Zwischen Theorie und Wirklichkeit – statistische Customer Journey Modellierung auf dem Prüfstand (Teil 2)

Teil 2: Modellierung auf individuelle Customer Journeys

Während im ersten Teil dieser Serie auf die Modellierungsansätze auf Makroeben eingegangen wurde, widmet sich der zweite Teil Ansätzen, die den Anspruch erheben, die bestehenden Attributionsmodelle abzulösen und im Gegensatz zum klassischen Sales-Modeling auf den individuellen Customer Journeys basieren.

Schätzung des Wertes einzelner Touchpoints auf die Conversion

Einfach ausgedrückt wird hier anhand eines statistischen Verfahrens, der Regression, der Beitrag eines jeden Kontaktes, sowie weiterer Einflussfaktoren wie die Zeitabstände oder das Onsite-Verhalten zur Modellstabilisierung, geschätzt. Diese Berechnung erfolgt vergleichbar zum vorher genannten Sales-Modeling, wobei sich das mathematische Modell dahinter unterscheidet. Um mit den individuellen Journeys zu arbeiten, wird ein Logistisches-Modell herangezogen, welches sozusagen den Beitrag eines Kontaktes für das Journey Ergebnis Kauf (=1) oder Nicht-Kauf (=0) schätzt. Bild 1 zeigt den grundsätzlichen Aufbau eines Modelings auf Basis von individuellen Customer Journeys.

Aufbau eines Modelings auf CJ-Trackingdaten

Modeling auf CJ-Trackingdaten (Quelle: explido)

Die Rolle nichterfolgreicher Customer Journeys für die Modellierung 

An dieser Stelle zeigt sich eine zwingende Bedingung für die Anwendung dieser Attributionsmodelle, eine Verfügbarkeit der nicht erfolgreichen Journeys. Auf den ersten Blick scheint dies eher ein Verarbeitungsproblem zu sein, erhöht sich doch die Anzahl der zu speichernden und analysierenden Journeys um ein Vielfaches. Folge hiervon kann eine Verlängerung der Berechnungsdauer auf einige Tage sein, bzw. die Notwendigkeit die Berechnungen in einen zusätzlichen Backup-Prozess einzubinden. Aber auch hier lohnt es sich noch einmal näher hinzuschauen. Denn das Integrieren von nichterfolgreichen Journeys hört sich trivialer an als es ist. Denn die Frage stellt sich, wie in dem Zusammenhang über den Erfolg einer Journey entschieden wird. Besonders schwierig, wenn nicht unmöglich, ist dies bei Kunden, die über verschiedene Vertriebskanäle verfügen. Nehmen wir den Fall eines Retailers, der sowohl mit einem Online-Shop wie stationär vertreten ist. Bedeutet eine nicht online abgeschlossene Journey, dass sie nicht erfolgreich war? In mehreren Studien wurde das Phänomen „research online, purchase offline“ untersucht, im vorliegenden Modell wird diese Journey fälschlicherweise als nichterfolgreich eingestuft.

Aber auch bei reiner online Distribution sind einige Punkte zu bedenken. Das Problem des Device-Wechsels beschäftigt uns im Bereich Customer Journey Tracking zunehmend. Während wir bei erfolgreichen Journeys immerhin dieses Phänomen abschätzen können und nicht getrackte Kontakte auf andere Geräte in unsere Analyse einfließen lassen können, haben wir bei der Einteilung in erfolgreiche und nichterfolgreiche Journeys eine klare Verzerrung, denn bei Bestellung über einen anderen Device wird eine Journey schnell erfolglos.

Ein weiteres Problem, welches in eine ähnliche Richtung geht, ist die grundsätzliche Entscheidung, ab welchem Zeitpunkt eine Journey nichtmehr erfolgreich werden kann. Wann mache ich den Cut? Nach zwei oder drei Tagen? Oder erst nach einer Woche? Die Entscheidung für einen adäquaten Verfall der Conversionwahrscheinlichkeit sollte mit Bedacht gewählt werden und bedarf einer genauen Abstimmung auf das Verhalten des Kunden und der Branche. Je nachdem, wie Dienstleister und Kunde diese Grenze ziehen, wird es eine negative Auswirkung auf die Bereitstellung der Daten in Realtime haben, mit Folgen für das operative Geschäft der online Mediaplaner.

