Die von Medienpartnern wie Facebook, Google und anderen gemeldeten Conversions sind oft widersprüchlich und keine solide Grundlage für datengestützte Entscheidungen. Die gemeldeten Daten sind meist unvollständig, ungenau und weisen erhebliche Lücken auf. Der Grund dafür ist:

1. Das von den Medienpartnern implementierte Tracking erfasst nur einen kleinen Teil der Customer Journey.

2. Datenschutzfunktionen von Betriebssystemen und Browsern schränken das Tracking von Werbepartnern und Apps stark ein (z. B. Facebook Conversion Pixel in iOS 14).

3. Die Attributionszahlen werden aufgebläht, weil Medienplattformen ihre eigenen Attributionsmodelle verwenden, die im Allgemeinen nicht plattformübergreifend vergleichbar sind. Einige Plattformen betrachten Anzeigenaufrufe (nicht Klicks) als vollwertige Touchpoints. Daher können die Zahlen unmöglich übereinstimmen: Wenn Du die gemeldeten Bestellungen jeder Plattform, mit der Du arbeitest, zusammenzählst, erhältst du somit viel mehr Verkäufe, als Du eigentlich reel in Deinem Shop hattest.

4. Es besteht ein inhärenter Interessenkonflikt, wenn Plattformen Attributionszahlen melden, da sie sich indirekt auf ihren Gewinn auswirken. Einige Medienplattformen wie Facebook modellieren sogar Conversions, was bedeutet, dass die gemeldeten Daten nicht gemessen, sondern anhand nicht öffentlicher Modelle berechnet werden, die für Werbetreibende eine Blackbox sind.

Die Lösung für diese Probleme ist die Messung kompletter User Journeys und die Verwendung dieser für die Attributionsmodellierung.

Admetrics Data Studio ist ein All-in-One Marketing Data Warehouse und eine Lösung für User Journey Tracking und Attribution. Die Reports zeichnen ein solides Bild davon, wie die bezahlten und nicht bezahlten Marketingaktivitäten zum Wachstum beitragen.

Das vollständig datenschutzkonforme User Journey Tracking ist mit den bestehenden Consentmechanismen verknüpft und erfordert keine Programmierkenntnisse zur Einrichtung.

Sobald die User Journeys gemessen wurden, können die Admetrics-eigenen Attributionsmodelle die Verkäufe jedem Touchpoint, Kanal und jeder Kampagne genau zuordnen.

Die von Admetrics gemeldeten Bestellungs- und Umsatzzahlen sind in der Regel niedriger als die von Medienplattformen wie Google oder Facebook gemeldeten.

Das liegt hauptsächlich daran:

1. Admetrics Data Studio uses click-through attribution, which only logs a touchpoint when an ad is actually clicked. Many media platforms like Google and Facebook additionally use view-through attribution, which attributes orders to ads that were displayed to users (but never clicked).

2. Admetrics Data Studio sees the complete user journey and is a single truth source. Our attribution models are not attributing orders to multiple ads - instead, the order is fairly attributed to a single or multiple touchpoints depending on the selected attribution model.

Ein Beispiel: Wenn ein Nutzer auf eine Facebook-Anzeige klickt, dann auf eine Google-Anzeige, und schließlich einen Kauf tätigt, werden sowohl Facebook als auch Google die Conversions beanspruchen/zuordnen. Da Admetrics alle Touchpoints der User Journey kennt, können unsere Attributionsmodelle die Bestellung korrekt zuordnen. Im Falle der Last-Touch-Attribution würden wir sie der jeweiligen Google-Kampagne zuordnen; im Falle der Multi-Touch-Attribution würden beide einen Teil des Umsatzes zugewiesen bekommen.

Dieses Video erklärt, wie Quantify funktioniert und warum Du es nutzen solltest: Video ansehen   

Wir sind der festen Überzeugung, dass ein experimentierfreudiger Ansatz der Schlüssel zu einer erfolgreichen Marketingorganisation ist. Marketingteams, die das Testen und Lernen beherrschen, können ihre Konkurrenz ausstechen, indem sie bessere Produkte und relevantere Anzeigen liefern, welches letztlich das Wachstum fördert. Der erste Schritt ist die Umstellung Deines Teams auf eine experimentelle Denkweise und der Aufbau einer Kultur des Testens.

Artikel mit Details zum Aufbau einer Testing Culture lesen: 
Wie man eine datengesteuerte Experimentierkultur aufbaut und das Wachstum ankurbelt

Always-on-Experimentation ist ein agiler Prozess, der es Unternehmen ermöglicht, schneller zu iterieren, zu optimieren und zu innovieren, indem sie kontinuierlich aus laufenden Marketing-Experimenten lernen. Die Implementierung von Always-on-Experimentation kann die Art und Weise, wie Unternehmen ihre Marketingaktivitäten durchführen, enorm beeinflussen und das Wachstum fördern.

Mehr über wie agile Marketingteams Always-on-Experimentation einsetzen erfahren:

How Winning Teams Leverage Always-on Experimentation

Nein, auch wenn derzeit keine Marketingexperimente durchgeführt werden, kann man Quantify nutzen, um bessere datengestützte Entscheidungen zu treffen.

Quantify hilft dabei, die Glaubwürdigkeit der Performance Daten zu verstehen und schneller bessere Entscheidungen zu treffen, ohne dass man von seinem Bauchgefühl oder von Data Scientist abhängig ist.

A/B-Signifikanztests sind mit mehreren Nachteilen verbunden, die mit der Bayesschen Statistik vermieden werden können:

• Kompliziert in der Einrichtung

• Kein Test-Peeking

• Datenhunger

• Begrenzte Anzahl von Variationen in jedem Test

• Die Ergebnisse sind abstrakt und indirekt

• Abhängigkeiten von Expertenressourcen

In diesem Artikel erfährst du,  warum man von A/B-Signifikanztests abrücken sollte:

7 Reasons to Move Away From A/B Significance Testing

Quantify verwendet Bayessche Statistik, die anderen Ansätzen in vielerlei Hinsicht überlegen ist. Quantify modelliert Wahrscheinlichkeitsverteilungen für alle Metriken und berechnet glaubwürdige Intervalle. Ein Glaubwürdigkeitsintervall gibt den Bereich an, der 95 % aller wahrscheinlichen Werte umfasst. Quantify liefert auch Glaubwürdigkeitsintervalle für tatsächliche Lifts, so dass man feststellen kann, wie viel besser eine Variante im Vergleich zu anderen Varianten abschneidet. Diese Tests können sowohl als On-Off- als auch als kontinuierliche Tests durchgeführt werden, wobei die dem Test zugrunde liegenden Variationen während des Prozesses geändert werden können.

Quantify zieht automatisch aussagekräftige Schlussfolgerungen und zeigt Gewinner und Verlierer auf, sobald die Ergebnisse glaubwürdig genug sind.

In diesem Video erklären wir die Grundlagen der Bayesschen Statistik: Video ansehen.

Wenn Interesse an der mathematischen Theorie und Methodik unserer Bayesschen Statistik-Engine besteht, bitte unser Whitepaper lesen: Whitepaper herunterladen.

Admetrics Data Studio bietet eine wachsende Anzahl von Integrationen mit ausgewählten Medienpartnern. Wenn die Datenquelle jetzt nicht verfügbar ist, bitte wende dich an uns.