von
János Moldvay
Marketer stecken viel Zeit, Arbeit und Ressourcen in das Tracking der gesamten Customer Journey ihrer Nutzer. Außerdem optimieren sie den Content stetig und arbeiten daran, die bestmögliche User Experience zu schaffen. Der Fokus auf kurzfristige Optimierungen ist jedoch langfristig weder ausreichend noch zielführend. Denn nicht jeder Kunde ist gleich wertvoll – und nicht jeder Kundenverlust ist ein Verlust. Unternehmen, die nachhaltig wachsen und erfolgreich sein wollen, müssen den Customer Lifetime Value (CLV) in ihrer Marketing-Strategie berücksichtigen. Warum Werbetreibende auf CLV Attribution setzen sollten, erfahren Sie in diesem Beitrag.
Definition: Customer Lifetime Value (CLV)
Alle Marketingaktivitäten sollten idealerweise darauf abzielen, Kunden mit dem höchstmöglichen Customer Lifetime Value (CLV) zu gewinnen und zu binden. CLV meint eine Schätzung des Werts, den die Geschäftsbeziehung mit einem Kunden über seinen gesamten Lebenszyklus einem Unternehmen zufließt. Im Wesentlichen ist es die Summe aus dem, was ein Kunde für die Produkte und Dienstleistungen eines Unternehmens bezahlt hat, abzüglich der Produktionskosten und der Kosten für die Gewinnung und Bindung dieses Kunden. Letztendlich ist das Ziel aller Unternehmen, ihre Kundenlebenswerte zu maximieren.
Was ist CLV Attribution?
CLV-orientiertes Marketing konzentriert sich nicht auf kurzfristige Ziele, wie z. B. eine einzelne Transaktion oder die Gewinnung von möglichst vielen Neukunden. Stattdessen maximiert es den langfristigen Kundenwert über die gesamte Kundenlebensdauer.
Im Zusammenhang mit einem ganzheitlichen Marketing Attribution Ansatz würde dies dann dazu führen, dass Marketingressourcen nicht auf der Grundlage kurzfristiger Gewinne, sondern auf der Grundlage des Kundenlebenswertes zugewiesen werden. Wenn beispielsweise Kanal A einen besseren CPA (Cost per Acquisition) als Kanal B aufweist. Kanal B aber einen besseren CLV-basierten ROAS (Return on ad spend). Dann würde der CLV-orientierte Ansatz mehr Marketing-Budget für Kanal B bereitstellen.
Wie unser Kunde FlixBus dank CLV Attribution seinen Return on Advertising Spend (ROAS) in Social um 233% steigern konnte, erfahren Sie in diesem Video:
Bedeutung des Customer Lifetime Value (CLV) für den E-Commerce
Insbesondere für den E-Commerce ist der CLV von wesentlicher Bedeutung. Viele E-Commerce-Unternehmen kämpfen derzeit noch damit, den Kundenlebenswert in ihrer Marketing-Strategie zu berücksichtigen. Entweder weil ihnen das dafür benötigte Wissen fehlt – oder die richtigen Daten. Oftmals wissen sie nicht, ob der Aufwand, den sie in ihre Marketingaktivitäten stecken, sich am Ende wirklich auszahlt. Marketer stoßen in diesem Zusammenhang häufiger auf folgende Herausforderung: Der Kunde wird über diverse Marketing-Kanäle akquiriert, bringt aber bei der ersten Bestellung kaum Gewinn. Erst bei Folgebestellungen wird er wirklich profitabel.
Das Ziel im Marketing besteht darin, möglichst wenig Geld für diese Folgebestellungen bei bspw. Google oder Facebook für bereits bestehende Kunden auszugeben. Häufig kommen hier dann vermeintlich günstigere Marketing-Kanäle zum Einsatz; z. B. Paid Search Brand oder Retargeting. Diesen Kanälen werden dann die Folgebestellungen zugerechnet. Die ersten Akquisitionskanäle gehen währenddessen leer aus.
Schauen Marketer sich die Kennzahlen dann genauer an, stellen sie fest, dass diese nach einer ROAS- (Return on Advertising Spend) oder CPO-Betrachtung (Cost per Order) zu teuer aussehen. Im Ergebnis bedeutet das: Die Akquisitionskanäle müssen bei Folgebestellungen – also während der gesamten Kundenlebensdauer – ebenfalls berücksichtigt werden.
