Marketing-Mix-Modellierung vs. Attributionsmodellierung: die Vor- und Nachteile
Veröffentlicht: 2021-10-06Die meisten Marketingteams haben ein Datenproblem.
Entweder haben sie nicht genug Daten, sie haben zu viele davon, oder meistens wissen sie nicht, was sie damit anfangen sollen.
Aus diesem Grund werden wir in diesem Beitrag zwei der gängigsten Methoden bewerten, mit denen Unternehmen derzeit ihre Marketingdaten einsetzen: Attributionsmodellierung und Marketing-Mix-Modellierung.
Lassen Sie uns gleich eintauchen.
MMM vs. MTA [Webinar]
Sehen Sie sich unser Webinar zum Thema Marketing-Mix-Modellierung vs. Multi-Touch-Attribution an, um mehr zu erfahren.
Was ist Attributionsmodellierung?
Attributionsmodellierung ist der Prozess der Festlegung von Regeln, die bestimmen, wie viel jeder Berührungspunkt entlang der Customer Journey zu einem Verkauf beiträgt. Dies geschieht, um den Umsatzbeitrag des Marketings abzuschätzen.
Zu den gängigen Multi-Touch-Attributionsmodellen gehören:
- Lineare Attribution: Jeder (trackbare) Touchpoint entlang der Customer Journey hat den gleichen Umsatzbeitrag.
- Time-Decay Attribution: Neuere Touchpoints entlang der Customer Journey tragen mehr zum Umsatz bei als frühere Touchpoints.
- Positionsbasierte Attribution: Die ersten und letzten Touchpoints tragen mehr zum Umsatz bei als die Touchpoints in der Mitte der Customer Journey.
Die Vorteile der Attributionsmodellierung
Auf dem Papier ist das Versprechen der Attributionsmodellierung attraktiv: Es hilft Marketingfachleuten, die Customer Journey zu analysieren und zu verstehen, wie jeder Berührungspunkt zu einem Verkauf beiträgt. Theoretisch sollten Attributionsmodelle Marketern dabei helfen, ihre Budgets effektiver den Kanälen, Kampagnen und Aktivitäten zuzuweisen, die den größten Einfluss auf den Umsatz haben.
Theoretisch ist hier jedoch das Stichwort. Sehen wir uns einige der Gründe an, warum die Attributionsmodellierung oft nicht hält, was sie verspricht.
Die Nachteile der Attributionsmodellierung
1. Das falsche Versprechen von 100 % Rückverfolgbarkeit
Beginnen wir mit dem größten Problem: Die Multi-Touch-Attribution basiert auf dem falschen Versprechen, dass jeder einzelne Berührungspunkt auf jedem einzelnen Gerät nachverfolgt werden kann.
Das Problem ist, dass dieses Versprechen in böser Absicht gemacht wurde.
Wir waren einfach nie in der Lage, jede Impression und jeden Klick jeder Person zu verfolgen. Und aus rechtlichen, ethischen und technischen Gründen werden wir das auch nie können. Tatsächlich bedeuten der Tod des Cookies und die Einführung von iOS 14, dass die Anzahl der nachverfolgbaren Berührungspunkte zurückgeht, was die Zuordnung noch schwieriger macht.
Sidebar: Die Befürworter der Multi-Touch-Attribution würden hier argumentieren, dass das Sammeln von Daten über 70 % der Kundenkontaktpunkte besser ist als das Sammeln von 0 % dieser Daten. Das Problem bei diesem Argument ist, dass Sie, egal wie Sie es aufteilen, am Ende die Kanäle überbewerten werden, die Sie tatsächlich messen können. Und als Ergebnis könnten Sie am Ende einige ziemlich schreckliche Entscheidungen treffen, die die wichtigsten (?) 30 % Ihrer Customer Journey ignorieren.
Was sollten Sie dann mit den Daten tun, die Sie sammeln? Nun, dazu kommen wir später.
2. Attribution misst Klicks – und nur Klicks
Der Grund, warum die Zuordnung viele Berührungspunkte entlang der Customer Journey nicht berücksichtigt, liegt darin, dass Zuordnungsmodelle normalerweise Klicks und nur Klicks messen. Mit anderen Worten, alle Offline-Touchpoints, Dark Social und Impressions werden bei den meisten Modellen komplett außen vor gelassen.
