Effizientere Bid-Strategien durch Customer-Journey-Analyse

Die Arbeit von Performance-Marketing-Managern hat sich in den letzten Jahren durch den Einsatz selbstlernender Bid-Management-Systeme stark gewandelt. Ein gutes Beispiel hierfür sind die Gebotsstrategien in Google Ads, welche stark verbessert wurden und mittlerweile bei jeder Gebotsauktion Millionen unterschiedliche Signale in die Gebotsvergabe einbeziehen können. Möglich machen dies moderne Machine-Learning-Algorithmen und Artificial Intelligence. Daraus ergeben sich nicht nur viele neue Chancen, sondern auch ein starker Innovationsdruck, um nicht in Zukunft vom Wettbewerb abgehängt zu werden. Laut Reemda Tieben (Data Activation Specialist bei Google) ist es „eine Utopie zu glauben, dass bei den unzähligen Kontakt- und daraus resultierenden Datenpunkten Marketing sich noch per Regeln erfolgreich steuern lässt" (http://einfach.st/twgoo3).

Für Performance-Manager ergibt sich konkret die Herausforderung, Gebotsstrategien möglichst gewinnbringend und kostensensibel bei der Optimierung der Werbeaccounts einzusetzen. Neben den bereits erwähnten Google-Ads-Automatisierungen empfiehlt es sich, einen Blick auf andere Bid-Management-Tools zu werfen. Zum Beispiel können mit Google Search Ads 360 deutlich komplexere Set-ups realisiert werden, die Google Ads nicht unterstützt. Search Ads 360 ist Teil der Google-Marketing-Plattform (vor Rebranding auch bekannt unter Google DoubleClick) und ermöglicht die Erfassung verschiedener Marketing-Kanäle in einem System (Multichannel-Tracking). Außerdem können Gebotsstrategien individuell an die Bedürfnisse des Werbemanagers angepasst werden.

Bei der Gebotsoptimierung von Werbekampagnen müssen Account-Manager eine Vielzahl von Daten und Faktoren berücksichtigen. Natürlich könnte man seine Keywords einfach auf maximale Sichtbarkeit optimieren, also versuchen, bei jeder Auktion unter den Top-Ergebnissen angezeigt zu werden. In den meisten Fällen ist das aber nicht unbedingt wirtschaftlich sinnvoll, da die gezahlten Kosten für einen Klick zu hoch sind, um diese wieder zu refinanzieren. Viele Online-Marketer steuern ihre Kampagnen daher auf feste Zielgrößen (oder auch Key Performance Indicators = KPIs genannt). Solche Größen können etwa Kosten sein, die pro Verkauf ausgegeben werden dürfen (Cost per Order) oder eine bestimmte Relation von ausgegebenem Werbebudget und Umsatz (Kosten-Umsatz-Relation oder Return on Investment). Im Bereich Performance-Marketing sind solche Zielgrößen essenziell, denn der Erfolg der Werbekampagnen hängt von ihnen ab.

Im Falle eines Online-Shops könnte dies zum Beispiel eine Bestellung sein. Der Betreiber eines Online-Shops hat berechnet, dass er 10,00 € investieren kann, um über seine Online-Marketing-Kampagnen eine Bestellung zu generieren. Der Account-Manager hat also die Aufgabe, die Gebote der Kampagnen so zu optimieren, dass der KPI „Cost per Order” von 10,00 € nicht überschritten wird. Wurde die Kampagne erst neu aktiviert und historische Leistungsdaten stehen noch nicht zur Verfügung, wird der Manager zunächst austesten müssen, welche Keywords Verkäufe für den Shop generieren. Im Anschluss müssen dann die Klickpreise so optimiert werden, dass die Leistung der Kampagnen sich auf einen CPO von 10,00 € einpendelt.

Die performanceorientierte Steuerung von Werbekampagnen gehört zu den anspruchsvollsten Aufgaben eines SEA-Managers. Bei der Optimierung der CPC-Gebote ist auf eine Vielzahl von Faktoren zu achten. Neben guten analytischen Fertigkeiten ist auch eine gewisse Erfahrung bei der Optimierung von Kampagnen ausschlaggebend. So erfahren ein Account-Manager aber auch ist: In vielen Fällen bieten Algorithmen gegenüber der manuellen Optimierung erhebliche Vorteile.

