Warum die Last-Click-Attribution die Leistung von PPC-Anzeigen killt?

Kennst du das Gefühl der Frustration über das Fehlen von Ergebnissen bei der Anwendung neuer Automatisierungen – wie Google Smart Bidding oder eigenem Skript oder Makro in einer Tabelle?

Du bist damit nicht allein.

Wenn die Ad Services in Fallstudien über die tollen Ergebnisse der automatischen Kontoverwaltungssysteme sprechen, dann wird häufig die ganze Arbeit, die geleistet wurde, um sicherzustellen, dass Automatisierung Früchte tragen kann unausgesprochen.

Damit die Automatisierung wirksam ist, müssen bestimmte Bedingungen erfüllt sein.

Es gibt eine einfache Möglichkeit zu zeigen, dass die Effizienz der Automatisierung von externen Faktoren abhängt. Russell Savage, der Gründer von FreeAdWordsScripts.com, hat es schön in seiner Präsentation zusammengefasst.

Laut Savage muss, wie bei einem eigenständigen Auto, die „Straße“ deutlich gekennzeichnet sein, damit die Automatisierung richtig funktioniert.

Es scheint ziemlich offensichtlich zu sein, nicht wahr?

Aber was ist, wenn wir diese perfekte Straße haben, aber unser GPS-Navigator nicht funktioniert und wir in die falsche Richtung gehen?

Wir brauchen klare Ziele sowie die richtigen Kennzahlen und Sensoren, um an den richtigen Ort zu gelangen. Wenn wir in die Welt der PPC-Werbung zurückkehren, müssen wir das tun:

  •     Gut strukturiertes Konto;
  •     Genaue Konvertierungsdaten;
  •     Das richtige Attributionsmodell (Hinweis: und das ist keine Last Click Attribution).

Maschinelles Lernen hängt von den richtigen Daten ab.

Machine Learning Modelle sind Systeme, die lernen, wie man etwas erreicht.

Es gibt verschiedene Ansätze, um diese Lernfähigkeit zu erreichen. In der Regel hängt es von der Verbesserung des Entscheidungsprozesses der Maschine ab, ob diese Entscheidung oder Prognose nicht dem erwarteten oder gewünschten Ergebnis entspricht.

Nachfolgend sehen wir uns ein einfaches Beispiel von Google Quality Score Team.

Ein Modell für maschinelles Lernen analysierte die historischen Daten über die Anzeigeauktionen. Dabei wurden alle Suchbedingungen und Attribute der angeklickten Anzeigen berücksichtigt.

Durch den Vergleich dieser Signale konnte das Modell feststellen, dass die CTR in der Regel besser ist, wenn die Domain des Werbetreibenden mit dem Standort des Nutzers übereinstimmt (z.B. wird ein Einwohner Frankreichs mehr an Anzeigen mit der Domain .fr als mit .de interessiert sein).

Die Maschine ist in der Lage, dies herauszufinden, da Google die richtigen Daten zur Klickbarkeit hat.

Aber was würde passieren, wenn ihre CTR-Daten ungenau wären? Dann würde das System anfangen, das zu stärken, was die Markeeter, die es programmiert haben, als falsche Entscheidungen betrachten würden.

Es gibt eine Idee – „Müll am Eingang, Müll am Ausgang“. Dies ist der Grundsatz, dass gute Entscheidungen von guten Informationen abhängen.

Da Maschinen kein menschliches Urteilsvermögen besitzen, sind sie noch stärker von Qualitätsdaten abhängig als Menschen. Sie können nicht ohne weiteres feststellen, dass eine statische Prognose, die vernünftig erscheint, in der realen Welt nicht funktionieren kann.

Wie stellen wir den Automatisierungssystemen die richtigen Daten zur Verfügung? Alles beginnt mit Conversion Tracking- und Attributionsmodellen.

Attributionsmodelle sollten typische Consumer Journey widerspiegeln

Wenn ein Verbraucher keine starke Markentreue hat, wird er wahrscheinlich ein paar Recherchen durchführen, bevor er etwas kauft, und er wird mehrere Kontaktpunkte mit verschiedenen Marken auf dem Weg zum Kauf (Customer Journey) haben.

Die Customer Journey kann aus Hunderten von Schritten bestehen. Um den Prozess zu vereinfachen, kann man sich einen Conversion-Trichter (Konvertierungstrichter) vorstellen, in dem diese Schritte in Stufen zusammengefasst sind. Nach diesem Beispiel versuchen wir zu verstehen, warum Attributmodelle so wichtig sind, wenn irgendeine Automatisierung verwendet wird.

