Omnichannel-Attribution: Frameworks & Methodik

Ihr Analytics-Lead kommt mit der einzigen Frage zurück, die zählt, bevor irgendwer Code schreibt: Shapley-Werte oder ein Markov-Modell mit Removal-Effekt, ausgeführt auf welcher Tabelle, und woran erkennen wir, dass das Ergebnis stimmt? Die Wahl eines Algorithmus zur Credit-Zuweisung ist eine eingeschränkte Entscheidung, keine Geschmacksfrage. Eingeschränkt durch die Anzahl der Touches, die Sie pro konvertierendem Pfad tatsächlich erfassen, durch den Anteil Ihres Spends, der nie in dieser Tabelle landet, und durch die Frage, ob Sie ein Experiment fahren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, um die Antwort zu prüfen. Bringen Sie die Reihenfolge dieser Einschränkungen durcheinander, beauftragen Sie ein Modell, das selbstbewusste Zahlen produziert, die niemand im Budget-Meeting verteidigen kann.

Den Algorithmus zu den vorhandenen Touch-Daten passend wählen

Führen Sie vier Auszählungen auf Ihren eigenen Conversion-Daten durch, bevor Sie ein Modell in die Shortlist nehmen.

• Median der Touches pro konvertierendem Pfad und Anteil der Pfade mit genau einem erfassten Touch.
• Anteil des gesamten Media-Spends auf Kanälen, die niemals einen Touch auf User-Ebene erzeugen: linear TV, Out-of-Home, Print, Sponsoring, die meisten In-Store-Retail-Media.
• Conversions pro Monat und Kanal innerhalb des Attributionsfensters, das die Grundlagen-Lektion festlegt.
• Anteil der Pfade, bei denen die Identität mittendrin bricht, sodass die Touches vor dem Bruch in einem anderen Profil liegen.

Diese vier Zahlen entscheiden das Modell für Sie. Tragen die meisten Ihrer konvertierenden Pfade einen einzigen erfassten Touch, hat MTAMTAA method that distributes conversion credit across all marketing touchpoints in the customer journey, rather than crediting only the first or last interaction.Vollständige Definition ansehen → nichts zu verteilen, und jedes Multi-Touch-Modell benennt Last Click nur mit zusätzlichen Dezimalstellen um. Erzeugt ein Kanal ein paar Dutzend Conversions pro Monat, wird ein machine-learned Modell dessen Rauschen overfitten; Google Ads verlangte über Jahre in der Größenordnung von Zehntausenden Klicks und Hunderten Conversions in einem 30-Tage-Fenster, bevor es überhaupt ein datengetriebenes Modell fittete, und ließ diese Mindestwerte erst um 2021 fallen. Die Schwellen waren ein vernünftiger statistischer Instinkt, auch wenn die Hürde weg ist.

Und wenn mehr als etwa ein Viertel Ihres Spends in Kanälen liegt, die keinen Touch erzeugen, kann kein Modell auf Touch-Ebene Ihr Planungsinstrument sein. Es wird den Credit dieses Viertels dem trackbaren Kanal zuschlagen, der zufällig in der Nähe war.

Die vier Modellfamilien und was jede tragen kann

Regelbasierte Logik

Schnell, günstig und aufgebaut auf Annahmen, die Sie gewählt haben, nicht auf dem, was Ihre Kunden getan haben. Als Richtungscheck aus dem Bauch in Ordnung, nicht als Grundlage für die Allokation von mehr als etwa 5 Millionen Dollar. Eine operative Anmerkung, falls Ihr Team in Google Analytics lebt: GA4 hat First Click, linear, Time Decay und positionsbasiert 2023 abgeschafft und Last Click für Cross-Channel-Reporting ebenfalls gestrichen, sodass datengetrieben das einzige Cross-Channel-Modell ist, das es anbietet. Jeder regelbasierte Vergleich, den Ihr Team zitiert, kommt von woanders, und Sie sollten wissen, woher.

Datengetriebene AttributionAttributionA framework for assigning credit to the touchpoints that contributed to a conversion, so you can measure which channels and interactions actually drive results.Vollständige Definition ansehen →

Zwei Algorithmen dominieren. Der Shapley-Wert behandelt jeden Kanal als Spieler und mittelt dessen marginalen Beitrag über alle Anordnungen des Pfades. Markov-Ketten modellieren den Pfad als Zustände und berechnen einen Removal-Effekt: Kanal löschen, sehen, wie viel Conversion-Wahrscheinlichkeit aus dem Graphen abfließt. Googles DDA ist im selben Geist kontrafaktisch und vergleicht Pfade mit und ohne einen Touchpoint. Adobe verkauft das ebenfalls: AttributionAttributionA framework for assigning credit to the touchpoints that contributed to a conversion, so you can measure which channels and interactions actually drive results.Vollständige Definition ansehen → IQ im Analysis Workspace fährt ein algorithmisches Modell neben den regelbasierten auf demselben Datensatz, was der günstigste Weg ist, zu sehen, wie stark Ihre Antwort von der Algorithmuswahl abhängt. Wenn Shapley und Markov beim Kanal-Ranking uneins sind, ist die Uneinigkeit Ihr eigentliches Ergebnis, und sie bedeutet meist dünne Pfaddaten und keine Modellierungsfeinheit.