Bid-Management-Systeme

Zum besseren Verständnis empfiehlt es sich, die wichtigsten Begrifflichkeiten zu Bid-Management-Systemen zu erörtern. Diese Systeme sollen Managern von Werbeaccounts dabei helfen, die Gebote optimal zu regeln, und versprechen eine Zeitersparnis beim Optimieren. Das Bid-System wird neben historischen Leistungsdaten des Accounts gegebenenfalls auch externe Referenzdaten wie Wetter-Forecast-Daten oder Leistungsdaten vergleichbarer Accounts bzw. gleicher Keywordsets in Betracht ziehen, um daraus eine Prognose für die Zukunft zu erstellen. Die Genauigkeit der Prognose hängt daher von der Menge der Daten ab, die berücksichtigt werden können. Moderne Bid-Management-Systeme sind zudem in der Lage, über Machine-Learning-Algorithmen selbstständig hinzuzulernen, um die Prognosen und die Effektivität der Gebotsvergabe stetig zu verbessern. Auch hier ist die Menge der Daten ausschlaggebend dafür, wie schnell und gut die Optimierung läuft.

Maßstäbe setzt Google mit den Gebotsstrategien in Google Search Ads 360 (zuvor DoubleClick Search). Durch den Einsatz von Machine Learning und KI können Millionen von Signalen berücksichtigt werden. Gebote werden auch auf Segmente wie Gerätetyp, Geo-Location und verschiedene Remarketing-Listen individuell angepasst.

Mit Floodlight, dem Conversion-Tracking-System der Google-Marketing-Plattform, lassen sich zudem neben den gängigen Conversion-Typen wie Sales und Umsatz auch benutzerdefinierte Zielvorhaben erfassen und für die Gebotsstrategien nutzen. Dieser Vorteil kann genutzt werden, um der Gebotsstrategie mehr Informationen für die Optimierung zu liefern. Idealerweise basieren diese Informationen auf einer fundierten Analyse des Verhaltens der Kundenzielgruppen. Über eine Customer-Journey-Analyse können entsprechende Zielvorhaben identifiziert werden. Im Idealfall erhält die Gebotsstrategie so schon wertvolle Optimierungsdaten, auf die Gebote ausgesteuert werden können, bevor ein Kunde eine Bestellung auslöst.

Analyse der Customer Journey

Der Begriff Customer Journey beschreibt den Weg des Kunden bis hin zum Kauf eines Produkts. Der Kunde durchläuft dabei verschiedene Phasen und kommt mit der Marke des Unternehmens mehrfach in Berührung. Bei der Customer-Journey-Analyse werden solche Berührungspunkte (Touchpoints) ausgewertet, um besser zu verstehen, welche Rolle diese beim Verkauf von Produkten spielen. Basierend auf dem klassischen AIDA-Marketing-Konzept (von Attention, Interest, Desire, Action), unterscheidet man heute fünf Phasen in der Customer Journey (siehe Abbildung 3). Die Customer Journey seiner Kunden zu verstehen, ist sehr wichtig, um die eigenen Marketingaktivitäten optimal aufeinander abzustimmen. Auch für den Einsatz eines Bid-Management-Systems ergeben sich Synergien aus einer systematischen Auswertung und Bewertung der einzelnen Touchpoints. Es empfiehlt sich, dabei alle verfügbaren Datensätze in einem System zusammenzuführen, um alle Synergien zu nutzen.

Dabei beschränkt sich die Customer Journey natürlich nicht nur auf online, sondern umfasst gesamtheitlich auch alle Offline-Touchpoints. Die Untersuchungen der Wechselwirkungen zwischen online und offline (z. B. ROPO-Effekte) liefern zentrale Fragestellungen und können mit modernen Trackingmethoden in vielen Fällen bereits ausgewertet werden. Durch „Store Visits” lassen sich zum Beispiel Ladenbesucher erfassen, die zuvor mit einer bezahlten Anzeige in der Google-Suche interagiert haben. Möglich wird dies durch die Auswertung der Geo-Locations der Kunden auf dem Smartphone. Ab Erreichen eines statistisch signifikanten Schwellenwertes können diese Daten zur Optimierung von Werbeaccounts genutzt werden und liefern wichtige Informationen, um die Customer Journey umfassender zu verstehen. Denn wer seine Customer Journey besser versteht, kann die Touchpoints sinnvoll bewerten. Klassische Attributionsmodelle sind oft nicht geeignet, um komplexere Customer Journeys abzubilden. Eine Attribution auf den letzten Klick lässt zum Beispiel alle Touchpoints außer Acht, die nicht direkt vor dem Kauf stattgefunden haben. Laut einer Studie von Exactag waren branchenweit im Schnitt 20 Touchpoints notwendig (https://info.exactag.com/attributionstudy), bis ein Kauf bzw. eine Conversion stattfand.

