Video: State of the Art Marketing Measurement und Attribution in Zeiten des Cookie-Sterbens

(energische Musik) Noch mal herzlich willkommen an alle, die es eben noch nicht gehört haben. Ich freue mich sehr, dass ihr dabei seid. Das Thema ist State-of-the-Art Marketing Measurement und Attribution in Zeit des Cookie-Sterbens. Wobei, auch hier würde ich gleich am Anfang gerne präzisieren und einmal, äh, eher darauf hindeuten, dass es um das Sterben der Third-Party-Cookies gibt und nicht der First-Party-Cookies. Also alle können beruhigt sein, wenn sie Angst haben, dass sie demnächst ihre Spracheinstellungen oder auch ihre Warenkörbe auf den Webseiten nicht mehr wiedererkennen, auch wenn sie nicht eingeloggt sind. First-Party-Cookies werden weiterhin bestehen bleiben. Deswegen müsste es präzi-- präzise heißen, es ist ein Sterben der Third-Party-Cookies und First-Party-Cookies sind nach wie vor gar nicht so schlecht geeignet dazu, User Journeys zu tracken, aber da werde ich gleich noch mal genauer drauf eingehen. Ich bin Co-Founder und CEO von Atriba. Was macht Atriba? Wir sind die einfachste und vermeintlich auch smarteste Lösung für Marketing, Attribution, Bewertung und Optimierung. Und damit steigen wir auch gleich noch mal ein, was wir so für Kunden haben, wer mit uns zusammenarbeitet. Und da sieht man dann schon, ähm, sehr schnell, dass es ein sehr, sehr bunter Mix ist, ähm, von tatsächlich B2B-Companies, Mobility Companies, Flixbus, Free Now, hin zu, äh, klassischen, ähm, gar nicht so Digital Native Companies, wie zum Beispiel Zwilling oder Montblanc. Und, ähm, grundsätzlich kann man schon sagen, dass wir jetzt nicht so, äh, fokussiert sind auf die allergrößten Corporates. Ähm, wir arbeiten sehr gerne mit Small- und Medium-Cap, äh, Companies zusammen, weil die ähnlich agil und schnell sind wie wir. Was nicht heißen soll, dass es keine Corporates gibt, die nicht schnell und agil sind. Ähm, uns geht es halt eher darum, dass auch wirklich dann das Marketing-Verständnis auf Seiten des Kunden mitentwickelt werden kann. Genau, wie gesagt, hier ein kleiner Auszug dazu, mit wem wir so zusammenarbeiten. Und damit möchte ich auch gleich schon in die Thematik einsteigen. Einer der Probleme und Herausforderungen, die wir für unsere Kunden lösen, ist diese klassische Herausforderung der Multi-Touch-Attribution. Das heißt, wenn ein Kunde, bevor er ein Produkt kauft, jetzt zum Beispiel bei Medion, mehrere Marketingkontakte hat, wie bewerte ich jetzt eigentlich, wie wichtig welcher dieser Marketingkontakte war? Und vor über fünf Jahren, als wir gestartet sind, haben wir uns auch sehr stark auf digitale Marketingkontakte fokussiert, so wie es hier jetzt auch mal abgebildet ist. Und auch vor fünfeinhalb Jahren gab es schon, ja klar, diese Fragestellung, gab es auch schon Lösungen in dem Bereich, die allerdings, wie gesagt, auch sehr fokussiert waren auf große Enterprise-Companies. Und wir haben gesagt, wir wollen eigentlich eine Lösung anbieten, die auch für kleinere Advertiser, ähm, möglich ist einzusetzen, auch sehr schnell einzusetzen ist und vor allen Dingen auch sehr einfach und trotzdem in der Qualität der Insights entsprechend hochwertig. Und, ähm, was man erkennt, die Fußballanalogie, oder, ja, könnte jetzt eine Umfrage starten, aber vorhin die Funktionalität nicht gefunden. Äh, wer von den Zuhörern noch, äh, oder Last-Click-Attribution kennt, da ist ja die Analogie immer, das ist so, als wenn man im Profifußball nur die Spieler bezahlen würde, die ein Tor geschossen haben, was natürlich nicht so sehr sinnvoll ist. Ähm, da würden dann die Abwehrspieler und Mittelfeldspieler wahrscheinlich nicht mehr so gerne auf dem Platz stehen, beziehungsweise würden auch nur versuchen, Tore zu schießen und nicht eben gute Pässe zu spielen als Mittelfeldspieler oder auch Tore zu verhindern als Torwart. Und die Herausforderung ist eben: Was kann man stattdessen machen? Ähm, wie kann man cleverer bewerten, wie wichtig welcher Spieler im Team ist? Und eine Lösung oder ein Lösungsansatz dazu ist das, was so unter statischer, ja, Attribution oder was so an Regelwerken auch existiert, ähm, zum Beispiel eine lineare Attribution zu machen. Das heißt, jeder Spieler bekommt gleich viel Geld, egal wie effizient er war. Funktioniert im Profifußball nicht wirklich oder würde im Profifußball nicht funktionieren und im Marketing eigentlich auch nicht so ganz. Das heißt, man sieht schon, es ist dann relativ schwierig bei diesen regelbasierten Attributionsmodellen, sich für eines zu entscheiden und zu sagen: „Ja, wir haben uns jetzt für ein positionsbasiertes oder für ein First-Click-Modell entschieden, weil das für uns am besten ist." Ähm, häufig erlebt man, man bekommt viele, viele, viele verschiedene Attributionsmodelle angeboten, aber was sind jetzt die Vor- und Nachteile davon, was sind die Risiken?In der Praxis, dass da sehr viel Diskussionsaufwand von Nöten ist, diese verschiedenen Argumente der verschiedenen Teams oder der verschiedenen Positionen sozusagen zu rechtfertigen. Und was Data Driven Attribution dann im Umkehrschluss ausmacht, ist tatsächlich, dass man sich die Effizienz der einzelnen Spieler anguckt. Also dass man beispielsweise schaut, wie wichtig und wie effizient ist ein Mittelfeldspieler. Das heißt, nicht nur, wie viel erfolgreiche Pässe er gespielt hat, sondern auch, wie viel nicht erfolgreiche. Und übersetzt heißt das im Marketing, dass wir uns nicht nur angucken, wie häufig