Video: Leitfaden zur Attribution - Analytisch die Marketingstrategie optimieren

Ja, willkommen zu meinem Vortrag zu Leitfaden zur Attribution, analytisch die Marketingstrategie optimieren. Erst mal kurz was zu unserem Unternehmen, also, äh, edynamics. Wir sind ein anbieterunabhängiges Unternehmen seit zwanzig Jahren im Bereich Digital Analytics und Conversion-Optimierung. Wir bieten einen ganzheitlichen, äh, ganzheitlichen Service für fachliche Beratung, technische Unterstützung und Projektmanagement an. Wir haben Partnerschaften mit führenden Technologieanbietern wie zum Beispiel Google und wir verbinden persönliche Beratung und Kompetenz mit Technologien und neuen Produkten. Dann kurz noch (räuspert sich) zu mir. Ich heiße Kawa Mohamed. Ich bin Data Analytics Consultant bei edynamics seit zweitausendsiebzehn. Ich bin, ähm, Experte für die Themen Statistik und Datenmanagement. Ich hab Wirtschaftsmathematik studiert und bin, ähm, im Data Analytics Team für die Aufgaben Datenerfassung, Datenaufbereitung, das Erstellen von Reportings und Dashboards zuständig, ähm, das Entwickeln und Evaluieren von statistischen Modellen und auch für das Programmieren von Tools für komplexe Aufgaben. Also alles, was mit, äh, Big Data zu tun hat. So, dann wollen wir direkt ins Thema steigen. Es geht in diesem Vortrag um Channel-Attribution. Ähm, ich möchte euch die gängigsten Modelle vorstellen, die Standardmodelle, die zurzeit benutzt werden und einen Ausblick geben, welche Modelle es denn noch gibt, was man noch benutzen kann. Und dazu habe ich euch ein Beispiel (räuspert sich) aufgezeichnet. Genau. Also erst mal, was ist, äh, Multichannel-Marketing? Viele Unternehmen, äh, setzen heutzutage auf Multichannel-Marketing. Das heißt, sie versuchen, über viele Kanäle Werbung zu schalten, über viele Kanäle Kunden, äh, zu kontaktieren, Kunden zu erreichen und so Conversions zu generieren. Das, äh, führt dazu, dass man nicht mehr ganz nachvollziehen kann, äh, wie die Kanäle performt haben, wie die Conversions zustande kommen, ähm, welche Anteile haben die einzelnen Kanäle an den Conversions? Und diese Frage zu beantworten, kann man die Attribution benutzen. Das heißt, man versucht, die Gesamtconversion, die man hat, auf die einzelnen Kanäle aufzuschlüsseln und somit die Frage, welchen Anteil hatten die einzelnen Kanäle an der Conversion, zu beantworten. Wir haben jetzt hier beispielhaft, äh, vier Kanäle dargestellt. Also wir haben dieses, äh, komplexe Gerüst mal ganz klein in einem Beispiel zusammengefasst. Ähm, wir haben jetzt die vier Kanäle: E-Mail, Social, Paid Search und Direct. Und dazu haben wir drei Customer Journeys eingezeichnet, in Orange, Gelb und Blau, die alle drei zu einer Conversion führen und möchten anhand dieses Beispiels, ähm, euch die Modelle, die heutzutage angewandt werden, vorstellen und noch einige Modelle, die man anwenden könnte, die ein bisschen komplexer sind, näherbringen. Genau, aber erst mal wollen wir das Beispiel auf ein Fußballspiel übertragen. Ähm, wir nehmen an, Mathematiker nehmen gerne an, wir nehmen an, dass wir uns das Champions-League-Final-Spiel anschauen. Es steht zwei zwei. Die Nachspielzeit beginnt oder hat schon begonnen. Die gegnerische Mannschaft ist im Angriff und im eigenen Sechszehner grätscht der Verteidiger E-mail dazwischen, erobert den Ball zurück und leitet mit einem Pass zu dem Mitspieler Social den Konter ein. Dieser lässt zwei