1. Gegenwärtige Problematik im Affiliate-Marketing

Affiliate-Marketing gilt seit den Anfängen des Onlinehandels als bewährte Marketingmaßnahme zur Steigerung von Kaufabschlüssen. Hierzu wird dem Nutzer im Checkout-Prozess des Onlineshops eine Gutschein-Option im Warenkorb präsentiert. Bei höheren Warenkorbwerten und/oder unentschlossenen Nutzern kann die Gutschein-Option als Conversion-Trigger dienen. So zeigt eine Studie von coupons.de aus dem Jahr 2019, dass 83% der deutschen Onlinenutzer Coupons beim Onlineshopping nutzen, von welchen insgesamt 32% der befragten Nutzer nur kaufen, wenn es auch einen Rabatt gibt.1

Der richtige Einsatz von Affiliate-Marketing ist demnach ein essenzielles Instrument für die Steigerung von Kaufabschlüssen im Onlinehandel. Oftmals werden Affiliate-Partner aufgrund mangelnder Datenerfassung und Attribution des Umsatzes allerdings falsch bewertet. So kann es beispielsweise vorkommen, dass dem Affiliate 100 % des Gesamtumsatzes zugeschrieben wird, obwohl ein anderer Marketing-Kontaktpunkt den Käufer initial auf die Seite gebracht hat. Demgegenüber werden AffiliatePartner aufgrund fehlender Transparenz über die Customer Journey wiederum nicht langfristig an fortlaufenden Umsätzen des Kunden beteiligt.

Die fehlenden Kenntnisse führen zu einer enormen Diskrepanz zwischen Affiliate-Partnern und ihrem tatsächlichen Wertbeitrag am Gesamtumsatz in einem Kundenlebenszyklus. In diesem Whitepaper stellen wir einen technischen Lösungsansatz für eine korrekte Attribution und leistungsgerechte Vergütung von Affiliate-Partnern auf Basis des Customer Lifetime Values (CLV) generierter Kunden vor.

1 coupons.de | Möglichkeiten und Grenzen des Einsatzes von Gutscheinen im Affiliate-Marketing(2019); https://www.coupons.de/images/pages/201/infografik_studie_ rabattgutscheine.jpg?t=1573817972

2. Lösungsansatz

Im Folgenden wird ein konkreter Lösungsweg für die eingangs beschriebene Problematik der Bemessung des Wertbeitrags von Affiliates vorgestellt. Das Vorgehen lässt sich in drei grundlegende Schritte unterteilen. An erster Stelle steht die technisch korrekte Datenerfassung bzw. Attribution des Leads (Käufers). Anschließend erfolgt die Berechnung eines individuellen Customer Lifetime Values (CLV) unter Berücksichtigung aller Umsätze in einem Kundenlebenszyklus sowie ein Scoring des jeweiligen Kunden, um ihn einer spezifischen Kundengruppe zuzuordnen.

2.1 Korrekte Attribution des Leads

Eine korrekte Zuordnung der Marketing-Kontaktpunkte und ihres monetären Anteils an der Kundengewinnung stellt die Basis für eine gerechte Umsatzbeteiligung von Affiliate-Partnern dar, wofür zunächst eine korrekte Datenerfassung der MarketingKontaktpunkte in der individuellen Customer Journey notwendig ist.

Dazu können Tracking Tools und Customer Relationship ManagementSysteme (CRM) geeignet sein. Um eine korrekte Zuordnung zu gewährleisten, ist der Aufbau und die Umsetzung eines ParameterKonzepts für Kampagnenlinks erforderlich. Damit sind auf der Landingpage des Users die Kampagnenparameter verfügbar und können der Session und dem User zugeordnet werden. In diesem Zusammenhang ist in der Praxis häufig zu beobachten, dass ein Nutzer in den Checkout-Prozess einsteigt, auf die Gutschein-Option aufmerksam wird und dann nach einem geeigneten Gutschein sucht. Mit hoher Wahrscheinlichkeit wird er auf der Webseite eines Affiliate-Partners landen und durch den Klick auf den Gutschein einen Affiliate-Cookie im Browser Storage gesetzt bekommen. Nach dem Last Non-Direct Click“-Modell werden die vorherigen Daten im Cookie somit überschrieben und der Kaufabschluss vollständig dem Affiliate-Kanal zugeordnet. Der sogenannte “Basket Freeze” verhindert dieses Szenario, indem er die Attribution vor Absprung des Nutzers einfriert. Die Funktionalität eines Basket Freeze sollte sowohl dem Geschäftsmodell als auch der Zusammenarbeit mit den Affiliates angepasst werden. So kann ein Basket Freeze bei Gutscheinen aber beispielsweise nicht bei generischen Produktbannern gelten.

