4: Tracking & Attribution

Sich wie die Kassiererin im Tante Emma Laden schlicht an das Gesicht des Kunden zu erinnern, funk9oniert heutzutage nicht mehr. Zu viele Gesichter, zu viele Geschichten dahinter.

 Personalisiertes Marketing, mit all seinen Vor- wie Nachteilen, bedarf Informationen:

• Die Personalisierung an sich basiert auf Daten über den Kunden selbst – die Geschichte. Demographie, Such- und Kaufverhalten. Was wurde wann gesucht? Welche Reaktion folgte auf Maßnahme X? Welche Produkte kaufen Personen mit einem ähnlichen Profil?

• Der Marketing-Aspekt erfordert Identifikation – das Gesicht, welches wiedererkannt wird. Kunden offenbaren sich zum Teil selbst – durch Login. Aber was ist mit Personen, die dies nicht tun. Wie wird dann z.B. personalisierte Werbung an die richtige Person ausgespielt? Zusätzlich ist Identifikation natürlich auch für das Aufzeichnen des Surfverhaltens relevant!

Cookies sind Textdateien, die von Browsern und Internetseiten erstellt und lokal beim Benutzer gespeichert werden. Inhalte sind individuelle Daten, die i.d.R. zur Optimierung des Webseitenbesuchs eingesetzt werden.

(First-Party-)Cookies sind webseiten- und browserspezifisch. Das bedeutet, dass eine Webseite/Browser nur ihre/seine eigenen Cookies auslesen kann, Beispiel:

• ikea.de kann nicht die Cookie-Daten von apple.com auslesen

• ikea.de kann nicht über Chrome auf die Firefox-Cookie- Daten zugreifen

Je nach Webseiten-Betreiber werden mehrere Cookies für unterschiedliche Informationen angelegt oder ein Cookie mit unterschiedlichen Attribute je Funktion.

• Cookies sind wichtig zum Betreiben von Webseiten

• (First-Party-) Cookies hinterlegt der Anbieter der Website selbst —> durch den Cookie und die dazugehörige Cookie-ID des Nutzers, kann eine Sprache, etc. für den Nutzer im Browser hinterlegt werden à genauer: geht ein Kunde erneut auf eine Website und seine Cookie-ID wird wieder erkannt, stellst sich z.B. automatisch die Sprache ein, die er davor ausgewählt hatte (da diese Info in der ID hinterlegt ist

• Cookies spielen z.B. auch eine Rolle, damit der Warenkorb auf einem Online-Shop nicht gelöscht wird, wenn man die Seite ausversehen schließt

Auf der t-Online Seite sind weiße Flächen frei; diese werden mit Werbung bespielt

—> für diese Werbeplätze wird bezahlt (diese Werbung ist dann ein Third Party Cookie)

Genauer: Während die Seite lädt werden Werbeagenturen „gefragt“, ob sie für einen Kunden von sich Werbung schalten wollen à Agenturen bieten dann um Werbeplatz

—> Third Party Cookie kommt von Werbeagentur

First-Party-Cookie

Diese werden vom Webseiten-Betreiber eingesetzt und haben i.d.R. das Ziel die Webseiten-Funktionalität zu gewährleisten / verbessern (HTTP ist ein zustandsloses Netzwerkprotokoll). Folgende Kategorien können unterteilt werden:

• Technisch notwendig Hierunter fallen z.B. Cookies, die den Warenkorb oder die Cookie-Zustimmung beinhalten. Eine Download- Einwilligung des Nutzers ist nicht nötig – sie können dennoch blockiert werden.

• Funktional Hierunter fallen z.B. Cookies zum Speichern der Login- Daten oder für Spracheinstellung.

• Performance-orientiert Hierunter fallen z.B. Web-Tracking-Tools wie Google-Analytics oder Marketing-Automation-Software.

Third-Party-Cookie

Diese werden vom Drittanbietern erstellt und häufig dafür eingesetzt um domainübergreifend auf Nutzerdaten zugreifen zu können.

Primäres Ziel ist hierbei die Erstellung eines eindeutigen Nutzerprofils (i.d.R. über eine ID im Cookie), um Werbung zielgerichteter auszuspielen, z.B.:

• Mehrfachkontakte limitieren (aka Frequency Capping)

• Wiederansprache ermöglichen (aka Retargeting)

• Targeting verbessern über Browsing-Historie für höhere Relevanz (z.B. um kicker.de-Besuchern das DAZN-Abo anzubieten)

• Conversion-Tracking zur Optimierung nutzen, d.h. Messung von Käufen nachdem auf ein Werbemittel geklickt/gesehen wurde

Frequency Capping: man spielt die gleiche Werbung jemandem nicht mehr als x-mal aus (in der Praxis ca. 7 mal, wenn die Werbung von der Person bis dann nicht angeklickt wurde interessiert sich die Person nicht dafür)

