Aufgrund der Umwälzungen, die durch das rasche Wachstum der Online-Werbung in den letzten zehn Jahren entstanden sind, haben Marketing-Organisationen Zugang zu wesentlich mehr Daten, um die Wirksamkeit und den ROI zu verfolgen. Dieser Wandel hat sich auf die Art und Weise ausgewirkt, wie Vermarkter die Effektivität von Werbung messen, sowie auf die Entwicklung neuer Messgrößen wie Kosten pro Klick (CPC), Kosten pro tausend Impressionen (CPM), Kosten pro Aktion/Akquisition (CPA) und Click-Through-Conversion. Darüber hinaus haben sich im Laufe der Zeit mehrere Attributionsmodelle entwickelt, da die Verbreitung digitaler Geräte und die enorme Zunahme der verfügbaren Daten die Entwicklung der Attributionstechnologie vorangetrieben haben.
- Modelle der Single Source Attribution (auch Single Touch Attribution) ordnen den gesamten Kredit einem Ereignis zu, z. B. dem letzten Klick, dem ersten Klick oder dem letzten Kanal, über den eine Anzeige gezeigt wurde (Post View). Einfache oder Last-Click-Attribution gilt weithin als weniger genau als alternative Formen der Attribution, da sie nicht alle Faktoren berücksichtigt, die zu einem gewünschten Ergebnis geführt haben.
- Die fraktionierte Attribution umfasst Modelle mit gleicher Gewichtung, Time Decay, Customer Credit und Multi-Touch-/Kurven-Modelle. Bei Modellen mit gleicher Gewichtung wird den Ereignissen der gleiche Betrag zugewiesen, bei der Kundengutschrift werden Erfahrungen aus der Vergangenheit und manchmal einfach Vermutungen verwendet, um die Gutschrift zuzuweisen, und bei der Multi-Touch-Zuweisung werden allen Berührungspunkten in der Buyer Journey verschiedene Gutschriften in festgelegten Beträgen zugewiesen.
- Die algorithmische oder probabilistische Attribution verwendet statistische Modellierung und maschinelle Lerntechniken, um die Wahrscheinlichkeit einer Konversion über alle Marketing-Touchpoints abzuleiten, die dann zur Gewichtung des Wertes jedes Touchpoints vor der Konversion verwendet werden kann. Doubleclick und Analytics 360 von Google verwenden ausgefeilte Algorithmen, um alle verschiedenen Pfade in Ihrem Konto (sowohl nicht konvertierende als auch konvertierende) zu analysieren und herauszufinden, welche Touchpoints am meisten zur Konversion beitragen. Die algorithmische Attribution analysiert sowohl konvertierende als auch nicht konvertierende Pfade über alle Kanäle hinweg, um die Wahrscheinlichkeit einer Konversion zu bestimmen. Mit einer jedem Touchpoint zugewiesenen Wahrscheinlichkeit können die Touchpoint-Gewichtungen nach einer Dimension dieses Touchpoints (Kanal, Platzierung, Kreativität usw.) aggregiert werden, um eine Gesamtgewichtung für diese Dimension zu ermitteln.
Erstellen eines algorithmischen AttributionsmodellsEdit
Binäre Klassifizierungsmethoden aus der Statistik und dem maschinellen Lernen können zur Erstellung geeigneter Modelle verwendet werden. Ein wichtiges Element der Modelle ist jedoch die Interpretierbarkeit des Modells; daher ist die logistische Regression aufgrund der einfachen Interpretation der Modellkoeffizienten oft geeignet.
VerhaltensmodellBearbeiten
Angenommen, die beobachteten Werbedaten sind { ( X i , A i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}
wobei
- X ∈ R {\displaystyle X\in \mathbb {R} }
Kovariaten
- A ∈ { 0 , 1 } {\displaystyle A\in \{0,1\}}
Verbraucher sah Anzeige oder nicht
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}
Umwandlung: binäre Reaktion auf die Anzeige
Consumer choice modelEdit
u ( x , a ) = E ( Y | X = x , A = a ) {\displaystyle u(x,a)=\mathbb {E} (Y|X=x,A=a)}
∀ X ∈ R {\displaystyle \forall X\in \mathbb {R} }
Kovariaten und ∀ A {\displaystyle \forall A}
ads
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Kovariaten, X {\displaystyle X}
, umfassen im Allgemeinen verschiedene Merkmale der geschalteten Anzeige (Kreativität, Größe, Kampagne, Marketingtaktik usw.) und beschreibende Daten über den Verbraucher, der die Anzeige gesehen hat (geografischer Standort, Gerätetyp, Betriebssystemtyp usw.).
NutzenlehreBearbeiten
y i ∗ = max y i ( E ) {\displaystyle y_{i}^{*}={\underset {y_{i}}{\max }}{\bigl (}\mathbb {E} {\bigr )}}
P r ( y = 1 | x ) = P r ( u 1 > u 0 ) {\displaystyle Pr(y=1|x)=Pr(u_{1}>u_{0})}
= 1 / {\displaystyle =1/}
Kontrafaktisches VerfahrenBearbeiten
Ein wichtiges Merkmal des Modellierungsansatzes ist die Schätzung des potenziellen Ergebnisses, wenn die Verbraucher annehmen, dass sie einer Werbung nicht ausgesetzt waren. Da Marketing kein kontrolliertes Experiment ist, ist es hilfreich, potenzielle Ergebnisse abzuleiten, um die tatsächliche Wirkung des Marketings zu verstehen.
Das mittlere Ergebnis, wenn alle Verbraucher die gleiche Werbung gesehen haben, ist gegeben durch
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}
= E { E ( Y | X , A = a ) } {\displaystyle =\mathbb {E} \{\mathbb {E} (Y|X,A=a)\}}
Ein Vermarkter ist oft daran interessiert, die „Basis“ zu verstehen, d.h. die Wahrscheinlichkeit, dass ein Verbraucher konvertiert, ohne durch Marketing beeinflusst zu werden. Auf diese Weise kann der Vermarkter die tatsächliche Wirksamkeit des Marketingplans ermitteln. Die Gesamtzahl der Konversionen abzüglich der „Basis“-Konversionen gibt einen genauen Überblick über die Anzahl der durch das Marketing verursachten Konversionen. Die „Basis“-Schätzung kann mithilfe der abgeleiteten logistischen Funktion und unter Verwendung potenzieller Ergebnisse angenähert werden.
Basis = Vorhergesagte Konversionen ohne beobachtetes Marketing Vorhergesagte Konversionen mit beobachtetem Marketing {\displaystyle {\text{Basis}}={\frac {\text{Hergesagte Konversionen ohne beobachtetes Marketing}}{\text{Hergesagte Konversionen mit beobachtetem Marketing}}}}
= E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {e { y | x , a = 0 ) } e { y | x , a = 1 ) \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
Wenn die Basis abgeleitet ist, kann der inkrementelle Effekt des Marketings als die Steigerung gegenüber der „Basis“ für jede Anzeige verstanden werden, unter der Annahme, dass die anderen Anzeigen im potenziellen Ergebnis nicht gesehen wurden. Diese Steigerung gegenüber der Basis wird häufig als Gewicht für dieses Merkmal innerhalb des Attributionsmodells verwendet.
Attributionsgewicht = {\displaystyle {\text{Attributionsgewicht}}=}
= E { E ( Y | X , A = 1 ) } – E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}-\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