Media Mix Modelling

Regression auf aggregierten Spend und Ergebnisse über Zeit, cookiefrei und in der Lage, TV, Wetter, Preis und Distribution aufzunehmen. Die Einschränkung, die unterschätzt wird, sind Freiheitsgrade: drei Jahre Wochendaten sind etwa 156 Beobachtungen, und ein Modell mit einem Dutzend Kanälen plus Saisonalität, Preis und einem Promotion-Flag hat die meisten davon schon verbraucht. Die zweite Einschränkung ist Multikollinearität. Wenn Ihre Kanäle immer gemeinsam fliegen, hoch in Q4 und runter im Januar, kann die Regression sie nicht trennen und verteilt den Credit zwischen zwei korrelierten Linien fast beliebig. Die Lösung liegt vor dem Modell: Flight-Daten staffeln, Spend nach Region variieren, die Variation schaffen, die das Modell braucht. Googles Open-Source-Tool Meridian (das LightweightMMM ersetzt hat) und Metas Robyn sind beide kostenlose Startpunkte, die Ihr Data-Science-Team ohne Kauf einer Blackbox fahren kann.

Incrementality-Testing

Ihr MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab für alles oben und die einzige Methode, die eine Zahl produziert, die das Modell nicht schon angenommen hat. Zwei Design-Fakten bestimmen, ob ein Test funktionieren kann. Erstens ist in einem Geo-Test die Randomisierungseinheit die Geo, mit 30 Märkten ist Ihre effektive Stichprobe also 30 und nicht drei Millionen User. Zweitens skaliert die benötigte Stichprobe mit dem inversen Quadrat des Effekts: den detektierbaren Lift von 20% auf 10% zu senken kostet etwa die vierfache Datenmenge, auf 5% zu kommen das Sechzehnfache. Diese Arithmetik entscheidet, nicht Begeisterung, welche Kanäle Sie dieses Quartal testen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen. Wie die Ergebnisse dann das Budget steuern und welche Holdout-Policy Sie darum schreiben, ist Territorium der Playbook-Lektion.

Validierung: woran Sie erkennen, dass das Modell nicht lügt

Backtesten auf zurückgehaltenen Wochen und prognostizierte mit tatsächlichen Conversions vergleichen. Dann kalibrieren: Meridian akzeptiert Priors auf Kanal-ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →, informiert durch Experimentergebnisse, was einen Lift-Test zu einem Input macht statt zu einer separaten Meinung. Prüfen Sie die Ranking-Stabilität durch Refit auf einem anderen Zeitfenster; rückt ein Kanal drei Plätze, liest das Modell Rauschen. Der Fehlermodus, auf den zu achten ist, ist die selbstbestätigende Schleife. Jeder Refit trainiert auf Pfaden, die das vom vorherigen Modell gewählte Budget erzeugt hat, ein Modell, das den Upper FunnelFunnelThe customer journey from awareness to purchase, typically Awareness, Interest, Consideration, Decision, Action, with prospects narrowing at each stage.Vollständige Definition ansehen → unterbewertet, sieht also nächstes Quartal weniger Upper-FunnelFunnelThe customer journey from awareness to purchase, typically Awareness, Interest, Consideration, Decision, Action, with prospects narrowing at each stage.Vollständige Definition ansehen →-Daten und unterbewertet ihn weiter. Nur externe Experimente brechen diese Schleife.

Was die Vendor-Stacks tatsächlich für Sie entscheiden

Google

GA4 setzt inzwischen in jedem Cross-Channel-Report standardmäßig auf sein datengetriebenes Modell, die Modellwahl wurde für die meisten Teams also 2023 ohne Beschaffungsentscheidung getroffen. Daneben veröffentlicht Google Meridian für MMM und seine GeoX-Methodik für Geo-Experimente, beides kostenlos. Behalten Sie im Kopf, dass Google die Medien verkauft, die seine Modelle bewerten, ein Konflikt, zu dessen Schlichtung die Playbook-Lektion Ihnen sagt, wie es geht.

Adobe

Adobe Analytics lässt Sie Modelle innerhalb eines einzigen Reports tauschen, und Adobe hat MMM und AttributionAttributionA framework for assigning credit to the touchpoints that contributed to a conversion, so you can measure which channels and interactions actually drive results.Vollständige Definition ansehen → auf Touch-Ebene in eine Produktlinie gepackt. Adobe verkauft Attributionssoftware, behandeln Sie dessen Modell-Defaults also wie jeden Vendor-Default. Das echte methodische Geschenk ist das Modell-Switching auf einem Datensatz: Es macht aus "welches Modell?" statt eines Sechs-Wochen-Projekts einen Nachmittag Sensitivitätsanalyse.