Hier kommt die CLV Attribution ins Spiel. Ziel ist es, die Marketingkosten exakt zu evaluieren und einzelne Kampagnen zu optimieren. Jedem Touchpoint in einer Customer Journey bis zur Conversion wird hierbei ein bestimmter Anteil am CLV beigemessen. Bei jeder weiteren Conversion werden dann allen – also auch denen der ersten Conversion – Touchpoints-Werte zugeordnet. Das ermöglicht eine genaue Analyse. Durch die CLV-Attribution kann somit ein guter Return On Investment (ROI) für auf den ersten Blick "teure" Kampagnen erreicht und das Marketingbudget gezielt dorthin verschoben werden – weil man überwiegend nur noch die Kunden anspricht, die den größten Kundenlebenswert haben. Vor dem Hintergrund, dass der Wettbewerb im E-Commerce-Bereich stetig zunimmt, stellt dies eine äußerst wertvolle Zukunftsperspektive dar.
Das könnte Sie auch interessieren:
Case Study: Wie Spring mit Hilfe unserer UMM-Lösung seinen ROAS für TV um 256% steigern konnte.
Berechnung des CLV: So funktioniert’s
Die Berechnung der genauen Margen und Gewinne je Kunde, die für eine genaue CLV-Messung notwendig ist, ist recht kostspielig. Denn die Integration von Daten aus Backend-Systemen und Data Warehouses ist dabei oft notwendig, jedoch zeitaufwändig und langwierig. Ein erster Schritt ist daher, mit der Summe aller Einnahmen zu starten, die ein Kunde innerhalb von 12-24 Monaten stellvertretend für den CLV erzielt hat.
Im Vergleich zu einer kurzfristigen, transaktionsorientierten CPO-basierten Marketing Attribution hat dieser Ansatz viele Vorteile und funktioniert in den meisten Fällen gut. Es gibt Fälle, in denen die Summe dieser Erlöse deutlich von einem echten CLV abweicht. Beispielsweise weil Kunden, die häufig oder teuer bestellen, ihre Produkte auch häufiger reklamieren und dadurch unverhältnismäßige Kosten verursachen. In diesen Fällen empfiehlt sich, die Daten aus dem Data Warehouse tatsächlich zu integrieren und die operativen Margen für die Berechnung des CLV zu verwenden.
Das könnte Sie auch interessieren: Webinar-Video zu "Wie Sie die besten Kunden gewinnen und warum der Customer Lifetime Value dabei essentiell ist"
Datengetriebene Marketing Attribution als Grundlage für CLV Attribution
Ein Beispiel: Ein Kunde ist erstmals konvertiert, nachdem er eine Display Ad View gesehen sowie anschließend eine Paid Search Ad geklickt hat. Anschließend klickt er auf eine Generic Keyword Ad.
Nach dieser ersten Bestellung und beispielsweise eine Woche später, klickt er auf eine Brand Paid Search Ad. Danach auf eine Retargeting Ad, nach der er ein zweites Mal eine Bestellung aufgibt. Die kurzfristige, nicht CLV-fokussierte Perspektive würde den Wert für die zweite Conversion bzw. Bestellung nur der Brand Paid Search Ad sowie dem Retargeting Klick zuweisen:
Die einfache CPO- oder ROAS-Perspektive führt dazu, dass nur die erste Bestellung zur Berechnung der Effektivität der generischen Paid Search Ad und der Display Ad View berücksichtigt wird. Der CLV-orientierte Ansatz besteht dagegen darin, datengetriebenes Attribution Modeling anzuwenden, um zu berechnen, wie viel des Wertes der zweiten Bestellung auf die anfängliche Display Ad View und den ersten Paid Search Klick zurückzuführen ist. Das Attributionsmodell sollte beantworten, wie viel von dem generischen Paid Search Klick und der Display Ad View zur zweiten Bestellung beigetragen haben:
Das bedeutet: CLV Attribution ermöglicht, den Marketing-Touchpoints, die in der frühen Phase der Customer Journey stattfinden, einen fairen Wert zuweisen zu können. Eine CPO- oder ROAS-Betrachtung führt im Vergleich dazu, dass diese Marketing-Touchpoints im Ergebnis als unrentabel erscheinen können. Indem sie nur mit dem Wert der ersten Conversion belohnt werden.
Das Ziel der CLV-basierten Attribution ist es, den langfristigen Wert eines Kunden zu berücksichtigen – und dabei den Marketing-Touchpoints vor der ersten Conversion einen Teil dieses langfristigen Wertes zuzuweisen. Basierend auf einem dynamischen, datengetriebenen Attributionsmodell. Marketing-Manager können so intelligentere, effizientere und ganz besonders nachhaltige Marketing-Entscheidungen treffen.
Voraussetzung für ein datengetriebenes, Machine Learning basiertes Attributionsmodell, das zu einer solchen CLV Attribution fähig ist, ist dass es diese Interdependenzen erlernen muss. Machine Learning basiertes Attribution Modeling ist hierbei zunächst keine Bedingung. Dasselbe gilt auch für den vereinfachten, kurzfristigen CPO-Attribution-Ansatz.