jetzt hier zum Beispiel Facebook in einer erfolgreichen Customer Journey enthalten war, sondern auch, wie häufig in einer nicht erfolgreichen. Und das beinhaltet halt, dass man eben nicht nur Conversion Journeys trackt, Customer Journeys, sondern auch Non-Converting Journeys und Touchpoints. Und das ist das, was man so eigentlich als Data Driven Attribution versteht und dann eben dazu führt, dass man nicht nur den Störmer bezahlt, wie hier links dargestellt, sondern dass jeder Spieler gemäß seiner tatsächlichen Performance entsprechend entlohnt wird und das dann eben dazu führt, dass man auch mehr in die Kanäle investiert, die wirklich effizient sind und weniger in die, die ineffizient sind, vielleicht die sogar zum Verkauf freistellt beziehungsweise einfach einstellt. Dazu haben wir passenderweise, wenn wir schon beim Fußball sind, auch einen Case mitgebracht, wie genau das dann in der Praxis aussieht. Der FC Sankt Pauli, einer unserer Lieblingskunden, obwohl ich, offen gestanden, als Hamburger jung, eher auf der schwarz-weiß-blauen Seite der Macht sozusagen mein Fan-Dasein fruste, wollte ich schon fast sagen. Wobei es sieht ja aktuell gar nicht so schlecht aus, dass es dann wieder in die erste Liga gibt. Aber der FC Sankt Pauli ist auch ein sehr spannender Case. Die haben sich Mitte letzten Jahres ungefähr dazu entschieden, tatsächlich als erster deutscher Profifußballverein nicht mehr einen externen Trikothersteller und Sponsor zu haben, sondern wirklich ihr Trikot komplett und ihre Ausstattung komplett selber herzustellen. Das Ganze haben sie dann DIY genannt, do it, improve yourself, heißt das Ganze. Und das war recht erfolgreich und wir konnten da tatsächlich ... Natürlich ist auch alles, wie man hier unten sehen kann, typisch Sankt Pauli, sehr nachhaltig, sehr fair hergestellt. Und wir konnten das Ganze insofern begleiten und unterstützen, indem der Sankt Pauli natürlich auch die Frage hatte, wenn sie jetzt schon so viel, sage ich mal, Aufwand betreiben, ihr eigener Ausstatter zu werden, wie können sie dann für sich herausfinden, über welche Marketingkanäle sie das optimalerweise machen? Und natürlich haben sie auch Facebook und Google im Einsatz und auch ihren eigenen Newsletter, wie man sich vorstellen kann bei St. Pauli. Die haben ja eine sehr, sehr treue und sehr schon einzigartige Fanbase, nicht nur in Deutschland, sondern sogar auch weltweit. Und natürlich haben die auch einen entsprechend großen Newsletter-Abonnentenkreis. Die tatsächliche Zahl kann ich leider nicht nennen, aber sie ist schon signifikant hoch. Und nachdem sie sich angeguckt haben, wie so klassisch in ihrem klassischen Merch-Shop, also in dem Onlineshop von Sankt Pauli, die Attribution läuft, nach einer Last Click-Attribution, also nach Google Analytics, hätten sie eigentlich davon ableiten können, dass Facebook und Google, die klassischen großen App-Plattformen, der Kanal sind, über den sie auch Do It, Improve Yourself, also DIY, vertreiben sollten, vermarkten sollten. Weil nach Last Click da sehr viel Google-und Facebook-Kontakte waren, die als letzter Kontakt vor dem Kauf im Shop dann stattgefunden haben. Glücklicherweise hat der F. C. Sankt pauli aber Atriba im Einsatz und wir konnten dann eben aufzeigen, dass tatsächlich der Newsletter viel besser performt, wenn man diese datengetriebenen Attribuzionen tätigt. Und interessanterweise ist der Newsletter eben kein Kanal, wie man vielleicht so marketing-intuitiv-artig ableiten würde, der immer als letzter Klick passiert, sondern scheinbar wird der Newsletter oder Klicks aus dem Newsletter und Newsletter-Kontakte sind auch eher ein assistender Kontakt, also eher ein Mittelfeldspieler, wenn man so möchte, bei der Analogie zu bleiben. Und so konnten sie dann eben auch herausfinden, dass eben der Newsletter, also passend zum Thema, sehr passend zum Thema, die IAI, dass ihr eigener Marketingkanal sogar viel besser performt als die hier dargestellten App-Plattformen und damit dann eben auch die IUIs erfolgreich vermarkten können. Nun geht es ja nicht darum, wie so Multi-Touch-Attribution funktioniert und was alles toll ist im Measurement, sondern der Talk geht ja darum, welche Probleme es alle gibt. Und ich hatte schon präzisiert, es geht eigentlich nicht allgemein das Meinung-Cookie-Sterben, sondern das Third-Party-Cookie-Sterben. Es geht um Ad Blocking, was immer schon ein Thema war beim User-Journey-Tracking. Es geht ITP oder ETP. Itp ist das, was quasi Apple im Safari-Browser umsetzt, Intelligent Tracking Prevention. Und Mozilla hat was Ähnliches, was sich ETP nennt und was verhindern soll, dass Tracker und AppTech und dann eben beliebig tracken können über verschiedene Domains hinweg den User sozusagen verfolgen können. Dann ist natürlich in den Mai 2018 was sehr Schönes für Google und Facebook passiert, nämlich die DSGVO ist umgesetzt worden und seitdem dürfen wir alle lustig irgendwelche Consent-Banner wegklicken auf allen Webseiten, auf denen wir so unterwegs sind. Grundsätzlich natürlich sehr gut gemeint, die DSGVO, aber da habe ich eine sehr explizite Meinung zu. Es ist wichtig, dass wir uns mit dem Thema beschäftigen, aber die Umsetzung war nicht optimal und auch gerade für deutsche datenorientierte Unternehmen nicht unbedingt sehr förderlich und im Zweifelsfall dann eben auch sehr gut für Google und Facebook gewesen. Natürlich hat Apple dann jetzt im Sommer auch noch mal nachgelegt und gesagt: „So, es darf nicht mehr wirklich