Auch kann sich eine Customer Journey je nach Kunde von mehreren Tagen bis zu mehreren Monaten erstrecken. Meist kommen dennoch starre Attributionsmodelle zum Einsatz. Auch hier verspricht die datengetriebene Attribution Abhilfe. Machine-Learning-Algorithmen können jede Journey auswerten und den Wert jedes Touchpoints individuell bewerten. Um einen Eindruck zu erlangen, welche Touchpoints für das eigene Unternehmen wichtig sein könnten, empfiehlt sich eine Auswertung Ihrer Conversion-Pfade in Google Analytics. Um weitreichende Insights zu erhalten, kann mit Enhanced Ecommerce Tracking aber auch der komplette Check-out-Prozess der Webseite dezidiert getrackt werden, um den kompletten Conversion-Funnel auswerten zu können.

Customer Lifetime Value

Die Customer Journey von neuen Kunden und wiederkehrenden loyalen Käufern unterscheidet sich meist deutlich. So sind für neue Kunden mehr Kontakte notwendig, bis der Nutzer vom Kauf überzeugt werden kann. Dementsprechend sind die Kosten zur Gewinnung von Neukunden natürlich höher. Mit dem Customer Lifetime Value soll gemessen werden, wie viel ein Verbraucher über die gesamte Lebensspanne als Kunde des Unternehmens für dieses wert ist. Werbemaßnahmen lassen sich dann auch auf Stammkunden ausrichten, um diese möglichst lange an das Unternehmen zu binden. Passende Touchpoints für diesen Teil der Customer Journey lassen sich ebenfalls erfassen und im Sinne eines Attributionsmodells optimieren.

Eventuell ist es langfristig sinnvoller, die Werbekampagnen nicht nur auf einen Performance Indikator (KPI) wie Cost per Conversion auszusteuern, sondern einen eigenen KPI zu entwickeln, der Touchpoints aus der Customer Journey bereits berücksichtigt.

Mehrwerte aus der Customer Journey generieren

Die vorangegangenen Überlegungen zur Customer Journey und dem Nutzerverhalten lassen sich nutzen, um die eigenen Marketing-Kanäle effizienter zu steuern. Für automatisierte Bid-Strategien sind die Erkenntnisse über die Kunden aus Customer Journey, Conversion-Funnel und Customer Lifetime Value hervorragend geeignet, um damit eine effizientere Bid-Logik aufzusetzen. Dazu werden zunächst die Phasen der Customer Journey betrachtet und für jede der Phasen sinnvolle (und trackbare) Ziele definiert. Für die „Discovery”-Phase könnte dies zum Beispiel die Ansicht der Startseite sein oder ein Aufruf des Social-Media-Kanals des Unternehmens, in der Phase der „Awareness” werden dann bereits spezifischere Informationen zum Unternehmen in Form einer E-Broschüre oder durch die Anmeldung zum Newsletter eingeholt etc. (vgl. Abbildung 4). Diese Ereignisse lassen sich durch den Einsatz von Google Analytics oder durch Facebook-Tracking erfassen. Natürlich könnte man bei der manuellen Optimierung der Werbekampagnen nun jeweils diese Metriken berücksichtigen, im Einzelfall wird dies aber den zeitlichen Aufwand der Optimierung zu stark erhöhen. Im Resultat bleiben bei der Gebotsoptimierung die Informationen von Sekundärmetriken meistens unbeachtet. Denn der Account-Manager wird nicht bei jeder Auktion bzw. Gebotsjustierung berücksichtigen können, welche Phasen der Customer Journey ein Nutzer im Vorfeld durchlaufen hat (inklusive getrackter Micro-Conversions). Dies kann nur ein Bid-Management-Tool, das diese Informationen zur Verfügung gestellt bekommt und bei der Gebotsvergabe miteinfließen lässt.

