Omnichannel-Attribution: Grundlagen & Kernkonzepte

Eine Kundin sieht Sonntagabend ein Produkt in einem TikTok-Video und klickt nicht. Am Dienstag sucht sie Ihren Markennamen und landet auf der Website. Donnerstag öffnet sie eine Werbe-E-Mail. Samstag kauft sie den Artikel im Laden. Ein Verkauf, vier Kontakte, drei Systeme, die jeweils ein Fragment erfasst haben, und kein System, das das Ganze erfasst hat. Zu entscheiden, welcher dieser Kontakte den Umsatz verdient hat, ist AttributionAttributionEin Framework, das den Touchpoints, die zu einer Conversion beigetragen haben, Credit zuweist, damit Sie messen können, welche Kanäle und Interaktionen tatsächlich Ergebnisse bringen.Vollständige Definition ansehen →. Diese Entscheidung ist keine akademische Buchhaltung: die Zahl, die Sie veröffentlichen, bestimmt, welche Kanäle im nächsten Quartal Budget bekommen und welche gestrichen werden. Diese Lektion behandelt den Gegenstand selbst, die Modelle, die Credit verteilen, die Zeitfenster, die die Frage begrenzen, und die Identitätsgrenzen, die jede Antwort zu einer Näherung machen.

Was Attribution tatsächlich bedeutet

Attribution ordnet den Credit für eine Conversion den Touchpoints zu, die ihr vorausgingen. Ein Touchpoint ist jede erfasste Interaktion zwischen einer Person und Ihrem Marketing: ein bezahlter Klick, eine ausgelieferte, aber nie geklickte Ad ImpressionAd ImpressionDie Gesamtzahl der Ausspielungen einer Anzeige oder eines Inhalts, unabhängig von Klicks. Jede Ausspielung zählt als eine Impression, auch bei derselben Person.Vollständige Definition ansehen →, ein E-Mail-Öffnen, ein Ladenbesuch, der über eine Kundenkarte erfasst wurde, ein eingehender Anruf. Eine Conversion ist das Ereignis, dem Sie Wert zugewiesen haben, üblicherweise ein Kauf, ein qualifizierter Lead oder ein Abo-Start. Attribution beantwortet zwei Fragen zu einer Menge von Touchpoints: welche bekommen Credit, und wie viel bekommt jeder.

Drei Begriffe werden lose verwendet und sollten auseinandergehalten werden:

• Touchpoint: eine erfasste Interaktion, mit Zeitstempel und Kanal.
• Path: die geordnete Abfolge von Touchpoints, die an eine einzelne Identität gebunden ist und entweder in einer Conversion endet oder in nichts.
• Credit: der anteilige Anteil am Wert einer Conversion, der einem Touchpoint zugewiesen wird.

Die dritte Definition trägt das ganze Thema. Credit wird von einem Modell erzeugt. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → wird nie beobachtet. Ihre Logs zeigen, dass eine Person bestimmten Dingen ausgesetzt war und später etwas gekauft hat. Sie zeigen nicht, was die Person sonst getan hätte. Jede Attributionszahl, die Sie je lesen werden, ist die Meinung eines Modells über kausale Anteile, verkleidet als Zahl.

OmnichannelOmnichannelEin integrierter Ansatz, der alle Kunden-Touchpoints (physisch, digital, mobil) zu einem durchgehenden Erlebnis verbindet, mit gemeinsamen Daten und konsistentem Kontext über alle Kanäle.Vollständige Definition ansehen →-Attribution ist Attribution über Touchpoints hinweg, die digitale und physische Umgebungen umspannen, sowie über Geräte und Plattformen, die keinen gemeinsamen Identifier haben. Sie ist schwieriger als rein digitale Attribution, und zwar aus einem praktischen Grund mehr als aus einem konzeptionellen: Offline- und App-Store-Events treffen spät ein, in Batches, verschlüsselt auf etwas anderes als ein Browser-Cookie, und manchmal gar nicht.

Teilkonzept 1: Attributionsmodelle

Ein Attributionsmodell ist die Regel oder der Algorithmus, der den Credit einer Conversion auf die Touchpoints des Path verteilt. Es gibt zwei Familien.

Regelbasierte Modelle wenden eine feste Formel an, unabhängig davon, was die Daten sagen:

• Last Click gibt 100% des Credits an den letzten Touchpoint. Google Analytics hat jahrelang standardmäßig so berichtet, weshalb ein großer Teil der Intuition in der Branche darauf aufbaut. Es begünstigt Brand Search, RetargetingRetargetingAnzeigen an Nutzer ausspielen, die Ihre Website bereits besucht oder mit Ihrer Marke interagiert haben, um sie zurückzuholen und die Conversion zu steigern.Vollständige Definition ansehen → und Gutschein-Affiliates, weil diese am nächsten an der Kasse sitzen.
• First Click gibt 100% an den ersten Touchpoint und bläht Prospecting und Display auf.
• Linear teilt den Credit gleichmäßig auf und behandelt ein weggeklicktes Pre-Roll und einen Produktseitenbesuch als gleichwertig.
• Time Decay gewichtet Touchpoints näher an der Conversion stärker, entlang einer Zerfallskurve, die Sie wählen.
• Positionsbasiert, oft 40/40/20, gibt 40% dem ersten Kontakt, 40% dem letzten und verteilt 20% auf die Mitte.