gecheckt werden, welche User in unseren Devices so.Mhm. Oder von den Apps an sich darf nicht mehr ohne Weiteres getrackt werden (hörbares Einatmen), woher die Nutzer kommen, welche Marketingkontakte sie haben. Ähm, es gibt jetzt 'n sehr starken, ja Consent, äh, der-- oder es wird sehr intensiv jetzt eben von Apple verlangt, dass die App-Entwickler den Consent abfragen, (Klingelton) so die, ähm, ersten... Ich guck mal gerade, ich irgendwas klicken gehört. So. Verzeihung, wenn ich hier jetzt mal kurz reingehe, falls jemand hier was gefragt hat oder ... Check, accept. Hier will jemand rein, 'ne Frage stellen, ich weiß gar nicht, was passiert jetzt? Accept. Hallo? Hmm. Ich glaube, da ist nur jetzt ein neuer Gast hinzugekommen. Also, hier hat einer gesagt, Chris Lubaş hört kein Sound, andere Stages funktioniert. Ähm, kann mir jemand noch mal 'n Kurzes zu zeigen geben, ob, ob ich weiterhin gehört werde? Nicht, dass ich hier-- einfach weitermachen. Okay, super. Wunderbar. Ähm, wo war ich stehengeblieben? IDFA in iOS nicht mehr verfügbar. (hörbares Einatmen) Ähm, genau, das ist natürlich 'n Riesenproblem auch für Advertiser, die mit uns zusammenarbeiten, zum Beispiel Flixbus oder Free Now, die, ähm, schon gerne tracken möchten, wie ihre Marketing Spendings bei Facebook oder Google et cetera dazu führen, dass User in die App hineingehen, die App installieren und dann auch irgendwann 'ne Fahrt buchen. Und, ähm, diese ganzen Herausforderungen sind einmal eher so technischer Natur, ne? Also dass sich da irgendwie Regulare hintergeben, dass, ähm, und es ist auch kein Geheimnis, dass die großen App-Plattformen da eher auch so 'n bisschen diktieren und viel schneller als die EU, äh, könnte, wie sozusagen, ähm, Marketing Tech dann in der Zukunft funktioniert durch eben zum Beispiel ITP oder, ähm, IDFA et cetera. Und Google hat ja auch gesagt, dass sie in zweiundzwanzig dann wirklich, äh, den Sargnagel an den Third-Party-Cookie sozusagen hauen werden. Und, ähm, damit ist dann auch das Thema, ähm, ja, Display-View-Tracking auf User-Basis komplett ad acta gelegt. Das heißt, ähm, es gibt sehr viele Herausforderungen hier auf der rechten Seite. Ähm, ich hab' auch jetzt geschrieben, Cookies are dead. Müsste eigentlich konkreter sein, Third-Party-Cookies are dead. Und dann ist das, also neben diesen Regulatoryien und technischen Herausforderungen, ist natürlich auch die Herausforderung, man will eigentlich nicht mehr hingehen und immer nur isoliert sein Performance-Marketing evaluieren und so tun, als ob immer hundert Prozent alles durch Performance-Marketing passiert ist oder hundert Prozent durch Digitalmarketing. Es gab, äh, in zweitausendneunzehn, Ende zweitausendneunzehn 'n sehr interessanten Case, dass adidas herausgefunden hat, (hörbares Einatmen) dass eigentlich, äh, ich glaube, es waren so über siebzehn Prozent der Abverkäufe nicht durch Performance-Marketing stattgefunden haben, sondern durch Branding-Maßnahmen. Und, ähm, wen wundert's, adidas als Riesenbrand, dass da Branding eine Rolle spielt, ähm, hätte man jetzt nicht vielleicht unbedingt ökonometrisch herleiten müssen und modellieren müssen, um darauf zu kommen, aber zeigt mir so'n bisschen, wie teilweise wir doch so in so gewissen Silos leben, wenn wir unsere Marketingkanäle bewerten. Das heißt, es gibt allgemein auch einfach den Anspruch, immer mehr bei den, äh, mit den Kunden, mit denen wir reden, alle Marketingkanäle, also sei es Branding, Performance, offline oder digital, ganzheitlich zu betrachten und ganzheitlich zu wer-- bewerten, also zu verstehen und konkret auch ableiten zu können: Soll ich mehr in 'ne Plakatwerbung in 'ner bestimmten Region (Klingelton) investieren oder eben in, äh, beispielsweise 'ne Performance-Kampagne? Und auf der anderen Seite sieht man hier, das ist 'ne, 'ne Studie, die irgendwie publiziert wurde. Fünfundsiebzig Prozent der CMOs sind weltweit scheinbar nicht in der Lage, ihr Marketing zu quantifizieren und optimieren. Das wurde in Forbes, äh, ja, April zweitausendneunzehn publiziert. Die Frage ist, ob wir da jetzt in, innerhalb der letzten zwei Jahre so viel weiter sind. Ähm, aber so oder so zeigt das einfach, welche große Herausforderung es gibt. Und, ähm, wie wir das ganze Problem angehen, ist eigentlich, dass wir uns, ähm, das Ganze, ähm, so vorstellen, dass es eigentlich 'n riesen Data Play ist, also dass sehr viele verschiedene Daten verfügbar sind, ähm, manchmal auch nicht verfügbar. Da muss man sich eben Alternativen suchen. Da werd' ich auch eben noch mal drauf zu sprechen kommen. Ähm, und, ähm, man bestenfalls Methoden entwickelt, die es einem ermöglichen, regelmäßig, also ich spreche jetzt nicht so vom halbjährlichen Media-Mix-Modeling oder Marketing-Mix-Modell-Projekten, sondern eher täglich oder wöchentlich, erlauben wirklich über alle Marketingkanäle 'ne Effizienzbewertung, äh, durchzuführen. Und, ähm, wenn ich hier jetzt sage, ja, es geht um einmal die Digitalmarketingkanäle, dann die Offline-Marketing-Kanäle, aber auch um Baseline-Effekte, also beispielsweise welchen Einfluss hat das Wetter, welchen Einfluss haben Änderungen am Produkt oder die Saisonalitäten, dann heißt das natürlich eigentlich auch, dass hier komplett verschiedene Datenebenen vorliegen. Also im Digitalmarketing habe ich natürlich noch sehr viel Information dazu, was auf User-Ebene passiert. Für'n Google-Ads-Klick weiß ich ziemlich genau, welcher Nutzer das war. Es kann auch sein, dass ich für Kataloge, die