gegnerische Spieler stehen, leitet den ball weiter zu Paid Search, der noch einen Sprint hinlegt bis zur Eckfahne und den Ball perfekt flankt zum Mittelstimmer Direct, der zum drei zwei Siegtor einköpft. Der Schiedsrichter pfeift das Spiel ab. Die Mannschaft FC Marketing United hat drei zwei gewonnen und ist somit Champions-League-Sieger. Ähm, wie wir wissen, ist nach dem Fußballspiel immer vor der TV-Experten-Runde. Das heißt, ähm, ja, die Experten im Fernsehen, die werden sich jetzt mit diesem, mit diesem Fußballspiel beschäftigen und das Spiel analysieren. Ähm, (räuspert sich) dabei stellt sich die Frage, wie denn die Siegermannschaft performt hat. Im Fokus stehen diese vier Spieler: E-Mail, Social, Paid Search und Direct und die drei Tore, die geschossen wurden. Der Moderator stellt die Frage: „Ja, welchen Anteil hatten denn die einzelnen Spieler an diesen drei Toren? Kann man da irgendwie sagen, wer wie viel Tore geschossen hat? Wie würdet ihr Experten denn, ähm, die Tore aufteilen unter diesen Spielern?" So, dafür gibt es, ähm, verschiedene Herangehensweisen. Und, ähm, also es gibt drei verschiedene Herangehensweisen. Es gibt einmal die Single-Touch-Modelle, es gibt die Multi-Touch-Modelle und die Data-Driven-Attribution, also die datengetriebene Attribution. Und ich möchte euch, äh, äh, von diesen Herangehensweisen jeweils ein bis zwei Modelle vorstellen anhand dieses Fußballbeispiels. Ähm, kommen wir erst mal zu den Single-Touch-Modellen. Ähm, in der Expertenrunde sitzt ein ehemaliger Stürmer. Der sagt ganz klar: „Derjenige, der das Tor geschossen hat, der sollte auch hundert Prozent Anteil an dem Tor bekommen." Das heißt, wir haben eine einzelne model und die data driven attribution, also die datengetriebene Attribution. Und ich möchte euch von diesen Herangehensweisen jeweils ein bis zwei Modelle vorstellen anhand dieses Fußballbeispiels. Ähm, kommen wir erst mal zu den Single-Touch-Modellen. Ähm, in der Expertenrunde sitzt ein ehemaliger Stürmer. Der sagt ganz klar: „Derjenige, der das Tor geschossen hat, der sollte auch hundert Prozent Anteil an dem Tor bekommen." Das heißt, wir haben eine einzelne model und die data-driven-attribution, also die datengetriebene Attribution. Und ich möchte euch von diesen Herangehensweisen jeweils ein bis zwei Modelle vorstellen anhand dieses Fußballbeispiels. Wir beginnen mit der single touch model. Die single touch model ist am einfachhten. Am einfachten ist die Data-driven-Attribution. Das bedeutet, wenn ihr euch das Ganze jetzt nicht merken müsst, die data-driven-Attribution ist die datengetriebene Attribution. Das heißt, ihr nehmt einfach die Daten von einem Kunden, die ihr haben wollt, ihr schaut, wo der Kunde kam, wie oft der Kunde gekommen ist, wo der Kunde gekauft hat, wie viel er gezahlt hat und ihr multipliziert das mit dem Durchschnittswert und der durchschnittswerte Wert wird dann als Attribute zugeordnet und einem anderen Kriterium zugeordnet.Wenn wir das jetzt, dieses Modell heißt Last Touch, das heißt, derjenige, der das Tor auch wirklich geschossen hat, nur er kriegt die Credits dafür. Wenn wir dieses Modell auf unser Beispiel anwenden, sehen wir, dass Direct zwei Tore geschossen hat, und zwar das gelbe und einmal das orangene Tor, und Page Search hat ein Tor geschossen. Das heißt, wir würden dann diese drei Tore aufteilen auf die beiden Spieler. Page Search hat ein Tor geschossen, Direct zwei