Methodik der datengetriebenen Attribution

Diese Funktion ist nur in Google Analytics 360 verfügbar, einem Bestandteil der Google Marketing Platform.
Weitere Informationen zur Google Marketing Platform.

Die Methodik der datengetriebenen Attribution umfasst zwei wesentliche Komponenten: 1) Analyse aller verfügbaren Pfaddaten, um benutzerdefinierte Modelle für die Conversion-Wahrscheinlichkeit zu erstellen, und 2) Anwendung eines ausgeklügelten Algorithmus auf diese Wahrscheinlichkeitsdaten, um die erzielten Conversions anteilig den jeweiligen Marketing-Touchpoints zuzuordnen.

Themen in diesem Artikel:

Modelle für die Conversion-Wahrscheinlichkeit auf Basis aller verfügbaren Pfaddaten erstellen

Die datengestützte Zuordnung verwendet alle verfügbaren Pfaddaten – einschließlich der Daten von Nutzern, die Conversions durchgeführt haben, und der Nutzer, die keine Conversion durchgeführt haben. So kann festgestellt werden, wie sich das Vorhandensein bestimmter Marketing-Berührungspunkte auf die Conversion-Wahrscheinlichkeit der Nutzer auswirkt. Die daraus entstehenden Modelle für die Conversion-Wahrscheinlichkeit zeigen, wie wahrscheinlich es bei einer bestimmten Reihenfolge von Ereignissen ist, dass ein Nutzer an einem bestimmten Punkt im Conversion-Pfad eine Conversion durchführt.

Conversions mithilfe eines Algorithmus den Marketing-Berührungspunkten zuweisen

Bei der datengestützten Zuordnung wird dann ein Algorithmus auf diese Wahrscheinlichkeitsdaten angewendet, der auf einem Konzept aus der kooperativen Spieltheorie namens Shapley-Wert basiert. Der Shapley-Wert wurde vom Wirtschaftswissenschaftler und Nobelpreisträger Lloyd S. Shapley als Ansatz für die faire Verteilung der Ergebnisse eines Teams unter den Teammitgliedern entwickelt.

Überträgt man dies auf die datengestützte Zuordnung, hat das analysierte “Team” Marketing-Berührungspunkte, etwa organische Suche, Display-Werbung und E-Mail, als “Teammitglieder” und die "Ergebnisse" des Teams sind Conversions. Der Algorithmus der datengestützten Zuordnung berechnet die kontrafaktischen Zunahmen jedes Marketing-Berührungspunkts. Das heißt, er vergleicht die Conversion-Wahrscheinlichkeit ähnlicher Nutzer, die diesen Berührungspunkten ausgesetzt waren, mit der Wahrscheinlichkeit, wenn einer dieser Berührungspunkte nicht im Pfad auftritt.

Bei der tatsächlichen Berechnung der Conversion-Zuordnung für jeden Berührungspunkt werden alle verschiedenen Permutationen, also die unterschiedlichen Reihenfolgen der Berührungspunkte, verglichen und normalisiert. Das bedeutet, dass der Algorithmus der datengestützten Zuordnung die Reihenfolge berücksichtigt, in der jeder Berührungspunkt auftritt, und für die verschiedenen Pfadpositionen unterschiedliche Conversions zuordnet. Beispiel: Die Reihenfolge Display-Werbung vor Bezahlte Suche wird getrennt von Bezahlte Suche vor Display-Werbung modelliert.

Beispiel

Im folgenden allgemeinen Beispiel führt die Kombination von Organischer Suche , Display-Werbung und E-Mail zu einer Conversion-Wahrscheinlichkeit von 3 %. Wenn die Display-Werbung aus dem Pfad entfernt wird, sinkt die Wahrscheinlichkeit auf 2 %. Der Anstieg von 50 %, der beobachtet wird, wenn die Display-Werbung im Pfad vorhanden ist, dient als Basis für die Zuordnung.

illustration of display increasing likelihood of purchase

Datengestütztes Zuordnungsmodell untersuchen und Auswirkungen auf den ROI analysieren

Im Bericht Modell-Explorer können Sie prüfen, welche spezifischen Gewichtungen das datengestützte Modell basierend auf dem Channel und der Position festlegt. Für eine detaillierte Analyse können Sie das Modell als CSV-Datei herunterladen. Verwenden Sie das Tool zum Zuordnungsmodell-Vergleich, um Modelle zu vergleichen und das Optimierungspotenzial zu ermitteln. Der Bericht "ROI-Analyse" gibt Aufschluss über die Auswirkungen des datengetriebenen Modells auf den Return on Investment (ROI).

War das hilfreich?
Wie können wir die Seite verbessern?