ich adressiert rausnehme an meine, an meine Bestandskunden, ähm, natürlich habe ich da auch auf einer Nutzerebene Informationen dazu, wer wann diesen Katalog theoretisch zumindest im Zugriff hatte, ne? Und, ähm, für uns ist die Entscheidung eigentlich eher, haben wir die Daten, also von der, von der Data Science- und Technologiesicht, ist die Entscheidung eigentlich immer, haben wir die Daten in nutzerbasiert, auf nutzerbasierter Ebene vorliegen, also aufm User-Journey-Level oder nur in aggregierter Form. Und zum Beispiel, weil ich eben kurz das angerissen hab, dass, ähm, ja, Display-View-Tracking ab zweiundzwanzig auf User-Ebene nicht mehr so, äh, sonderlich einfach möglich sein wird. By the way, für Facebook, Instagram war das noch nie wirklich ganzheitlich möglich, auf Nutzerebene Views zu tracken, Add-Views, ohne dass man draufklickt. Haben. Und, ähm, das, das kann eben dann auch dadurch gelöst werden, dass man sich die Daten auf aggregierter Ebene anschaut und mit in seine Betrachtung hineinzieht. Ähm, das heißt fu-für uns von der Technologiesicht ist es, geht es eigentlich immer nur darum zu unterscheiden, haben wir die Daten auf User-Ebene vorliegen oder auf einer aggregierten Sichtweise. Und wir haben das Ganze, da will ich jetzt gar nicht zu genau drauf eingehen, aber wir haben das Ganze als Machine-Learning-Problem gesehen und lösen das eben durch etwas, was wir da automatisiertes Machine Learning nennen. Das heißt, wenn 'n Kunde bei uns ge-onboardet wird, wa-Dann sind da, ähm, zumindest für die Digital-Marketing-Kanäle keinerlei user-basierte, äh, gar keine, ähm, wie soll ich sagen, also gar keine manuellen Feintuning-Aufgaben von unseren Data Scientists mehr nötig. Offline passiert das hier und da noch, aber da sind wir auch sehr stark daran, äh, das weiter zu automatisieren. Genau, das hatte ich ja eben schon so ein bisschen dargestellt. Ähm, müssen wir jetzt auch nicht zu detailliert drauf eingehen. Es gibt halt eben Online-Marketing, Offline-Marketing und unabhängige Einflussfaktoren. Und, ähm, aus technischer Sicht interessiert uns eigentlich immer nur, ob das auf Nutzerebene vorliegt oder auf aggregierter Daten. Und diese aggregierte Datenebene beziehungsweise die Analyse von Daten auf aggregierter Ebene kann uns ganz viele Herausforderungen eben lösen, die sich auch durch diese, ja, durch diese neuen Regularien ergeben, ne. Also dass beispielsweise nicht mehr alles auf User-Ebene trackbar ist, wie eben Display+. Weil wir können dann eben hingehen und automatisiert beispielsweise regelmäßig die Anzahl der Views auf Facebook-Kampagnen unserer Kunden mit in unsere, in unser Attribution Modelling mit einbeziehen und darüber dann eben auch Aussagen treffen, wie wichtig welcher, ähm, welche Kampagne auf Facebook oder Instagram war. Dazu habe ich jetzt auch noch mal einen Use Case mitgebracht. Und zwar ein Kunde von uns, äh, Spring, ist eigentlich eine Online-Apotheke, ähm, speziell auf, äh, ja, Männerbedarf ausgerichtet. Also konkret gesagt, die verkaufen Viagra. Und, ähm, die haben ziemlich aggressiv, ich glaube, Mai 2019 war es, als ersten Kanal TV für sich, ähm, beansprucht und sind darüber dann auch sehr erfolgreich gewachsen. Gleich mit einem Spot, den sie zusammen von, ähm, mit Jung von Matt, äh, sozusagen erstellt haben und dann auf Pro7 auch, ähm, ausgestrahlt haben. Und im TV gibt es ja diese klassische Performance-Betrachtung von, äh, TV. Das ist ja unter anderem durch, äh, durch die Rocket-Internet-Companies groß geworden, also auch Zalando, HelloFresh. Die haben ja sehr stark auch eine performancebasierte Betrachtung von TV vorgenommen, wodurch dann auch so ein Stück weit eine Renaissance von TV passiert ist, als, als dann doch wichtiger Kanal eigentlich so im Media Mix, vor allen Dingen auch für so eher so Digital-Native-Companies, also Companies, die eigentlich eher, äh, so ganz natürlich aus dem, ich sage mal, Google-Facebook-Ad-Spektrum herausgewachsen sind. Und was man dann typischerweise macht bei dieser Performance-Betrachtung von TV, ist, dass man sich anschaut, ähm, jetzt mal ganz vereinfacht gesagt, die konkreten Technologien können wir dazu gerne auch im Nachgang noch mal besprechen – aber dass man sich ganz, äh, vereinfacht gesagt eine Baseline überlegt und, und, und, ja, die kann dann natürlich auch, äh, sehr sophisticated mit Machine Learning berechnet werden, um damit abzuleiten, was hätte ich eigentlich in dieser, wenn es hier um einundzwanzig Uhr eins, äh, einen, einen TV-Spot-Ausstrahlung gab, was hätte ich eigentlich um einundzwanzig Uhr zwei tatsächlich erwartet an, äh, an TV-Visitern auf meiner Webseite, wenn, wenn es diesen TV-Spot gar nicht gegeben hätte. Also was ist meine Baseline, die ich, oder meine Erwartung eigentlich? Was hätte ich erwartet an Visitor pro Minute in, um einundzwanzig Uhr zwei, wenn dieser Spot nicht ausgestrahlt worden wäre? Und jetzt sagen wir einfach mal der Einfachheit halber, dass es hier so die zehn Visitor gewesen wären als Baseline, was so ungefähr hinkommt, aber macht es mir jetzt in der, in der Demonstration hier wesentlich einfacher. Und tatsächlich sind aber hundert Visitor auf die Webseite gekommen, sodass ich ableiten kann, dass ich weiß zwar nicht, wer von diesen hundert Visitorn oder Besuchern, äh, tatsächlich wegen TV auf die Webseite gekommen ist, aber ich kann zumindest von jedem dieser hundert Besucher sagen, dass sie eine neunzig-prozentige Wahrscheinlichkeit haben, ne, weil