Hinweis: Dieser Artikel wurde automatisch übersetzt. 🤖
Kurz gesagt
MMM ist ein Klar einzigartiges Attributionsmodell, das die datengesteuerte Attributionsmethode erweitert und über klickbasierte Daten hinausgeht.
Es nutzt alle anderen Signale und Korrelationen zwischen den Kanälen und verarbeitet sie durch Machine-Learning-Modelle, um direkten und markengebundenen Traffic auf die ursprünglichen Kanäle umzuverteilen.
Auf diese Weise berücksichtigt MMM auch Dinge wie Mundpropaganda und deren Auswirkungen auf eine Conversion.
Du findest es in unseren Attributionsberichten neben den anderen anzuzeigenden Attributionsmodellen.
Wir sind keine Fans von statischen Attributionsmodellen wie First-Touch oder U-Shape. Jede einzelne User Journey ist einzigartig und sollte auch so behandelt werden.
Stattdessen denken wir bei der Attribuierung gerne daran, wie ein Tor im Fußball erzielt wird. Nicht jede Person, die den Ball berührt, schafft den gleichen Wert.
Die datengesteuerten Modelle berücksichtigen bereits den Einfluss, den ein Touchpoint realistisch auf eine Conversion hatte. Aber die Sache ist:
Du brauchst keinen Touchpoint, um einen Einfluss auf die Conversion zu haben. 🤯
Es gibt Marketingkanäle und Dinge wie Mundpropaganda, die Aufmerksamkeit für dein Produkt schaffen, ohne einen Touchpoint zu generieren.
Sind aber dennoch wesentlich dafür, dass die Conversion stattfindet.
Das ist ein Problem, das wir jetzt lösen – mit unserem Marketing-Mix-Modell (MMM), das auf unserer datengesteuerten Attribuierung aufbaut.
Es verarbeitet Millionen verschiedener Signale und Datenpunkte und führt sie durch ein Machine-Learning-Modell, um z. B. direkte Traffic-Conversions von Neukunden auf die Kanäle umzuverteilen, die diese Nachfrage ursprünglich erzeugt haben.
Ich erkläre dir das Ganze etwas anschaulicher und wie es sich auf das Fußballtor von oben bezieht in diesem Video: 👇
Du hast also zum Beispiel eine Customer Journey, die rein auf Klicks basiert, so aussieht. Aber sicher kann das nicht der einzige Kanal sein, der diese Conversion beeinflusst hat. Der Kunde wird dich immer irgendwoher kennen.
Um zu verstehen, woher diese Conversion kommt, schauen wir uns den Einfluss anderer Signale wie den Ausgabeneinfluss anderer Kanäle auf den markengebundenen Traffic und Conversions, den Impressionseinfluss, den Engagement-Einfluss und Post-Purchase-Umfragesignale an.
Wenn wir das durch Machine-Learning-Algorithmen laufen lassen, können wir die Kanäle ableiten, die die Conversion wahrscheinlich in einer bestimmten Weise beeinflusst haben, und uns erlauben, den markengebundenen Traffic auf die ursprünglichen Quellen umzuverteilen. Dazu gehört auch die Berücksichtigung von Mundpropaganda, die bei jeder Marke in einem bestimmten Prozentsatz stattfindet und nicht anders quantifiziert und berücksichtigt werden kann:
Im Vergleich zur statischen Last-Click-Attribution liefert dir die dynamische MMM-Attribution ein viel klareres und realistischeres Bild davon, welcher Kanal tatsächlich Umsatz generiert, das über klickbasierte Daten hinausgeht.
Mehr dazu im Video.
Attributionsmodelle im Vergleich
Wenn du mehr über die verschiedenen statischen und dynamischen Attributionsmodelle, die du in Klar findest, erfahren möchtest, wie sie sich unterscheiden und wann du welches verwenden solltest, schau dir dieses Video an.