Realtime Marketing Attribution

Ich bin begeistert, so viele Menschen. Das, äh, sind wir nicht gewohnt, weil wir meistens 'nen relativ spezialisierten Vortrag haben. Deswegen habe ich auch meinen Lieblingsnerd mitgebracht, den Markus. Das Ganze wird ein bisschen technischer, als man es vielleicht zunächst vermuten möchte. Aber dann würde ich sagen, starten wir direkt rein, weil wir haben nicht so viel Zeit, haben aber viele Themen, die wir mit euch besprechen wollen. Es geht um Marketing Attribution. Und da vielleicht zunächst mal die Frage an das Publikum: Wer weiß denn, was Marketing Attribution ist? Bitte einmal die Hand heben. Das, da sollten jetzt eigentlich noch viel mehr Hände da sein. Wir sind auf einer Online-Marketing-Konferenz. Ja. Wer von denen weiß denn, wie das wirklich im Unternehmen genutzt wird und wird es denn wirklich im Unternehmen genutzt? Wer ist der Meinung, dass es, ähm, viel Anklang im Unternehmen findet? Ja, ganz genau. Auch spannend. Es gibt ein paar Leute, die wissen es nicht, was es ist, aber sie sind der Meinung, dass es angewendet wird bei sich im Unternehmen. Ähm, genau. Und darum soll's heute gehen. Ähm, was ist die Challenge bei Marketing Attribution? Wir haben sone Customer Journey, hier mal son Beispiel, ne Display Ad, Facebook, Instagram und dann Google Ads. Und am Ende der Customer Journey haben wir die unterschiedlichen Marketingkanäle, die Marketing Tags feuern und die entsprechenden Umsätze an die Systeme übersenden. So, und jetzt weiß jeder von euch, wenn man in die Tools reinguckt, dann haben wir natürlich andere Daten als zum Beispiel im übergreifenden System, zum Beispiel Google Analytics. Deshalb, äh, gibt es Attributionsmodelle, um herauszufinden, wie viel jeder dieser Kontaktpunkte denn eigentlich dazu beigetragen hat, dass ein Kauf stattgefunden hat. Und da gibt es so ganz tolle Ideen, zum Beispiel Last Click, Last Non Direct, Position Based, First Click, Time Decay und für die, die ganz unentschlossen sind, auch ein lineares Modell. So, das ist allerdings nicht das, was man empfehlen kann für Unternehmen. Und das, es gefällt für viele, weil das einfach heuristische Annahmen sind, dass man sich überlegt: na ja, der erste Klick ist vielleicht wichtiger als der letzte. Weshalb Unternehmen datengetriebene Attribution für sich erkannt haben. Und da haben wir eben das Problem: Wie setze ich das um? Und wenn ich das umgesetzt habe, wie kriege ich da entsprechend Trust in meinem Unternehmen und wie kriege ich's dann eben auch operativ in die Marketingsysteme wie Google Ads, Facebook integriert? Und darüber wollen wir heute mit Ihnen sprechen. Vielleicht nur ganz kurz: Welche Attributionsmodellen und welche analytischen Methoden gibt es, die sich in der Praxis dafür eignen? Keine Angst, wir gehen da noch nicht ins Detail. Es gibt Markovketten, das kommt aus der Netzwerktheorie. Da stelle ich letztendlich meine ganze Customer Journey so als Netzwerk dar, wo jeder Kontaktpunkt oder jeder Channel, wenn man will, ähm, ein Punkt innerhalb des Netzwerks ist. Und dann gibt es so Übergangswahrscheinlichkeiten von einem Punkt zum nächsten. Und so kann ich dann eben kalkulieren, wie wichtig jeder einzelne Kanal ist, wenn ich ihn nämlich rauslah-- rausnehme und wieder reinnehme und schaue dann einfach, wie sich die Wahrscheinlichkeit verändert, dass ein Endzustand, nämlich ein Kauf oder ein Nichtkauf, stattgefunden hat. Und da gibt es noch den Shapely value, den kennt der eine oder andere vielleicht aus Google Analytics oder Google Analytics 4. Da wird das auch angewendet. Ähm, das sind eben Methoden, die man durchaus empfehlen kann. Und Marcus, wenn wir noch mal eine Slide weitergehen. Ja, super. Jetzt haben wir unser datengetriebenes Attributionsmodell. Aber warum haben wir das überhaupt? Weil wir Budgetentscheidungen machen wollen. Wir wollen datengetrieben möglichst gut unsere Budget allokieren. Und das findet ja auch wirklich schon statt, ähm, nämlich wenn wir zwischen Marketingkanälen Budget verteilen. Da sitzen die Marketingmanager alle zusammen an einem Tisch und haben ihr Attributionsmodell, haben vielleicht son Pie Chart vor sich und sagen: "Ach, Facebook, dreißig Prozent für die Conversions verantwortlich, also gebe ich da ein bisschen mehr Budget hin als zum Beispiel in Google Shopping." Ja, das findet statt. Da analysiert man die Daten. Jetzt ist allerdings das Problem, dass wenn ich an die Optimierung innerhalb der Kanäle denke, also das, was wir jetzt hier auf der, von Ihnen aus rechts, Intra Channel Optimization, ähm, was da passiert, da gibt es keine Customer Journey Daten. Da werden die Marketingkanäle nicht hinsichtlich dieses Attributionsmodells optimiert, weil's gar nicht geht. Facebook weiß einfach nicht die anderen Kontaktpunkte, ja? Ähm, das heißt, es ist eine inkonsequente Optimierung, wenn ich am Anfang hunderttausend Euro Budget habe und dann verteile ich das mit meinen Marketingmanagern auf die Marketingkanäle und dann gebe ich zwanzigtausend Euro an Google AdWords und innerhalb von Google AdWords wird dann irgendwie optimiert, aber gar nicht hinsichtlich dieses Attributionsmodells, was ich ja einmal kalkuliert habe. Das heißt, es ist nicht konsequent und das wollen wir lösen. Ähm, weil was wir ja haben, wir haben diese Customer Journey und jeder dieser Marketing Tags am Ende feuert den gesamten Umsatz an die entsprechenden Systeme, zum Beispiel das Google Ads. Wenn du noch eins weitergehst, Marcus, ähm, dann sehen wir, ah, in Google Ads versuchen wir zum Beispiel, einen gewissen Return on Advertising Spend zu optimieren, ja? Das gebe ich als Ziel an. Und was steckt im Return on Advertising Spend drin? Der Revenue, ne? Also dieser Umsatz, den ich an dieses System gesendet habe, zum Beispiel diese hundert Euro, aber ich hab's ja nicht nur in Google Ads gesendet, sondern auch an Facebook und so weiter. Das heißt, es ist schwierig und diese Customer Journey wird nicht berücksichtigt. Mein Marketingattributionsmodell kann nicht berücksichtigt werden, weil die Daten nicht vorhanden sind, ähm, bei der Optimierung. Genau, das ist sozusagen das Bild. Wir haben Google Analytics zum Beispiel oder wegen mir auch Adobe Analytics. Da haben wir letztendlich alle Kanäle, alle Interchannel-Optimierungen finden nur anhand der Daten, äh, statt, die vom Kanal selbst erfasst werden über diese Marketing Text. Und die Idee ist jetzt, dass wir nicht mehr diese hundert Euro übermitteln, sondern, ähm, eben nur einen Teil davon. Wir nennen das den Attributed Conversion Value. Das heißt, wir machen eine Attribution, ne Marketingattribution mit 'nem analytischen Modell.Aber zum Zeitpunkt des Kaufs, das heißt, der Kunde kauft etwas und in dem Moment rechnen wir diese Attribution einmal Real Time durch. Das Schöne ist, mit moderner Cloud Technologie geht sowas, ähm, und dann geben wir dieses Ergebnis direkt an die Systeme. Wir machen das in unserem Beispiel mit der Google Cloud, kann man natürlich genauso gut mit AWS etcetera machen. Ähm, und das ist der Workflow, den wir mit euch einmal durchgehen wollen. Keine Angst, wir gehen den Schritt für Schritt durch. Ähm, wer übrigens die Codebeispiele etcetera im Nachgang haben will, wir sharen das natürlich gerne mit der OMKB und mit euch. Ähm, aber was haben wir zunächst? Wir haben zunächst mal 'ne Datenerfassung. Eins weiter, Markus. Entschuldigung. Ähm, klar, wir haben unsere Customer Journey und wir erfassen alle Daten, zum Beispiel in Google Analytics vier. Da haben wir unsere gesamte Customer Journey. Dann gehen wir eins weiter und übermitteln diese Daten erstmal in den BigQuery Export. BigQuery ist einfach so eine, ja, große Datenbank, recht performant in der Cloud. Ähm, und dort habe ich meine gesamten Verhaltensdaten, meine Onlineverhaltensdaten von Google Analytics vier und damit möchte ich da mein Attributionsmodell berechnen. Also, dann kann ich zum Beispiel ein Shapley Value machen oder 'ne Markov-Kette oder vielleicht 'ne logistische Regression. Alle möglichen analytischen Methoden sind natürlich verfügbar in der Vertex-AI-Plattform innerhalb von Google. Und das Tolle daran ist, ich kann nicht nur das Modell trainieren, das heißt, ich kriege nicht nur ein Ergebnis, sondern ich kann dieses Modell auch publizieren, online stellen. Das bedeutet, dass ich da einfach Daten hinsenden kann und dann real time mein Ergebnis-- Also real time, man müsste immer near time sagen, Ergebnis zurück. Das ist innerhalb von ein paar Millisekunden relativ synchron. Und, äh, ja, wie man das macht, wird Markus einmal kurz vorstellen. Genau, ich zeig's dann auch gleich noch mal live. Aber was wir gemacht haben, ist, wir haben angefangen und haben erstmal die User Journey getrackt. Wir sehen hier jetzt Big Query, ähm, und ihr seht hier unten, wir haben jetzt quasi jeden Käufer in-- Oder eigentlich gesagt Käufer, Nicht-Käufer und die letzten vier Touchpoints der User Journey getrackt. Jetzt muss man sagen, was ist dann ein Nicht-Käufer? Das muss man halt definieren. Sagt man dreißig Tage nach dem letzten Besuch, dann definiere ich ihn als Nicht-Käufer. War jetzt in unserem Fall der Case, aber das kommt natürlich stark vom, oder stark aufs Geschäftsmodell an. Wie gesagt, okay, wir tracken die letzten vier Touchpoints, damit wir in Vertex AI, der AI-Plattform, ein Modell zur Klassifikation bauen können. Ich zeige es wie gesagt gleich live, nur jetzt hier 'n paar Slides dazu. Das heißt, wir laden das einfach in die Google Cloud und sagen: „Bitte bau mir ein Modell auf, das mir klassifiziert anhand der User Journey, ist das ein Käufer oder Nicht-Käufer?" Dann bekomme ich das Modell zurück. Sollte man natürlich, ähm, mal evaluieren, wie gut das Modell ist. Aber was wir denn damit machen? Ich gehe mal hier durch. Wir sehen hier, wir können direkt eingebaute Algorithmen dafür verwenden. Regression, Klassifikation, gehen da einmal durch und sagen: „Ja, ich möchte gerne Klassifikation haben. Käufer, Nicht-Käufer." Sagt: "Ja, bitte nimm achtzig Prozent der Daten als Trainingsdaten", wie man das standardmäßig macht. Die Daten sind nicht, äh, zeitlich abhängig. Das heißt, ich kann das einfach 'n Random Assignment machen, achtzig Prozent splitten, zehn Prozent für die Evaluierung und zehn Prozent fürs Testing. Was ist der Unterschied zwischen Evaluierung und Testing in dem Fall? Ähm, na ja, also Modelle bauen sich ja auf und werden immer wieder verbessert. Das heißt, die haben mehrere Iterationsstufen und die Validierung hier, diese zehn Prozent Daten der Validierung, nutzen wir im Prinzip dafür zu sagen, ab einem gewissen Zeitpunkt macht's keinen Sinn mehr, das Modell zu verbessern, weil die Vorhersage entweder so gut ist, dass sie nicht besser wird oder so schlecht ist, dass es halt keinen Sinn mehr macht. Ja, dadurch spare ich mir natürlich auch Kosten. So, was bekomme ich dann? Ich sage, ich werfe meine Werte rein. Wir haben jetzt hier genau das, was wir vorhin in der Datenbank hatten. Erster Touchpoint, zweiter Touchpoint, dritter Touchpoint, vierter Touchpoint. Und unser Target ist die Classification, dass wir jetzt zum Schluss sagen, wir hauen vier Touchpoints in das Modell rein. Sachen wir, mit welcher Wahrscheinlichkeit ist das ein Käufer oder Nicht-Käufer? So, natürlich, das Ganze ist nicht umsonst. Wird in Note Hours berechnet. So 'n Note Hour ist bei zwanzig Dollar oder so. Das ist jetzt auch für so 'n Start von Attribution eigentlich kein Investment. Das kann ich einfach ausrechnen oder rechnen lassen in der Cloud und bekomme danach 'n Modell. Das sieht dann so aus. Das ist jetzt hier nicht so optimal, aber wie erkenne ich, ob so 'n Modell gut ist? Patrick, mach das doch mal. Ja, also was man da bekommt, ist zum Beispiel so 'ne Rockkurve. Jetzt gehen wir 'n bisschen in die Statistik rein. Ich hab da einfach 'ne True Positive Rate und 'ne False Positive Rate. Die soll letztendlich angeben, wie oft habe ich auf Basis meiner historischen Daten meinen Testdatensatz richtig vorhergesagt. Und, äh, kurz, ja, wenn der Punkt hier steht, bei dieser, bei diesem, äh, Threshold habe ich dann letztendlich mein bestes Ergebnis. Dann gibt es auch noch so Klassifikationsmatrixen und so, äh, -matrixen und so weiter. Das kann man sich dann alles anschauen. Das heißt, ich hab hier ganz viele Metriken, die mir sagen, ob mein Modell funktioniert oder ob ich's eigentlich lieber sein lassen sollte, aber dann sind wir dann wirklich in der Statistik. Was wir hier zeigen wollen, ist, dass man das alles komplett technisch automatisieren und eben auch so automatisieren kann, dass es eben real time stattfindet, weil genau das brauchen wir ja für unseren Use Case, weil wir müssen ja, wenn der Kunde etwas kauft, zu diesem Zeitpunkt direkt 'ne Attribution machen und das Ergebnis zurückbekommen. Ich würde einmal reinschauen in die Plattform. Ich habe hier mein Modell aufgebaut, ähm, das wir nachher auch gleich für den Real-Time-Case nutzen werden. Und jetzt sehen wir hier, wir haben jetzt hier, ähm, unser Modell. Entschuldigung. So. Ich geh hier mal rein. Details. Na? Ich liebe es ja, wenn es nicht so funktioniert, wie ich möchte. So, aber letztendlich sehen wir jetzt hier die Modelle, die wir trainiert haben. Bei uns sind es einige, weil wir natürlich getestet haben. Die sind dort, ähm, online verfügbar für mich und ich kann dort alle möglichen Daten hinschicken und bekomme sofort mein Ergebnis, meine Prediction zurück. Genau, das ist im Endeffekt der Punkt. Das heißt, wenn ich jetzt hier das Modell aufbaue, sehe ich, wie viel Note Hours ich investiere, wie viel, ähm--Daten ich bekomme, wie gut das Modell ist. Ähm, das heißt, ich brauche mir jetzt auch nicht eigene Gedanken machen für 'nen Data driven Attribution Modell, sondern ich sage, ich nehme die Vertex-AI-eingebauten Funktionen und zum Schluss muss ich nur entscheiden können, ist das Modell gut oder ist es schlecht? Mhm. So, ähm, ich würde noch mal kurz einmal hier reingehen und zeigen, was das Ergebnis des Ganzen ist. Ähm, ich habe das hier einmal vorbereitet. Was kriegen wir von 'nem Modell, wenn wir das, wenn wir dann 'ne Real-Time Prediction machen, zurück? Wir haben hier eine Funktion deployed, die uns, im Prinzip ist das 'ne Cloud Function, die uns hier sagen würde: „Ja, wie, wenn jetzt die User Journey, Outbrain, Facebook, Criteo und Google Ads und Google Ads wäre. Also wir übergeben das quasi (...) Was bekommen wir denn hier zurück? Das ist jetzt erst mal nur 'ne Ausgabe, die wir dann nachher in den, in den Google Tag Manager oder andere Tag Management Systeme zurückspielen. Und dann sehen wir hier quasi auf Basis des Ganzen, welche Auswirkung hat jeder einzelne Touchpoint? Wie wird diese Auswirkung berechnet? Wir sagen, wir haben ja das Modell trainiert mit vier Touchpoints vor der Conversion. Jetzt schicken wir da oben aber fünf hin. Und jetzt entfernen wir für jede Prediction, die dieses Modell macht, ein Touchpoint. Das heißt, wir entfernen den ersten, den zweiten, den dritten, den vierten, den fünften und bekommen vom Modell eine Vorhersage zurück, mit welcher Wahrscheinlichkeit der User Käufer oder Nichtkäufer war. Und die Veränderung nutzen wir, um den Gesamtvalue des Kaufes auf den einzelnen, äh, Touchpoint zu attribuieren. So, Markus, und jetzt änder doch bitte mal einen Kanal. Das heißt, wir haben hier in diesem Endpunkt, in dieser URL, einfach, ähm, die entsprechenden Marketingkanäle übergeben. Und dann schauen wir mal, ob die Prediction 'ne andere ist. Sollte sein. Sollte sein. Ihr habt sie schon aktualisiert? Ich hab sie schon aktualisiert. Ich kann sie dann noch mal aktualisieren, wenn du möchtest. Das geht relativ schnell. Das heißt, ich bekomme sofort meine Prediction zurück für die einzelnen Marketingkanäle. Und das kann ich natürlich dann, wenn ich jetzt im Tech Management aktiv bin und mich da ein bisschen auskenne, relativ einfach mit ein bisschen JavaScript aufteilen für meine