Das Thema „Optimierte Budget Allokation durch Customer-Journey-Analysen“ wurde von Marius Müller und mir im Rahmen des E-Commerce Seminars bei Prof. Dr. Schneider im Sommersemester 2014 bearbeitet. In Zusammenarbeit mit der AlbaModa GmbH war es das Ziel, den Einfluss der Customer-Journey-Analyse sowohl auf Attributionsmodelle als auch auf die Erfolgsbewertung im Multi-Channel-Marketing darzustellen.

Customer-Journey: Was ist das eigentlich und wozu wird es benötigt?

Beschäftigt man sich in der Praxis mit dem Thema der Customer-Journey, so stellt sich schnell die Frage, was das eigentlich genau ist und wozu genau es benötigt wird. Die Erfolgsbewertung von Online-Marketing Kanälen im Multi-Channel-Marketing wird häufig anhand des Last-Cookie-Wins Modells vorgenommen, bei dem ausschließlich der Kanal, der vom Kunden als letzter vor dem Kauf genutzt wurde, betrachtet wird. Diverse Studien zeigen aber, dass ein Kunde nicht nur durch einen sondern mehrere Kontaktpunkte bei seiner Entscheidung beeinflusst wird. Somit ist das Last-Cookie-Wins Modell nur sehr selten verursachungsgerecht.[1] Dort, wo das Last-Cookie-Wins Modell an seine Grenzen stößt, kommt die Customer-Journey ins Spiel: Sie bildet die komplette Reise des Nutzers über alle messbaren Kontaktpunkte mit bspw. einem Produkt bis hin zu einer definierten Aktion ab, welche in der Praxis häufig der Produktkauf ist. In der Praxis werden mit der Customer-Journey und ihrer Analyse zwei wesentliche Ziele verbunden: Zum einen geht es darum, eine effizientere Verteilung und Steuerung des Marketingbudgets zu erreichen, d.h. den genauen Beitrag aller am Erfolg beteiligten Kanäle zu analysieren und darauf basierend eine optimierte Budgetallokation abzuleiten, zum anderen geht es darum, Online-Marketing-Kampagnen so zu planen und zu steuern, dass sie optimal am Kaufentscheidungsprozess des Kunden ausgerichtet werden können.[2] In der nachfolgenden Abbildung werden u.a. die vier Kaufprozessphasen Awareness, Consideration, Intent to purchase und Decision dargestellt. Wer sich über die einzelnen Phasen genauer informieren möchte, kann dies in dem Blogbeitrag von Sönke Iwers tun, der sich mit dem Thema „Der Kunde im Fokus: Customer Journey im Multi-Device Umfeld“ befasst.

Der Grafik ist außerdem zu entnehmen, wie sich die verschiedenen Online-Marketing Kanäle in der Versandhandelsbranche typischerweise auf die Phasen des Kaufprozesses verteilen: Ein typischer Kanal der Awareness-Phase ist der Kanal Display, die Kanäle Social, E-Mail, Other-Paid und Referral sind typischerweise in der Intent-to-Purchase Phase einzuordnen. Diese genannten Kanäle nehmen im Verlauf der Customer-Journey eher die Rolle der assistierenden Kanäle ein. Die Kanäle Paid-Search, Organic-Seach und Direct sind hingegen in der Decision-Phase einzuordnen, und damit typische Abschlusskanäle. Als drittes ist in der Grafik zu erkennen, was auch als „Mein Online-Marketing hat ein Loch“ bezeichnet wird, nämlich die fehlende Ausrichtung eines Marketingkanals auf die Kaufprozessphase „Consideration“. Aber woran liegt das? Ursache dafür ist die typische Vergütung nach dem Last-Cookie-Wins Modell: Da Online-Marketing Agenturen am Erfolg gemessen werden, sind sie stets darum bemüht, ihre Werbemittel möglichst in der Decision-Phase auszusteuern, um anhand des letzten Klicks vergütet zu werden, da Werbemittel bzw. Kanäle in früheren Phasen eine geringere Conversion-Rate aufweisen und im Vergleich zu Werbemitteln die in der Decision-Phase ausgespielt werden somit weniger rentabel sind. Dies führt dazu, dass die Ausrichtung der Werbemittel am Kaufentscheidungsprozess der Kunden – wie das „Loch“ im Bereich der Consideration-Phase zeigt – (noch) nicht an erster Stelle der Marketingplanung steht. Die Customer-Journey soll dieses „Fehlverhalten“ beheben, indem sie auf Grundlage der optimalen Ausrichtung der Werbemittel am Kaufentscheidungsprozess und einer leistungsgerechten Vergütung aller am Erfolg beteiligten die Notwendigkeit reduziert, Werbemittel ausschließlich in der Decision-Phase auszusteuern, da im Rahmen der Customer-Journey-Analyse nun auch Erfolgsbeiträge jenseits des Last-Cookie-Wins Modells erkannt und vergütet werden.

