Attributiemodellering in een kookloze wereld
Geschreven door Joleen Bothma
"Als uw site cookies van derden gebruikt, is het tijd om actie te ondernemen nu de afschaffing ervan nadert.
Attributiemodellering stelt marketeers in staat om deze cruciale vraag te beantwoorden: "Hoe kan ik het beste mijn marketinguitgaven toewijzen om de ROI te maximaliseren?". Met andere woorden, marketingattributiemodellen stellen marketeers in staat om de marketingkanalen en contactmomenten tijdens het kooptraject te crediteren die ervoor hebben gezorgd dat een lead converteerde.
Traditioneel domineren methodes zoals eerste-klik en laatste-klik attributie. Ze zijn sterk afhankelijk van gegevens uit cookies van derden om gebruikersinteracties op het web te volgen.
Populaire webbrowsers hebben echter al afscheid genomen van cookies van derden. Het laatste bedrijf, Google, kondigt eindelijk ook plannen aan om cookies van derden geleidelijk uit te bannen in zijn Chrome-browser. In hun woorden, "Als uw site cookies van derden gebruikt, is het tijd om actie te ondernemen nu we de afschaffing ervan naderen".
Google heeft ook een tijdlijn vrijgegeven waarin de aanstaande uitfasering wordt samengevat. Op 4 januari 2024 hadden ze cookies al beperkt voor ongeveer 1% van de Chrome-gebruikers. In 2025 zullen ze de volledige uitfasering versnellen.
Deze stap is grotendeels positief omdat het de privacy van gebruikers sterk verbetert. Het stelt ons echter voor een uitdaging: traditionele attributiemodellen zullen hun effectiviteit verliezen zonder cookiegegevens van derden.
Dit artikel bespreekt attributiemodellen en hun alternatieven. We presenteren ook een casestudy over hoe we marketingmixmodellen met succes hebben geïmplementeerd voor een toonaangevend reisbureau.
De uitdaging van traditionele attributiemodellen
Traditionele attributiemodellen kennen krediet toe aan verschillende touchpoints in het consumententraject, elk met hun eigen methode om waarde toe te kennen.
Hier zijn enkele veelgebruikte traditionele modellen:
Eerste klik: Is het eerste contactpunt waarmee een klant in contact komt voordat hij converteert. Het benadrukt het belang van de eerste betrokkenheid.
Laatste klik: Wijst alle credits toe aan het laatste touchpoint voor conversie, waarbij prioriteit wordt gegeven aan de actie die direct tot de verkoop heeft geleid.
Lineair: Verdeelt krediet gelijkmatig over alle contactpunten, waarbij de rol van elke interactie in het hele klanttraject wordt erkend.
Tijdsverloop: Kent meer krediet toe aan touchpoints die dichter bij de conversie plaatsvinden, ervan uitgaande dat recentere acties meer invloed hebben.
Multi-Touch: een dynamische en probabilistische benadering voor het begrijpen en toewijzen van conversies, die rekening houdt met de veelzijdige en complexe aard van moderne consumentenreizen.
Deze modellen zijn sterk afhankelijk van het volgen van gebruikersinteracties, voornamelijk via cookies van derden, op websites en platforms. Deze cookies volgen de digitale voetafdrukken van gebruikers op internet, leveren de gegevens die nodig zijn voor attributiemodellen en helpen marketeers hun strategieën te optimaliseren.
Deze traditionele modellen hebben echter te maken met aanzienlijke betrouwbaarheidsproblemen door de geleidelijke afschaffing van cookies van derden.
Zonder cookies van derden wordt het lastig om gebruikersgedrag op meerdere sites te volgen. Het verstoort de gegevensstroom die nodig is om conversiekrediet nauwkeurig toe te wijzen aan verschillende marketingcontactpunten. Als gevolg daarvan kunnen marketeers onvolledige of onjuiste gegevens zien, wat leidt tot minder goed geïnformeerde beslissingen over waar ze hun marketinguitgaven aan moeten besteden.
Waarom nu alternatieve attributiemodellen overwegen?
"Koekjes zijn alleen bedoeld om opgegeten te worden!"
Nu cookies van derden overbodig worden, moeten bedrijven hun attributiemodellen opnieuw evalueren om de nauwkeurigheid en effectiviteit van hun marketingactiviteiten te behouden.
