Google Attributionsmodell: Änderungen & drei Strategien für Werbetreibende

Angesichts der jüngsten Umstrukturierung des Attributionsmodells von Google müssen sich Werbetreibende auf neue Herausforderungen einstellen. Wie können Kampagnen weiterhin effektiv gesteuert und optimiert werden, und welche Auswirkungen hat diese Änderung auf die Sichtbarkeit der Customer Journey?

Grundlegende Änderungen im Google Attribution-Modell

Google Ads und Google Analytics 4 planen im September eine vollständige Abschaffung der Attributionsmodelle “Erster Klick”, “Linear”, “Time Decay” und “Positionsbasiert”. Die Modelle “Letzter Klick” und das datengesteuerte Attributionsmodell bleiben weiterhin zugänglich, ebenso wie die externe Attribution.

Ein Aspekt, der einigen PPC-Vermarktern möglicherweise nicht bewusst ist, besteht darin, dass Google beabsichtigt, diese Attributionsmodelle nicht nur in Bezug auf das Gebot abzuschaffen. Sie werden ebenfalls aus den Berichts- und Vergleichsfunktionen entfernt. Das hat zur Folge, dass die Analyse von Customer Journeys in Google Ads und Google Analytics nicht mehr auf Basis der bisherigen Attributionsmodelle möglich sein wird. Es werden also Alternativen benötigt.

Auswirkungen der Änderungen

Mit diesen Änderungen wird die “data-driven attribution” (DDA) zum Standard-Attributionsmodell in Google Ads. Dabei ist DDA auf jedes Konto individuell zugeschnitten. Google legt die Kriterien, nach denen die Zuordnung einer Anzeige zu einer Konversion bestimmt wird, nicht offen. Es liegt die Vermutung nahe, dass DDA eine Mischung der zuvor genannten Attributionsmodelle verwendet.

“Die datengesteuerte Attribution unterscheidet sich von den anderen Attributionsmodellen, indem sie die Conversion-Daten nutzt, um den tatsächlichen Beitrag jeder Anzeigeninteraktion auf dem Conversion-Pfad zu berechnen. Jedes datengesteuerte Modell ist spezifisch für jeden Werbetreibenden”

Google

Problematik mit der datengesteuerten Attribution

Auf den ersten Blick scheint die datengesteuerte Attribution (DDA) von Google ideal zu sein, indem sie ein maßgeschneidertes Modell bietet, das individuell auf jedes Konto abgestimmt ist, ohne dass sich die Nutzer Gedanken über die zugrundeliegenden Mechanismen machen müssen.

Allerdings wirft das Fehlen von Transparenz hinsichtlich der genauen Kriterien, nach denen DDA an das jeweilige Konto angepasst wird, Fragen auf. Obwohl diese Frage vielleicht nebensächlich erscheint, solange das System effektiv funktioniert, könnte ein Vergleich mit anderen Modellen dazu beitragen, mehr Klarheit zu schaffen. Mit der bevorstehenden Entfernung der “alten” Attributionsmodelle aus dem Berichtsbereich von Google stellt sich jedoch die Frage, wie eine solche Überprüfung zukünftig durchgeführt werden könnte.

Auswirkungen der Reduzierung der Attributionsmodelle auf die Leistung

Eine Abnahme der Attributionsmodelle muss nicht zwangsläufig zu einer Verschlechterung der Leistung führen. Trotz der potenziellen Unzufriedenheit über den jährlichen Verlust an Kontrolle, dürfte dies kein Hindernis darstellen, solange sich die Performance fortlaufend verbessert. Wie bereits beobachtet, ist der Einfluss auf das Management von Geboten geringfügig (nur 3 % aller Konversionen betreffend). Die wahre Herausforderung zeigt sich allerdings auf einer strategischen Ebene.

“Auf dem Weg zur Conversion können Kunden mit mehreren Anzeigen desselben Werbetreibenden interagieren… Attributionsmodelle können Ihnen ein besseres Verständnis für die Leistung Ihrer Anzeigen vermitteln und Ihnen helfen, die Conversion Journeys zu optimieren.”

Google

Analyse der Customer Journey in der Praxis

Die Optimierung der Conversion Journeys trotz mangelnder Transparenz stellt eine Herausforderung dar. Im Folgenden wird ein Beispiel durchgegangen, um das Verfahren zu erläutern. Unser Beispielkunde hat einen relativ einfachen Medienmix, welcher als Beispiel dient, um den Standpunkt zu verdeutlichen.

Im Hinblick auf das Attributionsmodell des ersten Klicks erzielt die bezahlte Suche bemerkenswerte Resultate. Jedoch zeigt sie nicht dieselbe Leistung bei Anwendung des Attributionsmodells des letzten Klicks. Hier nehmen die organische Suche und das E-Mail-Marketing eine herausragende Rolle ein, was in diesem Attributionsmodell durchaus erwartet wird.