Tore und die beiden anderen Spieler gehen leer aus. So, In der Expertenrunde sitzt aber auch ein ehemaliger Abwehrspieler, der dem widerspricht und sagt: „Nein, das kann ich jetzt so nicht stehen lassen. Ein Tor wird zu dem Zeitpunkt geschossen, an dem ein Spieler den Ball zurückerobert oder an dem ein Spieler einen Konter einleitet oder an dem ein Spieler einen Angriff einleitet. Das heißt, der Spieler, der wirklich die Einleitung macht, ist auch 100% für das Tor zuständig. Das wird First Touch genannt. Wenn wir dieses Modell auf unser Beispiel jetzt anwenden, würden wir dann E-Mail zwei Tore gutschreiben und Direct für diese Vorlage zu Page Search ein Tor gutschreiben und die beiden anderen Spieler gehen dann leer aus. Das sind die Single-Touch-Modelle und wie der Name schon sagt, kriegt immer für ein Tor auch nur ein Spieler die Credits. In der Experrund sitzt auch ein Trainer, der mit dem Kopf schüttelt und sagt: Liebe Freunde, ein Fußballspiel kann nicht von einem einzigen Spieler gewonnen werden. Fußball ist ein Mannschaftssport. Daher sollte auch jeder Spieler, der an dem Angriff, an dem Konter beteiligt ist, auch berücksichtigt werden. Das sind die Multi-Touch-Modelle. Dazu gibt es viele Modelle. An dieser Stelle möchte ich euch U-Shape vorstellen. Also der Trainer sagt, alle Spieler, die an dem Angriff beteiligt waren, müssen berücksichtigt werden und sollten auch Anteil an dem Tor bekommen. Warum U-Shape? Bei dem U-Shape-Modell sagt man, die Begründung vom Trainer: Der erste Spieler, der den Ball zurückerobert hat und der letzte Spieler, der das Tor geschossen hat, sollten die meisten Credits, aber auch gleich hoch, bekommen für das Tor und die restlichen Spieler kriegen dann weniger. Das heißt, wie ein U. In unserem Beispiel, wenn wir uns das Tor angucken, das orange Tor angucken, wo vier Spieler dran beteiligt waren, würden wir sagen: „Okay, der Spieler E-mail hat den Konter eingeleitet. Der Spieler Direct hat letztendlich das Tor geschossen. Deswegen geben wir diesen beiden Spielern 37,5% der Anteil an dem Tor und der Rest, das wären dann 25%, müsste gleichmäßig unter den anderen beteiligten Spielern aufgeteilt werden. Bei uns sind es zwei Spieler, also geteilt durch zwei. Das macht dann 12,5% pro Spieler, also wie ein U. So würde das dann aufgeteilt werden. Teilen wir die anderen zwei Tore auf, sehen wir hier bei dem blauen Tor, es sind nur zwei Spieler daran beteiligt, also der Erste und Letzte. Die werden dann auch gleich bewertet mit 0,5. An dem gelben Tor sind drei Spieler daran beteiligt. Da haben wir uns dazu entschieden, dass die ersten beiden 0,4, also 40% Anteil an dem Tor bekommen und der zweite Spieler, der daran beteiligt ist, 20%. Also wichtig ist, dass die beiden erst, also der erste und der letzte Spieler immer gleich hoch einen gleich hohen Anteil bekommen und der Rest, der übrig bleibt, wird auf die restlichen Spieler gleichmäßig verteilt. Wenn wir das für alle drei Tore anwenden, hätten wir solch eine Verteilung. Das heißt, der Spieler direct hätte dann 1,275 Tore geschossen. Das ist Multi-Touch. Das heißt, wir werden alle Spieler, die auch beteiligt waren an dem Angriff, berücksichtigen. Es gibt noch andere Modelle für Multi-Touch-Modelle, zum Beispiel Linear. Da werden die Gewichtungen anders gewählt. Wenn wir zum Beispiel jetzt uns das orangene Tor ansehen und ein lineares Modell anwenden, dann würden wir sagen, wir würden alle