Im Verkaufstrichter durchlaufen potenzielle Kunden mehrere Phasen, bis einige von ihnen schließlich den Boden des Trichters erreichen und zu Kunden werden.

Es wird davon ausgegangen, dass jede Trichter Phase zum Transformation Prozess eines potenziellen Kunden zu einem echten Kunden, ihren Teil beiträgt. Die Aufgabe von Attributionsmodellen besteht darin, jeder dieser Phasen den richtigen Mehrwert zu zuweisen.

Wie bereits oben erwähnt, beinhalten die meisten Kaufentscheidungen mehr als einen Schritt.

Das Last-Click-Attributionsmodell (oder First-Click) weist nur einer Stufe einen Wert zu und kann so das typische Konsumentenverhalten nicht korrekt wiedergeben. Dieses Modell ignoriert Einflüsse aller Schritte, die ein potenzieller Kunde durchlaufen hat, bevor er Kunde wurde.

Die meisten Verbraucher machen mehrere Suchanfragen und müssen durch Customer Journey zur Conversion begleitet werden.

Das Last-Click Attributionsmodell macht einen Fehler, da alle früheren Schritte im Trichter, die dem Benutzer helfen sich in Richtung Conversion zu bewegen, nicht bewertet werden.

In Zeiten der manuellen Account Verwaltung könnten wir hoffen, dass die Account Manager klug genug sind, um zu wissen, dass ein Benutzer, der nach [Waschmaschinen] sucht, unwahrscheinlich mit dem nächsten Klick konvertieren wird. Auf diese Weise wird die Verwendung fehlerhafter Attributionsmodelle vermieden.

Wenn wir die Nutzer über unsere Marke (Brand) informiert haben, können sie im nächsten Schritt gezieltere Anfragen stellen. Zum Beispiel [LG Waschmaschinen].

Ab hier können die Nutzer Anzeigen über das gesamte Sortiment sehen, die sie anregen, nach den besten Konditionen für bestimmte Modelle zu suchen -[der beste Preis für LG TWINWash] – und diese mit dem nächsten Klick zu konvertieren.

Wir haben uns darauf verlassen, dass die Leute eine generell frühere Suchanfrage nicht ausschließen würden, auch wenn sie in Google Ads nicht konvertieren wurde.

Menschliche Fehlerbehebung der Attributionsdaten, funktioniert im Falle einer Automatisierung nicht

Heutzutage wird die PPC-Werbung von Tag zu Tag immer mehr automatisiert. Das Problem ist, dass die meisten dieser Automatisierungen Konvertierungsdaten in ihrer Arbeit verwenden.

Und wenn sie auf Keywords im oberen Trichter stoßen, die keiner Konvertierung zugeordnet sind, weil das Messsystem die Last-Click-Attribution verwendet, entscheidet die Automatisierung diese Keywords nutzlos und kann sie entfernen.

Für mich und dich ist klar, dass dies zu schlechten Ergebnissen führen wird. Aber wir können nicht nur die Automatisierung dafür verantwortlich machen.

Die Automatisierung macht ihren Job, aber mit unvollständigen Daten. Dies kann dazu führen, dass sie qualitativ schlechte Entscheidungen trifft, die Menschen bei der manuellen Verwaltung desselben Accounts nicht getroffen hätten.

Ich hoffe, du hast die folgenden drei Dinge daraus verstanden:

  •     Automatisierungen funktionieren nicht von selbst. Sie brauchen immer noch menschliche Hilfe.
  •     Bei der Verwendung von Automatisierung wird es entscheidend, wie Sie die Konvertierung bewerten. Die Zuweisung des letzten Klicks ist eine riskante Option, die bei der Automatisierung verwendet wird.
  •      Unsere Arbeit als PPS-Spezialisten verändert sich: Wir bewegen uns von der manuellen Steuerung zur Implementierung der richtigen Kombination von automatisierten Systemen, die hervorragende Ergebnisse liefern.

Zusammenfassung

Ich weiß, dass ich diesen Artikel nicht beenden kann, ohne eine wichtige Frage zu beantworten. Wenn wir uns nicht mehr auf die Attribution des letzten Klicks verlassen können, welches Modell sollen wir dann verwenden?

Für diejenigen, die nicht wissen, welche Option sie wählen sollen, ist das Time Decay Model das erste, was sie in Betracht ziehen sollten.

Dieses Modell ähnelt der Last-Click-Attribution, hat aber auch den zusätzlichen Vorteil, dass jedem Schritt auf dem Weg zum Kauf mindestens ein gewisser Wert zugewiesen wird.

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.