Marketing-Tags. Da teile ich diesen Conversion-Wert, den Revenue auf und dann haben wir unseren Attributed Conversion Value und senden den letztendlich einfach nur noch an die einzelnen Systeme. Und damit haben wir überall die gleiche Datenbasis. Das heißt, auch die Daten, die ich jetzt in Google Analytics mir vielleicht unter Attributionsmodellen anschaue, ähm, wenn ich das dann entsprechend publiziert habe, wäre das gleiche wie das, was ich da annutze. Natürlich sind die Zahlen, ähm, sehr abstrakt. Das heißt, im Endeffekt gibt die Zahl, die Differenz zwischen den Bewertungen für Käufer und Nichtkäufer ohne den jeweiligen Touchpoint wieder. So, und jetzt würde ich noch mal kurz in die Slides gehen, bevor wir dann in die Live-Demo gehen. So, was brauchen wir dafür? Wir brauchen natürlich, wenn wir Realtime machen wollen, brauchen wir irgendwo 'nen Endpoint, wo wir die Daten hinschicken. Hierfür nehmen wir jetzt einfach, äh, deployen wir einfach 'nen Endpoint auch wieder in der Google Cloud Platform. Da müssen wir natürlich 'nen Server dahinter hängen. Klar, der kostet auch wieder 'n paar Euro, aber alles im überschaubaren Rahmen, wenn man mit Attribution anfangen möchte. So, ähm, genau, natürlich legen wir die Location auch fest, ne. Schön Europa, das muss sein. Ähm, und dann bekommen wir eine ID für unseren Endpoint und über diese ID können wir in der Google Cloud das Modell ansprechen, können Daten hinschicken, können Predictions dort anfordern. Und das machen wir. Genau, also dieser Workflow, wie kommen wir da überhaupt dahin? Ähm, wir müssen uns natürlich erst mal überlegen, welche Daten haben wir denn eigentlich, wenn er was kauft? Ja, wir haben natürlich 'ne Transaction-ID und die wird normalerweise auch in Google Analytics 4 natürlich erfasst. Das heißt, ich hole mir diese Transaction-ID, die habe ich irgendwie im Data Layer stehen, über den Google Tag Manager. So, wenn ich die habe, muss ich ja nur noch nachschauen, ah, welche Customer Journey habe ich denn zu dieser Transaction-ID? Weil ich will ja die gesamte Customer Journey haben. Entweder habe ich sie vielleicht in einem Cookie gespeichert, weiß ich nicht, aber ich kann sie natürlich auch direkt aus dem Big Query Streaming Export holen. Das heißt, ich krieg da innerhalb von ein paar Sekunden die Daten von dem Nutzer, der aktuell auf meiner Seite ist. Ähm, und dafür nutze ich 'ne Cloud Function, Server, Serverless Struktur, Infrastruktur. Ich hab da ein bisschen Python Code und schieb die Daten von A nach B. Ich frag letztendlich einfach nur für diese Transaction-ID von diesem Nutzer in BigQuery an. Haben wir den und, ähm, welche Customer Journey hat dieser Nutzer dann eigentlich gehabt? Hole mir diese Information zurück und wir hatten ja vorher schon unser Modell hier trainiert, mit unseren historischen Daten in BigQuery. Dann haben wir das publiziert in der AI Plattform und jetzt müssen wir nur noch die Daten dorthin schicken. Ja, also ich muss nur noch die Customer Journey von diesem Nutzer, der aktuell immer noch bei mir auf der Seite ist, an die AI Plattform senden und dann kriege ich das Ergebnis zurück. Eins weiter, Markus? Ja, gerne. Und dann sehe ich das eben genau, dass ich es über die Cloud Function auch an den Tech Manager übermitteln kann. Und, ähm, dieser Endpunkt, den ihr übrigens gesehen habt, den Markus gerade probiert hat, das war die Cloud Function, die das weitergegeben hat an die AI Plattform. Das heißt, da schicke ich einfach, ja, Server zu Server Kommunikation, meine Daten Realtime hin und dann kriege ich die Prediction sofort zurück. Genau. Und dann feuer ich da drauf einfach Text. Das kann ich's clientseitig machen, kann ich aber auch serverseitig machen. Im Produktiveinsatz würden wir immer sagen, serverseitig ist 'ne gute Idee, ne, da muss ich nicht auf die Antwort warten. Hier für die Demo machen wir es mal clientseitig, damit wir das dann auch wirklich sofort sehen. Ich würd sagen, ähm, was brauchen wir