Dieser Podcast, bei dem Ihr CEO zu Gast war? Nicht zuordenbar. Dieser LinkedIn-Beitrag, der nicht auf Ihre Website verlinkt ist? Nicht zuordenbar. Diese Slack-Gruppe, in der jemand Ihr Produkt empfohlen hat? Sie haben es erraten: auch nicht zuordenbar.
Wenn Sie dies wissen und ein allgemeines Verständnis dafür haben, wie Menschen Entscheidungen treffen, finden Sie es in Ordnung, dass wir unsere Facebook- und Google-Anzeigen, Zielseitenbesuche und Webinar-Anmeldungen in unsere Attributionsmodelle einbeziehen – aber persönliche Empfehlungen von nicht berücksichtigen Kollegen, Podcasts und Social-Media-Beiträge?
Nein? Dachte nicht.
3. Die Zuschreibung ist tatsächlich vollständig erfunden
Diese beiden Punkte bringen uns direkt zu unserem dritten: Zuschreibung wird buchstäblich erfunden.
Wie Tim Wilson kürzlich in einem Interview betonte: „Die Art und Weise, wie wir Attribution durchführen, ist für Datenwissenschaftler lächerlich. Es ist absolut lächerlich, ein heuristisches Modell der Last-Touch-, First-Touch-, Time-Decay- oder inversen J-Kurve auszuwählen. Und das aus zwei Gründen: Erstens ist es wirklich schwierig, eine Person über alle Berührungspunkte hinweg zu verfolgen, und zweitens ignoriert die Attribution auch die Geschichte einer Person mit der Marke.“
Wie würden Sie aus wissenschaftlicher Sicht nachweisen, dass ein bestimmter Klick einen positiven – oder irgendeinen – Einfluss auf eine Kaufentscheidung hatte? Oder dass ein Berührungspunkt einen größeren Beitrag geleistet hat als ein anderer? Wenn Sie darüber nachdenken, werden Sie feststellen, dass die Art und Weise, wie wir uns entschieden haben, jedem Berührungspunkt Punkte zuzuweisen, überhaupt nicht auf wissenschaftlichen Erkenntnissen basiert.
Tatsächlich könnte man in den meisten Fällen argumentieren, dass die Leute unser Produkt ungeachtet (oder trotz) unserer Anzeigen kaufen würden. Die Anzeigen beanspruchen jedoch eine gewisse Gutschrift für den Kauf, da sie dem Kunden technisch gesehen vor dem Kauf angezeigt wurden.
4. Nur gute Stimmung
Schließlich gehen die meisten Attributionsmodelle davon aus, dass sich jeder Touchpoint positiv auf die Kaufentscheidung auswirkt. Das ist natürlich problematisch, wenn man bedenkt, dass Menschen am Ende Produkte oder Dienstleistungen kaufen können, mit denen sie negative Interaktionen hatten.
Mit anderen Worten, Multi-Touch-Attribution kann als Datenäquivalent zu toxischer Positivität angesehen werden.
Was ist Marketing-Mix-Modellierung?
Die Marketing-Mix-Modellierung bezieht sich auf die statistische Analyse historischer Marketing- und Verkaufsdaten, um die Auswirkungen bestimmter zukünftiger Marketingaktivitäten auf den Umsatz (oder jede andere abhängige Variable) abzuschätzen. Dies geschieht, um die Zuordnung des Marketingbudgets zu den richtigen Kanälen und Kampagnen zu optimieren.
Die Vorteile der Marketing-Mix-Modellierung
Im Gegensatz zur Multi-Touch-Attribution konzentriert sich die Marketing-Mix-Modellierung auf die Analyse der Eingaben (denken Sie an Budgets und Kanäle) in Bezug auf die Ausgaben (denken Sie an Einnahmen oder Markenbekanntheit), wobei statistische Methoden anstelle einer schwachen Kette nachverfolgbarer Kundenaktionen verwendet werden.
Mit anderen Worten, das Ziel besteht nicht darin, ein umfassendes Modell der Customer Journey zu erstellen, sondern vielmehr, die Rolle zu verstehen, die jeder Kanal und jede Kampagne für den Gesamterfolg des Unternehmens spielt.
Darüber hinaus basiert die Marketing-Mix-Modellierung auf echter und valider Wissenschaft. MMM ist eine angewandte lineare Regression, die viel einfacher zuverlässig gemessen werden kann, da alle Eingaben bekannt sind.
