1. uniquedigital - Kamingespräche 2012
Neue Wege in der Performancebewertung von Online-
Werbung – wie mit Datamining kanalübergreifende
Werbeerfolge sichtbar gemacht werden
20. JUNI 2012
2. 01 Status Quo Performancebewertung
02 Last-Click ist tot
03 Statische Attributionsmodelle
04 Ein Dynamisches Attributionsmodell
05 Cross-Channel Management
06 Praxisbeispiele
3. John Wanamaker (1838-
1922):
„Half the money I spend on
advertising is wasted, the
trouble is: I don´t know which
half.“
3
5. Status Quo
• Wer von Ihnen kennt Ihren aktuellen Return on Marketing
Invest / CPO / KUR (kanalspezifisch) ?
• Wer weiß wie diese KPIs ermittelt/berechnet werden?
• Wer von Ihnen setzt Last-Click, Last-Contact, Post-Click,
Post-View zur Performancebewertung ein?
• Wer glaubt diesen KPIs, wenn ja warum?
• Beruhen Ihre Marketing-Invest Entscheidungen auf diesen
KPIs?
• Wer weiß was eine Customer/User Journey ist?
• Wer weiß was ein Attribution Model ist?
01 STATUS QUO 5
7. Last Click ist tot !
• Vergleich der CPX-Werte von Display und Retargeting führen zu einer
fehlerhaften Bewertung beider Kanäle
• Das „Last-Cookie-Wins“ Prinzip ordnet den Sale nur dem Kanal zu, der als
letzter vor der Kaufentscheidung liegt
• Überbewertung des Retargetings, Herabstufung der Displayaktivitäten
• Folge: suboptimale Budgetallokation !!!!
01 LAST-CLICK IST TOT 7
14. Attribution Modelling - Data Mining
Unabhängige Variablen • Quantifizierung der
Werbewirkung einer jeden
Contact Type Attribution Value
Kontaktart
Display 2.4
Affiliate 2.3
• Wird kundenindividuell
Retargeting 3.3
Etc. … modelliert
• Aufteilung der Abverkäufe/
Umsätze auf die Kanäle
gemäß der User Journey
Abhängige Variablen
Lead, Sale,
Revenue,
CLV
04 EIN DYNAMISCHES ATTRIBUTIONSMODELL 14
15. Attribution Modelling
Anteil Sale
0.98
Retargeting
0.05
0.93
Affiliate
0.45
0.48
Display
0.39
0.09
Attribution Value
Contact Type Attribution Value
1. Display 2. Affiliate 3. Retargeting
Display 2.4
Affiliate 2.3
Retargeting 3.3 User Journey
Etc.
04 EIN DYNAMISCHES ATTRIBUTIONSMODELL 15
16. Attribution Modelling - Dynamic
Anteil Sale
Display 1.00
0.01 0.99
0.48
Display
0.39
0.09
Attribution Value
Contact Type Attribution Value
Display Display
Display 2.4
Affiliate 2.3
Retargeting 3.3 User Journey
Etc.
04 EIN DYNAMISCHES ATTRIBUTIONSMODELL 16
17. Attribution Modelling
Anteil Sale
0.98
Retargeting Retargeting 0.05/0.89
0.05 0.05 =0.05
0.93
+
Affiliate Affiliate 0.45/0.89
0.45 0.45 =0.51
0.48 +
Display Display 0.39/0.89
0.39 0.39 =0.44
0.09
Gesamte Werbeleistung
0.05+0.45+0.39
= 0.89
Attribution Value
Contact Type Attribution Value
1. Display 2. Affiliate 3. Retargeting
Display 2.4
Affiliate 2.3
Retargeting 3.3 User Journey
Etc.