Denn die Conversion Journey folgt einem bestimmten Muster:

1. Mit der nicht markengebundenen bezahlten Suche wird der Anfang gemacht, wobei hier Leads generiert werden.
2. Um diese Leads zu pflegen und potenzielle Kunden weiterzuentwickeln, wird hauptsächlich auf E-Mail-Marketing gesetzt.
3. Qualifizierte Interessenten gelangen schließlich über die organische und bezahlte, markengebundene Suche zum Kaufabschluss.

Ausreichende Wirksamkeit von DDA

Es kann angenommen werden, dass dieser Conversion-Trichter auch ohne Attributionsmodelle verständlich wäre, besonders da das Beispiel recht einfach strukturiert ist. Bei komplexeren Projekten, etwa einem B2B-Projekt mit monatelangen Verkaufsprozessen oder einem B2C-Projekt, bei dem Wiederholungskäufe von Bedeutung sind, können die Dinge allerdings komplizierter werden.

Es gibt zahlreiche Fälle, in denen DDA nicht die gewünschte Leistung erbracht hat. Eine Überprüfung der DDA-Ergebnisse mit älteren und starren Attributionsmodellen ist daher weiterhin wertvoll. Ohne diese Benchmarks könnte man sich potenziellen Risiken aussetzen. Schließlich ist das maschinelle Lernen nur so klug wie die Daten, die es erhält.

Hier sind drei Lösungsansätze für Werbetreibende, die sich an die Veränderungen anpassen wollen.

Lösung 1: Next-Level-Tagging-Plan

Ein solides Datenprogramm ist der erste Schritt, um Interaktionen entlang der Customer Journey zu identifizieren. Durch vollständiges Tracking können DDA oder Last-Click-Attributionsmodelle sicher eingesetzt werden, allerdings mit der Berücksichtigung aller Kundenschritte, die den ersten Klick ersetzen und so weiter.

Wenn man das obige Beispiel nimmt, würde man die Last-Click-Leads der nicht markengebundenen Suche und die Last-Click-Verkäufe der markengebundenen Suche zuschreiben. Obwohl das nicht ideal ist, funktioniert es.

Dies erfordert allerdings die Nachverfolgung der gesamten Customer Journey. Ein einfacher Tagging-Plan genügt nicht mehr, es sind Mikro-Konversionen erforderlich.

Lösung 2: Integration von CRM-Daten

Die Nachverfolgung von Konversionen sollte nicht beim Verkauf enden. Es ist notwendig, die gesamte Customer Journey nachzuverfolgen und diese Daten über externe Attribution in die Werbeplattformen zurückzuspeisen.

Durch den Einsatz dieses Tools kann die Sichtbarkeit erhöht werden, ähnlich wie bei der Lead-Bewertung, diesmal jedoch mit einer Kundenbewertung. Sollten Leistungsunterschiede festgestellt werden, ermöglicht dies eine andere Beeinflussung der Gebote als im datengetriebenen Modell.

Zusammengefasst muss das CRM zu einem zentralen Werkzeug für Werbetreibende werden, um die Customer Journey besser zu verstehen und informieren zu können und somit den passenden Medienmix zu bestimmen.

Lösung 3: Andere Attributionsmethoden

Hier betreten wir komplexere Gebiete, die nicht auf alle Projekte anwendbar sind. Im Grunde bedeutet Inkrementalität, dass eine Zielgruppe mit einer Anzeige konfrontiert wird, während dieselbe Anzeige einer ähnlichen Zielgruppe vorenthalten wird, um dann die Leistung beider Zielgruppen zu vergleichen.

Diese Methode ist zwar interessant, kann aber auch fehleranfällig sein. Sie ist nur verfügbar, wenn genügend Budget vorhanden ist, um die Datensicherheit zu gewährleisten.

Die nächstbeste Option sind Kundenumfragen, z.B. durch Popups zur Beendigungsabsicht oder zusätzliche Felder in der Kauf-/Lead-Reise zur Erfassung von weiteren Informationen. Mit diesen deklarativen Daten sollte man jedoch vorsichtig umgehen, da sie oft verzerrt sein können.

Perfektion in der Attribution bleibt eine Illusion

Die Suche nach dem perfekten Weg zur Leistungsmessung kann lang und komplex sein. Doch das Streben nach einer perfekten Attribution ist vergebens. Das Ziel sollte eine zuverlässige und richtungsweisende Eingabe für die Strategie sein. Weitergehende Detailbesessenheit ist zwar für Werbe-Enthusiasten interessant, trägt aber nicht zur geschäftlichen Entscheidungsfindung bei und sollte daher entsprechend priorisiert werden.