Analytics Summit 2016:
Attribution Modeling – Grenzen von Google Analytics
Einen analytisch sehr interessanten Vortrag bot Dr. Pascal Volz, Vice President E-Commerce & Online Sales bei Air Berlin. Er beschreibt die Grenzen von Google Analytics mit Blick auf die Attributionsmodellierung und bietet gleichzeitig eine praktikable alternative Berechnungsmethode.
Wieso Attribution und deren Modellierung für Air Berlin wichtig ist, erklärt Dr. Volz anhand des Top Conversion Path Reports und eines Auszugs marketingrelevanter Fragestellungen. Eine davon ist beispielsweise: „Was passiert, wenn ich 10% mehr Budget in den Kanal SEA investiere?“. Mit der Modellierung setzt sich das Unternehmen nicht nur das Vorhersagen der Effekte von Veränderungen im Marketing Mix zum Ziel, sondern auch die Analyse saisonaler Effekte.
Zunächst beschreibt Dr. Volz die Möglichkeiten, die Google Analytics 360 mit Blick auf die Attribution bietet. Er stellt neben den Standard Attributionsmodellen (Last Non-Direct, U-Model etc.) auch das Data Driven Model vor. Das datengetriebene Attributionsmodell ermöglicht die Analyse der Wirkung einzelner Kanäle – insbesondere mit Blick auf die durchschnittliche Gewichtung der Kanäle und deren Position in der Customer Journey. Die Vorteile der Attributionsmodellierung innerhalb von Google Analytics 360 sind vor allem die automatische Berechnung, die alle sieben Tage stattfindet sowie die automatische Verteilung der Conversions auf das Chanel Grouping. Als nachteilig stellt sich allerdings heraus, dass lediglich die letzten vier Touchpoints vor einer Conversion in die Attributionsmodellierung eingehen. Darüber hinaus können weder saisonale Einflüsse, noch die Effekte von offline Marketingaktivitäten berücksichtigt werden. Diese Punkte und auch die intransparente Berechnung haben Air Berlin dazu gebracht, eine alternative Berechnungsmethode für die eingangs beschriebenen Fragestellungen zu wählen.
Einen alternativen Lösungsweg bietet das Prinzip der multiplen Regressionsanalyse. Das Vorgehen ermöglicht die Identifikation von Zusammenhängen und die Bestimmung der Stärke dieser Zusammenhänge. Anhand zwei einfacher Beispiele erklärt Dr. Volz die Abhängigkeiten: So lässt sich beispielsweise mit Hilfe einer Regressionsanalyse der positive Zusammenhang zwischen den AdWords Spendings und den Flugbuchungen belegen und quantifizieren. Um ein Attributionsmodell für Air Berlin zu erstellen, müssen jedoch mehrere Einflussgrößen berücksichtigt werden. In die Berechnung der Modellierung gehen neben den digitalen Mediakanälen auch die klassischen offline Kanäle sowie Informationen zur Saison und dem Klima ein.
Dr. Volz beschreibt zunächst, dass das Modell von Air Berlin, mit einem R2 von 92%, ein sehr gutes Modell ist. Im Detail können die Modellergebnisse mit Hilfe einer Dekomposition analysiert werden. So sieht man hier, welche Wirkung von den signifikant einflussreichen Kanälen auf die Anzahl der Flugbuchungen ausgeht und wie sich diese Wirkung im betrachteten Zeitraum verändert hat. Weitere Insights konnte Air Berlin über die absoluten Anteile gewinnen. Hier wird besonders deutlich, welche Kanäle insgesamt einen hohen Erklärungsanteil an den Flugbuchungen haben.
Die Ergebnisse, die generiert wurden, nutzte Dr. Pascal Volz für die Budgetplanung. So wurde das Budget beispielsweise für einen Kanal angehoben, der mit Blick auf die Impressions lediglich einen Anteil von 1,0%, im Modell aber einen Erklärungsanteil an den Flugbuchungen von 3,6% hatte. Mit dem Regressionsmodell konnten darüber hinaus Informationen über die Nachwirkzeit der einzelnen Kanäle und dadurch indirekt über die Position in der Customer Journey gewonnen werden.
Abschließend fasst Dr. Pascal Volz die für ihn wertvollen Erkenntnisse aus der Attributionsmodellierung zusammen. Er betont außerdem die Probleme, die in der Praxis auftauchen können und stellt die Vor- und Nachteile beider Möglichkeiten der Attributionsmodellierung (Google Analytics 360 vs. Regressionsanalyse) gegenüber.