Adzine Top-Stories per Newsletter
MOBILE

App Attribution: Machine Learning rüttelt am Vertrauen auf statische Modelle

János Moldvay, 27. March 2019
Bild: Kirill Makarov - Adobe Stock

Jeder Marketer möchte wissen, welche Marketingmaßnahmen erfolgreich sind, welche nicht und welcher Touchpoint in der Customer Journey letztendlich zum Kauf geführt hat. Wie schon für Websites, nimmt der Einsatz von Marketing Attribution auch im Mobile-App-Marketing immer mehr an Bedeutung zu. Auch hier stellt sich die Frage nach der richtigen Methodik. Denn viele Mobile-App-Marketer setzen auf irreführende Attributionsmodelle wodurch Marketing-Potenziale erst gar nicht erkannt werden. Die Lösung: machine-learning-gestützte Mobile App Attribution.

Durch Marketing Attribution werden Conversions den verantwortlichen Werbemaßnahmen zugeordnet. Ziel ist es, herauszufinden, wie groß der Einfluss der einzelnen Touchpoints auf die Kaufentscheidung ist. Also: Welche Ausgaben sich auszahlen und welche nicht. Denn am Ende müssen Marketer darüber entscheiden, wie viel sie z. B. bei Google und wie viel bei Facebook investieren. Mobile App Attribution tut das gleiche für Conversion Events bezogen auf die Mobile App, beispielsweise einem App-Install oder Transaktionen in der App. Nicht zuletzt verdeutlichen zunehmende Ausgaben im Mobile Advertising die steigende Bedeutung des Themas: Laut Statista steigen sie im Jahr 2020 weltweit auf voraussichtlich 279,47 Milliarden US-Dollar an.

Google und Facebook Attribution – und warum Marketer kritisch sein sollten

Die US-Techgiganten Google und Facebook bieten jeweils eigene Attributionslösungen an. Für Marketer stellt sich jedoch die Frage, wie unabhängig die Lösungen der Datenriesen sein können. Schließlich bewerten sie sich selbst. Nicht zuletzt bringt es P&G-Entscheider Marc Pritchard mit seinen warnenden Worten an die Digitalbranche auf den Punkt: “Stop grading your own homework.” Insbesondere dem sozialen Netzwerk Facebook wurden in der Vergangenheit immer wieder Manipulationen vorgeworfen. Diese bezogen sich unter anderem auch auf manipulierte Videowerbekennzahlen und deren Werbeeffizienz. Informationen, die Facebook gegenüber Werbetreibenden über ein Jahr zurückhielt. Google und Facebook haben daher ein leichtes Spiel, wenn sie den endgültigen Entschluss zur Kaufentscheidung falsch – sprich sich selbst – zuweisen wollen.

Der wichtigste Punkt ist: Googles und Facebooks eigene Tracking- und Attributions-Lösungen können längst nicht so unabhängig und kanalübergreifend tracken, was Mobile-App-Attributionsdienstleister leisten. Zusammengefasst bedeutet das für Marketer: Die Nutzung von Google und Facebook reicht alleine nicht aus. Marketer sollten auch Attributionsdienstleister hinzuziehen, um die Touchpoints entlang der Customer Journey ganzheitlich zu erfassen. Um die einzelnen Touchpoints ganzheitlich zu bewerten, bietet sich an, zusätzlich auf dynamische Attributionsmodelle zu setzen. Optimalerweise datengetrieben, auf Machine Learning gestützt.

Mobile App Attribution: So funktioniert’s

Bild: Adtriba

Über die mobile Suche geben Sie die Fahrtstrecke “Hamburg–Berlin” ein. Google spielt Ihnen dann eine Ad aus – inklusive App-Installations-Link. Beim Anklicken der Ad (1) landen Sie als Apple-User im App Store oder als Android-User im Play Store, wonach Sie die App installieren (2). Gleichzeitig kommt hier ein Mobile App Tracking (MAT) Service wie z. B. Adjust oder Appsflyer ins Spiel. Denn bei der App-Installation wurde deren Software Development Kit (SDK) mitgeladen. Das SDK ermöglicht, die Customer Journey nachzuvollziehen und zu tracken, d. h., über welche Marketingkanäle die Nutzer kommen (3). Der MAT-Anbieter trackt eine App-Installation und u. a. die dazugehörige Device-ID (4). Diese Information übermittelt der MAT an Google, um herauszufinden, ob es bei Google eine Marketinginteraktion (Klick oder Impression) gegeben hat (5). Google liefert die Information zurück, dass es einen Ad-Klick gab (4). Gleichzeitig pingt der MAT-Anbieter alle weiteren Self-Attributing Networks (SAN, auch als Self-Reporting Networks (SRN) bezeichnet), mit denen der Werbetreibende arbeitet, und erhält gegebenenfalls weitere Touchpoint-Informationen.