—> nur über Cookies weiß man, auf wie vielen Seiten wie oft einer Person die Werbung angezeigt wurde

Retargeting: wenn sich eine Person einmal die Werbung angeschaut hat, sollte man ihr die Werbung nochmal anzeigen -> wenn die Person z.B. auf eine andere Website geht erkennt die Werbeagentur die Cookie-ID und kann die selbe Werbung noch einmal schalten

Datenverkauf

• Der Online-Shop-Betreiber erlaubt dem Werbe-Netzwerk einen eigenen Cookie bei allen Webshop-Besuchern zu hinterlegen

• Vorteil Online-Shop: Provision je Datenpunkt

• Vorteil Netzwerk: Informationen über Kaufinteressen

Werbung

• Der Publisher erlaubt dem Werbe-Netzwerk Werbung einer Marke bei ausgewählten Besuchern zu platzieren (inkl. Cookie-Platzierung)

• Vorteil Publisher: Werbeeinnahmen

• Vorteil Marke: Werbung mit geringem Streuverlust

• Vorteil Netzwerk: Werbeplätze & Informationen über Interessen

Retargeting

• Die Marke/Online-Shop erlaubt dem Werbe-Netzwerk einen eigenen Cookie bei allen Webseiten-/Webshop-Besuchern zu hinterlegen

• Vorteil Marke/Online-Shop: Retargeting-Möglichkeit

• Vorteil Netzwerk: Potentielle Werbeeinnahmen & Informationen über Interessen

• Vorteil Publisher: Werbeeinnahmen

Canvas Fingerprinting nutzt die individuellen Einstellungen jedes PCs zur Erstellung eines technischen „Fingerabdrucks“.

Hierfür wird beim Laden einer Webseite ein vorgegebener Text übergeben, der unsichtbar für den Nutzer als Grafik dargestellt wird. Die finale Darstellung ist im Detail von mehreren Faktoren abhängig: Betriebssystem, Browser, Grafikkarte und Grafiktreibern.

Das entstandene Bild wird in Computersprache formatiert und an den Server der Webseite zurückgeschickt. Hinzu kommen noch weitere Informationen, die der Browser standardmäßig zur optimierten Wiedergabe übergibt (z.B. installierte Schriftarten, Browser-Kennung, Plug-ins, Sprache, Farbtiefe, Zeitzone). Diese Kombination ist bei jedem Einzelnen weitestgehend einzigartig.

Kommuniziert der Server zuküntig wieder mit einem Browser, der die gleichen Eigenschaften zurückspielt, hat man sehr wahrscheinlich denselben Nutzer/Browser wiedererkannt. Die Iden9fizierung gelingt natürlich nur so lange, wie die Einstellungen beim Browser die gleichen bleiben. à sobald sich eine Einstellung ändert funktioniert es nicht mehr

—> Canvas Fingerprint könnte Alternative zu Cookie darstellen

Das korrekte Identifizieren dient auch der Erstellung einer User-/Customer- Journey. Diese beschreibt den Pfad, den ein Nutzer (hier: online) zurückgelegt hat. Auf der eigenen Webseite und idealerweise auch zuvor auf anderen Touchpoints. Liest man vom Werbemittelnutzungspfad oder dem Path to Conversion ist häufig das gleiche gemeint. Dies ist auf zwei Arten nutzbar:

Individuell

Die Single-Customer-View erlaubt es personalisierte Maßnahmen für einzelne

Kunden zu schalten. Hierbei sind Fragen entscheidend, wie: Womit hat sich der Kunde intensiv beschäftigt? Was macht der Kunde als erstes auf der Seite oder in der App? Welche Funktionen nutzt er verstärkt?

Aggregiert

Hier lassen sich verschiedene Maßnahmen auswerten und vergleichen. Was machen z.B. Besucher, die über Google auf die Webseite gelangen? Und diejenigen, die über den letzten Newsletter kommen? Gibt es klassische Stellen, an denen abgebrochen wird (z.B. Passworterstellung bei der Registrierung)?

—> man schaut wo sind typische Stellschrauben zur Verbesserung -> deswegen Masse betrachten, um Costumer Journey zu verstehen, zu sehen wo die Kunden herkommen, etc.

Möchte man aggregiert den Effekt einzelner Maßnahmen bewerten, steht man stets vor der großen Herausforderung der Zurechnung. Dieses Attributionsproblem entsteht dadurch, dass häufig nicht nur ein einzelnes Werbemittel Teil der Customer Journey ist, sondern eine Verkettung vorliegt.