Schließlich berücksichtigt MMM im Gegensatz zu MTA auch die negativen Umsatzauswirkungen bestimmter Kanäle, Kampagnen oder Assets.
Klingt auf dem Papier großartig, oder? Das bedeutet jedoch nicht, dass die Marketing-Mix-Modellierung keine eigenen Probleme hat.
Die Nachteile der Marketing-Mix-Modellierung
1. Damit die Marketing-Mix-Modellierung funktioniert, benötigen Sie ein relativ großes Budget
Das vielleicht größte Problem bei der Marketing-Mix-Modellierung ist, dass sie erst Sinn macht, wenn Ihr Unternehmen eine bestimmte Größe – und ein bestimmtes Medienbudget – erreicht. Dies liegt daran, dass Sie Variabilität in Ihrem Marketing-Mix schaffen müssen, um wirklich die Wirkung jedes Kanals und jeder Kampagne zu sehen.
Wenn Sie beispielsweise nur 1.000 US-Dollar pro Monat für Anzeigen ausgeben, ist es unwahrscheinlich, dass Sie einen großen Effekt feststellen werden, unabhängig davon, wie Sie das Budget auf verschiedene Kanäle, Anzeigentypen und Creatives aufteilen.
2. MMMs ignorieren typischerweise das Kontrafaktische
Das andere große Problem bei der traditionellen Marketing-Mix-Modellierung ist, dass sie das Kontrafaktische ignoriert. Mit anderen Worten, es ist nicht üblich, Kontrollgruppen oder Inkrementalitätstests in die Marketing-Mix-Modellierung aufzunehmen.
Stattdessen konzentrieren sich die meisten Marketing-Mix-Modelle auf die Weltbevölkerung (im statistischen Sinne), was es schwierig macht, die wahren Auswirkungen der Änderungen zu verstehen, die Sie an Ihrer Budgetzuweisung und Ihrem Kanalmix vornehmen.
Es gibt jedoch nichts im Regelwerk, das besagt, dass Sie MMM nicht mit randomisierten Kontrollstudien kombinieren können, um Ihre Ergebnisse zuverlässiger zu machen.
3. Überbetonung von Conversions
In den meisten Fällen werden MMMs bewusstseinsbildende Aktivitäten am oberen Ende des Trichters untergewichten. Dies liegt daran, dass die meisten MMMs den Umsatz als abhängige Variable und die Ausgaben als unabhängige Variable betrachten.
Mit anderen Worten, wenn Ihr Input Marketingausgaben sind, kann Ihr Output nicht die Markenbekanntheit sein.
Sie können dieses Problem jedoch natürlich entschärfen, indem Sie die Markenbekanntheit zu Ihrer abhängigen Variablen machen.
4. MMM wird in einer B2B-Umgebung schwierig
Ähnlich wie Multi-Touch-Attribution sind auch Marketing-Mix-Modelle im B2C-Umfeld einfacher zu implementieren als im B2B.
Dies liegt daran, dass MMMs davon ausgehen, dass die Bevölkerung homogen ist – und nicht aus verschiedenen Rollen und Persönlichkeiten mit einzigartigen Zielen, Herausforderungen und Prioritäten besteht.
Dies bedeutet jedoch nicht, dass die Marketing-Mix-Modellierung in einer B2B-Umgebung nicht funktionieren kann. Es bedeutet nur, dass die Implementierung etwas schwieriger sein wird.
MMM vs. MTA: das Endergebnis
Um es kurz zu machen, Marketing-Mix-Modellierung ist eine weitaus bessere Lösung für diejenigen, die das Budget und die Mittel dafür haben.
Und wenn Sie dies nicht tun, sind Sie mit einfachen A/B-Tests und Conversion-Rate-Optimierung möglicherweise besser dran als mit Attributionsmodellen. Es sei denn, Sie können relativ sicher sein, dass Ihr Attributionsmodell Daten zu Ihren wichtigsten Berührungspunkten erfasst.
Schließlich ist es manchmal besser, auf der Grundlage begrenzter Daten zu handeln, als ein komplexes Modell zu erstellen, das Ihnen nur einen Bruchteil der Wahrheit gibt.
Erfahren Sie mehr über MMM vs. MTA
Sehen Sie sich unser Webinar mit Proof Analytics an, in dem wir tiefer in die Vor- und Nachteile von Multi-Touch-Attribution und Marketing-Mix-Modellierung eintauchen.