Den Wert von Marketingkommunikation modellieren

Drei Dashboards, drei Sieger, ein Quartal

Stell dir das Quartalsmeeting bei Werkbank vor, dem Rails SaaS für Handwerksbetriebe, das in dieser Serie immer wieder auftaucht. Achttausend Leads liegen im CRM: Tischler, Elektriker, Installateure und kleine Werkstattbesitzer, die eine Angebotsvorlage heruntergeladen oder eine Demo angeschaut haben. Im Quartal haben sie Mails, Webinareinladungen und Retargeting Anzeigen bekommen. Dann präsentieren drei Leute. Das Mailtool meldet 430 Trials, die nach einem Klick auf eine Mail gestartet wurden. Die Webinarplattform meldet 210 Trials von Registrierten. Die Retargeting Plattform meldet 540 Conversions, die meisten davon "View Through", der Lead hat also eine Anzeige gesehen und später ein Trial gestartet, ohne irgendwo zu klicken. Macht zusammen 1.180 Trials. Die Produktdatenbank sagt, im Quartal wurden 800 Trials gestartet, und ein guter Teil davon kam von Leuten, die sich ohnehin angemeldet hätten.

Alle in diesem Raum haben laut ihrem eigenen Bildschirm recht, und die Summe ist trotzdem unmöglich. Das ist das Problem, das dieses Kapitel löst. Nicht "welcher Kanal bekommt den Verdienst", eine politische Frage, sondern "was ist eine Mail mehr, eine Webinareinladung mehr, eine Retargeting Impression mehr tatsächlich wert, und wann höre ich auf". Das sind Modellierungsfragen mit ehrlichen Antworten, und die Antworten verschieben Budget meistens dorthin, wo die Plattformen lieber nicht hinschauen lassen.

Wo das in der Serie steht

Das ist das fünfzehnte von 21 Kapiteln und das erste von Teil vier, in dem es um Medien und Loyalität geht. Es folgt auf Werkzeuge der Segmentierung: k means, Latent Class und mehr als RFM, und das ist kein Zufall: Die Kontaktstrategie am Ende dieses Kapitels wird pro Segment festgelegt, die Segmente des letzten Kapitels sind also die Zeilen der Tabellen in diesem. Das nächste Kapitel, Media Mix Modelling: Adstock, Sättigung und wohin das nächste Budget geht, hebt denselben Gedanken vom einzelnen Lead auf das gesamte Budget und ergänzt Gedächtnis und Sättigung über die Zeit.

Zugeschriebener Wert und inkrementeller Wert sind zwei verschiedene Dinge

Zugeschriebener Wert ist das, was sich eine Plattform nach einer Regel selbst anrechnet. Last Click ist die häufigste Regel: Welcher Kontakt vor der Conversion der letzte war, bekommt das ganze Trial. View Through ist noch grosszügiger: Eine Anzeige, die bloss auf einer Seite gerendert wurde, die der Lead besucht hat, bekommt auch Anerkennung. Regeln sind keine Messungen. Sie können dir nicht sagen, was ohne den Kontakt passiert wäre, und genau das ist die einzige Definition von Wert, die den Kontakt mit einem Finanzchef überlebt.

Inkrementeller Wert ist die Differenz zwischen dem, was mit der Kommunikation passiert ist, und dem, was ohne sie passiert wäre, mal dem Wert einer Reaktion. Das ist ein Kontrafaktum, für einen einzelnen Lead nie beobachtbar. Du schätzt es auf zwei Wegen, die zusammenpassen sollten: mit einem Reaktionsmodell über alle Leads, das die Form des Zusammenhangs zwischen Kontakten und Reaktion liefert, und mit einer Kontrollgruppe, dem Holdout, das eine saubere Messung des Niveaus liefert. Ich nutze beides, und wenn sie sich widersprechen, vertraue ich beim Niveau dem Holdout und bei der Form dem Modell. Die allgemeine Logik, wie man Wirkung beweist, steht in Fünf Wege, um zu beweisen, dass eine Kampagne wirklich gewirkt hat; dieses Kapitel ist die Fassung mit Gleichungen und einem Kontaktplan am Ende.