Konfiguration der Gebotsstrategie in Google Search Ads 360

Zur besseren Veranschaulichung und Verständnis empfiehlt sich die Integration anhand eines Beispiels. Ein Online-Händler verkauft in seinem Online-Shop Damenbekleidung. Hauptziel seiner Werbekampagnen ist daher der Abverkauf bzw. die Metriken „Sale” und „Umsatz”. Durch die Auswertung der Kundendaten weiß der Händler allerdings, dass seine Kunden auf seiner Webseite verschiedene Aktionen ausführen, bevor sie sich zum Kauf entschließen. Auch eine Customer-Journey-Analyse wurde bereits durchgeführt, aus der hervorgeht, welche Kanäle für die einzelnen Phasen wichtig sind. Mit diesem Wissen definiert der Händler Metriken und ordnet diese der Customer Journey zu (vgl. Abbildung 4).

Die Customer Journey ist nun abgedeckt, die Frage, in welcher Relation die Metriken zueinander stehen, noch offen. Um dies zu bestimmen, können über eine ausreichend große Stichprobe die Werte der Metriken gemessen werden. Bei einer Stichprobe von 100.000 Nutzern ergeben sich zum Beispiel: 100.000 Ansichten der Startseite, 65.000 Ansichten der Kategorieseiten, 3.000 Downloads der E-Broschüre und 5.000 Sales (siehe auch Abbildung 5).

Die wichtigste Metrik ist für den Händler natürlich der Sale, daher sollte diese auch als Norm für die restlichen Metriken gelten. Wenn für einen Sale die Gewichtung 1,0 fixiert wird, könnte eine Gewichtung der Metriken zum Beispiel so aussehen:

Anzahl der „Artikel in Warenkorb hinzugefügt” = 7.000 und Anzahl der „Sales“ = 5.000 ⇒ 5.000 / 7.000 = 0,7 ⇒ Gewichtung für „Artikel in Warenkorb hinzugefügt“ = 0,7 etc.

Berechnung des Zielwerts „Customer Value“

Um all diese Metriken zu kombinieren, wird ein neuer KPI definiert, zum Beispiel „Customer Value”. Mit diesem sollen alle Ziele aus der Customer Journey mit der errechneten Gewichtung addiert werden. In Google Search Ads 360 erlaubt die Funktion „Formelspalten” die Definition benutzerdefinierter Formeln. Die Metriken müssen mit Floodlight oder Google-Analytics-Tracking erfasst werden und stehen dann in Search Ads 360 zur Auswahl (z. B. “c:”Ansicht - Kategorie”).

Integration des „Customer Value“ in die Gebotsstrategie

Der neue Wert „Customer Value” wird nun von Search Ads 360 dynamisch berechnet und steht in den Gebotsstrategien zur Verfügung, d. h., diese können direkt darauf optimieren. Die Gebotsstrategie aus Abbildung 1 und 2 mit Ziel-CPA 10,00 € soll nun auf den neuen „Customer Value” modifiziert werden (unter Conversion-Quelle steht nun „Customer Value“ zur Auswahl). Natürlich reicht es nicht aus, die Gebotsstrategie einfach von 10,00 € pro CPO auf 10,00 € pro „Customer Value” umzustellen. Durch die Addition der neuen Metriken ergibt sich bereits ein höheres Conversion-Level. Dieses wird am besten pro Kalenderwoche in Form einer Excel-Tabelle festgehalten (Abbildung 7). Aus wöchentlich 275 Sales werden so zum Beispiel 1.420 „Customer Value”. Der CPO von 10,07 € sinkt so auf einen „Cost per Customer Value” von 1,95 €. Die Gebotsstrategie sollte daher auf den neuen Conversion-Typ „Customer Value” und einen „Ziel-CPA” von 2,00 € umgestellt werden. Um die Differenz zwischen Sales und „Customer Value” zu beobachten, sollte die Kalenderwoche-Tabelle auch weiterhin geführt werden, um zu überprüfen, dass bei der Optimierung durch die Gebotsstrategie neben der Anzahl des „Customer Values” wöchentlich auch die Anzahl der Sales steigt und der CPO-Wert nicht überschritten wird. Je länger das System läuft, umso stabiler werden aber auch die Zahlenwerte. Auch die Gewichtung der Metriken in der Formelspalte können nach einigen Wochen durch eine erneute Stichprobenberechnung nachjustiert werden.