Spieler mit dem gleichen Anteil bewerten. Das heißt, jeder Spieler würde dann 25% des Tores bekommen. Wichtig ist, die Gewichtung habe ich selbst frei gewählt. Es hat einfach so gepasst. Deswegen habe ich das so gewählt. Man kann es auch anders wählen, die Gewichtung. Und je nachdem, wie man die Anteile, also wie man die Gewichtung wählt, wird auch das Modell anders genannt. Also wenn man jedem Spieler, der an einem Tor beteiligt war, gleich viel Anteil an dem Tor gibt, dann heißt das Linear. Genau. Und in diesem Beispiel wollte ich euch das nur u-shape vorstellen. Der Moderator sagt dann: „Okay, eure Ansichten kann ich nachvollziehen. Ihr habt eure Ansichten begründet, aber ihr habt es nicht belegt. Das sind eher eure Meinungen dazu, aber ich habe noch keine Belege dazu gehört. Wie kann man das denn anders machen? Und er fragt dann den Analysten in der Runde, der versucht, mit einer anderen Herangehensweise, diese drei Tore auf diese vier Spieler zu verteilen.Das nennt man Data-driven attribution oder datengetriebene Attribution. Und dazu möchte ich euch zwei Verfahren vorstellen. Eins dieser zwei Verfahren, das heißt Shapely value. Da versucht man, also man schaut sich die Spiele an. Also das Wichtige dabei ist, man hat Daten, diese Daten werden analysiert und anhand dieser Daten kann man dann eine Aufteilung der Tore auf diese Spieler dann vornehmen. Genau. Wie macht man das? Was heißt Shapely value? Man schaut sich eine Gruppe von Spielern an, schaut sich an, wie viele Tore würden diese Spieler in dieser Konstellation schießen? Und was passiert, wenn ich einen anderen Spieler hinzufüge? Wie viel Tore schießt man dann? Beispielhaft jetzt für E-Mail wollen wir das ausrechnen, würden uns dann zum Beispiel angucken: Was passiert, wenn ich nur den Spieler Social habe? Wie viel Tore würde er schießen? In unserem Beispiel gar kein Tor. Und was passiert, wenn wir den Spieler E-Mail hinzufügen zu dieser Menge? E-mail und Social würden auch kein Tor schießen. Das heißt, in diesem Fall würde uns E-mail keinen Mehrwert bringen. Das ist ein kombinatorischer Ansatz. Das heißt, man muss die Möglichkeiten ausrechnen, diese vier Spieler auf vier Plätze aufzuteilen. Das ist dann vier Fakultät, also vierundzwanzig Möglichkeiten haben wir dann. Ich habe das erst mal systematisch hier aufgeschrieben geschrieben. Also es gibt sechs Fälle, in denen E-Mail als erster in die Gruppe reinkommt. Das heißt, die Gruppe ist erst mal leer, die wir betrachten. Eine leere Gruppe kann keine Tore schießen. Und dann fügen wir zu dieser leeren Gruppe den Spieler E-Mail hinzu und E-Mail alleine kann auch keine Tore schießen. Das bedeutet, in dieser Konstellation hätten wir keinen Mehrwert durch den Spieler E-Mail. So, danach schauen wir uns die nächsten sechs Fälle an. Das wäre, wenn E-Mail als zweites in die Gruppe reinkommt und dann, wenn E-Mail als drittes in die Gruppe reinkommt. Dazu gibt es auch sechs Fälle. Und die letzten sechs Fälle sind, wenn E-Mail als vierter in die Gruppe hinzugefügt wird. Beispielhaft habe ich jetzt mal hier ausgerechnet, was passiert, wenn wir uns die drei Spieler Social, Paysearch und Direct angucken. Diese drei Spieler zusammen schießen nur ein Tor und das ist, wenn Direct zu Paysearch passt und er ins Tor schießt. Also haben wir ein Tor. Wenn wir den Spieler E-Mail zu dieser Gruppe hinzufügen, haben wir drei Tore insgesamt. Das wären gelb, orange und blau. Das