04 EIN DYNAMISCHES ATTRIBUTIONSMODELL 17
24. Beispiel I: Vergleiche der Sale Zuweisung nach
altem und neuen Modell
Post View Attribution Model
Betrachtung Betrachtung
Google_SEA_Generisch 80 Google_SEA_Generisch 87,40
Google_SEA_Content4 10 Google_SEA_Content4 10,50
Google_SEA_Content3 0 Google_SEA_Content3 2,6
Google_SEA_Content2 20 Google_SEA_Content2 20,00
Google_SEA_Content1 20 Google_SEA_Content 1 27,00
Google_SEA_Brand 1640 Google_SEA_Brand 1550,20
Display_Retargeting impression 120 Display_Retargeting impression 116,90
Display_Retargeting click 40 Display_Retargeting click 24,10
Display impression 170 Display impression 272,50
Display click 60 Display click 61,10
Affiliate 70 Affiliate 57,70
Total: 2230* Total:
2230*
06 PRAXISBEISPIELE 24
25. Beispiel II: Cross-Channel Betrachtung
optimiert CPL-Ranking von Vermarktern
CPL nach Last-Click CPL nach Attribution Model
TripleDoubleU 20.13 AdScale 36.57
IQ Media 39.88 IQ Media 38.42
AdScale 41.43 G-J EMS 46.76
InteractiveMedia 49.47 Ebay 49.05
Tomorrow Focus 50.28 Tomorrow Focus 53.67
IP Interactive 53.37 Microsoft 54.80
Ebay 56.13 InteractiveMedia 56.39
G-J EMS 57.14 Unister GmbH 56.75
Quality Channel 57.93 OMS Vermarktungs 60.54
Valuebrand 60.24 Valuebrand 62.02
Über die Cross-Channel Analysen wird ein Attribution Model ermittelt, welches den Erfolgs-
Beitrag eines jeden Kanals/Vermarkters im Cross-Channel Kontext quantifiziert.
06 PRAXISBEISPIELE 25
26. Beispiel III: Sog-Wirkung Display auf First-Search (erste Suchclicks in
der Kontaktkette) Keyword- Keyword-
Gruppe A Gruppe B
OHNE Display Kontakt 12,11% 8,50%
signifikant mehr
Brand
Keywords signifikant weniger
79,11%
NUR Inhalt A Display NUR Inhalt B Display
Allg. Display Kontakt
Kampagne Kampagne
Keyword- Keyword- Keyword-
Gruppe B Gruppe B Gruppe B
Keyword-
Keyword- 12,29% 10,51% Keyword- 15,43%
Gruppe A
Gruppe A Gruppe A
15,29%
14,31% 13,99%
Brand Brand Brand
Keywords Keywords Keywords
72,40% 73,25% 70,16%
Display reduziert die Brand-Keywords Suchen signifikant, spezifischere Suchen werden durch
spezifische Displaykampagnen signifikant erhöht, d.h. Sog-Wirkung bzw. Branding-Effekt der
Kombination Marke/Produkt statistisch nachgewiesen.
06 PRAXISBEISPIELE 26
28. Kontakte
ALEXANDER FRERICHS
Head of Data Science
e a.frerichs@uniquedigital.de
t +49 (0)40 88 1414 308
DENNIS LANDAU
Head of Business Development
e d.landau@uniquedigital.de
t +49 (0)40 88 1414 221
29. Follow us
uniquedigital.de
Fach-Blog
unique-labs.de
uniquedigital_DE
@uniquedigitalDE
uniquedigital.de/googleplus
feeds.feedburner.com/uniquelabs
slideshare.net/uniquedigitalDE
Related Companies:
30. Impressum
Die in dieser Präsentation dokumentierten Gedanken und
Vorschläge
sind geistiges Eigentum der uniquedigital GmbH und unterliegen den
geltenden Urhebergesetzen.
Die unautorisierte Nutzung, die ganze oder teilweise Vervielfältigung
sowie jede Weitergabe an Dritte sind nicht gestattet.
uniquedigital GmbH Geschäftsführer: Deutsche Bank AG
Neuer Wall 10 Markus Baier
20354 Hamburg Konto 0177 907
Benjamin Tange
BLZ 200 700 00
T +49 (0)40 881414-10 HRB 88134
F +49 (0)40 881414-14 Amtsgericht Hamburg
E info@uniquedigital.de UST-ID-NR. DE 813 764
166
UNIQUEDIGITAL.DE
33. Marketing Funnel
100% der Internetnutzer
Trigger / Awareness Phase
● Der Nutzer wird auf ein Produkt bzw. Marke erstmals aufmerksam.
Hier wird initial ein Bedarf beim Nutzer geweckt.
35%
Research & Compare
● Der Nutzer informiert sich über Preise und Eigenschaften von
Produkt bzw. Marke und vergleicht diese mit Konkurrenzprodukten 20%
und -marken.
Conversion
● Der Nutzer kauft das Produkt 0,5%
Loyalty & Retention
● Der Nutzer wird vom Einmal-Käufer zum Stammkunden
(Wiederkäufer) 0,2%
Word of Mouth & Viral
● Der Nutzer sammelt positive Erfahrung mit einem Produkt bzw.
Marke und teilt diese direkt oder soziale Medien mit 0,1%
Bekannten/Freunden oder Communities.
33
34. Exkurs Regressionsanalyse
bekannt:
y : Körpergewicht
x : Körpergröße
gesucht:
Einfluss x auf Y
Einfache lineare Regression: Y *x
Multiple lineare Regression: Y 1x1 2 x2 ... n xn
34