Synthetische Attribution für nicht getrackte Nutzer:innen
Erfahrt mehr über die Verwendung der synthetischen Attribution, um das Verhalten von Nutzer:innen zu verstehen, die der Verwendung von Cookies nicht zugestimmt haben.
Warum man die synthetische Attribution verwenden sollte
Die Expert:innen für Datenwertschöpfungsketten von Pandata wissen alles, was wichtig ist, um synthetische Attribution effektiv einzusetzen. Daher haben sie ein hochtechnisches Whitepaper erstellt, mit dem diese Kenntnisse im DMEXCO-Kosmos verbreitet und die Marketingpraxis auf ein neues Level gehoben werden sollen – aber lest doch selbst:
Attributionsmodelle sind zwar ein wichtiges Instrument für das Online-Marketing, sie beruhen jedoch auf Cookies, denen viele Nutzer:innen nicht zustimmen. Die synthetische Attribution ist eine Sammlung von Methoden zur Verwendung der Attributionsdaten von Nutzer:innen, die Cookies zustimmen, um das Verhalten derer zu verstehen, die das nicht tun. Die Ablehnung von Cookies, die DSGVO-Bestimmungen und die Abneigung der Verbraucher:innen gegen das allgegenwärtige Online-Tracking sind allesamt erhebliche Hindernisse für die Entwicklung wirksamer Attributionsmodelle. Das Ziel der synthetischen Attribution besteht darin, die Annahmen, die den Attributionsmodellen zugrunde liegen, zu nutzen, um die Journey der nicht getrackten Nutzer:innen zu verstehen. Sie konzentriert sich auf tatsächliche Nutzer:innen-Conversions mit Transaktionsdaten und verwendet Daten aus diesen Conversions, um die Einnahmen einem Kanal zuzuordnen.
Wie funktioniert die synthetische Attribution?
Der Wert eines jeden Attributionsmodells beruht auf der Annahme, dass es eine Art von Beziehung zwischen dem Kanal und der Nutzer:innen-Conversion gibt. Die synthetische Attribution kehrt diesen Ansatz um. Anstatt mit dem Marketingkanal zu beginnen, beginnt sie mit der Conversion und arbeitet rückwärts, um eine Wahrscheinlichkeit zuzuweisen, dass eine bestimmte Conversion über einen bestimmten Kanal erfolgte.
Das einfachste synthetische Attributionsmodell besteht darin, alle Einnahmen von nicht getrackten Nutzer:innen den Kanälen im gleichen Verhältnis zuzuordnen wie die getrackten Nutzer:innen. Das füllt zwar die Lücken in den Attributionsberichten, hat aber den Nachteil, dass man davon ausgeht, dass getrackte und nicht getrackte Nutzer:innen identisch sind und dass die Entscheidung für oder gegen Cookies tatsächlich zufällig ist. Es ist viel wahrscheinlicher, dass es Unterschiede im Verhalten zwischen diesen beiden Nutzer:innengruppen gibt, und ein synthetisches Attributionsmodell kann die Daten nutzen, die über nicht getrackte Nutzer:innen verfügbar sind, um Rückschlüsse auf diese Unterschiede ziehen zu können.
Das obenstehende Diagramm verwendet Daten von The Look, dem fiktiven E-Commerce-Unternehmen von Google, um zu zeigen, wie genau proportionale und synthetische Attributionsmodelle die Einnahmen den Kanälen zuordnen, im Vergleich zu den tatsächlichen Einnahmen. Je kleiner die Balken sind, desto geringer ist die Abweichung von den tatsächlichen Einnahmen aus einem bestimmten Kanal. In jedem Fall sind synthetische Attributionsmodelle viel genauer als einfache proportionale Modelle.
Wirksame Modelle für die synthetische Attribution
Auch wenn Nutzer:innen nicht getrackt werden, besitzt du Daten über die von ihnen getätigten Käufe. Anhand dieser Transaktionsdaten lassen sich die Unterschiede zwischen getrackten und nicht getrackten Nutzer:innen am besten erkennen. Unterschiedliche Marketingkanäle ziehen unterschiedliche Kund:innentypen mit unterschiedlichen Botschaften an, und diese Unterschiede zeigen sich in den Kaufentscheidungen der Kund:innen. Es gibt erkennbare und konsistente Beziehungen zwischen Kauftypen und Kanälen, die von den Botschaften und der demografischen Zielgruppe dieser speziellen Kanäle beeinflusst werden.
Die Verwendung von Modellen wie die gradientenverstärkten Klassifizierungsbäume für die synthetische Attribution ist ein äußerst effektiver Ansatz. Diese Modelle sind äußerst flexibel und können Transaktionsdaten (z. B. Bestellwert, Bestellpositionen und Gutscheincodes) von getrackten Nutzer:innen verwenden, um die Einnahmen den Kanälen für nicht getrackte Nutzer:innen zuordnen zu können. Anhand dieser Daten kann mit einem Modell eine Vorhersage darüber getroffen werden, wie wahrscheinlich es ist, dass eine bestimmte Transaktion von den einzelnen Kanälen stammt.
Synthetik verstehen mit unserem Whitepaper
Synthetische Attributionsmodelle können je nach Anforderungen und Datenverfügbarkeit unterschiedlich komplex sein. Sie können keine vollständige Replikation des Informationsstandes vor der DSGVO bieten, sind aber eine wertvolle Komponente für jedes Modellierungssystem, das versucht, den Kanälen Ressourcen zuzuweisen. Da sie sich auf bestehende Datenerfassungen stützen, sind sie einfach zu implementieren und entsprechen sowohl dem Wortlaut als auch dem Geist der DSGVO, indem sie das Tracking einzelner Nutzer:innen vermeiden, die keine Zustimmung zu Cookies geben. Die synthetische Attribution liefert zusätzliche und wertvolle Erkenntnisse darüber, wie Kund:innen akquiriert werden, und könnte eine Schlüsselkomponente der ethischen Tracking-Strategien von Unternehmen werden.
Wenn du weitere Einblicke von den Datenlösungsexpert:innen bei Pandata bekommen willst, hol dir jetzt unser kostenloses Whitepaper!