Keines davon ist aus Evidenz abgeleitet. Es sind Konventionen, und ihre Beliebtheit kommt daher, dass sie billig zu berechnen und in einem Meeting leicht zu erklären sind.

Data-DrivenData-DrivenEin Ansatz, bei dem Entscheidungen systematisch auf Datenanalysen beruhen statt allein auf Intuition.Vollständige Definition ansehen → Attribution (DDA) schätzt den Credit aus Ihren eigenen Conversion-Daten, indem sie Paths, die konvertiert haben, mit Paths vergleicht, die es nicht taten, und jedem Touchpoint einen Anteil auf Basis seines gemessenen Grenzbeitrags zuweist. Google hat DDA 2021 zum Standard in Google Ads gemacht und bis 2023 die meisten regelbasierten Optionen vollständig aus dem Reporting entfernt. DDA ist eine bessere Antwort als 40/40/20, bleibt aber ein Modell: sie braucht ein stabiles Conversion-Volumen und kann nur Touchpoints gewichten, die ihr eigenes Tracking sehen kann. Ein Kanal, der für den Tracker unsichtbar ist, erhält null, was nicht dasselbe ist wie nichts beizutragen.

Teilkonzept 2: Attributionsfenster

Ein Attributionsfenster (oder Lookback Window) ist der Zeitraum vor einer Conversion, in dem ein Touchpoint für Credit infrage kommt. Außerhalb des Fensters wird der Touchpoint behandelt, als hätte es ihn nie gegeben.

Es gibt zwei Arten von Fenstern. Ein Click-Through-Fenster zählt Touchpoints, die die Person aktiv geklickt hat. Ein View-Through-Fenster zählt Impressions, die ohne Klick ausgeliefert wurden, und es ist fast immer deutlich kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzer. Der TikTok Ads Manager etwa verwendet standardmäßig ein 7-Tage-Klick- und 1-Tage-View-Fenster, mit Klick-Optionen bis zu 28 Tagen.

Zwei Konsequenzen sind wichtig. Erstens: Das Fenster zu ändern verändert Ihre gemeldeten Conversions, ohne dass sich in der realen Welt etwas ändert. Eine Erweiterung von 7 auf 28 Tage hebt die scheinbare Leistung eines Kanals über Nacht an. Zweitens: ein Fenster, das kürzer ist als Ihr tatsächlicher Entscheidungszyklus, löscht stillschweigend den oberen Teil des Funnels. Wenn Menschen fünf Wochen brauchen, um eine Matratze zu kaufen, und Ihr Fenster sieben Tage beträgt, wird die Awareness-Arbeit in jedem Report wertlos aussehen.

Ein Begriff, den Sie hier festhalten sollten: Eine self-attributed Conversion ist eine, die eine Plattform über ihr eigenes Tracking und ihr eigenes Fenster in ihrem eigenen Interface für sich beansprucht. Jede Plattform wendet das nur auf Touchpoints an, die sie sehen kann, weshalb die von Plattformen gemeldeten Conversions in Summe regelmäßig die Zahl der tatsächlich getätigten Verkäufe übersteigen.

Teilkonzept 3: Das Problem der Identity Resolution

Bevor Sie irgendetwas kanalübergreifend attribuieren können, müssen Sie feststellen, dass die Person, die die E-Mail geöffnet hat, und die Person, die an der Kasse bezahlt hat, dieselbe Person sind. Das ist Identity Resolution, und ohne sie ist Omnichannel-Attribution Rechnen mit unzusammenhängenden Zeilen.

Deterministisches Matching verknüpft Touchpoints über einen bekannten Identifier, den die Person angegeben hat: ein eingeloggtes Konto, eine Loyalty-Nummer, eine gehashte E-Mail-Adresse, eine Bestellbestätigung. Die Match-Raten sind hier hoch, üblicherweise über 90% für den Traffic, der tatsächlich eingeloggt ist. Probabilistisches Matching leitet aus gemeinsamen Signalen wie IP-Adresse, Geräteeigenschaften und Verhaltens-Timing ab, dass zwei anonyme Datensätze zu einer Person gehören. Die Genauigkeit ist deutlich niedriger, typischerweise im Bereich von 60 bis 80%, und die Fehler sind nicht zufällig: sie häufen sich in gemeinsamen Haushalten und gemeinsamen Netzwerken.

Die Einschränkung hat sich von beiden Seiten verschärft. Third-Party-Cookies werden in Safari und Firefox seit Jahren eingeschränkt, und Chromes Zeitplan hat sich wiederholt verschoben. Auf Mobile hat Apples App Tracking Transparency, ausgeliefert mit iOS 14.5 im April 2021, den Zugriff auf die IDFA zu einem expliziten Opt-in-Prompt gemacht, und die meisten Nutzer haben abgelehnt. Der praktische Effekt ist, dass ein großer Teil Ihrer Paths überhaupt keine Paths sind. Es sind unverknüpfte Fragmente, und das Modell attribuiert jedes Fragment stillschweigend so, als wäre es ein ganzer Kunde.