Die heterogene Masse der Nichtkäufer

Neben diesen Unsicherheiten, die eine notwendige Einteilung der User Journeys in Customer und Non-Customer Journeys mit sich bringt, ist ein weiteres zu diskutierendes Phänomen die Rolle der Homogenität einer zu untersuchenden Gruppe. Während wir bei Kunden von einer zumindest in einem Punkt homogenen Gruppe ausgehen können, nämlich einer grundsätzlichen Bereitschaft, ein Produkt oder eine Dienstleistung nachzufragen, bzw. mehr oder weniger offen für eine Werbebotschaft zu sein, ist die gegenüberstehende Masse an Nichtkäufern eine Sammlung verschiedenster Personengruppen. Potentielle Kunden, die falsch angesprochen wurden, bis zu Personen weit außerhalb der relevanten und beeinflussbaren Zielgruppe, finden sich in dieser undefinierbaren Masse. Ein Beispiel, warum es wichtig ist, auch die Homogenität der Zielgruppe im Auge zu behalten, zeigt sich am Beispiel des 4-Phasenmodells von explido. Da gerade die einbezogenen Journeys zum definierten Erfolg geführt haben und somit den hinter den Kontakten stehenden Personen eine gewisse Grundbereitschaft für den Empfang einer Botschaft unterstellt werden kann, lassen sich Aussagen über den Erfolg einzelner Kampagnen treffen. Denn die Frage stellt sich, warum eine Kampagne den Kunden im Kaufprozess vorantreiben konnte, während eine andere Kampagne -bei gleicher Empfangsbereitschaft- nicht dazu in der Lage war. Zudem lässt sich über die Analyse der ersten Kontakte auch identifizieren, ob Kampagnen besser oder schlechter in der Lage sind, den bisherigen Nicht-Kunden in den Kaufprozess zu führen. Die Entscheidung, ob eine Kampagne erfolgreich ist oder nicht, hängt somit nicht explizit von der Einbeziehung nichterfolgreicher Journeys ab. Es ist genau abzuschätzen, ob ein vermeintlicher Erkenntnisgewinn die damit einhergehende Unsicherheit bezüglich der richtigen Klassifizierung einer Journey überwiegt. Soweit Zweifel an einer 100%-sicheren Einteilung herrschen, sollte die Beurteilung besser anhand von geeigneteren Reports, wie dem ActionAllocator Efficiency-Report aus Bild 2, erfolgen.

Efficiency-Report explido ActionAllocator

Efficiency-Report des explido ActionAllocator

Potential lässt sich erahnen, reicht jedoch noch nicht zur Revolution

Trotz dieser Kritik haben die Ansätze auf Basis statistischer Modellierungen durchaus Potential, das Spektrum der Attributionsmodelle zu erweitern, liefern sie doch den Kunden zudem Kennzahlen, wie ein Gütemaß r2, zur Qualitätssicherung des Modells. Wohingegen die klassischen Attributionsmodelle durch ihre theoretische Fundiertheit und der Übereinstimmung mit der Erfahrung aus dem täglichen Business und der Werbewirkungsforschung überzeugen müssen.

Genauso entscheidend für den Erfolg ist jedoch, ob das Customer Journey Tracking in der Lage sein wird, den hohen Anspruch an die Datenqualität und –verarbeitung zu erfüllen und auf der anderen Seite, ob die Modellierungen auch handlungsrelevante und transparente Ergebnisse liefern können. Die ersten Veröffentlichungen ließen diesen Schritt bisher nur erahnen und es gilt weitere Fallbeispiele abzuwarten.

Das Whitepaper zum Thema “Data- vs. Strategy-Fit: Attribution 2.0″ steht hier zum kostenlosen Download bereit.

Hinterlasse eine Antwort

Die E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *

Kommentar

2 Antworten auf Zwischen Theorie und Wirklichkeit – statistische Customer Journey Modellierung auf dem Prüfstand (Teil 2)

[...] http://www.explido.de/blog/zwischen-theorie-und-wirklichkeit-statistische-customer-journey-modellier… March 19, 2013 at 09:30AM Über Stefan PetersenAlter Rock 'n' Roller und Online Marketer aus Leidenschaft mit hoher Affinität zu SEO, Web 2.0, Social Media und Online Marketing.Mail | [...]

Facebook
Twitter
YouTube
Google Plus
© 2013 explido GmbH & Co. KG | Datenschutz