Alexander Bellin spannte in seiner Präsentation einen schönen Bogen zwischen den Basis Themen der Attribution und der Operationalisierung innerhalb der Firma About You. Ein wichtiger Bestandteil der Basis Themen einer Attribution ist nicht nur die Analyse nach Marketingkanälen, da dieser Ansatz zu strategisch ist. Viel wichtiger ist eine granular definierte Attribution von Marketingkanälen.
Vom Start bis zur Operationalisierung waren drei wichtige Fragen entscheidend:

• Wie wollen wir mit Attribution umgehen?
• Wo liegen die Daten?
• Haben die Daten bereits das richtige Format?

Besonders die Fragestellung des richtigen Datenformats hatte zu einem großen Shopaufwand geführt. Daten mussten zunächst technisch gerade gezogen, Redirects nachgebessert, Datenimport aufgesetzt werden u. v. m. damit auch Google Analytics als Datawarehouse mit allen Informationen richtig genutzt werden konnte.
Mit Hilfe von Google Analytics 360 und dem darin enthaltenen Attributionsmodell konnten bereits wichtige Informationen gewonnen werden. Beispielsweise konnte der inkrementelle Wert von Gutscheinportalen besser ermittelt werden, da sich diese sehr stark unterscheiden und somit auch unterschiedlich auf das Attributionsmodell Einfluss nehmen können. Ein weiterer Gewinn war die Erkenntnis, dass attribuierte Werte aus einem Attributionsmodell wieder zurück in Google Analytics eingespielt werden müssten, da diese Maßnahmen die Kosten-Umsatz-Relation senkt.
Durch diese und weitere Erkenntnisse wurde das Thema Attribution 2.0 ins Leben gerufen. Zur Messung und Bewertung aller relevanten Marketingkampagnen, wurden die Themen Offline-Kampagnen, App-Kontakte, Realtime-Ping bei TV-Kampagnen, Customer Lifetime Value, Retouren auch auf Basis von Kampagnendaten in einem neu erstellten Datawarehouse eingespielt, um ein, auf About You abgestimmtes, regelbasiertes Attributionsmodell zu erstellen. Zusammenfassend konnte für About You ein individuelles Attributionsmodell erstellt werden, dass jetzt noch weiter durch den Einsatz der User-ID optimiert werden soll.

Florian Stein hat als Head of Business Analytics die Neuimplementierung von Google Analytics betreut und konnte dabei viele Erfahrungen mit dem Enhanced Ecommerce Tracking sammeln. In seinem Vortrag bot er einen praxisnahen Überblick über die vielen Vorteile dieses umfangreichen Features. Der Schwerpunkt seiner Präsentation lag auf den potentiellen Fehlerquellen, die es bei der Umsetzung zu beachten gilt und wie man diese geschickt vermeidet. Dabei ging er zum einen auf technische Fallstricke, wie zum Beispiel zu große Datenpakete oder fehlerhafte Transaktionswerte, ein und bot darüber hinaus viele praktische Tipps zum korrekten Testing mit dem dataSlayer und dem neuen Google Tag Assistant. Ratschläge zur Verbesserung der internen Kommunikation und dazu wie man am besten mit den Erwartungshaltungen von Vorgesetzten und Kollegen umgeht, rundeten seinen Talk ab. Allen Teilnehmern die eine E-Commerce Plattform betreiben und zur Optimierung Google Analytics verwenden, bot dieser Vortrag wertvolle Insights. Vielen Dank an Florian!

Frank Hammerschmidt hat als Verantwortlicher für den Bereich Perfomance Marketing und Web Analyse einen Use Case bezüglich der Integration von Google Analytics bei einer Hybrid-App präsentiert. Bei seinem praxisnahen Vortrag ging er auf die Entscheidungsfindung zur Integration von Google Analytics mit Hilfe des Google Tag Managers ein, welche Probleme dabei auftreten können und wie diese gelöst wurden.
Dabei ging er zuerst auf die Unterschiede von Google Analytics beim App sowie Web Tracking ein. Diese beginnen schon dabei, dass beim Web Tracking der Seitenaufruf mit einem Pageview und bei einer App mit einem Screenview übergeben wird. Aus diesem Grund hat man sich dazu entschieden, den Google Analytics Code mit Hilfe des Google Tag Managers – beides auf App Basis – als Custom HTML Tag zu integrieren und an gewissen Stellen so anzupassen, dass dieser für das App Tracking geeignet ist. Außerdem betonte er weitere Punkte, die man beachten sollte, wie zum Beispiel die Anpassung der ClientID zur Vermeidung von doppelten Nutzern oder auch die Übergabe des Betriebssystems zur Unterscheidung von Android und iOS.
Somit bot dieser Vortrag allen Interessenten und denjenigen, welche vor demselben Problem stehen einen gelungenen Workaround zur Integration von Google Analytics bei einer Hybrid-App.

Der Vortrag von Tobias Kräft führte mit einem Problem ein, welches im Kern die Verschlüsselung der Keywordsuche in Google Analytics thematisiert. Als Folge der Verschlüsselung war es ab Mitte 2011 nicht mehr möglich aus Analytics die Keywords der organischen Suche auszuwerten.
Tobias Kräft erläuterte drei Möglichkeiten, um sich der Problematik anzunähern: (1) Neue Workarounds in Google Analytics, (2) Nutzung anderer Tools und (3) New Approaches

1. Eine Möglichkeit neuer Workarounds sind laut Tobias Kräft z. B. die Betrachtung der URL Landingpage. Hieraus lassen sich entsprechend, sofern die URLs sprechend ist, die gesuchten Keywords ableiten. Ein Beispiel hierfür wäre das Landen auf einer Produktseite eines bestimmten Handymodells. Bei diesem Lösungsansatz wird jedoch nicht beachtet, dass eine Eingabe des Namens von Firma und Produkt immernoch als Brand Traffic gewertet wird, dass die Daten ohnehin schon in GA vorhanden sind und dass es sich überdies nur um eine Idee des tatsächlich gesuchten Keywords handelt.
2. Die Lösung über die Nutzung anderer Analyse-Tools führt zu Problemen, da die Suchmaschine von Google Marktführer ist und somit sehr viele Suchanfragen verloren gingen. Überdies werden mittlerweile viele der anderen Suchmaschinen ebenfalls die Suchanfragen verschlüsseln.
3. Der dritte Lösungsansatz sieht die bewusste Erstellung von Content und Context vor, auf den die User über bestimmte Keywords gelangen sollen. Das Problem hierbei besteht allerdings darin, dass das Interesse der User nicht direkt anhand von Keywords gemessen werden kann.

Die letztendlich vorgestellte (beste) Lösung sieht eine Kombination der Daten aus Google Analytics Search Console, mit den Keyword Daten aus dem Google AdWords Tool vor. Die jeweiligen Daten werden über einen API Export gewonnen und in BigQuery kombiniert. Über die Formel – Total (Conversions per Landingpage / Total Click per Landingpage) x Total Clicks per Keyword – lassen sich dann die Conversions per Keyword ermitteln und somit auch jene Keywords, welche zu den Conversions geführt haben.
In einem letzten Schritt lassen sich die Daten über Google Data Studio sehr gut visualisieren. Mit Hilfe eines Filters können die entsprechenden Keywords betrachtet werden.

Dr. Markus Dirr ist CMO bei reBuy.de und verantwortet die Bereiche Performance, CRM und Marke. In seinem Vortrag stellt er sein Audit-Tool vor, welches anhand eines Kriterienkataloges „Blind Spots“ identifiziert und damit Wachstumspotentiale im Online Marketing aufdeckt.
Oftmals eignet sich der Einsatz des Tools um Distanz vom Tagesgeschäft zu gewinnen. Es geht dabei nicht nur darum, die eigenen Stärken zu dokumentieren, sondern viel mehr darum, „die richtigen Fragen“ zu stellen, um daraus Handlungsempfehlungen abzuleiten und Budgets neu zu verteilen. Das Tool auditiert dabei insgesamt drei Kernbereiche: „Traffic Acquisition“, „Conversion“ und „Retention“. Außerdem eignet sich das Tool zum Benchmarking. So stellte Dr. Markus Dirr beim Einsatz seines Tools in unterschiedlichen Unternehmen fest, dass ein Score über 60 mit hoher Marketing Effizienz und Erfolg korreliert. Wohingegen Scores unter 40 auf enorme Probleme hinweisen und man „über die Daseinsberechtigung” nachdenken sollte. Dr. Dirr stellt das Tool auf Anfrage zur Verfügung.

Ole Nass veranschaulichte in seinem Vortrag – am Beispiel von immowelt.de – sehr gut die Berechnung einer Customer Lifetime (CLT) und machte deutlich welche Restriktionen beachtet werden müssen. Wichtige Aspekte bei der Definition einer CLT ist die Festlegung des ersten Kundenkontakts, d. h. die Stunde Null für die Berechnung. Des Weiteren muss die Aktion definiert werden, die einen Mehrwert erzeugt, wie beispielsweise das Aufrufen einer Exposé-Seite. Abschließend müssen Kunden segmentiert werden.
Aufbauend auf diesen Kriterien erhält jeder Kunde mehrere CLT in seinem Cookie, die alle relevanten Parameter enthalten. Im Fokus der Berechnung steht der Abschluss der CLT mit dem Aufruf einer Exposé-Seite. Erst danach erfolgt die Messung der CLT für Aftersale-Produkte wie Baufinanzierung.
Technisch gesehen wird das Aufrufen einer Exposé-Seite mit dem Ecommerce-Trackingcode gemessen, bei der die Transaktions-ID mit einem Timestamp versehen wird damit das Ecommerce-Tracking von Analytics mehrfach pro Session aufgerufen werden kann.
Die Abfrage und Berechnung von Interessenswahrscheinlichkeiten erfolgt bei Immowelt auf Basis von BigQuery in Form von SQL-Abfragen. Wichtig bei der Auswertung ist jedoch auch die Beachtung von Restriktionen. Eine wichtige Restriktion die genannt wurde ist die Bewertung von Kunden, die mindestens zwei Tage auf der Website waren.
Ole Nass beendete seinen Vortrag mit der Veranschaulichung eines gesamten CLT Modells, der die folgenden Arten von Nutzerverhalten abdeckt:

• Nutzerverhalten von Nutzern, die mit der Suche beginnen
• Nutzerverhalten in Bezug auf die Güte der Vorschläge
• Nutzerverhalten von Nutzern, die nicht mit der Suche beginnen (Quereinsteiger)
• Nutzerverhalten aus den Daten aller Immowelt-Gruppenportale

Nach den großen Themen der letzten Jahre, wie Attribution und geräteübergreifendes Tracking mit Hilfe der User ID, stößt man doch immer mehr auf ein weiteres Kundenbewertungsmerkmal, den sog. Lifetime Value. Menschen sollen nicht nur als Klickpfade von Transaktion zu Transaktion betrachtet werden, sondern viel wichtiger sei es, sich über den Gesamtwert des Besuchers Gedanken zu machen. So war die Kernaussage der Präsentation von Oliver Kiderle & Oliver Borm, die beide bei Google arbeiten.
Das Prinzip der Möglichkeiten die Google Analytics dafür bereitstellt wurde als AIDA-Prinzip definiert und erläutert. Die Analyse des Lifetime Values kann helfen das Marketing intelligenter auszusteuern. Dies bedeutet, dass jeder Kunde aufgrund seines Kaufverhaltens unterschiedlich behandelt und angesprochen werden muss. Eine Faustregel besagt, dass 20 Prozent der Kunden 80 Prozent Ihres Umsatzes ausmachen. Doch wenn das stimmt, müsste jedes Unternehmen diese 20% der Kunden genau kennen und zielgerichtet ansprechen. Dies bedeutet, dass auch Gebote im Performancemarketing anders verteilt und ausgesteuert werden müssten. Bei der Berechnung des Lifetime Values unterscheidet Oliver Kiderle auch zwischen Geschäftsmodellen. Beispielsweise äußert sich eine Lifetime anders und komplexer, wenn das Geschäftsmodell nicht wie in der Versicherungsbranche vertragsgebunden sei. Bei Fashion-Retailern ist die Kundenbindung flexibel und hinzukommt das der Warenkorbwert bei jedem Besuch anders ausfallen kann. Dies macht die Berechnung des Lifetime Values deutlich komplexer. Alle diese Parameter die ein Geschäftsmodell beeinflussen, müssen bei der Berechnung der Lifetime berücksichtigt werden. Abschließend wurden jedoch nicht nur die Restriktionen und unterschiedlichen Messverfahren dargestellt, sondern auch ein fertiges Rechenmodell vorgestellt, dass von Unternehmen auch gleich eingesetzt werden kann.

Nach den großen Themen der letzten Jahre, wie Attribution und geräteübergreifendes Tracking mit Hilfe der User ID, stößt man doch immer mehr auf ein weiteres Kundenbewertungsmerkmal, den sog. Lifetime Value. Menschen sollen nicht nur als Klickpfade von Transaktion zu Transaktion betrachtet werden, sondern viel wichtiger sei es, sich über den Gesamtwert des Besuchers Gedanken zu machen. So war die Kernaussage der Präsentation von Oliver Kiderle & Oliver Borm, die beide bei Google arbeiten.
Das Prinzip der Möglichkeiten die Google Analytics dafür bereitstellt wurde als AIDA-Prinzip definiert und erläutert. Die Analyse des Lifetime Values kann helfen das Marketing intelligenter auszusteuern. Dies bedeutet, dass jeder Kunde aufgrund seines Kaufverhaltens unterschiedlich behandelt und angesprochen werden muss. Eine Faustregel besagt, dass 20 Prozent der Kunden 80 Prozent Ihres Umsatzes ausmachen. Doch wenn das stimmt, müsste jedes Unternehmen diese 20% der Kunden genau kennen und zielgerichtet ansprechen. Dies bedeutet, dass auch Gebote im Performancemarketing anders verteilt und ausgesteuert werden müssten. Bei der Berechnung des Lifetime Values unterscheidet Oliver Kiderle auch zwischen Geschäftsmodellen. Beispielsweise äußert sich eine Lifetime anders und komplexer, wenn das Geschäftsmodell nicht wie in der Versicherungsbranche vertragsgebunden sei. Bei Fashion-Retailern ist die Kundenbindung flexibel und hinzukommt das der Warenkorbwert bei jedem Besuch anders ausfallen kann. Dies macht die Berechnung des Lifetime Values deutlich komplexer. Alle diese Parameter die ein Geschäftsmodell beeinflussen, müssen bei der Berechnung der Lifetime berücksichtigt werden. Abschließend wurden jedoch nicht nur die Restriktionen und unterschiedlichen Messverfahren dargestellt, sondern auch ein fertiges Rechenmodell vorgestellt, dass von Unternehmen auch gleich eingesetzt werden kann.