Das Erfassen der Customer-Journey

Das Customer-Journey-Tracking ist ein hochkomplexes Thema und sollte daher stets mit der nötigen Genauigkeit betrieben werden. Zu allererst stellt sich oft die Frage nach der Ganzheitlichkeit des Trackingansatzes: Sollten ausschließlich erfolgreiche Kundenreisen oder auch nicht erfolgreiche Kundenreisen aufgezeichnet werden? Zweiteres ist zwar deutlich komplexer und aufwendiger, liefert dafür aber auch detailliertere Einblicke in die Reise des Kunden.[4] Ein weiterer wichtiger Punkt im Rahmen des Customer-Journey-Trackings ist die Abbildung der Daten in einem gemeinsamen System: Die im Rahmen der Customer-Journey-Analyse erhobenen Daten müssen zwangsweise in ein gemeinsames System einfließen, denn nur so kann die Customer-Journey vollständig abgebildet und ein lückenloses Multi-Channel-Tracking erreicht werden. Vor dem Hintergrund, dass verschiedene Agenturen häufig verschiedene Systeme nutzen, ist dies eine besondere Herausforderung.[5] Weitere Herausforderungen stellen die Integration von Offline-Kanälen und das geräteübergreifende Tracking dar: Die Integration von Offline Kanälen wie bspw. TV –Werbung, Telefonanrufen, Katalogbestellungen oder Anzeigen in Printmagazinen wird dabei von Anbieter von Anbieter unterschiedlich gelöst. Das geräteübergreifende Tracking ist vor allem deswegen enorm wichtig, da die Nutzung mehrerer Endgeräte im Kaufprozess – allen voran die Nutzung von Smartphones und Tablets – stetig zunimmt. Ein verlässliches Tracking stellt dabei ein großes Problem dar, da eine Widererkennung eines Nutzers auf verschiedenen Endgeräten nicht immer einwandfrei möglich ist.[6] Auch hier sei auf den Artikel von Sönke Iwers hingewiesen, der einige interessante Ansätze zu dem Thema „Device-übergreifende Messung“ aufzeigt.

Die verschiedenen Attributionsmodelle

Generell können Attributionsmodelle dabei helfen, die Performance von Online-Marketing-Kanälen besser zu monitoren, da der gesamte Erfolg so auf einen oder mehrere Kanäle verteilt werden. Denn natürlich möchte jedes Unternehmen wissen, welcher Kanal welchen Beitrag am Erfolg hat. Hier soll eine kurze Übersicht über statische und dynamische bzw. individuelle Attributionsmodelle geliefert werden, mögliche Gewinner und Verlierer (im Sinne von Kanälen) und auch Chancen und Risiken von Attributionsmodellen aufgezeigt werden.

Übersicht gängiger statischer Attributionsmodelle

Unter den klassischen Attributionsmodellen werden Modelle subsumiert, die aktuell am Markt gängig sind bzw. häufig eingesetzt werden. Hier soll ein Überblick über die verschiedenen Ansätze und die Annahmen gegeben werden, die hinter den einzelnen Attributionsmodellen stehen. Im weiteren Verlauf wird häufig von Kanälen gesprochen, womit die klassischen Online-Marketing-Kanäle (u.a. Display-Advertising, Suchmaschinenmarketing, E-Mail-Marketing) gemeint sind.