Beispiel

Eine Marke verschickt ein Kundenmagazin an seine Zielgruppe. Dort enthalten ist ein spezieller Link, den nur die Magazinleser kennen können. Leser A gibt ihn ein und wird ab sofort getracked. Er registriert sich, tätigt aber keinen Kauf. Am folgenden Tag greift er von sich aus auf die Webseite zu, kauft jedoch nicht. Der gleiche Nutzer kommt zwei Wochen später über eine Displayanzeige, die ihn für Re-Targeting identifiziert hat, wieder, aber er kauft immer noch nicht. Einen Tag später wird der monatliche Newsletter verschickt, welchen Nutzer A auch öffnet. Zwei Tage später loggt sich Nutzer A auf der Webseite ein und kauft.

—> Ansatz, um die Frage zu lösen welche Maßnahmen conversions/Käufe/etc: zuzuschreiben sind

—> Problem hier: nur eine Maßnahme bekommt Erfolg zugeschrieben; sehr simpel

Statische Modelle stellen Heuristiken dar, also Faustregeln, die eine schnelle Zuordnung erleichtern. Allein die Vielfalt unterstreicht jedoch, dass es schwer fallen muss an ein solches Modell zu glauben.

An ihre Stelle treten daher verstärkt multivariate Modelle (i.d.R. Regressionsmodelle). Diese erfassen im Idealfall alle relevanten Einflüsse als Variablen und berechnen deren Einfluss auf die Konversionswahrscheinlichkeit (z.B. Kauf).

Erste Herausforderung

• Relevante Einflussgrößen

• Messbarkeit der Einflussgrößen

• Ausreichend Beobachtungen

Was sollte ein solches Modell erfassen?

• Beteiligte Kontaktpunkte (Display = 1, Newsletter = 0)

• Verstrichene Zeit zwischen Kontakt und Konversion (Newsletter = 48h)

• Häufigkeit des Kontakts (Re-Targeting in sozialen Medien = 7)

• Werbebotschaft (Kampagne X = 1, Kampagne Y = 0 )

• Interaktionseffekte (Newsletter unmittelbar nach Displaykontakt = 1/0) à hat man eine Werbung der Marke schon einmal davor gesehen; ist es viel leichter diese wieder zu erkennen à conversion ist wahrscheinlicher

• Reihenfolge der Kontakte (Interaktion mit Facebook-Post = 4. Kontakt)

• Etc.

Weitere Herausforderungen (in der Erfassung der Werbewirkung)

• Unterschiedliche Datenquellen (Tracking-Tools)

• Wechsel des Eingabegeräts (Smartphone, Tablet, Laptop, Desktop)

• Gelöschte Cookies

• Integration des Offline-Verhaltens

• Personelle Grenzen

• Datenschutz, Einhaltung rechtlicher Vorgaben

• Veränderte Rahmenbedingungen (z.B. Werbedruck der Konkurrenz)

• Analytisches Handling von Big Data

  
  

Ziel

Aus dem Wollknäul an einzelnen Kontaktstrecken, soll eine berechenbare Landkarte entstehen.

Frage Was ist das Problem, wenn ich lediglich Kontaktstrecken als Variablen verwende?

Auflistung der Datenquellen:

Unternehmensintern ERP-System (Enterprise Resource Planning), CRM (Customer Relationship Management), Webtracking, Email-Verkehr, etc.

Soziale Netzwerke / Blogs / Foren Engagement / Fans / Link-Klicks / etc. in sozialen Netzwerken (Stichwort: Social CRM), Produktrezensionen und Diskussionen auf anderen Plattformen.

Mobile Daten Standorte und Benutzungsdaten von Apps.

Open Data Amtliche oder verfügbare Statistiken aus sekundären Quellen (z.B. destatis, AGOF, GfK, bevh, ECC, etc.).

Quantified Self Tracking Daten, die von den Usern selbst erhoben werden (Fitbit, Galaxy Fit, etc.).

Es gibt verschiedene Technologien zur „Navigation“ in geschlossenen Räumen:

• Near Field Communication (NFC)

• Bluetooth Low Energy (BLE)

Letzteres wird bei so genannten Beacons verwendet. Es dient dazu ein Smartphone (welches idR eine passende App installiert haben muss) zu identifizieren und mit ihm zu kommunizieren, sobald es in einen bestimmten Umkreis gelangt (z.B. in ein Geschäft). Die Reichweite eines Beacons ist variable (< einem Meter bis zu 30m).

Platziert man ausreichend Beacons in einer Filiale, können zwei sehr interessante Dinge aufgezeichnet werden:

• Bewegungsmuster in der Filiale

  Welche Gänge sind wie frequentiert?

• Verweildauer

  Wie lange bleiben Kunden wo?

—> Kameras erkennen die Position von Kunden und können so Daten sammeln, wo sich der Kunde aufhält (obere/linke Abbildung)

Weitere Sekundärdaten gibt es ausreichend, wenn auch nur gegen Bezahlung.

Diverse Marktforschungsinstitute haben sich darauf spezialisiert Panel aufzubauen, um allgemeine oder branchen-spezifische Analysen zu tätigen.

