Conversion-Delay: Marketing-Performance

Wenn es darum geht, die Leistung von Marketingkanälen zu quantifizieren, denkt man zunächst an das Zählen der Bestellungen pro Tag, die über die einzelnen Marketingkanäle aufgegeben wurden, und das Aufsummieren des entsprechenden Gewinns oder Umsatzes. Um diesen direkten Ansatz zu verbessern, können Attributionsmodelle verwendet werden, um die Auswirkungen einer Bestellung auf die vorangegangenen Interaktionen des Kunden umzuverteilen: Nicht nur die letzte Marketinginteraktion vor dem Kauf zählt, sondern auch die vorhergehenden Interaktionen, die den Kunden erst dazu gebracht haben, mit Ihrem Shop zu interagieren - und schließlich Geld auszugeben. Attributionsmodelle ordnen daher (Teile) des Umsatzes den vorangegangenen Stationen der Customer-Journey zu. Dies kann entweder über Attributionsmodelle geschehen, die der ersten und letzten Interaktion(en) einen höheren Anteil zuweisen, während die Interaktionen in der Mitte weniger stark ins Gewicht fallen ("Badewanne"). Alternativ können dynamische Attributionsmodelle diese Gewichte auf der Grundlage der Daten aller Ihrer Kunden ermitteln, was zu maßgeschneiderten Gewichten führt, die zu deren Verhalten passen. Wenn Sie an weiteren Details zu dynamischen Attributionsmodellen interessiert sind, können Sie mehr in dem separaten Insights-Artikel zu diesem Thema lesen.

Customer-Journeys

Den Attributionsmodellen liegen die Customer-Journeys zugrunde, die nach bestimmten Regeln definiert werden, wie z.B. ihre maximale Länge oder ob sie nach einer Bestellung enden. Diese vorgegebene Logik hat direkten Einfluss auf die zugewiesenen Auftragsanteile / Umsätze: Wenn eine Journey eine maximale Länge von z.B. 50 Tagen haben kann, kann es sein, dass die Interaktionen der letzten 50 Tage trotzdem einen bestimmten Betrag / Umsatz zugewiesen bekommen. Wenn Ihre Business-Logik Customer-Journeys mit mehreren aufeinanderfolgenden Bestellungen zulässt, gilt dies umso mehr. Dieser Umstand wird als Conversion-Delay bezeichnet: Einige der vergangenen Marketinginteraktionen führen möglicherweise erst in den nächsten Tagen zu Einnahmen.

Conversion-Delay

Wenn Sie daran interessiert sind, die Gesamtwirkung einer Marketingkampagne zu bewerten, sind z.B. die zugewiesenen Bestellungen/Umsätze bereits ein gutes zusätzliches Maß. Allerdings können dabei nur Bestellungen berücksichtigt werden, die bereits getätigt worden sind. Wenn Sie die tägliche Performance auch der jüngeren Tage überwachen wollen, müssen Sie die Konversionsverzögerung kompensieren. Mittels Maschinellem Lernen sowie geeigneten Daten ist dies durchaus möglich.

Der direkte Ansatz, wie die Umsatzlücke aufgrund der Konversionsverzögerung geschlossen werden kann, besteht darin, die historischen Raten der zugeschriebenen Umsätze pro Interaktion der Marketingkanäle zu verwenden. Wenn wir die gestrigen Interaktionen pro Marketingkanal kennen, können wir den Umsatz schätzen, der wahrscheinlich über diese Interaktionen in den nächsten Tagen erzielt wird. Dies mag zwar bereits einen gewissen Erkenntnisgewinn liefern, ist aber wenig hilfreich, wenn es um die Überwachung spezifischer Marketingkampagnen geht, bei denen das Verhalten der Kunden (wie provoziert!) vom üblichen Verhalten abweicht: Der Umsatz pro Interaktion weicht am Black Friday sicherlich stark vom Durchschnitt ab, ebenso ist er vor Weihnachten anders als im Sommer. Letzteres kann zwar durch die Betrachtung des durchschnittlichen Verhältnisses der letzten Wochen ausgeglichen werden, zeitlich begrenztere Ereignisse hingegen werden nicht adäquat berücksichtigt.

Maschinelles Lernen

Hier kommen Modelle des Maschinellen Lernens ins Spiel. Diese erlauben es, auf mehr Daten zurückzugreifen, so dass das Modell z.B. ableiten kann, ob besondere Ereignisse wie Black Friday oder saisonale Effekte vorliegen. Die Generierung der Trainingsdaten kann für ein solches Modell recht komplex werden, insbesondere wenn es auch monetäre Werte als Eingangsdaten verwenden soll: Diese sollten nämlich nicht diejenigen sein, die das Attributionsmodell liefert, da sie auf dem "perfekten Wissen" aller zukünftigen Bestellungen innerhalb der nächsten 50 Tage nach dem Stichtag beruhen. Wenn wir wollen, dass das Modell die attribuierten Umsätze der jeweils letzten Tage berücksichtigt - um daraus abzuleiten, ob wir uns gerade in einer Phase hoher Umsätze pro Interaktion befinden -, sollte das Modell auf diese Werte so trainiert werden, wie wir sie bei der Auswertung des Modells heute kennen. Das bedeutet, dass wir für alle Tage der Vergangenheit die attribuierten Umsätze der jeweils letzten Tage so erfassen müssen, wie wir sie damals, an diesem Tag, gekannt hätten.