Das Modell für den Wert der Marketingkommunikation

Das Kernmodell sagt: Die Wahrscheinlichkeit, dass ein Lead in einer Periode reagiert, ist eine Funktion davon, wie oft ihn jeder Kanal berührt hat, mit abnehmendem Grenznutzen pro Kanal, plus Wechselwirkungen zwischen den Kanälen, plus dem, was wir über den Lead wissen. Für die drei Kanäle von Werkbank ausgeschrieben:

$$T_i = \beta_0 + \beta_e \ln(1+E_i) + \beta_w \ln(1+W_i) + \beta_r \ln(1+R_i) + \beta_{er} \ln(1+E_i)\ln(1+R_i) + \gamma^\top X_i + \varepsilon_i$$

Dabei ist $T_i$ gleich 1, wenn Lead $i$ im Quartal ein Trial gestartet hat, sonst 0. $E_i$ ist die Anzahl der Mails, die der Lead bekommen hat, $W_i$ die Anzahl der Webinareinladungen, $R_i$ der Retargeting Kontakt in Blöcken von zehn Impressions, weil einzelne Impressions eine zu feine Einheit sind, um etwas zu bedeuten. $\beta_0$ ist der Achsenabschnitt, die Reaktionsrate eines Leads, der gar nichts bekommen hat. $\beta_e$, $\beta_w$ und $\beta_r$ sind die Kanaleffekte, $\beta_{er}$ die Wechselwirkung zwischen Mail und Retargeting, $X_i$ ein Vektor von Leadmerkmalen wie Segment und Alter des Leads mit Koeffizienten $\gamma$, und $\varepsilon_i$ der Fehler. Die Eins im Logarithmus hält Leads ohne Kontakte in den Daten, weil der Logarithmus von null nicht existiert.

Warum der Logarithmus? Weil eine erste Mail an einen Lead, der seit Monaten nichts von dir gehört hat, viel mehr bewirkt als die zwölfte. Die Logform kodiert genau das: Jeder weitere Kontakt bringt weniger als der davor, nie ganz nichts und nie etwas Negatives. Diese letzte Eigenschaft ist eine Einschränkung, kein Vorteil. Echte Menschen haben sehr wohl irgendwann genug, und wir behandeln die Ermüdung auf der Kostenseite, statt die Kurve zu verbiegen.

Ich habe das als lineares Wahrscheinlichkeitsmodell geschrieben, das ein 0/1 Ergebnis direkt regressiert. Die logistische Regression ist die respektablere Wahl, und ich rechne beide; die lineare Fassung hält die Grenzwerte unten ohne Taschenrechner lesbar, und bei Reaktionsraten zwischen 2 und 20 Prozent stimmen beide so gut überein, dass sich der Kontaktplan nicht ändert.

Die Zahl, die für eine Entscheidung zählt, ist kein Koeffizient. Es ist der Grenzwert eines weiteren Kontakts: die Ableitung der erwarteten Reaktion nach den Kontakten, mal dem Wert einer Reaktion:

$$MV_E = V \cdot \frac{\partial \mathbb{E}[T]}{\partial E} = V \cdot \frac{\beta_e + \beta_{er}\ln(1+R)}{1+E}$$

$MV_E$ ist das Geld, das eine weitere Mail voraussichtlich bringt, $V$ ist der Wert einer Reaktion, bei Werkbank die erwartete Bruttomarge eines Trials, und der Bruch sagt, um wie viel eine weitere Mail die Trialwahrscheinlichkeit hebt, wenn der Lead schon $E$ Mails und $R$ Blöcke Retargeting bekommen hat. Bei $E = 0$ gilt der ganze Koeffizient, bei $E = 9$ nur ein Zehntel davon, und Retargeting macht jede Mail wirksamer, dafür ist der Wechselwirkungsterm im Zähler da.