Teilkonzept 4: Messung auf User-Ebene und auf aggregierter Ebene

Zwei Messebenen stecken unter demselben Wort, und sie zu verwechseln stiftet echte Verwirrung.

Multi-Touch-Attribution (MTAMTAEine Methode, die den Conversion-Beitrag auf alle Marketing-Touchpoints der Customer Journey verteilt, statt nur die erste oder letzte Interaktion zu berücksichtigen.Vollständige Definition ansehen →) arbeitet auf User-Ebene. Sie braucht einen Path pro Person, erbt also jede oben genannte Identitätsgrenze, und sie ist blind für Medien, die sie nicht taggen kann.

Marketing-Mix-Modelling (MMM) arbeitet auf aggregierter Ebene. Es regressiert Ergebnisse wie Wochenumsätze gegen Spend, Preis, Saisonalität, Distribution und andere Treiber. Es braucht keine personenbezogenen Daten, kann also TV, Out-of-Home, Sponsoring und Preiseffekte einbeziehen, aber es braucht jahrelange Historie und sagt Ihnen nichts über eine einzelne Person.

Beide sind Schätzungen derselben zugrunde liegenden Größe aus entgegengesetzten Richtungen. Die Wahl zwischen ihnen und die Validierung der gewählten Methode ist Methodenarbeit, die später kommt. Merken Sie sich hier nur: MTA und MMM beantworten unterschiedlich geformte Fragen und werden nicht übereinstimmen.

Praxisbeispiele

Apples ATT-Rollout ist das klarste Beispiel dafür, wie Identitätsbeschränkungen neu definieren, was Attribution sein kann. Sobald der IDFA-Zugriff Opt-in wurde, wechselten iOS-App-Advertiser zu SKAdNetwork, das Install-Daten auf Kampagnenebene mit einem groben Conversion Value, einer randomisierten Verzögerung und der Unterdrückung von allem unterhalb einer Mindestgruppengröße zurückliefert. Paths auf User-Ebene existierten auf diesem Inventar schlicht nicht mehr, und die Messung verlagerte sich vom Zählen einzelner Journeys hin zum Lesen von Aggregaten. Bemerkenswert ist, dass Apple über Apple Search Ads selbst Werbung verkauft und die Messregeln für alle anderen auf der Plattform definiert, es ist also keine neutrale Partei im Design.

TikTok zeigt das Fensterproblem in seiner reinsten Form. Ein Großteil des Einflusses der Plattform ist View-Through: Menschen schauen, klicken nicht und kommen Tage später über eine Brand Search oder durch Eintippen der URL zurück. Unter einem 1-Tage-View-Fenster und Last-Click-Logik wird dieser Verkauf der Suche gutgeschrieben. TikToks eigenes Attributions-Reporting zählt, was sein Fenster sehen kann, und wie bei jeder Plattform, die sowohl die Medien als auch die Messung verkauft, sind seine Zahlen self-attributed und nicht unabhängig verifiziert.

CMO Action Items

• Schreiben Sie auf einer Seite auf, welches Modell und welche Fenster Ihre Reports derzeit verwenden, pro Kanal. Wenn niemand sie benennen kann, wird Ihr Budget von einer Konfigurationsvoreinstellung verteilt, die jemand vor Jahren akzeptiert hat.
• Verfolgen Sie Ihre deterministische Match-Rate als monatliche Kennzahl: den Anteil des Umsatzes, der einer bekannten Kunden-ID zugeordnet werden kann. Dieser eine Prozentsatz begrenzt, wie viel Omnichannel-Attribution Ihnen überhaupt zur Verfügung steht.
• Kartieren Sie die zwei oder drei häufigsten tatsächlichen Kaufpfade für Ihr Top-Produkt, inklusive Offline-Schritten, bevor Sie über Credit streiten. Sie können keinen Path modellieren, den Sie nie beschrieben haben.

Häufige Fehler, die Ergebnisse zerstören

• Modell-Output als kausale Tatsache zu lesen. Ein Kanal, der auf vielen konvertierenden Paths auftaucht, hat Präsenz gezeigt, nicht Einfluss.
• Zahlen zu vergleichen oder zu addieren, die auf unterschiedlichen Fenstern und unterschiedlichen Identity Graphs beruhen. Dass zwei Plattformen denselben Verkauf beanspruchen, ist der Normalfall, kein Fehler, den man durch Addieren bereinigt.
• Das Fenster an den Reporting-Kalender statt an den Kaufzyklus anzupassen, wodurch überlegte Käufe wie Impulskäufe aussehen.
• Die Modellwahl als technische Einstellung zu behandeln. Es ist eine Budgetentscheidung, und sie wird meist in einem Einstellungsbildschirm von jemandem getroffen, dem das nie gesagt wurde.