Salesforce

Salesforce (hier ebenfalls Anbieter) legt Campaign-Influence-Modelle im CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →-Objektmodell offen, mit Gleichverteilung und benutzerdefinierten Gewichtungen sowie einer machine-learned Variante. Methodisch relevant ist das wegen des B2B-Randfalls: Wenn ein Deal neun Monate dauert und sechs Personen bei einem Account betrifft, ist Ihre Credit-Einheit die Opportunity, nicht die Order, und jedes Fenster, das kurz genug für E-Commerce ist, schneidet die erste Hälfte des Pfades ab. Modellieren Sie auf Account-Ebene, verlängern Sie das Fenster auf Ihren tatsächlichen Sales-Cycle und akzeptieren Sie, dass MTAMTAA method that distributes conversion credit across all marketing touchpoints in the customer journey, rather than crediting only the first or last interaction.Vollständige Definition ansehen → Kanäle nach ihrer Fähigkeit rankt, spät in einem langen Kaufprozess aufzutreten, sofern Sie nicht dagegen korrigieren.

CMO-Aktionspunkte

• Führen Sie die vier diagnostischen Auszählungen oben in den nächsten 30 Tagen durch und schreiben Sie die Antworten auf: Median-Touches pro Pfad, Single-Touch-Anteil, Anteil ungetrackter Spend, Conversions pro Kanal pro Monat. Diese Seite bestimmt Ihr Modell, und ein Analyst braucht dafür zwei Tage.
• Beauftragen Sie dieses Quartal einen Incrementality-Test auf einem Kanal, der mehr als 20% des Digital-Spends beansprucht. Machen Sie zuerst die Power-Rechnung: Wenn das Design keinen Lift kleiner als 40% erkennen kann, designen Sie es neu oder wählen einen anderen Kanal, statt einen Test zu fahren, der nur "nicht eindeutig" zurückgeben kann.
• Schreiben Sie ein Dokument zur Messarchitektur, das festlegt, welche Methode welche Entscheidung beantwortet: DDA für wöchentliche Kampagnenoptimierung, MMM für Quartalsplanung, Experimente für die jährliche Kanalstrategie und zur Kalibrierung der anderen beiden. Benennen Sie den Owner jedes Modells und die Refit-Kadenz.

Häufige Fehler, die Ergebnisse zerstören

Den Algorithmus wählen, bevor die Pfade gezählt sind. Teams kaufen Shapley-basiertes Tooling und entdecken dann, dass die meisten konvertierenden Pfade einen Touch enthalten, das teure Modell also Last Click reproduziert und die Vendor-Rechnung ein falsches Gefühl von Stringenz kauft.

MMM-Output als präzise statt als direktional behandeln. Ein Modell sagt Ihnen vielleicht, TV treibt 23% des Umsatzes, während das Intervall von 15% bis 35% reicht. Nutzen Sie MMM für Richtung und Größenordnung der Veränderung und lesen Sie das Intervall, bevor Sie neunstellige Beträge verschieben.

MMM auf synchronisiertem Spend fitten. Wenn jeder Kanal gemeinsam steigt und fällt, sind die Koeffizienten instabil und wechseln zwischen Refits das Vorzeichen. Variieren Sie den Mediaplan absichtlich, nach Geografie oder Flight-Timing, damit das Modell etwas zu lernen hat.

Experimente in anormalen Zeiträumen fahren. Ein Geo-Holdout, der über eine große Promotion oder einen Out-of-Stock startet, mischt Ihren Treatment-Effekt mit Bedingungen, die die beiden Gruppen nicht geteilt haben. Testen Sie im Steady State und protokollieren Sie jede Ausnahme, damit der nächste Refit weiß, diesen Wochen zu misstrauen.

Die wichtigsten Erkenntnisse

• Das Modell wird von Ihren Daten gewählt, nicht von Ihrer Vorliebe: Single-Touch-Anteil, Anteil ungetrackter Spend und Conversion-Volumen pro Kanal entscheiden, was Sie legitim fitten kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
• Shapley und Markov sind die zwei gängigen MTAMTAA method that distributes conversion credit across all marketing touchpoints in the customer journey, rather than crediting only the first or last interaction.Vollständige Definition ansehen →-Algorithmen. Wenn sie beim Kanal-Ranking uneins sind, ist das ein Signal für dünne Daten, das mehr wert ist als jeder der beiden Outputs.
• MMM lebt und stirbt mit Variation und Freiheitsgraden. 156 Wochenzeilen und ein Dutzend kollineare Kanäle tragen keine belastbare Antwort, was das Vendor-Deck auch behauptet.
• Validieren Sie mit zurückgehaltenen Wochen, Refit-Stabilität und Experiment-Kalibrierung. Meridian nimmt experimentinformierte Priors, das ist der saubersten Weg, einen Lift-Test Ihr MMM verbessern zu lassen statt mit ihm zu streiten.
• Achten Sie auf die selbstbestätigende Schleife: Modelle, die auf Budgets neu trainiert werden, die sie selbst geformt haben, bestätigen sich immer wieder selbst. Externe Experimente sind die einzige Unterbrechung in diesem Kreis.