Setz den Grenzwert gleich den Kosten eines Kontakts, und du bekommst die optimale Frequenz:

$$E^{*} = \frac{V \left(\beta_e + \beta_{er}\ln(1+R)\right)}{c_e} - 1$$

$E^{*}$ ist die Anzahl Mails pro Quartal, bei der die nächste mehr kosten würde, als sie bringt, und $c_e$ sind die vollen Kosten einer Mail an einen Lead, die ich gleich sauber definieren werde, weil genau dort die meisten Frequenzoptimierer scheitern.

Drei Kanäle bei Werkbank, eine Kurve pro Kanal

Ich habe das Modell auf die 8.000 Leads und ein Quartal an Kontakten gerechnet. Die Zahlen sind illustrativ, aber die Formen und die Argumente sind die, die ich in echten Kundendaten sehe. Der Wert eines Trials, $V$, liegt bei 300 €: Etwa 22 Prozent der Trials werden zu einem bezahlten Plan, und ein zahlender Werkbank Kunde bringt über seine erwartete Lebensdauer rund 1.360 € Bruttomarge.

Term	Koeffizient	Standardfehler	Was er sagt
Achsenabschnitt	0,020	0,004	2,0 % der Leads starten ein Trial ganz ohne Kontakt
ln(1 + Mails)	0,010	0,002	Die erste Mail bringt 0,7 Punkte, die ersten zehn 2,4
ln(1 + Webinareinladungen)	0,030	0,006	Eine Einladung bringt 2,1 Punkte, der stärkste Hebel
ln(1 + Retargeting, je 10 Impressions)	0,008	0,003	Zehn Impressions bringen 0,6 Punkte
ln(1 + Mails) x ln(1 + Retargeting)	0,002	0,001	Zusammen mehr als die Summe der Teile
Segment: wachsender Betrieb	0,014	0,004	3 bis 10 Mitarbeiter, 1,4 Punkte über den Einzelunternehmern
Segment: etablierte Firma	0,006	0,005	Nicht von null unterscheidbar
ln(Leadalter in Monaten)	minus 0,004	0,002	Ältere Leads reagieren etwas weniger

Lies das Zeile für Zeile. Der Achsenabschnitt ist die Basis: 2 Prozent der Leads hätten dieses Quartal ein Trial gestartet, wenn das Marketing auf Urlaub gewesen wäre, bei 8.000 Leads sind das 160 Trials, für die niemand den Verdienst beanspruchen sollte. Der Mailkoeffizient sieht winzig aus, und Koeffizienten auf Logtermen tun das immer; von null auf eine Mail multipliziert 0,010 mit $\ln 2 = 0{,}69$, also 0,7 Prozentpunkte, von null auf zehn Mails mit $\ln 11 = 2{,}40$, also 2,4 Punkte. Die zehnte Mail hat ungefähr ein Zehntel von dem gebracht, was die erste gebracht hat. Webinareinladungen sind pro Kontakt der stärkste Hebel, keine Überraschung, wenn das Webinar die Terminplanungssoftware live zeigt. Retargeting alleine ist bescheiden. Die Wechselwirkung ist die interessante Zeile: Ein Lead, der gleichzeitig retargetet wird, reagiert auf jede Mail stärker. Die Segmentterme kommen direkt aus der k means Arbeit des letzten Kapitels, und der Term für das Leadalter sagt, dass ein Lead aus 2024 kein Lead vom letzten Monat ist.

Das R Quadrat eines solchen Modells ist niedrig, etwa 0,06, und das ist in Ordnung. Wir erklären ein binäres Ergebnis mit einer Handvoll Kontaktzählern; es geht nicht darum vorherzusagen, welche Person ein Trial startet, sondern wie sich die Rate bewegt, wenn sich die Kontakte bewegen. Was ich prüfe: dass die Koeffizienten in einem zweiten Quartal halten und dass ein Dezilchart von vorhergesagten gegen tatsächliche Trialraten monoton ist.

