Seit Google angekündigt hat, in Kürze verschiedene Attributionsmodelle für AdWords einzuführen (wir berichteten), wird insbesondere die automatische Methode zur datengetriebenen Attribution mit Spannung erwartet. Darauf konnten wir nun einen ersten Blick werfen.

modellauswahlSchon lange können Werbetreibende verschiedene Attributionsmodelle in AdWords simulieren. Seit letzter Woche ist dort nun auch die neue datengetriebene (bzw. „datengestützte“) Attribution auswählbar (siehe rechts). Damit lässt sich also simulieren, wie die bisherigen Ergebnisse ausgefallen wären, wenn diese Methode angewendet worden wäre. Das lässt sich auch gleich mit anderen Modellen vergleichen, wobei primär der Vergleich mit dem bisherigen Last-Click-Modell interessant ist.

Kurzer Exkurs: Datengetriebene Attribution

Bei der „data driven attribution“, die Google im Deutschen nun als „datengestützte Attribution“ bezeichnet, geht es darum, Conversions automatisch auf die einzelnen Berührungspunkte zu verteilen.

Wenn jemand beispielsweise auf Anzeige A und dann auf Anzeige B klickt, bevor eine Conversion erfolgt, dann bekommt standardmäßig die zuletzt geklickte Anzeige den Erfolg zugerechnet (Attributionsmodell „Letzter Klick“). Es gibt auch weitere starre Modelle, die den Erfolg auf die einzelnen Klicks in diesem Conversion-Pfad verteilen können. Die datengestützte Methode versucht dagegen herauszufinden, welchen Beitrag ein Berührungspunkt tatsächlich geleistet hat, indem es verschiedene Klickpfade mit und ohne Conversion miteinander vergleicht. Wie das im Detail funktioniert bleibt allerdings verborgen.

Attributionsmodelle simulieren

Wer die Simulation noch nicht kennt: Sie findet sich in AdWords unter Tools > Attribution > Attributionsmodellierung:

Attributionsmodellierung-Navi

Sofern das Konto die notwendigen Voraussetzungen von mindestens 20.000 Klicks und 800 Conversions innerhalb von 30 Tagen erfüllt, kann hier die neue Methode simuliert werden. In diesem Fall findet man hier die Modelle Letzter Klick und Datengestützt bereits vorausgewählt.

Die Simulation zeigt nun die Ergebnisse der Kampagnen für diese beiden Modelle: Wie sie aktuell gezählt werden und wie sie beim datengestützten Verfahren aussähen. Dabei lässt sich auswählen, ob man die Kampagnen hinsichtlich Conversions oder Conversion-Wert vergleichen möchte.

Hier habe ich das mal für einen unserer Kunden gemacht:

Simulation

Auch wenn ich die Zahlen hier unkenntlich gemacht habe: In der letzten Spalte sieht man die prozentuale Veränderung, auf die es letztlich ankommt. Lesebeispiel: Die erste Kampagne hätte nach dem datengestützten Verfahren 3,91% mehr Umsatz zugerechnet bekommen als nach dem Modell Letzter Klick.

Nebenbei: Das hier ist ein einzelner Kunde. Bei anderen Kunden mit ähnlichen Kampagnen sehen die Zahlen anders aus. Das Beispiel ist also nicht verallgemeinerbar

Um was für eine Art von Kampagne es sich im Einzelnen handelte habe ich in die erste Spalte geschrieben. Unter anderem ist hier unser Shopping-Modell im Einsatz, bei dem wir Shopping-Kampagnen nach Suchbegriffen segmentieren. Die Ergebnisse sind hier anders als man vielleicht denken würde:

  • Generische Begriffe („laufschuhe“): -10,74%
  • Markenbegriffe („asics laufschuhe“): -11,82%
  • Produktbezogene Begriffe („asics gt 2000“): +4,26%

Normalerweise sollte das Modell Letzter Klick generische Begriffe unterbewerten, weil die Suche oft später noch verfeinert wird und somit eine andere Anzeige (z. B. bei einer produktbezogenen Suche) den letzten Klick vor der Conversion abbekommt. Simuliert man das mal nach dem Modell Erster Klick (nicht im Bild), dann gäbe es für die generische Kampagne auch tatsächlich 15% mehr Umsatz.