neunzig von, also zehn von den hundert sind ja so da gewesen oder wären so oder so auf die Webseite gekommen. Kann ich also sagen, neunzig von hundert, also neunzig Prozent der Besucher sind durch TV gekommen und kann jedem dieser hundert Besucher quasi eine neunzig-prozentige Wahrscheinlichkeit, ähm, ja, zuteilen, dass sie durch TV auf die Webseite gekommen sind. Und ähnlich kann ich das natürlich dann auch in den folgenden Minuten machen. Das ist so vereinfacht gesagt die Performance-Betrachtung und das große Problem ist natürlich, dass das TV einfach als Kanal komplett nicht gerecht wird. Also dass TV eben nicht nur in den, sage ich mal, fünf bis acht oder x Minuten nach einem TV-Spot seine Wirkung entfaltet, sondern natürlich auch in einer Stunde danach und am Tag danach und vielleicht sogar in der Woche danach noch. Und das genau ist das, was wir dann für Spring uns eben über etwas, was sich da, äh, Unified Marketing Measurement nennt, angeguckt haben. Also konkret, dass wir uns TV losgelöst von dieser Nutzerperspektive, ähm, für Spring dann auch analysiert und angeguckt haben und darüber dann ableiten konnten, wenn man zusätzlich noch berücksichtigt, was passiert eigentlich in den Tagen nach dem TV-Spot noch auf der, auf der, ähm, auf der Webseite und in der App, ähm, dann kann man, äh, konnten wir hier für Spring eben darstellen, dass der Return on Ad Span tatsächlich über zweimal so hoch war, also, ähm, zweimal, mehr als zweimal so gut, äh, wie man, wenn man nur diese Performance-Betrachtung von TV getätigt hätte. Ähm, wie das genau funktioniert, da möchte ich jetzt im Detail nicht drauf eingehen. Wie gesagt, kommt gerne auf mich zu, wenn euch das weiter interessiert. Wir haben dazu auch einen Case auf unserer Webseite. Also der Case ist da noch mal viel präziser auch dargestellt, wie das dann funktioniert. Ähm, vielleicht so ganz kurz ein, ein, ein, ja, Hinweis dazu, wie das dann klappen kann, ist nämlich, dass man sich anschaut, ähm, welche Nutzer kommen über Kanäle wie SEO, Direct und SEA Brand in den vielleicht auch nächsten Tagen oder in der, in der Stunde nach dem, nach dem TV-Spot oder nachdem es besonders viel TV-Spots an einem Tag gab? Wie beeinflusst das eigentlich meine, meine Visitor, die über SEO, Direct und, äh, SEA Brand auf die Seite kommen, eben auch an den folgenden Tagen? Das kann man über Methoden des Marketing-Mix-Modelings dann eben auch modellieren. So, jetzt habe ich schon so ein paar Begriffe ordentlich durcheinander geschmissen. Äh, ich hoffe, ich habe euch jetzt so nach dem Mittagessen oder während des Mittagessens nicht zu sehr verwirrt.(Papier raschelt) Aber falls das der Fall sein sollte, würde ich das noch mal ganz gerne so ein bisschen kategorisieren und, und strukturieren für euch auch. Ähm, wir haben ja einmal über MTA gesprochen. Das ist der klassische, ja, Use Case, wie wir es auch bei, bei St. Pauli gemacht haben, beim FC St. Pauli. St. Pauli ist der Stadtteil, FC St. Pauli der Fußballclub, wie von den Kollegen da auch immer wieder zurechtgewiesen werde. Ähm, genau, und, äh, hier wird man eben auf nur auf Nutzerebene-Daten unterwegs sein. Man kann tracken, wer kommt über eine Facebook-Kampagne, wer kommt über eine Google-Kampagne auf die Webseite und kauft dann auch entsprechend. Und das wird auch nach wie vor funktionieren, ähm, wenn man vernünftiges Tracking betreibt, also darauf achtet, dass man zum Beispiel, ähm, die ITP-Beschränkungen, ähm, ja, sich so ein stückweit zu nutzen macht und, und auch weiß, wie man trotzdem für den Kunden auch vernünftig tracken kann auf 'ner First-Party-Cookie-Ebene. Und, ähm, dann gibt es eben die MMM-Ebene, wo tatsächlich, das haben die, äh, Procter und Gambles dieser Welt schon in den achtziger Jahren gemacht, um zu verstehen, was hat das eigentlich für einen Einfluss, wenn ich jetzt in New York City TV mache versus in Los Angeles beispielsweise. Und da ist man nur auf aggregierten Daten unterwegs. Das heißt, man hat Grad (kichern) ??? vorliegen. Einmal, wie viel habe ich ausgegeben pro Tag und welche TV-Sender und was habe ich an Sales und, ähm, und Orders sozusagen pro Tag dann folgend generiert und wie stark daraus ableitend dann eben, wie wichtig waren diese Spendings in diesen Offline-Marketing-Kanälen. So, und was UMM dann macht, ist dieser Pfad hier dazwischen, Unified Marketing, äh, Unified Marketing Measurement. Jetzt komme ich schon selber durcheinander mit diesen ganzen drei-Buchstaben-Akronymen hier. Ähm, das versucht halt eben die beiden Ebenen zusammenzubringen, ne. Also 'ne User-Level-Ebene mit der aggregierten User, äh, mit der aggregierten Datenebene, um dann eben ableiten zu können: Was hat zum Beispiel TV, wo ich nur davon Informationen habe, wie viel ich pro Tag ausgegeben habe, oder so 'ne Printkampagne, wo ich nur weiß, diese Woche war diese Auflage in den, in den, äh, sag ich mal, ja, Zeitungsläden beispielsweise oder Plakatwerbung ist in diesen Postleitzahlen-Gebieten, ähm, geschaltet worden. Was hat das für'n Einfluss auf meine User Journeys? Auf meine, ähm, ja, auf die Journeys, auf die trackbaren, ähm, User Journeys, die auf meiner Webseite, ähm, passiert sind. Und hier vielleicht noch mal ganz kurz, äh, diese Use Cases, also hier, MTA ist eben, wie wirkt ein besonderer Google Ad Click auf eine Customer Journey, äh, bezügung auf TV ist es eben das, was ich eben dargestellt habe. Was hat ein TV-Spot direkt in den zwei Minuten, äh, äh, für 'n Einfluss, oder