Abnehmender Grenznutzen pro Kanal: Webinareinladungen (oben), Mails (Mitte) und Retargeting in Blöcken von zehn Impressions (unten). Jede Kurve ist am Anfang steil und am Ende flach.

Den Grenzwert lesen: wann du aufhörst zu senden

Jetzt das Geld. Mit $V$ bei 300 € und $\beta_e$ bei 0,010 ist der Grenzwert einer weiteren Mail an einen Lead ohne Retargeting $300 \times 0{,}010 / (1+E)$, also 3 € geteilt durch eins plus die schon gesendeten Mails. Die erste Mail ist 3,00 € wert, die vierte 0,60 €, die zehnte 0,27 €.

An der Kostenseite bricht die naive Version dieser Analyse zusammen. Eine Mail kostet im Versand vielleicht zwei Cent, und wären das die ganzen Kosten, würde die Formel 149 Mails pro Quartal empfehlen, was die Definition eines Spamfilters für eine Kontaktstrategie ist. Die echten Kosten einer weiteren Mail enthalten die Chance, dass sich der Lead abmeldet, und den Wert, der dabei verloren geht. Bei den Einzelunternehmern von Werkbank liegt die Abmelderate pro Mail bei etwa 0,5 Prozent, und ein lebender Lead auf der Liste ist rund 40 € an erwarteten künftigen Trials wert, also trägt jede Mail 0,20 € erwarteten Listenschaden zusätzlich zu den 0,02 € Versand. Nennen wir es 0,22 €. Das ist $c_e$, und das macht das Optimum vernünftig.

Die fallende Kurve ist der Grenzwert der nächsten Mail; die flache Linie sind ihre vollen Kosten inklusive erwartetem Abmeldeschaden. Wo sie sich schneiden, liegt die optimale Frequenz, hier rund 14 Mails pro Quartal für den durchschnittlichen Lead.

Dieselbe Rechnung pro Segment ist die Kontaktstrategie. Koeffizient, Abmelderate und der Wert eines Leads auf der Liste unterscheiden sich je Segment, also tut es das Optimum auch:

Segment	Mailkoeffizient	Volle Kosten pro Mail	Optimale Mails pro Quartal	Aktuell	Entscheidung
Einzelunternehmer	0,006	0,22 €	7	12	Auf vierzehntägig kürzen
Wachsende Betriebe	0,012	0,18 €	19	12	Auf wöchentlich plus eine Extramail im Monat erhöhen
Etablierte Firmen	0,009	0,30 €	8	12	Auf vierzehntägig kürzen

Für die Einzelunternehmer: 300 € mal 0,006 geteilt durch 0,22 €, minus eins, ergibt etwa 7. Bei den wachsenden Betrieben ist der Koeffizient doppelt so gross und der Listenschaden kleiner, also liegt das Optimum bei 19. Etablierte Firmen reagieren ordentlich, aber ein verlorener Lead kostet dort mehr, weil eine etablierte Firma, die konvertiert, mehr Seats kauft; die Kosten pro Mail sind höher und das Optimum fällt auf 8 zurück. Werkbank hatte allen zwölf Mails pro Quartal geschickt. Zwei Segmente wurden zu oft kontaktiert, eines zu selten, und die Gesamtzahl der Mails ändert sich kaum. Was sich ändert, ist, wer sie bekommt.

Noch etwas zeigt die Formel: Für Leads, die zusätzlich im Retargeting Pool bei rund 15 Blöcken Impressions liegen, steigt der effektive Mailkoeffizient von 0,010 auf etwa 0,0155, und das Optimum wandert von 14 auf rund 22. Kanäle müssen gemeinsam geplant werden; ein Frequenzlimit, das im Mailtool gesetzt wird, ohne auf die Anzeigenplattform zu schauen, ist Raten. Das ist Marginaler ROI statt durchschnittlicher ROI, angewendet auf einen Kontakt nach dem anderen.