heißt, der Spieler E-Mail würde uns einen Mehrwert von zwei Toren bringen. Es gibt aber sechs Möglichkeiten, den Spieler E-Mail zu den drei Spielern Social, Paysearch und Direct hinzuzufügen. Ich habe jetzt beispielhaft nur Social, Paysearch und Direct. Wir könnten aber auch sagen Social, Direct und Paysearch und dann E-Mail hinzufügen. Und davon gibt es sechs Möglichkeiten, die jeweils zwei Tore mehr generieren. Deswegen sechsmal die zwei aufaddiert. Dann gibt es die Möglichkeit, wo wir E-Mail als drittes in die Gruppe hinzufügen. Wir betrachten die Gruppe Social und Direct. Die beiden schießen kein Tor. Wenn wir E-Mail in die Gruppe hinzufügen, schießen wir ein Tor. Das heißt, wir haben einen Mehrwert von eins. Genau andersherum können wir uns auch angucken, was ist, wenn wir uns nur direct und social anschauen, wenn wir diese Gruppe betrachten und dann E-Mails hinzufügen, passiert das Gleiche: Schießen wir ein Tor mehr. Also man geht alle 24 Kombinationen durch, ermittelt, welchen Mehrwert dieser Spieler, den man hinzufügt, hat, addiert die Mehrwerte auf – das wären in unserem Fall vierzehn –, teilt die durch die Gesamtmöglichkeiten, die es gibt – in unserem Fall sind es vierundzwanzig – und erhält einen Wert für E-Mail. Das wäre bei uns 0,58. Das heißt, wir sagen, E-Mail hat quasi 0,58 Euro geschossen. Und würden wir es für die anderen Spieler ausrechnen, kommen wir auf solch eine Verteilung. Wir würden jetzt sagen, Direct ist an 1,08 Toren oder 1,08 Tore würden wir zu Direct rechnen. Das nennt man Shapely Value. Ein anderer Ansatz, den ich an dieser Stelle noch vorstellen möchte, das sind die Markov-Ketten. Die Markov-Ketten gehen da genau andersherum vor. Wir sagen, wir schauen uns das gesamte Konstrukt an. Wir schauen uns alles an, was wir haben und was passiert, wenn wir einen Spieler rausnehmen. Das heißt, zum Beispiel, wenn wir jetzt den Spieler E-Mail aus dem Spiel rausnehmen. Was wird dann passieren? Das nennt man Removal Effects. Wichtig ist bei den Markov-Ketten, dass man nicht nur die Pässe betrachtet, die wirklich gemacht wurden, sondern alle möglichen Pässe. Das heißt, wir müssten dann, auch wenn wir das wirklich richtig mathematisch richtig aufschreiben wollen, mathematisch richtig machen wollen, müssten wir auch von jedem Spieler einen Pass zum anderen Spieler hinzufügen in den Graphen, den wir betrachten. Dann müssten wir noch die Exits, die es gibt, zum Beispiel die Spieler, die ins Ausschießen oder wo der Torwart pariert, noch zu dem Grafen hinzufügen. Das wird aber jetzt dann, der Graf wird dann unübersichtlich werden. Deswegen lassen wir es erst mal nur bei diesen drei Toren, die wir haben. Wir sehen.Dass diese drei Tore eingeleitet werden-- zwei von dieser drei Tore werden eingeleitet von dem Spieler E-Mail. Eins dieser drei Tore wird eingeleitet von dem Spieler Direct. Also wir müssen am Anfang alle Channel-Einstiege, ähm, berechnen. Das wären dann in diesem Fall die Einleitung der Tore. Dann müssten wir die Wahrscheinlichkeiten eines Channel-Wechsels, eines Exits und eines Goals angeben, um dann die Markov-Ketten rechnen zu können. In diesem Fall wird das bei uns wie folgt aussehen. Wie gesagt, zwei von drei Toren wird von E-Mail eingeleitet, ein Tor wird von Direct eingeleitet. E-mail passt immer zu Social, also hundert Prozent der Pässe von E-Mail gehen zu Social. Social passt in fünfzig Prozent der Fälle zu Direct, in den