• Das „First-Cookie-Wins“-Modell schreibt nur demjenigen Kanal den gesamten Erfolg zu, der zu allererst den Kontakt mit dem Nutzer gehabt hat. Jeder Kanal – und das auch unabhängig von der Gesamtlänge der Customer-Journey – geht nachfolgend leer aus.
• Das „Last-Cookie-Wins“-Modell schreibt immer nur dem Kanal den gesamten Erfolg zu, der den letzten Kontakt vor der Conversion eines Nutzers gehabt hat. Dabei gehen alle Kanäle, die eine Rolle innerhalb der Customer-Journey gespielt haben, leer aus.
• Bei der zeitlichen Attribution spielt die zeitliche Dimension eine entscheidende Rolle. Wie in der oben gezeigten Grafik zu erkennen ist, nimmt die Wichtigkeit des Kanals mit der zeitlichen Nähe zur Conversion zu. Somit haben die Kanäle oder der Kanal, der am dichtesten vor der Conversion liegt, in diesem Modell den höchsten Anteil am Erfolg. Allerdings kann dieses Modell auch abgewandelt werden, indem die Reihenfolge der Attribution umgekehrt wird. In diesem Fall würde der erste Kanal den höchsten Anteil erhalten, während der Anteil hin zur eigentlichen Conversion sukzessive abnimmt. Im Gegensatz zu den beiden erstgenannten Modellen berücksichtigt die zeitliche Attribution alle an der Customer-Journey beteiligten Kanäle.
• Die gleichverteilte Attribution beteiligt alle Kanäle, die innerhalb der Customer-Journey liegen, mit genau dem gleichen Anteil. In diesem Modell ist es irrelevant, an welcher Position der Kanal steht. Auch die Länge der Customer Journey ist irrelevant. Bei einer Customer-Journey mit einer Länge von beispielsweise 20 Touchpoints werden auch alle diese Kontaktpunkte gleichermaßen beteiligt.
• Hinter dem „U-Modell“ der Attribution (vielfach auch „Badewannen-Modell“ genannt) steht die Annahme, dass sowohl der erste als auch der letzte Kontakt innerhalb der Customer-Journey einen größeren Anteil am Erfolg haben sollten, als die Kanäle, die zwischen diesen Kanälen liegen. Es ist also quasi die Kombination aus dem „First-Cookie-Wins“- und „Last-Cookie-Wins“-Modell mit dem zusätzlichen Umstand, dass auch noch dazwischenliegende Kanäle Teil der Attribution sind – wenn auch mit einem geringeren Anteil.

Eine Übersicht aller Attributionsmodelle wird außerdem in einer Unterlage des BVDW gegeben.[8]

Dynamische / Individuelle Attributionsmodelle

Im Gegensatz zu den eben beschriebenen statischen Attributionsmodellen bieten dynamische Attributionsmodelle weit mehr Möglichkeiten den Erfolg auf einzelne Kanäle zu verteilen. Der größte Unterschied zwischen diesen beiden Untergruppen von Attributionsmodellen sind jedoch die Einflussfaktoren, die in die Betrachtung einbezogen werden können. Während bei den statischen Modellen nur ein einziger Einflussfaktor – nämlich die Position des Kanals innerhalb der Customer-Journey – betrachtet wird, können bei den dynamischen Modellen noch viele weitere mit einbezogen werden. Es ist z.B. denkbar, dass zwischen einzelnen Marketing-Kampagnen  oder auch zwischen verschiedenen Nutzergruppen (z.B. Neukunden und Bestandskunden) differenziert wird. Prinzipiell ist es möglich je nach Unternehmensanforderungen individuell passende Attributionsmodelle zu entwickeln, die genau diejenigen Einflussfaktoren berücksichtigen, die im jeweiligen Fall relevant sind.