Het eerder vroeger dan later invoeren van nieuwe modellen is niet alleen een reactie op technologische veranderingen, maar ook een proactieve stap in de richting van aanpassing aan wereldwijde trends naar meer gegevensprivacy.
Deze overgang van cookies van derden maakt deel uit van een bredere beweging om de privacy van consumenten te verbeteren. Regelgeving zoals de GDPR in Europa en de CCPA in Californië hebben precedenten geschapen die het belang van de bescherming van gebruikersgegevens benadrukken. Deze veranderingen geven een duidelijke richting aan van invasieve trackingpraktijken naar meer privacybewuste methoden.
Bedrijven die deze regels niet naleven, kunnen juridische gevolgen krijgen en schade oplopen aan hun reputatie en het vertrouwen van klanten.
Marketingmixmodellering is een robuust alternatief, waarmee we geaggregeerde gegevens kunnen analyseren in plaats van te vertrouwen op tracking op gebruikersniveau.
Marketingmix-modellen begrijpen
Marketingmixmodellen (MMM's) bestaan uit een groep statistische technieken die worden gebruikt om de impact van verschillende marketingactiviteiten op verkoopresultaten te kwantificeren.
Deze modellen analyseren historische gegevens om te begrijpen hoe verschillende elementen van de marketingmix, zoals reclame, promoties, prijzen en distributie, bijdragen aan deze verkoopresultaten.
Terwijl traditionele attributiemodellen zich richten op gegevens op gebruikersniveau om individuele consumentenreizen over touchpoints te volgen, maken MMM's gebruik van geaggregeerde gegevens op een hoger niveau.
Traditionele modellen schrijven verkoop direct toe aan specifieke interacties of contactmomenten. MMM's daarentegen maken gebruik van statistische analyses om de effectiviteit van verschillende marketingactiviteiten in de loop van de tijd af te leiden. Deze modellen kunnen vaak externe factoren meenemen, zoals economische omstandigheden en acties van de concurrentie.
Voordelen van marketingmixmodellen
Marketingmixmodellen zijn niet afhankelijk van individuele gebruikersgegevens, waardoor ze inherent voldoen aan de privacyregels.
Door bredere markttrends en externe factoren zoals economische omstandigheden en acties van concurrenten te analyseren, bieden MMM's diepere inzichten die helpen bij strategische besluitvorming.
Deze modellen kunnen zich ook aanpassen aan veranderingen in marketingstrategieën en consumentengedrag zonder dat daarvoor gedetailleerde tracking nodig is.
Google heeft een onderzoek gepubliceerd waarin de uitdagingen en kansen in marketingmixmodellering. Het is een must-read als je geïnteresseerd bent in de technische details achter MMM's.
Python-bibliotheken voor marketingmixmodellen
De programmeertaal Python is de eerste keuze voor data-analyse en machine learning. Terwijl we de overgang naar marketingmixmodellen verkennen, is het essentieel om ook vertrouwd te raken met de bijbehorende Python-bibliotheken.
Twee van de populairste Python-bibliotheken voor het ontwikkelen en implementeren van MMM's zijn:
LichtgewichtMMM van Google: Dit Python-pakket is ontwikkeld door Google en is speciaal ontworpen voor marketingmixmodellering. LightweightMMM gebruikt Bayesiaanse structurele tijdreeksmodellen om de incrementele impact van marketingtactieken op de verkoop of andere statistieken in te schatten.
Facebook's Robyn: Robyn, ontwikkeld door Facebook, is een iteratief, semi-geautomatiseerd marketingmix-modelleringspakket. Hoewel het oorspronkelijk is ontworpen voor de programmeertaal R, hebben ze onlangs een API uitgebracht waarmee je Robyn met Python.
Casestudie: Succes met mixmodellen
Door over- en onderinvesteringen in marketingbudgetten bij verschillende kanalen te identificeren, kon onze klant middelen effectiever toewijzen om ROI maximaliseren.
Een toonaangevend reisbureau moest de effectiviteit van marketinginspanningen over verschillende kanalen evalueren en hun toewijzing van marketingbudgetten verbeteren.
Methodologie
We gebruikten marketingmixmodellering om historische gegevens te analyseren en de impact van verschillende marketingactiviteiten op de verkoopresultaten te kwantificeren.