Geeignete Trainingssets für das Machine Learning erstellen sowie die die adäquate Stichprobenziehung von nicht-konvertierenden User Journeys, kann eine große Herausforderung darstellen. Weitaus anspruchsvoller ist jedoch, eine ganzheitliche Sicht auf die User Journey über alle Conversions und Marketing-Touchpoints hinweg zu integrieren – und den Modellen zu ermöglichen, zu "lernen", welche Interdependenzen zwischen diesen Conversion Events bestehen.
Google AdWords & CLV Attribution: Proprietäre Kundendaten als Wettbewerbsvorteil
Anhand eines CLV-basierten Attributionsmodells sollten Google AdWords-Anzeigen, Keywords und Kampagnen mit dem besten CLV-Return on Ad Spend bevorzugt werden. Dies bedeutet letztendlich die Abkehr von einer kurzfristigen CPO- oder ROAS-Betrachtung. Die CLV-basierte Attribution ermöglicht zudem, Wettbewerber hinsichtlich wichtiger Keywords zu überbieten und so mehr neue und wertvolle Kunden gewinnen:
Wie das obige CLV Attribution Beispiel verdeutlicht, könnte ein Werbetreibender das Gebot für die generische Paid Search Anzeige deutlich erhöhen. Weil der attribuierte Wert nun nicht mehr nur 90 $, sondern 170 $ beträgt. In einem hart umkämpften Wettbewerbsumfeld, in dem viele Werbetreibende auf die gleiche Menge von Keywords bieten, ist ein CLV-basierter Attributionsansatz daher besonders relevant.
Allgemein gesprochen, ermöglicht die Nutzung proprietärer Kundendaten – wie die Summe der Einnahmen oder des CLV je Kunde – eine differenziertere und wettbewerbsfähigere Budgetallokation im Marketing. Das obige Beispiel zeigt, dass nur der Werbetreibende, der in der Lage ist, CLVs zu verfolgen und über alle Marketing-Kampagnen hinweg zu attribuieren, die AdWords-Angebote entsprechend anpassen und demnach seine Wettbewerber überbieten. Dies gilt nicht nur für Google AdWords, sondern für alle Biddable Kanäle wie Facebook, Instagram, Bing, fast alle DSPs, Twitter, Linkedin oder Retargeting.
Adtriba's CLV Attribution & Google AdWords Integration
Das Attribution Modeling von Adtriba umfasst eine ganzheitliche Betrachtung der User Journey; wie in Abbildung 3 dargestellt. Der im Adtriba-Dashboard angezeigte ganzheitliche ROAS ermöglicht es, die Budgetallokation auf Basis der CLV Attribution anzupassen. Zusätzlich zur Darstellung dieser Performance Metriken im Adtriba-Dashboard, können basierend auf dem Attributionsmodell von Adtriba, die zu den Google AdWords Kampagnen attribuierten CLVs, auf Google Click ID (Gclid) Ebene nach Google AdWords exportiert werden. Gebote können dadurch in Google Ads auf jeglichen Ebenen angepasst werden; von der Keyword-, über die Gruppen- hin zur Kampagnenebene. Alles auf Basis von CLV Attribution.
Google AdWords bietet Machine Learning basiertes "Target ROAS Bidding” als Teil der Smart Bidding-Strategien an, das den Conversion-Wert jeder einzelnen Auktion optimiert. Das “Target ROAS Bidding” kann die CLV Attribution Werte, die von Adtriba nach Google Ads importiert wurden, hierfür nutzen. Daraus ergibt sich eine leistungsstarke Kombination; weil sie zu einer automatisierten und KI-basierten CLV Attribution und Gebotsoptimierung führt:
Warum CLV Attribution Cross-Device Tracking erfordert
Adtriba lässt sich in Mobile App-Tracking-Dienste (z. B. Adjust oder AppsFlyer) und Cross-Device-Tracking-Anbieter (z. B. Tapad oder Roq.ad) integrieren. Mit Hilfe dessen werden Cross-Device Journeys mitberücksichtigt; das heißt, Benutzer über verschiedene Geräte hinweg getrackt und die Kampagneneffizienz entsprechend attribuiert.
CLVs werden dementsprechend über die gesamte User Journey unter Berücksichtigung von Gerätewechseln attribuiert. Geschieht dies nicht, riskiert einen verzerrten Blick auf die Kampagnen Performance.
Ein Beispiel: Angenommen, wenn die zweite Bestellung im obigen Beispiel auf einem anderen Gerät statt auf den ersten beiden Marketing-Touchpoints stattgefunden hat. Ohne Cross-Device Tracking gäbe es keine Möglichkeit, einen Teil des Wertes dieser zweiten Conversion diesem Marketing-Touchpoint zuzuordnen. Und das bedeutet wiederum, dass wir dann wieder bei einer vereinfachten, nicht-CLV-bezogenen Attribution angelangt sind.