Webinareinladungen und Retargeting laufen durch denselben Optimierer. Bei etwa 2,50 € pro Einladung inklusive Produktion des Webinars liegt das Optimum bei zwei bis drei pro Quartal; Werkbank hatte eines gefahren. Retargeting bei effektiven 0,15 € je zehn Impressions, Ermüdung eingerechnet, landet bei rund 15 Blöcken, also 150 Impressions pro Lead und Quartal, knapp unter zwei pro Tag, und genau dort gehört das Frequenzlimit hin.

Inkrementeller Wert gegen das, was die Plattformen behauptet haben

Hier ist die Tabelle, die den Streit im Quartalsmeeting beendet hat. Ausgaben sind die Quartalskosten pro Kanal inklusive Arbeitszeit. Die Plattformspalte ist das, was jede Plattform gemeldet hat. Die Modellspalte zerlegt die 800 tatsächlichen Trials mit den Koeffizienten oben auf den tatsächlichen Kontaktniveaus. Die Holdout Spalte ist gemessene Wirkung, beschrieben im nächsten Abschnitt.

Kanal	Ausgaben	Trials laut Plattform	Inkrementelle Trials, Modell	Inkrementelle Trials, Holdout	Inkrementeller Wert zu 300 €	Wert pro ausgegebenem Euro
Mail	3.200 €	430	205	175	52.500 €	16,4
Webinare	6.000 €	210	165	150	45.000 €	7,5
Retargeting	7.200 €	540	125	110	33.000 €	4,6
Wechselwirkung Mail x Retargeting	in beiden enthalten	nicht gemeldet	80	nicht trennbar	24.000 €	geteilt
Basis, kein Kontakt	0 €	0	225		0 €
Summe	16.400 €	1.180	800

Die Plattformen haben 1.180 Trials für ein Quartal beansprucht, das 800 hervorgebracht hat, und nichts für die 225 Leads, die sich sowieso angemeldet hätten. Retargeting ist die schärfste Lektion: 540 behauptete Conversions, die zu je 300 € einen Wert von 162.000 € auf 7.200 € Ausgaben ergeben, also 22,5 zu eins. Das Holdout sagt 110 inkrementelle Trials, 33.000 €, 4,6 zu eins. Immer noch profitabel, aber ein Fünftel der Behauptung: View Through Attribution rechnet sich an, Leuten eine Anzeige gezeigt zu haben, die schon auf dem Weg zur Anmeldeseite waren. Mail ist das Spiegelbild, von Last Click unterbewertet, weil Mails Leute anwärmen, die dann über eine Suche oder einen Direktbesuch konvertieren. Die Webinarzahlen stimmen über alle drei Spalten einigermassen überein, was passiert, wenn ein Kanal vom Lead eine echte Handlung verlangt. Sobald du diese Tabelle hast, wird die Budgetfrage zu der, die ich in Wohin soll dein nächster Marketing Euro gehen gestellt habe: in den Kanal, dessen nächster Euro am meisten verdient, nicht dessen durchschnittlicher.

Die Zeile mit der Wechselwirkung finden viele seltsam. Achtzig Trials gehören Mail und Retargeting gemeinsam und lassen sich ohne Regel nicht aufteilen, und ich weigere mich, eine zu erfinden. Ich weise sie als geteilten Wert aus und entscheide auf Ebene des Paares: beide kürzen, beide behalten oder Budget verschieben. Diese Frage beantwortet das Modell sauber.