„Gewinner und Verlierer“ von Attributionsmodellen

Es ist leicht vorstellbar, dass sich die Performance einzelner Online-Marketing-Kanäle verändert, wenn man zwischen Attributionsmodellen wechselt. In der nächsten Übersicht wird dargestellt, wie wichtig die einzelnen Kanäle für einen beispielhaften Mode Online-Shop sind. Die Wichtigkeit wird am Anteil an den geleisteten Conversions gemessen. Grundlage für die Übersicht ist das Attributionsmodell „Last-Cookie-Wins“. Es wird also immer nur derjenige Kanal attribuiert, der den letzten Kontakt vor einer Conversion des Nutzers gehabt hat. Auf der rechten Seite der Übersicht ist dargestellt, wie sich der prozentuale Anteil an den Conversions je Kanal ändert, wenn das Attributionsmodell gewechselt wird. Für die rechte Seite der Übersicht wurde die gleichverteilte Attribution zugrunde gelegt.

Wie bei vielen Online-Shops sind besonders die Suchmaschinen ein wichtiger Treiber für Conversions. Es ist daher interessant zu sehen, dass SEM beim Wechsel auf ein anderes Attributionsmodell an Anteiligkeit verliert. Allerdings verlieren in dieser Übersicht auch noch weitere Kanäle an Wichtigkeit. Der direkte Zugriff, also die direkte Eingabe der URL (hier in Klammern gesetzt, da in dieser Logik kein Kanal) sowie Display Advertising gewinnen an Wichtigkeit. Natürlich hat diese Abbildung keinen repräsentativen Charakter, sie lässt jedoch erahnen, welche Auswirkungen der Wechsel von Attributionsmodellen auf die Anteiligkeit an Conversions von Online-Marketing-Kanälen haben kann.

Auch weitere Gegenüberstellungen verschiedener Attributionsmodelle zeigen, dass es teilweise große Unterschiede bei der Zuschreibung des Erfolges (Conversions) gibt. Während Modelle, die alle beteiligten Kanäle betrachten (s.o.), weniger große Unterschiede untereinander aufweisen, gibt es besonders – und natürlich nicht überraschend – große Unterschiede zwischen dem „Last-Cookie-Wins“ und dem „First-Cookie-Wins“ Modell.

Chancen und Risiken

Möchte man für sein eigenes Unternehmen entscheiden, ob man Attributionsmodelle einsetzt, die über Last- oder First-Cookie-Wins hinausgehen, sollte immer auch ein Abwägen zwischen den Chancen und Risiken stattfinden. Natürlich bietet der Einsatz von Attributionsmodellen enorme Chancen, jedoch sollte man die Risiken bei der Implementierung nicht vernachlässigen. Aktuell bieten in Deutschland viele Performance Marketing Agenturen Beratung in diesem Feld an. Hier kann es sinnvoll sein, sich externe Unterstützung und Expertise ins Haus zu holen. Die nachfolgende Abbildung zeigt Chancen und Risiken von Attributionsmodellen auf:

Der Einfluss der Customer-Journey auf die Erfolgsbewertung

Die Erfolgsbewertung im Online-Marketing findet überwiegend anhand des „Last-Cookie-Wins“- Modells statt, wobei dem letzten Kanal vor dem Kauf 100% des Erfolges gutgeschrieben werden. Typische Kennzahlen um den Erfolg im Online-Marketing zu bewerten sind der CPO – die sogenannte Cost-per-Order, bei dem die Gesamtkosten eines Kanals durch dessen generierte Sales geteilt werden – oder auch der ROI je Kanal, der neben den Kosten auch den Umsatz und den Gewinn des Kanals mit in die Erfolgsberechnung einbezieht. Auf Basis dieser Kennzahlen wird dann eine Betrachtung der Marketingkanäle vorgenommen, wobei ein niedriger CPO und einer hoher ROI häufig in einer guten Bewertung des Marketingkanals und wahrscheinlich auch in mehr Budget für diesen Kanal resultieren, wohingegen ein hoher CPO und ein niedriger ROI häufig zu einer schlechten Bewertung des Kanals führen und wahrscheinlich auch zu einer Reduzierung des für diesen Kanal eingesetzten Budgets. Da aber mittlerweile bekannt ist, dass der letzte Kanal nur sehr selten wirklich alleinverantwortlich für den Erfolg ist, müssen neue Kennzahlen für eine realistischere Erfolgsbewertung her. Im Rahmen der Customer-Journey Betrachtung wird der CPO durch die CPCJ – die sog. Cost-per-Customer-Journey –, ersetzt. Hierbei werden die Kosten für die einzelnen Touchpoints innerhalb der Customer-Journey zum CPCJ addiert. Die Kosten für die einzelnen Touchpoints lassen sich errechnen, indem man die Gesamtkosten für einen Kanal durch die Anzahl des Aufkommens des Kanals in den Customer-Journeys teilt. Als Beispiel: Die Gesamtkosten für den Kanal Display belaufen sich auf 1000€ und der Kanal Display ist in 1000 Customer-Journeys vertreten, ergo: 1€ pro Display Touchpoint. Nachfolgende Grafik zeigt eine beispielhafte Customer-Journey mit den Kosten pro Touchpoint und dem CPCJ:

Bei dieser Berechnung werden alle Kanäle und auch ihre jeweiligen Kosten mit einbezogen, weshalb angenommen werden könnte, dass auf Grund dessen der CPCJ höher sein müsste als der CPO, der ja nur die Kosten des letzten Kanals betrachtet. Das ist aber nicht zwingend der Fall, da der Wert, durch den dividiert wird, oft ein höherer ist: Bei der CPCJ Berechnung werden die Kosten für einen Kanal durch die Anzahl dessen Aufkommens innerhalb einer Customer-Journey geteilt, wobei bspw. der Tatsache Rechnung getragen wird, dass eine Customer-Journey auch mal gut und gerne 3 SEA Touchpoints enthalten kann.[12] Der eigentliche Einfluss der Customer-Journey auf die Erfolgsbewertung einzelner Kanäle im Multi-Channel-Management wird aber vor allem dann deutlich, wenn die errechneten ROI’s nach dem Last-Cookie-Wins Prinzip und die errechneten ROI‘s anhand der Customer-Journey mit einander verglichen werden: Schaut man sich den ROI im Rahmen der Customer-Journey Berechnung an, so gewinnen häufig vor allem die assistierenden Kanäle, also die Kanäle, die zwar nicht direkt vor dem Kauf durch den Kunden genutzt wurden, ihn aber beim Kauf unterstützt haben, an Bedeutung. Wirtschaftlich gesprochen weist so bspw. der typischerweise assistierende Kanal Display häufig einen deutlich besseren ROI auf als bei der Last-Cookie-Wins Betrachtung. Auf Basis dieser neuen Berechnungen führen eine Einbeziehung aller Kosten und eine verursachungsgerechte Zuschreibung des Erfolges auf alle beteiligten Kanäle dazu, dass die Customer-Journey-Analyse ein deutlich umfassenderes und damit realistischeres Bild der Wirklichkeit zeichnen kann.

Fazit

Die Modelle „Last-Cookie-Wins“ und „First-Cookie-Wins“ betrachten nur einen kleinen Ausschnitt der Performance einzelner Kanäle und sollten sukzessive abgelöst werden, denn die Gefahr, dass das Abbild der Performance verzerrt wird, ist zu hoch. Modelle, die die Gesamtheit der an der Customer Journey beteiligten Kanäle betrachtet (gleichverteiltes, zeitbasiertes und „U-Modell“ der Attribution) liefern ein realistischeres Abbild der tatsächlichen Kanal-Performance. Besonders für kleinere Unternehmen sind diese Modelle durchaus relevant, zumal viele Web-Analytics-Tools (z.B. Google Analytics) Funktionen anbieten, um diese Attributionsmodelle zu implementieren. Je größer das Unternehmen, desto mehr sollte versucht werden, individuelle Attributionsmodelle zu entwickeln, da diese das realistischste Abbild der Kanal-Performance zeichnen können. Dabei sollten jedoch auch immer die o.g. Risiken bei der Evaluierung berücksichtigt werden. Entscheidet sich ein Unternehmen dafür, das aktuell eingesetzte Attributionsmodell (auch nur marginal) zu verändern, werden sehr schnell Veränderungen in der Wirtschaftlichkeitsbetrachtung der einzelnen Marketingkanäle deutlich. Der Grund hierfür ist, dass die Customer-Journey-Analyse im Vergleich zur herkömmlichen Wirtschaftlichkeitsbetrachtung (CPO und Last-Cookie-ROI) zu einer umfassenderen sowie differenzierteren Betrachtung führt, die es dem Unternehmen erlaubt, das eingesetzte Marketingbudget effizienter zu nutzen.

