Attributionsmodellierung

Zunächst ist es einmal wichtig zu verstehen, welches die geeignete Herangehensweise an die Attributionsmodellierung ist. Im Wesentlichen kann sich an dem Data-Science-Lifecycle orientiert werden. Dieser hilft Data Science Projekte nach einem Leitfaden erfolgreich durchzuführen und umzusetzen. Aufgeteilt wird der Lifecycle in sieben Projektphasen:

Business Understanding

Der Ausgangspunkt vom Data-Science-Lifecycle ist die erste Phase – das Business Understanding. Denn es ist entscheidend, dass die Problemstellung verstanden wird und die richtigen Fragen an Stakeholder gestellt werden, um letztendlich die richtigen Datensätze zu erhalten. Am Beispiel der Attributionsmodellierung würde hier mit dem Unternehmen erörtert werden, was im Scope des Projektes steht. Hier sollten unter anderem folgende Fragen geklärt werden:

• Welches Attributionsmodell soll genutzt werden?
• Welche Vertriebskanäle sollen berücksichtigt werden?
• Soll eine Cross-Device-Lösung mitgenommen werden.?
• Gibt es ausreichend Daten mit dem nötigen Unique-Identifyer (Kundennummer/Artikelnummer…usw.)?
• In Welcher Detailtiefe soll das Attributionsmodell genutzt werden (Kanalebene, Anzeigengruppenebene usw..)?

Data Mining

In dieser Phase werden die benötigten Daten gesammelt. Entweder liegen diese bereits vor und sie können aus bestehenden Datenquellen abgefragt werden, oder die Daten müssen zunächst erfasst werden. Sollten ausreichend Daten zur Verfügung stehen, muss in diesem Punkt geschaut werden, ob alle Datenbanken über einen Unique-Identifyer verbunden werden können und man somit eine einheitliche Datenbasis für die Attributionsmodellierung schaffen kann.

Sollte die Datengrundlage aus Phase 1 noch nicht ausreichend sein, bzw. in der Struktur noch Anpassungen gemacht worden sein, um eine saubere Datenbasis zu erhalten, müssen zunächst über einen bestimmten Zeitraum Daten gesammelt werden, um darauf eine Attributionsmodellierung aufsetzen zu können. Die Zeitdauer der Datensammlung hängt dabei davon ab, wie viel Daten wir bei Ihnen im Unternehmen sammeln.

Data Cleaning

Hier werden die Daten genauer unter die Lupe genommen, bereinigt und für weitere Analysen vorbereitet. Das Bereinigen bedeutet im Wesentlichen das Entfernen von Diskrepanzen also beispielsweise fehlende, falsche oder nicht benötigte Werte herauszunehmen. In dieser Phase werden die Daten in eine einheitliche Struktur gepasst. Auch werden auffällige Altdaten abgeschnitten, bzw. der Datenbestand um diesen bereinigt. So etwas könnte ein Online-Marketing Kanal sein, welcher aktuell nicht mehr bedient wird. Man möchte diesen nicht im Attributionsmodell berücksichtigt haben, daher muss man ihn aus der Datengrundlage entfernen.

Data Exploration

Hierbei werden häufig die Datenstatistiken wie Mittel-, Medial- und Extremwerte berechnet, um die Verteilung der Daten besser nachzuvollziehen. Mit Hilfe einer visuellen Untersuchung können hier erste Erkenntnisse in dem laufenden Projekt gemacht werden. Die Data Exploration dient dazu, herauszufinden, welche Daten für die Attributionsmodellierung am wichtigsten sind. Auch können etwaige Ausreiser identifiziert werden.

Feature Engineering

Mit den aus den ersten Schritten gewonnenen Erkenntnissen wird dann in Schritt fünf gestartet – Feature Engineering. Hier werden die Rohdaten so aufbereitet, dass sie sofort in Machine Learning Algorithmen verarbeitet werden können. Nachdem die Daten geprüft, korrekt aufbereitet und um die Ausreißer bereinigt wurden, müssen die Inputvariablen aufbereitet werden, welche für das Training des Attributionsmodells genutzt werden. Dat bedeutet, dass Faktoren identifiziert werden müssen, welche einen Einfluss auf die Zielvariable haben, in der Attributionsmodellierung im Datengetriebenen Modell wäre eine Variable bspw. der zeitliche Abstand zwischen zwei Kontaktpunkten.

Predictive Modeling

Sind alle Rohdaten verarbeitet, folgt Schritt sechs – das Predictive Modeling. Hier werden die Machine Learning Algorithmen angewendet, um ein passendes Datenmodell zu erstellen. Auf Basis der unter Phase 1 definierten Ziele, werden die Daten nach Data Science Logiken wie logistische und lineare Regressionen, Clustering-Methoden usw. aufbereitet und in ein Datenmodell aufgesetzt. Dieses Modell wird anschließend mit unbekannten Testdaten gechallenged und über entsprechende Metriken wird dann die Performance sowie die Genauigkeit des Modells bestimmt, angepasst und verbessert.

Data Visualization

Hier werden die Ergebnisse des Projektes mithilfe von Grafiken aber auch Storytelling dargestellt und den Stakeholdern vorgestellt. In dieser Phase des Projektes, wird final die Wirkung der Attribution präsentiert. Wenn so besprochen, kann auf einem Blick gesehen werden, wie sind die Umsatzanteiligkeit der jeweils zu berücksichtigten Kanälen vor und nach Attribution verhält. Dann hat man schnell einen ersten Eindruck gewonnen, was die Attribution für das Unternehmen bedeutet.