Holdout Gruppen: der Goldstandard

Ein Holdout ist eine zufällige Teilmenge von Leads, die die Kommunikation nicht bekommt. Alles andere an ihnen ist im Erwartungswert identisch, also ist die Differenz der Trialrate der kausale Effekt der Kommunikation. Das Modell kann das nicht ersetzen, weil es voraussetzt, dass die Verteilung der Kontakte über die Leads nicht selbst von der Kaufwahrscheinlichkeit getrieben wird, und im echten Marketingbetrieb ist das immer teilweise falsch: Der Vertrieb ruft die heissen Leads an, und der Retargeting Algorithmus zeigt Leuten mehr Anzeigen, die sich wie Käufer verhalten.

Das Holdout Design für Mail bei Werkbank. Randomisiert wird innerhalb der Segmente, damit beide Gruppen denselben Mix aus Einzelunternehmern, wachsenden Betrieben und etablierten Firmen haben.

Die Wirkung und ihre Unsicherheit:

$$\widehat{L} = \bar{y}_T - \bar{y}_H, \qquad SE(\widehat{L}) = \sqrt{\frac{p_T(1-p_T)}{n_T} + \frac{p_H(1-p_H)}{n_H}}$$

$\widehat{L}$ ist die geschätzte Wirkung, $\bar{y}_T$ und $\bar{y}_H$ sind die Trialraten in Testgruppe und Holdout, $p_T$ und $p_H$ dieselben Raten für die Varianz, und $n_T$ und $n_H$ die Gruppengrössen. Für das Mail Holdout von Werkbank: 10,2 Prozent gegen 7,8 Prozent, eine Wirkung von 2,4 Punkten, mal 7.200 behandelte Leads sind 173 inkrementelle Trials, in der Tabelle auf 175 gerundet. Der Standardfehler bei 7.200 und 800 Leads liegt bei etwa 1,0 Punkten, das 95 Prozent Intervall reicht also grob von 0,4 bis 4,4 Punkten, oder 30 bis 320 Trials. Das ist breit, und ich schreibe es so ins Memo. Ein Quartal mit einem 10 Prozent Holdout liefert Richtung und grobe Grösse; zwei oder drei Quartale, oder ein 20 Prozent Holdout, engen es auf etwas ein, mit dem du planen kannst. Die 205 des Modells liegen im Intervall, genau diese Übereinstimmung suche ich.

Jeder Kanal braucht seine eigene Holdout Logik. Mail ist leicht: Die Sendungen für eine zufällige Gruppe unterdrücken. Retargeting ist schwerer, weil die Plattform entscheidet, wer was sieht; die sauberen Optionen sind ein geografisches Holdout, bei dem ein paar Postleitzahlgebiete kein Retargeting bekommen, oder ein Ghost Ad Design, bei dem die Plattform festhält, wer die Anzeige gesehen hätte, und diesen Leuten stattdessen etwas Unverwandtes zeigt. Webinare sind am schwersten, weil Teilnehmen eine Entscheidung ist und Teilnehmer ohnehin mit höherer Rate konvertiert hätten. Das ehrliche Design ist eine Ghost Einladung: Die Einladung bei zufälligen 10 Prozent zurückhalten und Eingeladene gegen nicht Eingeladene vergleichen, nie Teilnehmer gegen Nichtteilnehmer. Das sind die 150 in der Tabelle, niedriger als die 210 der Plattform, wegen genau dieser Selbstselektion.

So rechnest du es selbst

Du brauchst eine Tabelle mit einer Zeile pro Lead und Quartal: Kontakte pro Kanal, das Ergebnis und was du sonst über den Lead weisst. Liegen deine Kontakte in vier Tools, geht die erste Woche dafür drauf, sie mit einer einzigen Lead ID an einen Ort zu bringen, und diese Woche ist meistens das ganze Projektrisiko.