Quellenangaben:

[1]: Internet World Business (2012) „Die Legende ist tot“ http://heftarchiv.internetworld.de/2012/Ausgabe-08-2012/Die-Legende-ist-tot (Abruf: 01.07.2014)

[2]: Bundesverband digitale Wirtschaft (BVDW) (2012) „Customer-Journey – Definitionen und Ausprägungen“   http://www.bvdw.org/mybvdw/media/download/bvdw-customer-journey-dmexco-120912-final.pdf?file=2421  (Abruf: 03.06.2014)

[3]: Eigene Abbildung. In Anlehnung an: Google „Customer-Journey“ http://gweb-think-tools.appspot.com/customer-journey-to-purchase/ (Abruf: 23.05.2014)

[4]: Kleinke, Christian (2012) „Die User-Journey verstehen – unique labs“ http://unique-labs.de/cross-channel-management-teil-2-die-user-  journey-verstehen/ (Abruf 15.06.2014)

[5]: Flocke, Louisa, & Holland, Heinrich (2014). Die Customer Journey Analyse im Online Marketing. In Dialogmarketing Perspektiven 2013/2014   (S. 213-242). Wiesbaden: Springer Fachmedien Wiesbaden.

[6]: Internet World Business (2012) „Die Legende ist tot“ http://heftarchiv.internetworld.de/2012/Ausgabe-08-2012/Die-Legende-ist-tot (Abruf: 01.07.2014)

[7]: Eigene Abbildung. In Anlehnung an: Bundesverband digitale Wirtschaft (BVDW) (2012) „Customer-Journey – Definitionen und Ausprägungen“   http://www.bvdw.org/mybvdw/media/download/bvdw-customer-journey-dmexco-120912-final.pdf?file=2421  (Abruf: 03.06.2014)

[8]: Bundesverband digitale Wirtschaft (BVDW) (2012) „Customer-Journey – Definitionen und Ausprägungen“   http://www.bvdw.org/mybvdw/media/download/bvdw-customer-journey-dmexco-120912-final.pdf?file=2421  (Abruf: 03.06.2014)

[9]: Eigene Abbildung. In Anlehnung an: intelliAd Media GmbH. (März 2013b). Whitepaper – Attribution Modeling – Von der Theorie zur Praxis – so implemetieren Sie ein optimales Attributionsmodell in Ihrem Unternehmen. Abgerufen am 12. Juni 2014 von www.intelliad.de: http://www.intelliad.de/competence-center/whitepaper.html

[10]: Eigene Abbildung. In Anlehnung an: Internet World Business (2013a) „Grenzen der Customer Journey“ http://heftarchiv.internetworld.de/2013/Ausgabe-02-2013/Grenzen-der-Customer-Journey (Abruf: 28.06.2014)

[11]: Eigene Abbildung. In Anlehnung an: Burgsdorff, Dirk von (2013). Das Customer Journey Modell. In R. Haberich, FUTURE DIGITAL BUSINESS: Wie Business Intelligence und Web   Analytics Online-Marketing und Conversion verändern (S. 478). Heidelberg;Hamburg u.a.: mitp Verl.-Gruppe Hüthig, Jehle,   Rehm.

[12]: Burgsdorff, Dirk von (2013). Das Customer Journey Modell. In R. Haberich, FUTURE DIGITAL BUSINESS: Wie Business Intelligence und Web   Analytics Online-Marketing und Conversion verändern (S. 478). Heidelberg;Hamburg u.a.: mitp Verl.-Gruppe Hüthig, Jehle,   Rehm.