Die datengetriebene Methode kommt offenbar zu einer ganz anderen Einschätzung und schlägt der Kampagne am Ende der Suchkette sogar noch mehr zu. Für die regulären Keyword-Kampagnen ergibt sich ein ähnliches Bild: Generische Begriffe schneiden schlechter ab, genauere Begriffe bekommen weitere Umsätze zugeschlagen.

Schaut man genauer hin, dann zeigen sich allerdings Ausnahmen und Schwankungen. So findet sich beispielsweise weiter unten eine Kampagne für generische Begriffe, die ihre Umsätze mehr als verdoppelt und in einem Monat sogar verzehnfacht hat. Das legt nahe, dass hier tatsächlich auf Basis von Einzelfällen gerechnet wird.

Erstaunlich ist meiner Meinung nach das allererste Ergebnis für die eigene Marke, also den Namen des Kunden. Hier würde ich eigentlich eine starke Abwertung erwarten, da diese Kampagne lediglich Nutzer einsammelt, die schon nach dem Kunden suchen und dementsprechend kaufbereit sind. Die eigentliche Überzeugungsarbeit haben sozusagen andere Kampagnen erledigt. Googles datengestützte Methode sieht die Kampagne hingegen noch unterbewertet und schlägt knapp 4% drauf.

Passt das?

An mir selbst merke ich, dass man bei der Betrachtung dieser Zahlen leicht einen Denkfehler machen kann. So schleicht sich schnell die Vorstellung ein, die datengestützten Ergebnisse seien die richtigen. Unerwartete Ergebnisse quittiert man dann schnell mit einem Schulterzucken und denkt sich „oh, wusste ich noch gar nicht“ – data beats opinion und so. Spätestens bei dem letzten Beispiel mit dem Aufschlag für die eigene Marke muss ich aber feststellen: Datenmagie hin oder her – das weiß ich besser.

Dabei kann ich durchaus verstehen, dass das System zu diesem Fehlschluss kommt: Ein Nutzer mit Conversion-Absicht wird eher mit der Markenkampagne in Berührung kommen. Das System interpretiert die Kausalität schlicht anders herum: Eine Berührung mit der Markenkampagne verstärkt die Conversion-Absicht. Ursache und Wirkung werden also miteinander verwechselt.

Das Beispiel zeigt ganz gut, wo die Grenzen des datengetriebenen Ansatzes liegen, nämlich beim Verstehen dessen, was da vor sich geht. Nun stellt sich die Frage, inwiefern solche Probleme auch bei anderen Conversion-Pfaden auftreten.

Blick in die Black Box

Eigentlich läuft die datengestützte Attribution als Black Box, so dass wir nicht wissen können, warum Google was wie zuordnet. Ein bisschen kann man dem System aber auf die Finger schauen, indem man die Conversion-Pfade unter die Lupe nimmt. Das geht unter Tools > Attribution > Wichtigste Pfade.

Nun kann man die Simulationsergebnisse als Ausgangspunkt nehmen und schauen, in welchen Pfaden ein Element vorkam, um das Ergebnis der datengestützten Methode nachzuvollziehen. Das geht am besten, indem man bei der Simulation und bei den Pfaden Keywords betrachtet und sich dann nachvollziehbare Einzelfälle vornimmt. Dazu bieten sich Simulationsergebnisse mit einer oder wenigen Conversions an.

Beispiel: In den Simulationsergebnissen findet sich ein Keyword mit einer Conversion nach letzten Klick, aber nur 0,3 Conversions nach datengestützter Methode. In den Pfaden kommt das Keyword nur einmal vor. Der Pfad sieht dort etwa so aus:

kette1

Hier wurde also erst eine bestimmte Serie gesucht, anschließend ein komplett anders, sehr genau umschriebenes Produkt. Ich hätte dem zweiten Keyword sicher mehr als 30% der Conversion zugeschlagen.