with contacts as (
  select lead_id,
         count(*) filter (where channel = 'email')   as emails,
         count(*) filter (where channel = 'webinar') as webinar_invites,
         coalesce(sum(impressions) filter (where channel = 'retargeting'), 0) / 10.0 as retargeting_10
  from touches
  where touched_at >= date '2026-04-01' and touched_at < date '2026-07-01'
  group by lead_id
)
select l.lead_id, l.segment, l.holdout_email, l.created_at,
       coalesce(c.emails, 0)          as emails,
       coalesce(c.webinar_invites, 0) as webinar_invites,
       coalesce(c.retargeting_10, 0)  as retargeting_10,
       (t.lead_id is not null)::int   as trial
from leads l
left join contacts c using (lead_id)
left join trials t on t.lead_id = l.lead_id
  and t.started_at >= date '2026-04-01' and t.started_at < date '2026-07-01';

Dann das Modell und der Optimierer, in Python kurz:

import numpy as np
import statsmodels.formula.api as smf

df["lE"] = np.log1p(df["emails"])
df["lW"] = np.log1p(df["webinar_invites"])
df["lR"] = np.log1p(df["retargeting_10"])
m = smf.ols("trial ~ lE + lW + lR + lE:lR + C(segment)", data=df).fit(cov_type="HC1")
print(m.summary())

V, cost_email = 300.0, 0.20
b_e, b_er = m.params["lE"], m.params["lE:lR"]
optimal_emails = lambda lR: V * (b_e + b_er * lR) / cost_email - 1
print({r: round(optimal_emails(np.log1p(r))) for r in (0, 6, 15)})

Robuste Standardfehler sind wichtig, weil das Ergebnis binär ist und die Fehler nicht konstant sind. Rechne die logistische Version daneben und vergleich die Grenzeffekte am Mittelwert; weichen sie mehr als ein bisschen ab, liegen deine Reaktionsraten ausserhalb des Bereichs, in dem das lineare Modell sicher ist.

Mit sauberen Daten brauchen Modell, Auswertung des Holdouts und Kontaktplan etwa zwei Wochen. Bevor ich dem Ergebnis traue, prüfe ich vier Dinge. Die Koeffizienten behalten in einem zweiten Quartal Vorzeichen und ungefähre Grösse. Die Holdout Wirkung und die Modellschätzung für diesen Kanal überlappen. Der Dezilchart von vorhergesagt gegen tatsächlich ist monoton. Und das Holdout hat wirklich nichts bekommen; ich habe schon gesehen, wie ein "abgemeldet" Flag stillschweigend als Holdout verwendet wurde, was keine Zufallsgruppe ist und die ganze Übung zu Fiktion macht.

Fallen

Kontakte behandeln, als wären sie zufällig verteilt. Das sind sie fast nie. Der Vertrieb ruft die heissesten Leads an, der Retargeting Algorithmus jagt Leute, die wie Käufer aussehen, das Webinar zieht die ohnehin Neugierigen an, und das Modell schreibt dem Kanal die bestehende Absicht des Leads gut. Kontrollvariablen in $X_i$ helfen, das Holdout ist die Kur, und wo du keines von beidem hast, schreib das ins Memo.

Kosten nur als Versandkosten definieren. Die Zwei Cent Mail ist der teuerste Fehler in diesem Kapitel. Ohne den Abmeldeschaden in den Kosten empfiehlt jeder Frequenzoptimierer Flächenbombardement. Miss die Abmelderate pro Mail und Segment und den Wert eines lebenden Leads, und das Optimum fällt auf etwas, das ein Mensch wiedererkennt.

Den Attributionsbericht als Messung lesen. Er ist eine Regel. Last Click unterbewertet alles, was Leute anwärmt, und überbewertet, was gerade am nächsten an der Ziellinie steht, meistens Brand Search und Retargeting. Vergleich nie die zugeschriebene Zahl eines Kanals mit der inkrementellen Zahl eines anderen; die stehen nicht auf derselben Skala.

Holdouts, die zu klein oder zu kurz sind. Ein 5 Prozent Holdout auf 8.000 Leads liefert ein Intervall, das so breit ist, dass jedes Ergebnis dazu passt. Dimensioniere das Holdout nach der Wirkung, die du erkennen musst, und akzeptiere, dass eine Frequenzentscheidung, die ein paar tausend Euro pro Quartal wert ist, zwei Quartale Evidenz verdient.

Die Logkurve versprechen lassen, dass mehr immer ein bisschen besser ist. Das Modell wird nie negativ, weil wir ihm das so gesagt haben. Echte Zielgruppen werden es sehr wohl, über Abmeldungen, Spambeschwerden und die langsame Erosion der Aufmerksamkeit. Nimm die Ermüdung in die Kosten, beobachte die Beschwerderaten und behandle das Optimum als Obergrenze, nicht als Ziel.

So mache ich das für Kunden

Das Ergebnis ist ein Kontaktplan mit einer Zahl und einem Risiko an jeder Zeile, keine Modelldatei. Dafür brauche ich pro Lead die Kontakte je Kanal mit Zeitstempel, das Ergebnis, das dich interessiert, ob Trial, Bestellung oder Buchung, und die Segment oder Firmendaten, die du hast. Exporte aus Mailtool, Anzeigenplattformen und CRM reichen; ich führe sie zusammen.

Der erste Monat beginnt mit dem kostenlosen Workshop, in dem wir festlegen, was eine Reaktion in Marge wert ist, welche Kanäle dazugehören und für welche Segmente der Plan gesetzt wird. Dann investiere ich zwei Wochen echte Arbeit, auf meine Rechnung, baue die eine Tabelle, rechne das Modell und entwerfe die Holdouts, die du im nächsten Quartal fahren kannst. Du bekommst die Reaktionskurven pro Kanal, die Tabelle mit dem inkrementellen Wert gegen die Behauptungen der Plattformen, die optimale Frequenz pro Segment mit den Annahmen daneben und ein einseitiges Entscheidungsmemo, das sagt, was zu ändern ist, was es wert ist und wie sicher ich bin. Wenn dein Stack ein zufälliges Holdout noch nicht unterdrücken kann, richte ich auch das ein, denn ohne schätzen wir nur, statt zu messen.

Alles wird in deinen Konten und deinem Warehouse gebaut und bleibt deins. Die Preise stehen auf der Preisseite in klaren Worten, und für Kunden, die das wollen, führe ich das laufende Programm auf Provisionsbasis, gebunden an den inkrementellen Wert, nicht an den zugeschriebenen. Die Modellierung gehört zu Data Science; die Umsetzung über Mail, Webinare und bezahlte Kanäle zu Performance Marketing. Eine verantwortliche Person für beides heisst, dass Modell und Kampagnen einander nichts in die Schuhe schieben können.

Fragen für dein nächstes Quartalsmeeting

• Wenn wir die Trials zusammenzählen, die jede Plattform beansprucht, ist die Summe grösser als die Trials, die wir tatsächlich hatten?
• Was ist pro Kanal der Grenzwert eines weiteren Kontakts bei der Frequenz, die wir jetzt fahren, nicht der Durchschnittswert des Kanals?
• Was kostet eine weitere Mail wirklich, inklusive erwartetem Abmeldeschaden, und wer hat das gemessen?
• Welche Kanäle haben dieses Quartal ein randomisiertes Holdout, wie gross ist es, und welches Intervall liefert es uns?
• Wie unterscheidet sich die optimale Frequenz je Segment, und schicken wir allen dasselbe?
• Wo werden Mail und bezahlte Medien gemeinsam geplant, und wo in getrennten Tools von getrennten Leuten?
• Welcher Anteil der Conversions dieses Quartals wäre ganz ohne Marketing passiert, und wer beansprucht den Verdienst dafür?

Diese Serie ist inspiriert von Mike Grigsbys Marketing Analytics (Kogan Page). Erklärungen, Beispiele und Zahlen hier sind meine eigenen.