was hat ein TV-Spot ein, auf, für'n Einfluss auf eine Customer Journey, die direkt in den zwei Minuten nach dem TV-Spot passiert ist? Hier auf der MMM-Seite wär's eben: Was hat 'ne Printkampagne für'n Einfluss auf den Gesamtumsatz in allen meinen Filialen? Was hat, ähm, bezogen auf TV: Was hat, ist die Wirkung all meiner Pro7-TV-Spots auf die Gesamtumsätze in meinen Filialen, also wo ich auch nur aggregierte Daten zur Verfügung habe und nicht tatsächlich den Footfall pro, äh, die, die, die nutzerbezogenen Besuchsdaten (Papier raschelt) in meinen Filialen. Und die Zwischenebene UMM ist dann eben: Was ist die Wirkung einer Printkampagne auf einer einzelnen Customer Journey? Also was ist die Wirkung eines Marketingkanals, wo ich nur Informationen auf aggregierter Ebene zur Verfügung habe? Also wie viel Print hatte ich, äh, wie viel Auflage hatte ich pro Woche oder pro Zeiteinheit im Markt? Was hat das für'n Einfluss auf 'ne bestimmte Customer Journey, die ich gecheckt habe? Und bezogen auf TV eben: Was ist die Wirkung all meiner Pro7-TV-Spots auf eine bestimmte Customer Journey gewesen? Genau, ich hoffe, damit konnte ich so ein bisschen Struktur hineinbringen. Ähm, das Ganze, ähm, ja, funktioniert dann eben so, dass und warum wir das jetzt besonders standardisiert und schnell können als Alternative zu dem, was sonst, äh, so quasi nicht mehr trackbar ist. Hier, ähm, zum Beispiel diese Impression-Daten können wir über einen Partner, konkret nämlich Funnel.io, sehr effizient aus den verschiedenen App-Plattformen ziehen. Ähm, wir können das natürlich theoretisch auch über eigene APIs oder über andere Partner, aber jetzt aktuell funktioniert das sehr, sehr gut mit Funnel und wir sind auch sehr happy in der Partnerschaft, ähm, weil die da eine sehr ähnliche Denke haben und das unterscheidet uns da auch, glaube ich, von anderen Anbietern. Also es ist nicht so, dass 'n, äh, die, die Unternehmen, mit denen wir sprechen, dass die nicht schon was vom Marketing-Mix-Modeling gehört haben, sondern da ist das Problem eher, dass es auf einer sehr taktisch, äh, strategischen Ebene stattfindet, also nicht zum täglichen Marketing optimieren. Und über diese Integration von zum Beispiel Impression-Daten dann aus Funnel heraus können wir tatsächlich da 'ne tägliche, äh, Effizienzableitung der, äh, einzelnen Kanäle treffen. Konkret sieht das dann, äh, zum Beispiel so aus: Wenn man jetzt, ähm, sich so überlegt, wie kann ich, wie kann ich denn die Marketingkanäle bewerten, wenn ich jetzt mal komplett weg will von der User-basierten Betrachtung? Also wie, wie löst Atriba das, äh, Thema Marketing-Mix-Modeling jetzt ganz konkret? Dass ich, das ist jetzt 'n Ausschnitt aus unserem Dashboard. Ich kann eben sagen, so, ich habe hier, ähm, entsprechend 'ne Baseline. Eine Baseline kann alles sein, was eben nicht durch Marketing angestoßen wurde, also auch Saisonalität. Der allgemeine Trend, ne, wenn Geschäft sowieso wächst, ähm, dann muss man eben auch differenzieren, was ist, was kommt wirklich noch inkrementell durch Marketing dazu? Und das können wir in diesen, ähm, durch das Marketing-Mix-Modeling dann sehr schön darstellen. Und hier ist eben auch mal 'n Beispiel zu sehen, wie hoch die Baseline eigentlich ist und was kommt wirklich noch als Inkrement durch die Marketingkanäle hinzu. Wir können dann auch darstellen, was wirklich der Marginal-CPA ist, also was tatsächlich zusätzlich, ähm, geliefert wird durch die Ausgaben, die ich dort treffe, anstatt nur 'ne historische CPA-Betrachtung. Und, ähm, natürlich können wir auch dann vergleichen, auch hier wieder 'n kurzer Screen aus unserem Dashboard: Wie sah eigentlich mein Marketing-Mix aus? Was habe ich in der Vergangenheit ausgegeben in den verschiedenen Kanälen? Was habe ich an Conversions generiert? Was habe ich dort ausgegeben? Und wie hätte es eigentlich optimalerweise aussehen sollen? Das kann man dann, diese, diese, ähm, ja Budget-Allokationsoptimierung kann man dann eben auch sehr gut durch dieses Marketing-Mix-Modelling vornehmen, weil es eben auch berücksichtigt, also zusätzlich zu Saisonalität und Trends beispielsweise und den ganzen Nicht-Marketing-Effekten, auch so was wie Sättigungskurven, ne? Ich kann eben nicht, ähm-Das weiß eigentlich jeder Marketingmanager, ich kann einfach nicht beliebig viel TV immer weiter ausgeben und darauf hoffen, dass meine Sales-und Umsatzzuwächse sich linear entwickeln, sondern natürlich gibt es dann irgendwann Sättigung und das können diese Modelle, die hier verwendet werden, sehr gut berücksichtigen und dann darüber eben auch abschätzen, wo soll ich wirklich mehr investieren? Wie sieht der optimale Spend pro Marketing-Kanal und Quelle aus, wie es in der Vergangenheit gelaufen ist. Ganz kurz noch mal, wie diese Formeln dann aussehen und was da so passiert. Jetzt schön zum Freitagnachmittag noch mal ein bisschen vielleicht Gehirnschmalz reinstecken. Aber letzten Endes, was ich gerade gesagt habe, wenn wir Baseline berücksichtigen, dann kann das durch so eine Formel abgebildet werden, wo dann eben mit enthalten ist, was wäre eigentlich so oder so passiert. Dann habe ich Kontrollvariablen, weitere externe Effekte. Also so was kann natürlich auch etwas sein, wie wenn plötzlich irgendwelche Amazon-Server weltweit abgeraucht sind oder der Start von so etwas wie der Corona-Krise oder ein erneuter harter Lockdown. Das kann man hier damit einfließen lassen oder bestimmte Events, die passiert sind. Also wenn ein komplett neues Produkt gelauncht wurde, dann kann das hiermit eben auch einfließen. Und die einzelnen Marketingkanäle, diese Hill Transformation, ganz interessant, wenn man sich damit genau beschäftigt, die ermöglicht das dann eben, dass ich pro Marketingkanal auch individuelle Saturierungs, also Sättigungskorben modellieren kann. Das ist ein sehr interessanter Approach. Wir müssen dazu natürlich auch regelmäßig irgendwelche wissenschaftlichen Papers lesen. Ich Gott sei Dank nicht mehr so häufig, aber unser Data Science Team logischerweise. Und da gucken wir auch immer, was sind die besten Modellierungen für diese Art von Fragestellung, wo man auch nur auf aggregierter Daten unterwegs ist. Und was man dann letzten Endes probiert zu machen, ist, dass man eben modelliert, wie gut funktionieren eigentlich die Modelle. Da gibt es auch Standard-Marketing-Metriken, sorry, Machine-Learning-Metriken, wie zum Beispiel MADE oder A², und man versucht da eben, die Qualität der Modellierung logischerweise möglichst hochzuhalten, weil darauf basierend ja auch die Budgetentscheidung dann getroffen werden will. Ich gucke gerade mal, ich bin jetzt leider schon über 30 Minuten. Ich würde euch gerne einfach nur noch mal zeigen, dass es natürlich nicht immer nur direkte Effekte gibt. Saisonalität zahlt natürlich einmal direkt auch auf Conversions ein, aber zahlt auch direkt auf meine Direct Visits ein und die Direct Visits dann wieder auf Conversions. Also diese Interaktion zwischen den Effekten und Marketingkanälen, auch untereinander, muss natürlich auch berücksichtigt werden, was sehr gut geht durch diese Arten von Modellierungen. Hier noch mal ganz kurz zusammengefasst: Der Hauptunterschied zwischen MMM und Multi-Touch-Attribution. Klar, ich bin auf dem User-Journey-Ebene unterwegs, beim MTA, auf der Media Mix oder Marketing Mix Modeling-Ebene, auf einer Tages-oder Wochenebene. Das heißt, auch von der Anzahl der Datenpunkte bin ich bei MTA eher bei Millionen von Datenpunkten und beim MMM eher auf einer von Tausenden von Datenebenen. Pro Jahr habe ich jetzt pro Kanal dann eben nur maximal 365 Datenpunkte, was natürlich auch dann sehr wichtig ist, in der Modellierung zu berücksichtigen. Auf die anderen Punkte würde ich jetzt mal nicht so genau eingehen. Nur ganz kurz hier noch mal zeigen, wie wir diese Problemstellung eben lösen mit verschiedenen Bestandteilen unserer Lösungen, ohne da jetzt zu salesy zu wirken. Da können wir auch gerne noch mal drüber sprechen. Aber hier in dem Bereich passiert bei uns gerade super, super viel. Wir testen das gerade mit Bestandskunden. Wenn ihr da ein Interesse habt, könnt ihr natürlich auch gerne auf uns zukommen. Und damit freue ich mich jetzt erst mal sehr, dass ihr am Freitagnachmittag hier mir zugehört habt und Guck mal ganz kurz, ob sich jetzt Fragen entwickelt haben. Oh ja, einige. Genau. Ich weiß gar nicht, ob ich hier irgendwann rausgeschmissen werde. Mir wurde gesagt, dass ich vom Veranstalter, dass ich auch noch irgendwie Zeit für Q&A habe. Ich versuche immer gerade, auf die Fragen, die hier gestellt worden sind, einzugehen. Die erste Frage: Wie tracke ich denn vor allen Dingen Conversions, wenn der User keinen Consent gegeben hat? Ja, gute Frage. Wenn ich es dann auch consent-und DSGVO-konform machen möchte, tracke ich das eben nicht mehr. Das ist halt eben wichtig. Dabei kann man sich noch verschiedene Fragestellungen stellen, wo in der Kategorisierung des Consents bringe ich mich eigentlich unter. Wenn ich bei Essential sozusagen bin, dann kann ich damit natürlich auch doch noch möglichst viele User Journeys tracken. Ansonsten ist unsere Alternative eben, wenn ich merke oder wenn ich auch darauf aus bin, wirklich, wie soll ich sagen, wenn ich sehr, sehr wenig Consent habe, zum Beispiel, weil ich den Consent nur in so einem kleinen Fenster unten abfrage, versus einer großen, übergreifenden, quasi Einblendung, dann kann ich mich eben genau mit so etwas wie dem Thema Marketing Mix Modelling genauer beschäftigen, dass ich trotzdem irgendwie Ableitungen darüber treffen kann, wie wichtig welche Marketingkanäle dafür sind, dass überhaupt Conversions passieren. Das ist ja sozusagen dann unser Approach. Die nächste Frage: Unified Marketing Management auf der Startseite statt auf der Kampagnenseite? Kurz überlegen, Unified UMM auf der Startseite? Verstehe ich, ehrlich gesagt, nicht ganz die Frage. Kommt gerne sonst noch mal auf mich zu. Kontaktdaten habt ihr ja hier, glaube ich, sonst über LinkedIn oder wie auch immer. Ja, E-Mail-Adresse steht ja hier auch drauf. Schreib mir sonst gerne noch mal dazu. Finde ich, klingt nach einer spannenden Frage, aber ich verstehe sie ehrlich gesagt gerade nicht. Also Unified Marketing Measurement würde man jetzt gar nicht irgendwie nur auf Kampagnenseite oder auf Startseite erfassen. Genau. Wie ist deine Meinung dazu? Welches Unternehmen und Kunde wie viel Geld ausgeben sollte? Wie startet man am besten? Gibt es da Faustregeln? Bransche, Größe et cetera? Ja, für klassisch MTA gab es bei uns eigentlich immer schon eine Faustregel, sodass wir gesagt haben: „Okay, so.Pssst (hörbares Einatmen) grob fünfzigtausend Euro (seufzt) Ad-Spent Digital pro Monat, ähm, sollte es schon ungefähr sein. Ähm, allerdings ändert sich das gerade sehr radikal, weil wir auch, ähm, dazu darf ich jetzt eigentlich noch gar nicht so viel sagen, aber wir werden dazu auch was announcen. Wir werden dazu tatsächlich auch so, ähm, Teile des Tools