dafür? Ich zeig's gleich. Äh, all die Codes, wie gesagt, sind in dem GitLab, äh, das ist öffentlich. Da kann man dann einfach drauf zugreifen, wer anfangen möchte und sagen würde: „Ich schau mir mal an, ob das mit Data-driven Real-Time Attribution 'ne gute Idee ist." Investment ist irgendwie ein halber Tag, Tag, bis das Ding läuft. Aber das, das Optimieren dauert dann natürlich etwas länger, dass es auch wirklich gut läuft. So, was machen wir? Wir hauen im Prinzip einfach nur JavaScript in den Google Tag Manager in unserem Fall rein und sagen: „Ja, wir übergeben die Touchpoints." Und wenn wir die Touchpoints haben, warten wir einfach die Antwort ab. Das geht relativ schnell. Ähm-Und sagen dann: „Ja, und jetzt habe ich ja die Differenz." Also welchen Ausschlag gibt mein einzelner Touchpoint für die Conversion? Also nämlich einfach skaliere ich die verschiedenen Werte einfach auf hundert Prozent und sage: „Und jetzt teile ich meine Conversion entsprechend den Impact." Ja? So, wie sieht das live aus? Hier habe ich noch mal, ähm, noch mal die Prediction reingehauen. Wenn wir die, ähm, Cloud Function aufrufen, kriegen wir immer so eine Prediction zurück. Das heißt, sie sagt: „Prediction, welche Klasse habe ich? Nicht Käufer, Käufer. Und welche Scores sind das?" Ja? Das heißt, ich habe hier einen Score von null Komma drei, also dreißig Prozent Wahrscheinlichkeit ein Nichtkäufer und zu neunund, äh, sechzig Komma fünf Prozent, also siebzig Prozent ein Käufer. So, wenn sich das jetzt verändert, die Veränderung attribuieren wir einfach auf den Conversion Value. Wollen wir es mal live zeigen? Wie viel Zeit haben wir noch? Oder habe ich noch? Wie viele Fragen gibt es denn? Hat jemand Fragen? Sonst würde ich es live mal vorbereiten. Ansonsten zeigen wir auch noch mal live, wie das funktioniert. Oder haben wir alle abgehängt mit dem JavaScript-Code? Da ist 'ne Frage. Jawohl. Wie viele Daten braucht man dafür, dass sich das lohnt oder da was drin ist? Hängt von der Anzahl der Touchpoints ab, aber, ähm, wir sagen immer, die letzten fünf Touchpoints sollte man nehmen. Also Anzahl der Kanäle ist natürlich entscheidend, aber Anzahl der Touchpoints. Ich würde immer die letzten fünf Touchpoints nehmen. Das ist das, was man bei Markov-Ketten auch immer sagt, so Max Order von fünf. Davor ist es dann eher so, sagen wir, ist es schwierig, etwas den kausalen Zusammenhang zu erkennen. Ähm, aber normalerweise würde ich sagen, mal mindestens zwanzig tausend User Journeys braucht man. Je mehr, umso besser natürlich. Gerne. Das geht im Moment (unverständlich). Ja. Na ja gut, du kannst es aus anderen Daten ziehen, aber dann geht's halt nicht Real-Time. Also das heißt, wenn du es aus dem, aus der Warenwirtschaft oder aus'm, aus'm Bestellsystem ziehst, kannst du das natürlich später machen. Würden wir aber nicht empfehlen. Das geht natürlich dann mit Consent. Attribution ohne Consent ist immer schwierig, weil ich habe ja keinen Identifier, den ich aktuell im Cookie habe. Und wenn ich den nicht habe, kann ich den User ja beim nächsten Mal nicht mehr wiedererkennen. Also cookieless wird das, ja, ist es halt nicht möglich, den einzelnen Nutzer die Customer Journey zuzuordnen. Geht einfach nicht. (undeutliches) Äh, Consent Mode ist schwierig, weil da ist ja die User, ähm, die User-Pseudo-ID ausgenullt. Das heißt, ich kriege die verschiedenen Journeys halt nicht zusammen. Selbst im Big Query Export ist das Ding einfach null. Und übrigens im GA4 werden die dann auch einfach komplett umgerechnet auf die Marketingkanäle. Also Consent Mode mit Vorsicht zu genießen. Also wir haben das ein paar Mal getestet. Marcus, wir würden es nicht mehr unbedingt empfehlen. Äh, ich finde das System nicht gut. Ich kriege nicht mehr Conversions. Es wird nur meine Conversions werden nur umsortiert. Ähm, das kann hübsch sein, aber ich find's nicht so optimal. Große Blackbox. Ja, fragen wir mal hier vorne an, danach du. Ja. Hier irgendwelche Impression. Display. Impressions