anderen fünfzig Prozent zu Paid Search. Und so kann man eben die Channel-Wechsel und die Conversions berechnen. Ähm, wenn man das wirklich richtig machen will, müsste man auch noch die Exits haben und von, äh, jedem Spieler auch die Möglichkeit, dass er den Pass zum Beispiel direkt zu Paid Search hinzufügen, aber sonst wird der Graph unübersichtlich werden. Deswegen belassen wir es so und das wird auch für unsere Zwecke reicht das schon. Man muss das jetzt nicht unnötig kompliziert machen. So, wir haben also jetzt die Channel-Einstiege, wir haben die Wahrscheinlichkeiten der Channel-Wechsel und der Conversions berechnet und jetzt wollen wir die Anteile, ähm, der Spieler berechnen an diesen drei Toren. Wie macht man das? Man sagt, okay, aus diesem Konstrukt, aus diesem Grafen, jetzt beispielhaft für E-Mail, nehmen wir E-Mail raus. Das heißt, wir setzen E-Mail auf null. Ähm, wir sagen, okay, alles, was in E-Mail reingeht, geht quasi verloren, ähm, was zur Folge hat, dass alle Pässe, die von E-Mail geschlagen werden, nicht stattfinden. Alles, was von Social rausgeht, kann auch nicht mehr stattfinden, weil ihr keine Pässe von E-Mail bekommt. Das heißt, wir können den Graphen letztendlich vereinfacht darstellen. Und zwar wird der Graph, nachdem wir E-Mail auf null gesetzt haben, so aussehen. Was ist passiert? Dadurch, dass wir den Spieler E-Mail rausgenommen haben, verlieren wir sechsundsechzig Prozent der Tore. Das heißt, letztendlich werden nur noch dreiunddreißig Prozent der Tore geschossen, und zwar das Tor, wo direct zu paid search passt und er dann das Tor schießt. Das heißt, wir haben eine Ursprungskonversion gehabt von drei Toren, also hundert Prozent. Diese fällt von drei auf ein Tor. Das heißt, wir hätten nur noch dreiunddreißig Prozent. Wir haben einen Verlust von null Komma sechs sieben, also sechsundsechzig Prozent der Tore gehen verloren. Und anhand, äh, dieser removal effects, die wir anschließend für alle vier Spieler berechnen, kann man den Anteil vom, äh, vom Spieler E-Mail an den drei Toren berechnen. Wie berechnet man das? Man sagt, okay, also die Anzahl der Tore, das sind drei Mal multipliziert mit dem Verlust, wenn man Spieler E-Mail rausnimmt, geteilt durch die Summe aller Verluste. Das heißt, wenn man den Spieler E-Mail rausnimmt, den Spieler Social rausnimmt, den Spieler Paid Search rausnimmt, plus wenn man den Spieler Direct rausnimmt. So bekommt man dann den Anteil, den E-Mail an diesen drei Toren hat. Das wären dann in diesem Fall null Komma sieben vier. Berechnen wir auch die Anteile der anderen drei Spieler, kommen wir auf, äh, folgende Verteilung. Das heißt, wir würden dem Spieler Direct zum Beispiel null Komma neun drei Tore gutschreiben. Ja. Das waren jetzt, äh, einige Modelle, die ich vorgestellt habe. Ähm, zwei Single-Touch-Modelle, ein Multi-Touch-Modell – das nennen wir Standardmodelle bei uns – und zwei Modelle zur datengetriebenen Attribution, Shapely Value und Markov-Ketten. Genau. Was nun? Was, was, äh, können wir jetzt daraus folgern? Also wir sehen, dass je nachdem, was für ein Modell man anwendet, die Anteile an den Toren unterschiedlich sind. Das heißt, wenn wir jetzt sagen, Last Touch-Modell, dann würden wir sagen, okay, E-Mail und Social haben gar keinen Anteil an dem Tor. Wir rechnen die Tore nur Paid Search und Direct zu. Man muss sagen, alle Modelle sind richtig. Mit allen Modellen kann man, äh, Channel-Attribution