zur Verfügung stellen, die auch, ähm, ja, sehr, sehr kostengünstig, um das jetzt nicht weiter zu konkretisieren zu müssen, äh, zur Verfügung stehen. Also auch da gerne, ähm, da, da suchen wir auch gerade spannende Ansprechpartner, testen das gerade intern mit unseren Partnern. Ähm, kommt, kommt da auch gerne einfach auf mich zu, wenn da weitere Fragen sind. Spannendes Thema. Aber welchen digitalen Marketingausgaben pro Monat lohnt sich der Einsatz von Atriba? Ja, hatte ich, glaube ich, gerade beantwortet. Also, ähm, ähm, ja, das ist, ähm, da, da passiert gerade viel bei uns. Also, ich glaube, ich verrate nicht zu viel, wenn wir irgendwann, wenn ich sage – und das habe ich jetzt auch gerade in Restaurant ziemlich häufig verkauft –, dass wir schon so, dass Google Analytics für Marketing-Measurement werden wollen. Und, ähm, wenn man das Geschäftsmodell von Google Analytics kennt, dann weiß man auch, dass es auch für sehr kleine ............................und, und, und Webseitenbetreiber funktioniert, und das wollen wir eigentlich ähnlich erreichen. Also, ähm, ne, Standard jetzt aktuell Sales-Prozess. Wenn es nur um Atriba Core, also dieses Multi-Touch-Atribution-Thema geht, dann ist das eher für, ja, Kunden, die mindestens, sage ich mal, so fünfzigtausend Euro pro Monat ausgeben. Aber, ähm, da passiert halt gerade viel so in diesem, sage ich mal, ähm, Marketing-Mix-Modeling-Bereich, wo wir auch durch wesentlich kostengünstigere Lösungen anbieten können. Äähm. Da ist noch eine Frage: „Du hattest gesagt, dass die TV-Werbung zu Klicks auf der Webseite führt. Beispiel neunzig Besucher, nun... Aber wie viele Besucher landen dann auf der Kampagnenseite? Mhm. Ähm, auf der Kampagnenseite, also ohne diesen Wert ist das Ganze eventuell doch eine Milchmädchenrechnung. Auf der Kampagnenseite, also wenn das jetzt auf die Tage, Frage hinzielt, ob es da irgendwie eine, äh, spezielle Landing Page gibt für die TV-Seite. Also es-- Ja, es wird eigentlich nicht mehr so häufig gemacht, ne, dass irgendwie in der TV-Kampagne eine spezielle Landing Page oder Webseite angezeigt wird, weil das meistens sowieso nicht funktioniert. Ähm, aber wenn das darauf abzielt, würde man-- Also auf der anderen Seite, was wir zum Beispiel machen für einen Kunden, der in den, der war in den USA sehr aktiv, ähm, der hat 'nen speziellen-- Ah, okay, genau. Also der, der hat zum Beispiel, ähm, in den USA, ähm, 'ne, 'ne, 'ne, ähm, TV-Kampagne gefahren, aber nur in der Bay Area, also nur in, ich glaube, es ist sogar spezifisch Bay, ähm, Oakland. Und natürlich gucken wir uns da nicht alle Website-Besucher der USA für diesen Kunden an, geschweige denn weltweit, sondern dann kann man auch über GP, ähm, ähm, Mapping, kann man eben auch sich nur die Nutzer in diesen speziellen Gebieten halt heraussuchen, um diese, um diese Uplift-Werte zu berechnen, ne. Äh, Japan hatten, äh, hatten wir auch einen Kunden, der da, da, da gibt es sehr regional ausgestrahlte TV-Kampagnen und, ähm, genau. Und dann kann man da, davon ausgehend eben das eingrenzen. Und das Ziel ist eben, dass ich, dass ich die Varianz, also die Abweichung, diese Peaks auch deutlicher erkenne, ne. Weil wenn ich mir jetzt eine Million Visits pro, äh, pro, pro Tag angucke oder pro Minute – eine Million ist ein bisschen viel –, also tausend Visits pro Minute und dann irgendwie ein Uplift von, weiß nicht, hundert habe, erkenne ich den vielleicht nicht so einfach, wie wenn ich mir eine kleinere, kleines Subset der Visitor eben nur angucke und dort dann hundert, normalerweise so zehn, äh, Visitor pro Minute passieren. Ähm, kann man eine allgemeine Aussage machen, ob klassisches TV besser oder schlechter performt als addressable TV? Ähm, nein, also kann ich, äh, ganz konkret nicht. Ähm, was ich nur erstaunlich finde, wenn wir über addressable TV sprechen, ist, dass immer erst mal so auf das Targeting gerichtet, aber jetzt nicht, dass ich wirklich dann Informationen dazu hätte. Aktuell zumindest unserer Erkenntnis nach nicht, welcher Kunde wirklich welche Ad gesehen hat. Also, da, da entwickelt sich gerade viel und das macht es dann natürlich, äh, entsprechend, ja, spannend, wenn ich wirklich, äh, analysieren könnte, welcher IP-Adress oder welcher Kunde – und natürlich alles wieder DSGVO-konform – hat denn tatsächlich, äh, 'ne, 'ne TV-Werbung gesehen? Und, und hat er dann-- Also dann ist es eher tatsächlich wieder ein Performance-Kanal. Aber da sind die, äh, Versprechen der, ähm, ja, wie soll ich sagen, der Marketingberater vielleicht noch ein bisschen hochgegriffen. Das geht akt-- Also wird aktuell noch nicht so häufig umgesetzt, unserer Erkenntnis nach, ähm, sondern da geht es eher so, dass addressable TV wirklich fürs Targeting genutzt wird. Pff (hörbares Einatmen), äh, gut, ich sehe keine weiteren Fragen. Äh, wir sind jetzt bei vierzig Minuten. Ich freue mich sehr, dass ihr alle dabei beut, äh, dabei wart. He. Und, ähm, Florian Meier, aber auch ich, äh, wir haben unsere E-Mail-Adressen hier jetzt, glaube ich, schon kundgetan. Kommt sehr, sehr gerne auf uns zu. Wir freuen uns immer über Feedback. Ähm, wenn ihr die Slide haben wollt, sagt mir Bescheid. Wenn man die nicht sowieso kriegt hier nach der Veranstaltung. Ähm, freue mich, freue mich, äh, ja, sehr, dass das Thema so einen Anklang gefunden hat und wünsche euch auf jeden Fall schon mal ein schönes Wochenende und, ähm, ja, bestenfalls auch sonniges Frühlingswochenende. Tschüss. Bleibt alle gesund. Outro-Musik