heutzutage werden ja eh schwer, ne, ähm, aber - Wenn du einen Browser hast, die Third-Party unterstützt, dann kannst du es aus dem Ad-Server quasi mit ran ziehen. Ja, aber, also Third-Party-Cookies lohnt sich jetzt auch nicht mehr. Ne, aber früher hat man irgendwie mit Display-Video drei sechzig oder so oder was, oder Campaign-Manager, ähm, dir die Daten einfach gezogen, direkt an Google Analytics mit übermittelt, dann geht das. Ne, dann wäre es kein Problem, aber die Impressions... Aber da hatte ich auch nicht alle. Dann hatte ich auch kein Facebook-Impressions, das war schon immer ein Problem. Das bekomme ich nicht. Deswegen lieber weglassen, lieber über die Klicks gehen. Da ist noch eine Frage. Ja, ich versuche mal, mich überzu-schreiben. Ja, bitte. Ich habe zwei Fragen, aber kurz. (unverständlich) Welches Tracking muss der verbaut bleiben, um genau die verschiedenen Touchpoints zu messen? Und, ähm, die zweite Frage, ähm, (unverständlich) wenn wir die Instruktion haben und sagen, okay, (unverständlich): Kann man diese Information auch zurückspielen, um die algorithmische, sozusagen Machine-Learning-Optimierung innerhalb von Facebook zum Beispiel dann zu beeinflussen. Mhm. Ja. Wie wir die Information auch an diese Mail zurückspielt werden. Mhm. Gute Frage. Ich fange mit der zweiten an, ähm, weil die ich mir noch merken konnte. Die andere darfst du dann- Ja, ich habe auch gerade nachgedacht. Ich habe auch gerade nachgedacht. Was war noch mal die erste? Also grundsätzlich, ähm, die Daten fließen ja dann auch wieder in BigQuery hin, ne? Also diese Customer Journey fließt natürlich dann mit rein und dann muss ich mein Modell natürlich immer wieder mal erneuern, ja? Und wie oft, das hängt dann von Ihrer Frage ab, nämlich: Wie viel Daten habe ich denn dann? Ähm, und ich sage mal, bei einem großen E-Commerceler kann man das jede Woche einmal durchrennen lassen, ne? Da habe ich genügend Daten und, äh, dann wird das natürlich immer wieder neu mit berücksichtigt. Und die andere weiß ich auch noch. Echt? Okay, gut, der ist eigentlich- Eigentlich mir völlig egal, ja? Also, ähm, ich kann, ähm, so eine Customer Journey genauso gut mit Matomo messen als auch mit Google Analytics vier oder sonst was, ähm, weil die Tracking-Technologie ist relativ simpel. Ich habe irgendwie einen Parameter an meinem Marketingkanal, sende die Daten, ähm, oder der, der JavaScript-Code liest dann diesen Parameter aus, speichere den irgendwie serverseitig ab. Das kann ich auch selber bauen, ja? Also das ist echt nichts Kompliziertes. Ähm, das Komplizierte ist ja dann eher: Wie kann ich dann meine User irgendwie zusammenbringen? Wie ist denn der Sitzung definiert? Ähm, all diese Themen, das ist dann vielleicht nicht mehr ganz so einfach, aber grundsätzlich eine reine Customer Journey erfassen, kann man auch selber machen. Genau. Und wir haben uns jetzt hier für Google Analytics vier entschieden, weil erst mal haben wir viel im Einsatz. Es gibt einen freien Big Query Export und wenn man das jetzt mal ausrollen würde, man nimmt einfach die Scripte aus dem GitLab, kostet das Ding halt hundert Euro, bis man die ersten Ergebnisse hat, ne? Und das ist halt ein einfacher Start für so was, weil häufig will man ja schnell Ergebnisse. Um einfach zu sehen, geht man in die richtige Richtung, anstatt dann erst ein halbes Jahr irgendwie riesig Zeit und Geld zu investieren und dann zu sagen: „Ich glaube, wir waren dann... Die Annahme war falsch." Richtig.Und ich sehe keine weitere Fragen. Dann würde ich es kurz einmal zeigen. Genau, wir kaufen hier mal einfach so einen Gürtel und das ist immer das Schöne an der Live-Do. Ich bin gespannt, ob es funktioniert. Und wir kaufen das mal. Wir haben jetzt einen Gesamtwert von 55 Euro. Ich glaube, wir werden jetzt noch Versandkosten darauf bezahlen von vielleicht fünf Euro. Jawohl, wir haben jetzt hier 60 Euro. Wir schicken das jetzt weg. Der Google Tag Manager fragt jetzt quasi hier an und sagt: „Bitte