We keken naar factoren zoals de manier waarop de advertenties werden gecommuniceerd, de apparaten waarop ze werden bekeken en of ze gericht waren op specifieke producten.
Daarnaast konden we met behulp van MMM's ook analyseren en visualiseren hoe deze verkoopresultaten in de loop van de tijd veranderden en of er seizoensgebonden trends waren die we in onze modellen moesten verwerken.
Met behulp van backtesting-technieken konden we onze modellen valideren, waardoor een hoge mate van betrouwbaarheid in onze resultaten werd gegarandeerd.
Resultaten
We stelden de klant in staat om waardevolle inzichten te krijgen in hoe verschillende marketingkanalen reageerden op marketingactiviteiten, waardoor geïnformeerde besluitvorming mogelijk werd.
Door over- en onderinvesteringen in marketingbudgetten bij verschillende kanalen te identificeren, kon onze klant middelen effectiever toewijzen om de ROI te maximaliseren.
In tv-reclame konden we bijvoorbeeld laten zien dat er nog ruimte was voor extra investeringen omdat de ROI nog niet zijn maximale potentieel had bereikt.
ROI van TV-investeringen
Aan de andere kant toonden we een verminderde ROI in radioreclame als gevolg van overinvestering in dit kanaal.
ROI van radio-investeringen
Inzicht in de meest effectieve manieren om met klanten te communiceren hielp onze klant ook om hun berichtgeving en targetingstrategieën aan te passen voor een betere betrokkenheid en conversie.
Tot slot identificeerde de analyse interacties tussen verschillende marketingkanalen, waardoor synergieën en kansen voor geïntegreerde marketingcampagnes aan het licht kwamen.
Uw organisatie voorbereiden op de overgang
1. Teams opleiden en trainen
Workshops organiseren om marketingteams te informeren over de aanstaande uitfasering van cookies van derden en de gevolgen daarvan.
Trainingssessies aanbieden die gericht zijn op de nieuwe tools en technieken voor het modelleren van de marketingmix.
Overweeg het inschakelen van externe experts voor gespecialiseerde training of schrijf je in voor online cursussen over geavanceerde marketinganalyse.
2. Geleidelijk nieuwe modellen integreren
Begin met proefprojecten die nieuwe attributiemodellen gebruiken naast bestaande methoden. Deze dubbele fase stelt teams in staat om resultaten te vergelijken en vertrouwen te krijgen in de nieuwe modellen.
Voordat je overgaat op complexere Bayesiaanse of agentgebaseerde modellering, kun je overwegen om eerst te beginnen met basismodellen op basis van regressie in vroege proefprojecten.
Je zou de nieuwe modellen ook gefaseerd kunnen implementeren, te beginnen met minder kritieke campagnes om risico's te beheersen en geleidelijk uit te breiden naar belangrijkere campagnes naarmate de organisatie meer expertise en vertrouwen krijgt.
3. Gegevensinfrastructuur verbeteren
Ervoor zorgen dat gegevensbeheerpraktijken robuust genoeg zijn om de soorten gegevens te verwerken die nodig zijn voor marketingmixmodellering en tegelijkertijd een hoge gegevenskwaliteit garanderen.
Technologische middelen beoordelen en zo nodig upgraden, zoals oplossingen voor gegevensopslag en analytische tools die de nieuwe attributiemodellen ondersteunen.
De toekomst van attributiemodellen omarmen met Agilytic
De kernvraag bij attributiemodellen is hoe marketinguitgaven het beste kunnen worden toegewezen om de ROI te maximaliseren.
De overgang naar alternatieve modelleringstechnieken voor attributie kan soepel verlopen met de juiste hulpmiddelen en strategieën.
Op Agilytic hebben we door onze ervaring met het implementeren van marketingmixmodellen - zoals we hebben laten zien in onze casestudy met een toonaangevend reisbureau - de expertise en inzichten verworven die nodig zijn om andere bedrijven te begeleiden bij soortgelijke transities.
Ons succes in het verbeteren van marketingstrategieën door middel van geavanceerde attributiemodellen bewijst hoe waardevol het is om af te stappen van verouderde, cookie-afhankelijke methodes.
We begrijpen dat de overgang naar nieuwe modellen ontmoedigend kan lijken. Daarom bieden we oplossingen op maat die naadloos aansluiten op uw bestaande workflows, ondersteund door uitgebreide training en ondersteuning.