betreiben. Man verteilt nur die, die Tore auf, äh, die, äh, verschiedenen Spieler anders. Welche Vorteile haben denn jetzt die Standardmodelle? Die Standardmodelle sind erst mal einfach, äh, anwendbar. Die sind leicht verständlich. Die kann man ganz schnell anwenden. Wir haben die stets begründet. Also wir haben immer begründet, warum das so sein sollte. Und diese Modelle haben sich bis jetzt bewährt. Also die würden-- diese Modelle werden wirklich benutzt und das hat sich bewährt. Man kann das, diese Modelle für die Channel-Attribution anwenden. Wir sehen aber auch schnell, dass wir, wenn wir diese Modelle anwenden, unsere Ergebnisse gar nicht belegt haben. Wir-- Da steckt, da steckt kein, äh, kein Beweis hinter, warum das denn so sein soll. Man kann sich die, zum Beispiel bei den Multi-Touch-Modellen, kann man die Gewichte anders wählen. Dann hat man auch eine andere Verteilung.Das führt dazu, dass man innerhalb des Unternehmens zu Interessenskonflikten kommt, denn je nachdem, zu welcher Abteilung man gehört, wählt man ein anderes Modell. Zum Beispiel, wenn ich sage, okay, ich gehöre zur Abteilung, die für die E-Mail-Kampagnen zuständig ist, dann würde ich natürlich das First Touch-Modell bevorzugen. Wenn ich jetzt für Direct, für die Website zuständig bin, würde ich sagen, nein, Last Touch ist besser. Also je nachdem, welches Modell man benutzt, begünstigt man einen anderen Kanal. Diese Modelle sind natürlich nicht objektiv und man muss immer im Hinterkopf behalten, dass diese Modelle beschränkt sind. Das heißt, sie zeichnen nicht dieses komplexe Gerüst, was wir haben, wieder. Welche Vorteile bieten die datengetriebenen Attributionen? Diese Modelle sind alle objektiv. Das heißt, wir nehmen wirklich die Daten, schauen uns die Daten an, wir analysieren die Daten und können daraus Resultate erzeugen anhand dieser Daten. Wir können unsere Ergebnisse mittels der Daten belegen, mittels der statistischen Modelle, die wir benutzt haben, wirklich belegen. Das Problem dabei ist, es kann schnell komplex werden. Das heißt, zum Beispiel, wenn wir das Shapely Value angucken, in dem Beispiel hatte ich jetzt vier Spieler. Bei den vier Spielern gab es 24 Möglichkeiten, vier Spieler auf vier Plätze zu verteilen. Nehmen wir einen Spieler mehr hinzu, das heißt, nehmen wir zum Beispiel fünf Spieler, hätten wir schon 120 Möglichkeiten, fünf Spieler auf fünf Plätze zu verteilen. Bei sechs Spielern hätten wir schon 720 verschiedene Möglichkeiten. Das heißt, diese Modelle werden sehr, sehr schnell komplex. Daraus resultiert, dass wir zeit-und rechenintensive Modelle haben, die sich nicht immer jeder leisten kann. Manchmal braucht man schnelle Ergebnisse, dann wird das mit diesen Modellen eben nicht klappen. An dieser Stelle möchte ich noch sagen, es gibt für die datengetrieben Attribution noch ein weiteres Modell, und zwar die lineare Regression. Ich habe das jetzt nicht vorgestellt, weil ich denke, dass viele von uns die lineare Regression kennen, sei es in der Schule, sei es im Studium oder auch beruflich. Das ist ein Standardwerkzeug von Analysten und Statistikern, Mathematikern, die sollte jeder anwenden können. Und mit der linearen Regression kriegt man die Vorteile, dass man Vorhersagen treffen kann. Das heißt, wenn man die lineare Regression richtig anwendet, die Daten analysiert, kann man danach Empfehlungen und Vorhersagen treffen für die Zukunft. Denn die Standardmodelle, die