Die Klassiker

• Mediennutzungsverhalten

• Einkaufsverhalten & Verbrauch

• Erinnerungswerte für Werbung

• Trends

Die Kür

·      Testmärkte

·      Single-Source Panel (inkl. Testmarkt) 

Volume

Big Data steht für die hohe Quantität an Daten, die zur Verfügung stehen.

Velocity

Big Data schließt ebenfalls die hohe Geschwindigkeit ein, mit der neue Daten gesammelt werden.

Variaty

Big Data ist geprägt von einer enormen Vielzahl an Datenformaten – Text, Zahlen, Bilder. Privat, geschäftlich. Strukturiert und unstrukturiert.

Veracity

Mangelnde Struktur bedeutet Unsicherheit. Die Qualität der Daten ist bei Big Data fragwürdig.

Value

Und letztlich steht der Mehrwert im Fokus, der durch die ersten vier Vs

generiert werden kann.

Business Intelligence beschreibt den Prozess der systematischen (elektronischen) Datensammlung, geschlossenen Aggregation und Auswertung sowie die Darstellung deskriptiver und kausaler Ergebnisse.

Diese Ergebnisse werden genutzt, um strategische & operative Entscheidungen zu fällen. Was ist nun der Unterschied zu Big Data? Aktuell lässt sich der Unterschied gut anhand bestimmter Eigenschaften von Business Intelligence erklären:

• Auswahl, strukturierter Daten

• Vordefinierte Aufbereitung der Daten

• Durchdachte Analysewege

• Kausale Annahmen und Antworten

• Starre Prozesse, lange Reaktionszeiten

• Spezielle Fragestellungen oder Reportings

• Retrospektive Betrachtung

 —> diese Punkte unterscheiden Business Intelligence von Big Data!!!

Die Prozesse innerhalb von Business Intelligence sind ähnlich wie in der Wissenschaft. Zunächst wird beobachtet und visualisiert (Reportings). Und sobald ein Problem oder eine Fragestellung entsteht, wird dem auf Grund gegangen:

1. Problemspezifizierung à z.B. auf welcher Position soll Banner auftauchen?

2. Hypothesenbildung à z.B. Banner oben funktionieren am Besten

3. Kausal- & Messmodell

4. Datenerhebung (idR liegen Daten bereits vor)

5. Schätzung der Parameter (deskriptive Analyse) à z.B. welche Bannerposition wirklich am besten funktioniert

6. Beurteilung der Güte

7. Beurteilung der Hypothese

8. Schlussfolgerung

Im Vergleich/Gegensatz dazu Big Data:

Big Data wählt einen verhältnismäßig ungerichteten Weg, indem eine sehr hohe Anzahl unsystematischer (mathematischer) Modelle betrachtet werden, um Korrelationen aufzudecken. Diese werden dann sukzessive ausgenutzt.

—> Film Money Ball -> zur Auswahl der Spieler wurden anstatt die Meinung von Scouts Statistiken genutzt

Macy‘s

Der Händler trifft Preissetzungsentscheidungen für ca. 73 Millionen Produkte in Echtzeit auf Basis von Nachfrage- und Inventar-Informationen.

Versicherungen

Millionen von Daten werden genutzt, um Interessenten automatisch individuelle Versicherungskonditionen zuzuordnen.

Online-Händler

Empfehlungssysteme und automatische Coupons basieren auf Daten von unzähligen Transaktionen und Suchpfaden.

Fluggesellschaften

Große Airlines überlassen die Preisgestaltung ebenfalls Computern, die diese auf Basis von Auslastung, Verkehrsströme und den Wettbewerb, sowie verschiedenen individuellen Nutzervariablen bestimmen.

Soziale Netzwerke produzieren eine unvorstellbare Masse an Daten:

• 50.000 Photos auf Instagram

• 500.000 Tweets auf Twitter

• 1,4 Mio Swipes auf Tinder pro Minute

Marken benutzen deshalb Social Monitoring Tools, um stets informiert zu sein, worüber sich hinsichtlich ihrer Marke unterhalten wird. Wichtig ist hierbei, trotz ihrer Fehleranfälligkeit, die Sentiment-Analyse, die über Text- Mining die Tonalität erfasst.

—> z.B. einstellen, dass nach Konversationen über neuen Produkte gesucht werden soll

—> man kann jeden einzelnen Dialog sehen

—> man bekommt Feedback, was man am Produkt/Kampagne besser machen kann

—> auch social listening (was wird über eine Marke, Thema, etc. gesprochen?): z.B. herausfinden wie man ein neues Produkt gestalten sollte -> Kaffeekapseln aus Aluminium oder Recycelbar -> dafür sozialen Austausch anschauen und daraus lernen, was zur Zeit gefragter ist/besser ankommt/etc.