, es kann also nicht der Schluss gezogen werden, dass Direct generell mehr genutzt wird als Organic, nur weil dieser Intercept-Wert höher ist.
Rechenbeispiel: Ein Kunde mit dem Rewards level 3 hat für Organic Search einen Wert von 1.60 + (-0.16) = 1.44
Aus dem Ergebniswert von 1.44 lässt sich dann ein prozentualer Wert ableiten.

Visit Stage:
In der Visit Stage wurden alle sechs Channel und deren Effekte aufeinander analysiert. Hierfür wurde untersucht, ob signifikante Carryover- oder Spillover-Effekte auftreten. Diese Effekte werden über die Kostenveränderungen dargestellt. Sind diese fett hervorgehoben, handelt es sich um signifikante Werte. Die linke Spalte zeigt, über welchen Kanal der vorherige Besuch stattgefunden hat („Lag“). Dann kann abgelesen werden, welche Effekte auf andere Channel bestehen.

^a = Bei Werten, die mit einem ^a versehen sind, handelt es sich um die kurzfristigen Carryover-Effekte
^b = Bei Werten, die mit einem ^b versehen sind, handelt es sich um Spillover-Effekte
Cumulative Time = langfristige Carryover-Effekte

Direkt erkennbar ist, dass die kurzfristigen Carryover-Effekte, also die Effekte von einen Channel auf den gleichen Channel, immer signifikant kostensenkend sind. So werden die Kosten – also der Aufwand, der für den Kunden besteht – bei einem zweiten Visit durch den gleichen Channel immer gesenkt. Dies ist allerdings nicht für den langfristigen Carryover-Effekt zu beobachten, denn dieser ist bei Organic Search, E-Mail und Direct nicht signifikant.
Interessant ist auch die Betrachtung der Spillover-Effekte, also der Auswirkungen von einem Channel auf andere Channel in der Visit-Stage.
Wenn man die Effekte von Organic Search betrachtet ist zu sehen, dass dieser Kanal signifikant kostensenkend für einen nachfolgenden Visit über Paid, Referral, Display und E-Mail sich auswirkt. Lesebeispiel: Kam der letzte Besuch über Organic Search, sinken die Kosten für den nächsten Besuch über den Kanal Paid Search signifikant um -0.18 (siehe Abbildung)
Auf diese Weise lassen sich auch die Spillover-Effekte der anderen Kanäle ablesen. Generell ist zu sehen, dass Customer-Initiated Channel fast ausschließlich positive, also kostensenkende Effekte auf die anderen Channel haben. Dies ist bei den Firm-Initiated Channeln nicht zu beobachten, hier hat jeder Channel auch negative, also kostenhebende, Effekte auf mindestens einen anderen Kanal.

Purchase Stage:
In der Kaufphase spielt besonders der vorher angesammelte Informationsbestand (Info stock) eine bedeutende Rolle, wenn es um die Prognose der Kaufwahrscheinlichkeit über einen bestimmten Channel geht.
Die Tabelle kann hier wie die Tabelle der Visit Stage gelesen werden, es sind Carryover- und Spillover-Effekte dargestellt und wenn die Werte fett hervorgehoben sind, dann sind diese signifikant.

^a = Bei Werten, die mit einem ^a versehen sind, handelt es sich um die kurzfristigen Carryover-Effekte
^b = Bei Werten, die mit einem ^b versehen sind, handelt es sich um Spillover-Effekte

Auch hier ist zu sehen, dass die Carryover-Effekte allesamt positive Auswirkungen haben, da diese die Kaufwahrscheinlichkeit signifikant erhöhen. Jedoch ist dieser Wert nicht immer der höchste, der Spillover-Effekt hat bei manchen Channeln eine größere Wirkung.
Dies ist beispielsweise beim Referral-Kanal auf Display zu sehen, hier beträgt der Spillover-Wert 0.44, der Carryover-Wert hingegen 0.35. Diese Auswirkung konnte in der Visit Phase so nicht nachgewiesen werden, hier war der kurzfristige Carryover-Effekt immer der höchste.
Generell stimmen die Effekte von Visit und Purchase Stage nicht miteinander überein, was bedeutet, dass eine positive Wirkung in der Besuchsphase nicht bedeuten muss, dass dieser Effekt so ebenfalls in der Kaufphase auftritt.
P.K. Kannan und Alive Li konnten mit ihrer Studie nachweisen, dass es sowohl in der Visit als auch in der Purchase Phase siginifikante Carryover- und Spillover-Effekte gibt. Zudem konnten durch die dreistufige Aufteilung der Customer Journey differenzierte Erkenntnisse zu der Channelauswahl der Kunden erlangt werden.

Vergleich mit anderen Modellen
Um dieses Modell zu testen und die eine Optimierung zu bestehenden Modellen nachzuweisen, wurde ein Vergleich mit sechs anderen Attributionsmodellen vorgenommen. Auf Basis von Besucher- und deren Pfaddaten wurden Conversions prognostiziert.  Kein anderes Modell hat nicht konvertierte Journeys in der Berechnung einfließen lassen.
Mit einer Abweichung von 2% konnte das Modell von Kannan und Li die beste Vorhersage für die gesamten Conversions treffen. Das zweitbeste Modell hat eine Abweichung von 8% erzielt.
Um die Güte des Modells weiter zu verifizieren, wurden im Rahmen eines einwöchigen Tests alle SEA-Anzeigen des Unternehmens abgeschaltet. So wurde geprüft, ob das Modell auch bei Ausfall eines Kanals zuverlässige Prognosen treffen kann. Die Abweichung der prognostizierten Conversions insgesamt betrug nur 2,6%, was die Vorhersagegenauigkeit des Modells unterstützt.

Ausblick und Kritik
Das Modell hat signifikante Carryover- und Spillover-Effekte in der Visit- und Purchasephase belegt. Allerdings wurden bei der Studie ausschließlich Sekundärdaten verwendet, zu denen keine detaillierten demographischen Daten und Kaufhistorien vorlagen. Zudem wurden mögliche Einflüsse durch Marketingaktionen (Preisrabatte, Angebote) nicht einbezogen und somit nicht berücksichtigt.
Das Attributionsmodell wurde auf Basis von Daten im Gastgewerbe aufgebaut und geprüft. Somit kann die Übertragbarkeit auf andere Branchen noch nicht nachgewiesen werden. Aus diesem Grund sind aufbauende Studien erforderlich, um den Erfolg des Modells zu validieren.
Durch das Testen des Modells in anderen Branchen und die Prüfung, ob Marketingaktionen die Ergebnisse signifikant beeinflussen, könnten hier weitere wichtige Erkenntnisse gewonnen werden.