gib mir die Information zurück. Wir haben die Information schon hier. Das heißt, es ist auch relativ schnell und wir sehen jetzt hier, wir bekommen jetzt hier zum Beispiel für Outbrain bereits ... Magst du mal ein bisschen reinzoomen? Ja, natürlich. Entschuldigung. Wenn so ein kleines, natürlich. Hier, ich habe jetzt hier ... Und was der Google Tech Manager macht, ist, er nimmt diesen String, den wir gerade eben vom Endpoint zurückbekommen haben und sagt: „Den splitte ich jetzt in alle Conversion Values oder in alle Kanäle, die da drin waren, zum Beispiel hier Outbrain, und sage: „Jetzt diesen Einfluss, den wir berechnet haben, den attribuiere ich einfach auf den Conversion Value. Das ist relativ einfach. Wir nehmen halt eine prozentuale Verteilung und sagen halt: „Ja, Outbrain, das hat jetzt einen Wert von sieben Euro 28 gehabt. Und ich gehe mal hier ein bisschen runter, gleich nachdem ich meine Maus gefunden habe. Und dann wird es hier Facebook, das war dann mit elf Euro 71 dabei und Kriteo war dann jetzt mit 17 Euro dabei und Google Ads war mit 18 Euro dabei und das sollte dann in der Summe wieder die 60 Euro ergeben, für die wir gekauft haben. Da ich jetzt die Werte allerdings schon bereinigt übergebe, habe ich nicht in mehreren Kanälen die 60 Euro, sondern hoffentlich gut attribuiert nach meinem Data Driven Attribution Model die Werte. Genau. Das heißt, der Faktor oder der Hebel, an dem man im Prinzip dreht, bessere Daten zu bekommen und bessere Aussteuerungen zu gewährleisten, ist im Wesentlichen das Modell. Das heißt, die Technik ist gar nicht so entscheidend, sondern wie gut sind meine Daten und wie gut kann ich das Modell berechnen? Kann ich das Modell bewerten? Habe ich die Skills dafür? Das ist relativ einfach, muss man sich halt mal ein paar Stunden damit beschäftigen und dann kann man damit anfangen. Genau. Das ist sozusagen ein technischer Workflow, mit dem man das automatisieren kann und Real-Time nutzen kann für eine konsequente Optimierung auch innerhalb der Marketingkanäle. Wir erinnern uns an die eine Slide: Die Marketingmanager sitzen an einem Tisch und verteilen das Budget ganz intelligent nach diesem datengetriebenen Attributionsmodell, aber innerhalb der Marketingkanäle, wenn der Algorithmus losrennt und versucht, die Keywords irgendwie zu optimieren. Da haben wir eine ganz andere Logik, weil die Customer-Journey-Daten sind gar nicht mehr vorhanden. Und das umgehen wir eben, indem wir den Attributed Conversion Value direkt fair aufteilen. Genau. Bevor jetzt aber einer von euch völlig in Aktion in Aktionismus kommt, Markus sagt immer, das dauert ein paar Stunden et cetera. Ja, theoretisch schon, aber es bringt euch ja nichts, wenn ihr es im Unternehmen nicht etablieren könnt. Da wird es viele Gespräche geben. Man hat da viele Hürden, wenn man sowas implementieren möchte. Das heißt, hier sollte man wirklich erst mal ein datengetriebenes Attributionsmodell überhaupt im Unternehmen versuchen zu etablieren, bevor man dann anfängt, das Real-Time zu machen, weil sonst steht der SEA-Manager und der Social Manager ganz schnell bei dir vor der Tür und sagt: „Hey, das will ich nicht mitmachen. Vor allem, man muss es ja auch irgendwie verstehen. Das heißt, es dauert sehr, sehr lange, bis man so was im Unternehmen etabliert. Wir haben es bis jetzt auch erst bei einem großen E-Commerceler geschafft. Die Ergebnisse waren allerdings sehr gut. Das hängt aber von der Organisation natürlich ab. Genau. Wer es probieren möchte, das ist das GitLab. Ich glaube, wir sharen das dann auch in den Folien. Da sind alle Codes drin. Man geht einfach den Workflow durch, das ist auch eine PowerPoint-Präsentation, die jeden Workflow zeigt und dann kann man das hübsch ausrollen und testen. Wir würden jetzt allerdings nicht empfehlen, gleich ein komplettes Geschäftsmodell draufzunehmen. Da muss man vielleicht mal ein bisschen testen. All right. Wunderbar. Dann würde ich sagen, viel Spaß. Haben wir es. Danke sehr.