wir haben, die beschreiben nur historische Daten. Das heißt, wir haben Conversions, zum Beispiel vom letzten Jahr, von vor zwei Jahren. Darauf wenden wir unsere Modelle an und kriegen eine Beschreibung, wie man denn die Conversions auf diese verschiedenen Modelle verteilen könnte. Aber wir können daraus jetzt keine Vorhersage treffen. Diesen Mehrwert bietet uns die datengetriebene Attribution, vor allem die lineare Regression. Das heißt, wenn wir unsere Daten analysiert haben, wenn wir die lineare Regression angewandt haben, wenn wir ein Modell haben dazu, können wir sagen: „Okay, wir wissen, wie unsere Kanäle performen. Wir wissen, wie die Kanäle beschaffen sind. Wir können jetzt sagen, wenn wir 50% mehr Budget in, zum Beispiel, PaySearch investieren, kriegen wir 40% mehr Conversions. Oder wir können sagen: „Ja, die E-Mail-Kampagnen, die sind schon gesättigt. Wenn wir noch mehr Geld in E-Mail-Kampagnen stecken, kriegen wir nicht noch mehr Conversions raus. Oder man kann sagen: „Ja, unsere Kunden, die sind nicht so affin für Social Media, die sind nicht so auf Social-Media-Seiten unterwegs. Darüber erreichen wir gar keine Kunden. Wir können das einstampfen, wir können das Budget davon wegnehmen und auf die anderen Kanäle verteilen und dann schauen, was passiert denn dann mit unseren Conversions? Diesen Vorteil bietet eben die datengetriebene Attribution. Was wir im Unternehmen sehen, also viele unserer Kunden nutzen Standardmodell, aber viele von denen sind auch schon damit an ihre Grenzen gestoßen. Das heißt, sie wollen noch mehr. Sie wollen die datengetriebenen Attribution anwenden, eben Forecasting machen zu können. Ich würde aber immer empfehlen, wenn man zum Beispiel noch nie mit Channel Attribution zu tun hatte, dass man erst mal ganz einfach anfängt mit den Standardmodellen, vielleicht erst mal mit den Single-Touch-Modellen, sich mit seinen Kanälen vertraut macht, sich mit den Kunden vertraut macht, die Customer Journeys analysiert, ganz langsam anfängt, erst mal mit den Standardmodellen und dann, wenn man so weit ist, wenn man sagt: „Okay, mit den Modellen habe ich das, was ich erreichen wollte, schon ausgeschöpft. Ich möchte aber mehr, dann zu der datengetriebenen Attribution weitergeht. Also sich langsam hocharbeiten. Denn wir haben auch schon die Erfahrung gemacht, dass wenn man von null auf 100 gehen möchte, dass man dann schnell sieht, okay, das klappt nicht. Wir haben nicht die Experten dafür, wir haben nicht das Wissen dafür, wir kennen unsere Kanäle noch gar nicht so richtig. Also immer langsam anfangen und sich hocharbeiten. Genau. Soviel zu dem Thema Channel-Attribution. Bleibt noch zu sagen: Habt keine Angst vor mathematischen Modellen. Das heißt, wenn ihr ... Also viele von uns scheuen sich davor, diese Modelle anzuwenden, haben Angst: „Kann ich das? Kann ich das nicht? Macht es einfach, versucht es. Und wenn ihr Fragen habt, könnt ihr euch gerne uns wenden. Wenn jetzt noch Fragen zu dem Thema sein sollten, könnt ihr die gerne im Chat stellen. Wir sind jetzt noch für euch da, eure Fragen zu beantworten. Danke schön von mir. Danke schön an alle Zuschauerinnen und Zuschauer und ich möchte mich noch recht herzlich bei meinem Kollegen Patrick bedanken, der mir tatkräftig unterstützt hat bei diesem Vortrag. Genau. Also wenn ihr noch Fragen habt, könnt ihr die gerne im Chat noch stellen. Wir versuchen, die so gut wie es geht zu beantworten.