In der sich rasant entwickelnden Welt des digitalen Marketings sollten Sie stets einen verlässlichen Finger am Datenpuls der Journeys Ihrer Kunden haben. So können Sie durchgängig die wirksamsten Wege wählen, Ihr wertvolles Werbebudget auszugeben und den ROI zu maximieren. Um jedoch aus den Daten schlau zu werden, müssen Sie sich der Modelle bewusst sein, die prägen, wie sie Ihnen präsentiert werden.
Eines der zentralen Ziele aller im digitalen Marketing sollte die Fähigkeit sein, die Wirksamkeit von Investitionen präzise zu überwachen, insbesondere hinsichtlich der Frage, welche Kanäle zu Conversions führen. Im Interesse datengetriebener Modelle, mit denen wir die Bedürfnisse unserer Kunden optimieren, loten wir bei comtogether ständig neue Wege aus, uns in die Zahlen zu graben, um nützliche Einsichten und neuartige Perspektiven darauf zu gewinnen, was genau innerhalb unserer Digital-Marketing-Portfolios vor sich geht.
Markow-Ketten für optimale Kanalattribution nutzen
Unter einer Reihe von Modellierungsmöglichkeiten für die Multi-Channel-Attribution gibt es die Markow-Ketten. Markow-Ketten sind ein mächtiges Werkzeug, mit dem wir präzise Wahrscheinlichkeiten aus einer Folge sequenzieller Ereignisse extrahieren können. Der Anwendungsbereich ist enorm und befeuert seit Langem die Forschung in so weit auseinanderliegenden Feldern wie prädiktivem Bestandsmanagement, der Innovation im Warteschlangenmanagement an Flughäfen und dem Design von Page-Ranking-Algorithmen für Suchmaschinen.
Im Kontext des digitalen Marketings erlaubt uns eine Markow-Analyse eines Datensatzes von Customer Journeys und ihren Conversion-Pfaden, gewichtete Werte auf die Wirksamkeit jedes Kanals zu legen, insbesondere in Bezug auf das gewünschte Ergebnis, eine Conversion. Wir tun dies in zwei Schritten: zuerst durch die Berechnung der Übergangswahrscheinlichkeiten für jeden Kanal und zweitens durch das Entfernen von Kanälen aus den Journeys, um die Auswirkung ihres Fehlens und damit ihre relative Bedeutung für die Conversion zu berechnen. Ergibt das Sinn? Schauen wir uns das etwas genauer an.
Übergangswahrscheinlichkeiten
Jede Customer Journey hat eine Reihe von Schritten, an denen beliebig viele Kanäle beteiligt sein können. Stellen Sie sich vor, dass Sie innerhalb einer Kampagne drei solcher Kanäle beobachten: C1) Social Media, C2) Paid Search und C3) Organic Search. Vor einer Conversion durchläuft ein Kunde eine beliebige Zahl dieser drei Kanäle und erzeugt so etwas, das effektiv eine einzigartige Journey mit einem nicht ganz so einzigartigen statistischen Fussabdruck ist. Durch die Aggregation der Daten all dieser Journeys können wir die sogenannten Übergangswahrscheinlichkeiten berechnen oder, mit anderen Worten, wie wahrscheinlich es ist, dass der Kunde von C1 zu C2, von C3 zu C1, von C2 zu C1 und so weiter wechselt.
Removal-Effekte
Im zweiten Schritt dieses Prozesses wenden wir eine Methode namens Removal-Effekt an, die uns wenig überraschend die Gesamtwirkung des Entfernens der verschiedenen Schritte in der Customer Journey zeigt. Auf diese Weise können wir die Auswirkung auf die Conversions berechnen, indem wir jeden Kanal aus dem Datensatz entfernen. Wie viele Conversions verlieren wir, wenn wir nacheinander die Kanäle Social Media, Paid Search oder Organic Search entfernen? Die Aggregation dieser Zahlen liefert uns ein umfassendes, präzises Bild der Customer Journeys und einen sauber gewichteten Wert für die Auswirkung jedes Kanals auf die Conversions.
Unsere Instrumente und Methoden
Wir haben kürzlich auf diese Weise eine Markow-Analyse an einem Datensatz aus unserem Portfolio durchgeführt, der über 40'000 einzigartige Customer Journeys umfasste. Die gewünschte Conversion für diesen bestimmten Kunden war die Reservierung einer Logistikdienstleistung. Wir bauten eine Pipeline mit den Rohdaten von Google Analytics 360 zu Google BigQuery, wo wir eine Tabelle erstellten, die eine eindeutige Kunden-ID, das Datum, an dem jeder Kunde die Website besuchte, und ob er konvertierte, zeigt. Mit R, einer Programmiersprache für statistisches Rechnen, berechneten wir die Übergangswahrscheinlichkeiten und Bedeutungswerte und speisten sie ein. Schliesslich stellten wir all diese Daten mit dem Datenvisualisierungspaket ggplot2 von R gemeinsam dar.
Was Sie als Ergebnis erwarten können
Mit den Ergebnissen konnten wir im Detail belegen, wie wirksam jeder Kanal gewesen war. In diesem Fall liessen sich 35,1 %, 38,5 % und 23,6 % der Conversions den Kanälen Organic Search, Paid Search und Direct (der unklassifizierbare Quellen und die direkte Eingabe der Website-URL umfasst) zuordnen.
Innerhalb dieser Zahlen können wir zudem veranschaulichen, dass Paid Search beispielsweise andere leistungsstarke Kanäle verstärkte, indem es direkt zu 13,39 % der Organic-Search-Conversions und 7,29 % der Conversions des Direct-Kanals beitrug.
Eine breitere Perspektive gewinnen
Wenn Sie also entscheiden, wie Sie Kanäle und Ressourcen innerhalb Ihrer Digital-Marketing-Strategie zuordnen, seien Sie sich bewusst, dass es verborgene Geschichten in den Daten gibt, die Ihr aktuelles Modell möglicherweise nicht erfasst. Markow-Ketten sind nur eine der Methoden, mit denen Sie eine breitere Perspektive gewinnen können.
*Möchten auch Sie herausfinden, welche Journey Ihre Kunden zurücklegen, bevor sie auf Ihrer Site konvertieren? Kontaktieren Sie uns noch heute für eine kostenlose Strategie-Session.
*