Weil Sie abgelenkt wurden, schließen Sie die Fahrtbuchung vorerst nicht ab. Kurze Zeit später wird Ihnen auf einer Werbeplattform, wie z. B. bei Google oder Facebook, eine Retargeting- bzw. Reaktivierungs-Ad mit der Aufforderung zum Buchungsabschluss ausgespielt (6 & 7). Mit einem weiteren Klick landen Sie wieder in der App, über die Sie Ihre Fahrt nach Berlin dann abschließend buchen (8). Der MAT erfasst die Conversion und fragt bei Google sowie allen weiteren SANs an, ob es eine vorherige Marketinginteraktion für Ihre Device-ID gab (9). Denn die MATs wissen zu dem Zeitpunkt noch nicht unbedingt, woher dieser Klick stammt bzw. welcher Werbeplattform dieser zuzurechnen ist (10). Google liefert erneut die Information eines Ad-Klicks zurück. Damit wird die Customer Journey bis zum Kauf durch einen Mobile App Tracking Service erfasst.

Mit Mobile App Attribution den Customer Lifetime Value erhöhen

Mobile App Attribution ist für alle relevant, die über eine App verfügen und diese mit einem entsprechenden Marketingbudget bewerben. Wer Mobile App Marketing betreibt, sollte konkrete Ziele damit verbinden, deren Erreichung über Mobile App Attribution gemessen werden. Schließlich reicht es nicht mehr aus, nur auf App-Installationen zu optimieren. Customer Engagement ist – wie heutzutage in den meisten Bereichen des digitalen Marketings – auch im App-Marketing der Schlüssel zum Erfolg. Ansonsten drohen App-User abzuwandern beziehungsweise erst gar nicht zu Nutzern zu werden. Laut Localytics, einer Mobile-Engagement-Plattform, nutzen 71 Prozent aller App-User die heruntergeladene App bereits nach 90 Tagen nicht mehr. Optimalerweise setzen Mobile Marketer also auf Maßnahmen, welche die Retention und den Customer Lifetime Value (CLV) erhöhen. Die Insights, die es für eine CLV-Optimierung braucht, kann machine-learning-gestützte Attribution liefern: Mobile Marketer erhalten ein besseres Verständnis dafür, wie sich die Mobile Ads auf den CLV auswirken (z. B. welche Anzeigen Kunden mit hohen CLVs anziehen). Das wiederum hilft, diesen zu optimieren.

Warum machine-learning-gestützte Attribution die Lösung ist

Wer bereits mit Mobile-App-Tracking-Dienstleistern arbeitet, sollte überlegen, wie viel Marketing-Potenzial durch die unzureichende Bewertung auf Basis der angewandten Attributionsmodelle liegen bleibt. Sie führen schlichtweg zu falschen Schlussfolgerungen in Hinblick auf die Effizienz des eingesetzten Budgets und damit häufiger zu Fehlinvestitionen. Dies gilt sowohl für Web als auch Mobile. Die Lösung: machine-learning-gestützte Attribution und damit die Betrachtung und Bewertung von konvertierenden und nicht konvertierenden Customer Journeys. Und das optimalerweise cross-channel und cross-device. Marketer sollten hier entsprechend Cross-Device Tracking anwenden, damit die Verknüpfung von Web Attribution und Mobile Attribution gelingt.

Ganz gleich ob für Web, Mobile oder Cross-Device: Machine-learning-gestützte Attributionsmodelle berücksichtigen die Customer Journey deutlich umfassender, können den Einfluss jedes Touchpoints auf die Kaufentscheidung dynamisch ermitteln, bewerten Synergien und Interaktionen und können schnell Muster dahingehend erkennen, welche Touchpoints besonders positiv auf den CLV wirken. Hinzu kommt, dass sich ML-gestützte Attributionsmodelle stetig weiterentwickeln und mit jedem neuen Datensatz dazulernen, beispielsweise wenn neue Kanäle genutzt werden. Das gewährt Marketern umfassendere Einblicke, Anpassungs- und Optimierungsmöglichkeiten, als es statische Attributionsmodelle jemals abbilden können. Im Endergebnis bedeutet das für Marketer: Marketing-Potenziale umfassend erkennen und nutzen, bessere Entscheidungen treffen – und dadurch den Return on Investment (ROI) steigern.

Tech Finder Unternehmen im Artikel

Foto: Adtriba / János Moldvay Über den Autor/die Autorin:

János Moldvay ist Mitbegründer und CEO von Adtriba, ein SaaS-Anbieter für User-Journey-Analysen und dynamisches Attribution Modelling. Nach dem Abschluss des Studiums der Wirtschaftsinformatik 2003 war János für dreieinhalb Jahre im Bereich Data Warehouse, CRM und Data Mining der Otto GmbH & Co. KG tätig. Danach hat er in drei Unternehmen (XING AG, Unique Digital GmbH, Jimdo GmbH) Datenteams aufgebaut und geführt. Zwischendurch absolvierte er 2010 einen MBA in Kapstadt. Seit 2011 beschäftigt János sich mit dem Thema Attribution Modelling, was Ende 2015 zur Gründung von Adtriba geführt hat.

Das könnte Sie interessieren