Ich habe aber auch viele Beispiele wie dieses gefunden:

kette2

Hier bekam das Produkt dann 0,01 Conversions, also 1%, zugeschlagen. Das scheint das Minimum zu sein; eine komplette Reduktion auf 0,00 konnte ich nirgends finden. Die 1% hier gehen vermutlich in Ordnung.

Leider reicht es hier nur für den Blick auf Einzelfälle, die nicht repräsentativ sein können. Festzuhalten bleibt jedenfalls, dass es Fälle gibt, in denen ich die Zuordnung als richtig ansehen würde und andere, in denen sie meiner Meinung nach komplett daneben liegt.

Einschätzung

Perfekt ist die datengetriebene Attribution sicher nicht. Ich glaube auch, dass sie es nie werden kann, weil sich die Entscheidung zur Conversion im Kopf des Nutzers abspielt. So könnte man die obigen Beispiele auch ganz anders sehen, wird es aber niemals genau wissen.

Auch Google versucht nicht direkt, die datengestützte Attribution als die perfekte Methode zu verkaufen. Nach dem Motto „Alle Modelle sind falsch, aber einige sind nützlich“ wird lediglich argumentiert, sie sei besser als die anderen, regelbasierten Modelle.

Das zu beurteilen ist leider schwer. Werbetreibenden rät Google, neue Modelle auszuprobieren, Gebote entsprechend zu setzen und anschließend zu schauen, ob sich die Gesamtergebnisse verbessert haben. Aus der Praxis weiß ich allerdings, dass reguläre Schwankungen in der Regel zu groß sind, um solche Effekte tatsächlich nachzuweisen.

Angesichts dieser Ergebnisse bin ich momentan eher skeptisch, was das neue Verfahren angeht. Es würde mich nicht wundern, wenn es sich trotzdem problemlos als neuer Standard durchsetzen würde. Ob nun „datengestützt“ oder „datengetrieben“ – als Branche sind wir anfällig dafür, bei solchen Begriffen schnell die Überlegenheit der Black Box anzuerkennen.

Ausblick

Das Thema Attribution dürfte uns dieses Jahr noch einige Zeit beschäftigen, so dass wir auf jeden Fall dranbleiben werden. Morgen (Dienstag) Abend will AdWords in einem Livestream die Produktneuerungen für die nächste Zeit verkünden. Letztes Jahr wurde unter anderem die datengetriebene Attribution angekündigt und es würde mich nicht wundern, wenn dieses Mal deren Einführung zelebriert wird. Die Zusammenfassung mit unserer Einschätzung gibt es dann im Anschluss hier im Blog.

 

Unser nächstes Webinar:
SEO: Die optimale Website-Struktur für B2B-/Industrie-Websites

Damit eine Website für möglichst viele relevante Suchbegriffe gefunden werden kann, sollte sich die Website-Struktur am Suchverhalten orientieren - und da gibt es im B2B-Umfeld viele Besonderheiten. Für dieses Webinar wird anhand einiger Beispiele gezeigt, wie die Websites idealerweise gestaltet werden müssten, um gut gefunden zu werden. Das Thema "Internationalisierung" darf dann natürlich nicht mehr fehlen: Wie baut man am besten eine Website auf, die in vielen Ländern/Sprachen verfügbar sein soll?

Jetzt kostenlos anmelden:
Webinar: SEO - Die optimale Website-Struktur für B2B-/Industrie-Websites (28. Juni 2017)

Alle kommenden Webinare:
Bloofusion- und suchradar-Webinare im Überblick

 

About Martin Röttgerding

Martin Röttgerding ist Head of SEA in der Online-Marketing-Agentur Bloofusion und schreibt schwerpunktmäßig über Google AdWords bei den Internetkapitänen, im suchradar und hin und wieder in seinem AdWords-Profi-Blog PPC Epiphany.

Martin Röttgerding ist unter anderem in den folgenden sozialen Netzwerken zu finden: