Wie beeinflusst Multichannel-Online- Marketing die Conversion" Rate von Onlineshops?

Transkript

1 Wie beeinflusst Multichannel-Online- Marketing die Conversion" Rate von Onlineshops? Prof. Dr. Florian v. Wangenheim & Sebastian Klapdor LS für Dienstleistungs- und Technologiemarketing & Prof. Dr. Jan H. Schumann JP für Marketing Internet World: Die E-Commerce Messe Fachkongress Die Zukunft des E-Commerce München, Fakultät für Wirtschaftswissenschaften

2 Projekt Fre(E)S: Produktivität " kostenfreier E-Services Ziel Entwicklung eines theoretisch und empirisch fundierten Konzeptes zur Messung, Gestaltung und Steigerung der Produktivität von kostenfreien Dienstleistungen im Internet Partner Förderung Lehrstuhl für Dienstleistungs- und Technologiemarketing, " TU München (Prof. Dr. Florian von Wangenheim) Juniorprofessur für Marketing, TU München " (Prof. Dr. Jan H. Schumann) ValueClick Deutschland GmbH" Gefördert durch das Bundesministerium für Bildung und " Forschung (FKZ 01FL10038 / 01FL10039) Projektträger: Deutsches Zentrum für Luft- und Raumfahrt (DLR) Laufzeit:

3 Heutzutage werden unterschiedlichste Kanäle verwendet, um Verbraucher " über das Internet zu erreichen Typische Online-Kanäle für die Kommunikation mit Verbrauchern Suchmaschinen Social Media Affiliate Netzwerke Preisvergleiche Werbebanner 1 Studie mit 50 Werbeunternehmen mit einem monatlichen SEM Budget > EUR Quelle: Breuer et al. (2011), Naik and Raman (2009), Naik and Raman (2003), Chang and Thorson (2004) 75% der Werbeunternehmen nutzen mind. 5 Kanäle 1 90% der Werbeunternehmen nutzen mind. 3 Kanäle 1 Newsletter/ - Marketing Große Anzahl an Online- Kanälen verfügbar, um Werbebotschaften an Verbraucher zu vermitteln und zu interagieren Werbe-Kampagnen beinhalten üblicherweise mehrere Kanäle Kanäle unterscheiden sich grundlegend bezüglich Art und Qualität der Interaktion Eine Multichannel- Kampagne aufzubauen und ihren Erfolg zu messen, ist sehr komplex. 3

4 aber es gibt wenig gesicherte Erkenntnisse darüber, wie die Kanäle einzusetzen sind, um die Wirksamkeit der Werbekommunikation zu erhöhen Typische Fragestellungen eines Werbeunternehmens Soll ich mein Online-Marketing- Budget auf wenige Kanäle konzentrieren? Oder soll ich mein Online-Marketing- Budget auf viele verschiedene Kanäle streuen? Welche Synergien und Konflikte können während einer User Journey auftreten, wenn ich Werbung auf verschiedenen Kanälen platziere? Welche Nutzermerkmale beeinflussen den Ablauf einer User Journey? Vorraussetzung um diese Fragestellungen zu lösen, ist es grundlegend zu verstehen wie sich Werbung auf unterschiedlichen Kanälen auf die Conversion Rate auswirkt, inwieweit Kanäle miteinander in Verbindung stehen und ob es andere Faktoren gibt, die diese Verbindungen beeinflussen Dies kann nur mit Hilfe von Modellen geschehen, die Daten auf der Ebene von individuellen Konsumenten verwenden. Diese sind üblicherweise nicht Teil von Studien bezüglich der Wirksamkeit von Werbung. QUELLE:Absatzwirtschaft (2011), Efficient Frontier (2010), Breuer et al. (2011), Naik and Raman (2009), Naik and Raman (2003), Chang and Thorson (2004) 4

5 Ziel ist es, als Basis für ein verbessertes Kampagnenmanagement, zu verstehen inwieweit Multichannel-Werbung die Conversion Rate beeinflusst Grundlegendes Problem Wie beeinflusst Multi- Channel-Online-Werbung die Conversion Rate der Verbraucher? Forschungsfragen 1. Kann gleichzeitig auf mehreren Kanälen geschaltene Werbung die Conversion Rate der Nutzer erhöhen? 2. Beeinflusst die Reihenfolge der Kanäle auf denen ein Nutzer mit der Werbung auf seiner User Journey konfrontiert wird die Stärke dieses Effekts? 3. Gibt es hinsichtlich dieser Effekte Unterschiede zwischen bestehenden und neuen Kunden? 5

6 Um diese Fragen zu beantworten, analysieren wir 1,6 Mio User Journeys Beispiel einer User Journey Click Conversion Navigationskanäle SEO SEM NEWSLETTER Informationskanäle AFFILIATE DISPLAY LINK t t 1 t 2 t 3 t 4 t 4 t 5 6

7 mit einem umfassenden theoretischen Modell, entwickelt mit Hilfe eines interdisziplinären Ansatzes Modell der Effektivität von Multichannel-Online-Werbung Effekt Hauptmodell Effekt Basismodell Anzahl der Kanäle Synergie-Effekte Conversion Rate Reihenfolge der Kanäle Consideration Set-Effekt (+ / -) (+/+) Framing (-) Effekt vergangenes Kaufverhalten (-) Anzahl an gesehenen Werbemitteln Multichannel-Effekte Klassische' Werbeeffekte 7

8 Das Basismodell beinhaltet Effekte, die in der klassischen Werbewirkungsforschung bereits vielfach nachgewiesen wurden Modell der Effektivität von Multichannel-Online-Werbung Effekt Hauptmodell Effekt Basismodell Conversion Rate Framing Effekt vergangenes Kaufverhalten (-) Anzahl an gesehenen Werbemitteln Multichannel-Effekte Klassische' Werbeeffekte 8

9 Als neuen Effekt untersuchen wir, ob die Anzahl der Online-Marketing-Kanäle eine positive Wirkung auf die Conversion Rate hat Modell der Effektivität von Multichannel-Online-Werbung Effekt Hauptmodell Effekt Basismodell Anzahl der Kanäle Synergie-Effekte Conversion Rate Framing Effekt vergangenes Kaufverhalten (-) Anzahl an gesehenen Werbemitteln Multichannel-Effekte Klassische' Werbeeffekte 9

10 Zusätzlich überprüfen wir, ob die Reihenfolge der Kanäle eine Wirkung auf die Conversion Rate hat Modell der Effektivität von Multichannel-Online-Werbung Effekt Hauptmodell Effekt Basismodell Anzahl der Kanäle Synergie-Effekte Conversion Rate Reihenfolge der Kanäle Consideration Set-Effekt (+ / -) Framing Effekt vergangenes Kaufverhalten (-) Anzahl an gesehenen Werbemitteln Multichannel-Effekte Klassische' Werbeeffekte 10

11 Exkursion: Um den Effekt auf die Abfolge der Kanäle in einer User Journey zu messen wurden die Kanäle nach Nutzerintentionen gruppiert Herausforderung Lösung Hoch komplexe Analyse der Abfolge der Kanäle Klassifizieren der Online-Werbekanäle nach der primären Nutzerintention (basierend auf Forschungen über Nutzerintentionen und Informationsabruf-Szenarien) Ist die Reihenfolge der individuellen Kanäle in einer User Journey analysiert, gibt es zu viele Kombinationen für die Kanalübergänge (z.b. führen 6 Kanäle zu 30 unterschiedlichen potentiellen Übergängen) Vereinfachungen sind notwendig um die Resultate in der Praxis analysieren und implementieren zu können Entdecke Informationen über ein bestimmtes Thema Affiliate Netzwerke Werbebanner Navigiere zu einer bestimmten Website Suchmaschinen Newsletter 1 Suche im Bezug auf "Navigation channels, jedoch werden nur Schlüsselwörter der Werbemarke betrachtet QUELLE: Jansen et al. (2008), Rose and Levinson (2004), Broder (2002)

12 Zusätzlich überprüfen wir, ob die Reihenfolge der Kanäle eine Wirkung auf die Conversion Rate hat Modell der Effektivität von Multichannel-Online-Werbung Effekt Hauptmodell Effekt Basismodell Anzahl der Kanäle Synergie-Effekte Conversion Rate Information à Navigation Navigation à Information (-) Consideration Set-Effekt Framing Effekt vergangenes Kaufverhalten (-) Anzahl an gesehenen Werbemitteln Multichannel-Effekte Klassische' Werbeeffekte 12

13 Schließlich überprüfen wir, ob sich die Stärke der vorher beschriebenen Effekte in Abhängigkeit vom vergangenen Kaufverhalten ändert Modell der Effektivität von Multichannel-Online-Werbung Effekt Hauptmodell Effekt Basismodell Anzahl der Kanäle Synergie-Effekte Conversion Rate Information à Navigation Navigation à Information (-) Consideration Set-Effekt (+ / -) (+/+) Framing (-) Effekt vergangenes Kaufverhalten (-) Anzahl an gesehenen Werbemitteln Multichannel-Effekte Klassische' Werbeeffekte 13

14 In unserem Forschungsmodell, schätzen wir den Einfluss der Journey- Merkmale auf die Conversion Rate User Journey-Merkmale Verbraucher Historie 1 Hat der Verbraucher bereits gekauft? Conversion Rate des individuellen Verbrauchers Intensität 2 Anzahl der Klicks 3 Zeitraum Kanäle 4 Anzahl involvierter Kanäle 5 Abfolge der Kanäle Inf. à Nav. Nav. à Inf User Journeys eines Fashion Online- Shops 14

15 Das Logit-Regressions-Modell hat einen sehr guten Daten-Fit und führt zu stabilen Koeffizienten Logit-Regressions-Modell Z i = b 0 + b 1 CH i + b 2 SWITCH_IN i + b 3 SWITCH_NI i + b 4 CH i PPR i + b 5 SWITCH_IN i PPR i + b 6 SWITCH_NI i PPR i + b 7 PPR i + b 8 INT i PPR i + b 9 INT i + b 10 DUR i + S k=2..k (λ k FCH k,i ) + S k=2..k (µ k LCH k,i ) + e i. Geschätzte Koeffizienten 99% CI for B S.E. Sig. Odds R. lo hi CH < SW_IN < SW_NI < CHxPPR < SW_INxPPR < SW_NIxPPR < Modellanpassung Pseudo R²s Nagelkerke R² = 54.8% McFadden R² = 53.7% Log-Likelihood -2LL = 65, PPR < INTxPPR < INT < Sehr gute Modellanpassung (R² > 50%) Stabile und signifikante Koeffizienten 15

16 Die Ergebnisse bestätigen unsere theoretischen Annahmen User Journey- Merkmale Änderung Einfluss auf Coversion Rate 1 Verbraucherhistorie 1 Hat der Verbraucher bereits gekauft? nein à ja +5000% Intensität 2 Anzahl der Clicks 3 Zeitraum + 1 Click + 1 Sekunde 0% +50% Kanäle 4 Anzahl involvierter Kanäle 5 Abfolge der Kanäle Inf. à Nav. Nav. à Inf. + 1 Kanal nein à ja nein à ja -30% +115% +350% 1 Ceteris paribus relatiive Veränderung; Koeffizienten repräsentieren nur den Effekt auf neue Kunden; alle Koeffiizienten signifikant ab α = 0.1%; 16

17 Gleichzeitige Werbemaßnahmen auf verschiedenen Kanäle erhöhen die Conversion Rate Conversion Rate (in %) 1 1 Kanal 2 Kanäle 3 Kanäle 1,88% Suche 2,77% Banner 0,07% Affiliate 1 Vergleich von User Journeys mit der gleichen Anzahl an Klicks (N = 273,580) User Journeys mit mehreren Kanälen erzielen höhere Conversion Rates Werbung durch mehrere Kanäle führt zu erhöhter Glaubwürdigkeit Der Auftrieb-Effekt sinkt mit der Anzahl von Kanälen in der User Journey 17

18 Ein Wechsel von Informations- zu Navigationskanälen kann die Reaktion auf Online-Werbung signifikant erhöhen Bewusstsein Abwägung Erwerb Navigations- Kanäle Search engines Newsletter Display Informations- Kanäle Affiliate Conversion Rate steigt um 350%, wenn User nach Werbung auf Navigations- Kanälen auf Werbung auf Informations- Kanälen reagieren Hinweis darauf, dass der Nutzer den Werbetreibenden in sein Consideration Set einbezogen hat Der Werbende muss sicher gehen, auf Navigations-Kanälen präsent zu sein 18

19 5 wohingegen die andere Richtung die Conversion Rate um 30% reduziert Bewusstsein Abwägung Erwerb Navigations- Kanäle Display Informations- Kanäle channels Search engines Newsletter Conversion Rate um 30% reduziert, wenn Nutzer auf Werbungen auf Informations-Kanälen klicken, nachdem Affiliate sie auf Werbungen durch Navigations-Kanälen reagiert haben. Hinweis darauf, dass der Nutzer sich nicht zu einem Kauf hat entscheiden können und weiter nach Alternativen sucht Implikation: Es sind verstärkte und gezielte Maßnahmen nötig, um den Kunden doch vom Kauf zu überzeugen 19

20 1 Werbeeffekte unterscheiden sich stark bei neuen und bestehenden Kunden Veränderung in der User Journey 1 Klick 1 Kanal Inf. à Nav. transition Nav. à Inf. transition Einfluss auf Conversion Rate 1 für Neuer Kunde Bestehender Kunde +50% +30% +115% +60% +350% +1150% -30% +5% Werbeintensität und Multichannel- Synergie wirken bei bestehenden Kunden weniger stark Der Reihenfolgeeffekt hat bei bereits bestehenden Kunden eine wesentlich höhere Vorhersagekraft 1 Ceteris paribus relative Veränderung; alle Koeffizienten signifikant ab α = 0.1%; 20

21 Die Multichannel-Studie liefert erste Einblicke, um die Budgetallokation und die Werbeplanung zu verbessern Wie können diese Ergebnisse genutzt werden um Online- Werbung in der Praxis zu verbessern? 1. Offline-Modelle funktionieren auch Online Exposure führt zu Conversion Bestehende Kunden haben einen extrem hohen Wert 2. Werbung auf mehreren Kanälen: Eins plus eins erreicht mehr als zwei 3. Multichannel-Online-Werbung muss bzgl. Planung und Zielgruppenansprache richtig gemacht werden Targetingkriterien müssen erweitert werden Eine integrierte Betrachtungsweise des Users über alle Kanäle und entlang der User Journey ist notwendig Real-time Bidding muss auf diese Informationen zurückgreifen können 21

22 Ausblick: Weitere Forschungsprojekte greifen Einschränkungen der vorliegenden Studie auf Aggregation von Kanälen (Information vs. Navigation), ggf. zu grob und dadurch noch zu weit vom Optimum entfernt User Journeys enthalten nur Clicks (Behavioral Response); intermediäre Effekte werden nicht berücksichtigt Entwicklung komplexer statistischer Modelle und effizienter Algorithmen für detailliertere Analysen (Typische) Abfolgen von Kanälen Zusammenspiel von Kanälen Ermittlung des Erfolgsbeitrags von Kanälen Erweiterung der Analysen von Clicks auf Views: Untersuchung der Werbewirkung jenseits einer direkten Behavioral Response Mögliche Verzerrung durch firmen- und oder industriespezifische Effekte nicht auszuschließen Ausweitung und Validierung der Analysen für andere Werbetreibende und Industrien

23 Vielen Dank für Ihre Aufmerksamkeit lassen Sie uns diskutieren! 23