Obwohl der Basket Freeze die Affiliate-Partner einschränkt, dienen diese häufig auch als Conversion-Trigger, indem sie den Kaufentschluss antreiben. Kunden, die vielleicht schon ein paar Produkte in den Warenkorb legen und unschlüssig sind, ob sie den Kauf tätigen sollen oder nicht, werden mit einem Gutscheincode bestärkt, die Bestellung abzuschließen. Auch wenn ein AffiliatePartner im ersten Schritt nicht der initiale Marketing-Kontaktpunkt in der Leadgenerierung ist, trägt er dennoch einen nicht zu unterschätzenden Anteil am Erstumsatz sowie zum langfristigen Kundenwert bei, der mit dem Lead generiert wird. Für eine leistungsgerechte Umsatzbeteiligung des individuellen AffiliatePartners ist dementsprechend die Berechnung des Customer Lifetime Values (CLV) in der Bemessung des Wertbeitrags zu berücksichtigen.

Ein Basket Freeze wird verwendet, sobald der Nutzer erstmalig mit dem Warenkorb interagiert. Die Funktion verhindert das Überschreiben des Referrer-Cookies, sobald sich ein Nutzer für einen gewissen Zeitraum (bspw. 10 Minuten) im Warenkorb aufhält. Ziel des Basket Freeze ist es, die Conversion dem Marketing-Kanal zuzuordnen, der den Nutzer initial auf die Webseite / in den Checkout geführt und somit im Grunde genommen den größten Beitrag zur Konvertierung des Nutzers in einen Kunden erbracht hat.

2.2 Berechnung des Customer Lifetime Values

Wurde der Lead in einen Käufer konvertiert, wird der Erstumsatz dem jeweiligen Affiliate-Partner zugeschrieben. Für die Feststellung der konkreten Umsatzbeteiligung ist die Berechnung eines kumulierten Customer Lifetime Values (CLV) des Käufers über den jeweiligen Affiliate-Partner notwendig, so dass diejenigen Affiliate-Partner, die ein Kundenportfolio mit höheren CLV auf sich attribuieren, eine höhere anteilige Vergütung erhalten als andere. Für die Berechnung eines CLV gibt es mehrere Kennzahlen und Methoden. Tools wie Google Analytics ermöglichen eine standardmäßige Bestimmung eines Customer Lifetime Values, welcher jedoch zeitlichen und technischen Einschränkungen unterliegt. Zusätzlich wird der CLV anhand der kumulierten Umsätze, geteilt durch die Gesamtzahl aller akquirierten Nutzer während des Akquisitionszeitraums berechnet. Dieser bildet somit nur einen Durchschnitt und bezieht sich nicht individuell auf den einzelnen Käufer, sondern auf die Kanal-Ebene.

Für eine gerechte Attribution der Umsätze bedarf es einer Ermittlung des CLV auf Affiliate-Ebene, unter Berücksichtigung der gesamten Lebensdauer der über den Affiliate gewonnenen Kunden. Hierzu wurde folgende Berechnung angewendet:

Heuristischer Ansatz

CLV = durchschnittliche Kundenlebensdauer x durchschnittlicher Kundenumsatz x Deckungsbeitrag – durchschnittliche Kundengewinnungskosten – durchschnittliche Kundenbindungskosten

oder

CLV = ACL x CV x P – CAC – CRC

2.3 Scoring und Clustering des Kunden

Abbildung 1: User Scoring und Clustering nach dem RFM-Modell

Im letzten Schritt werden die generierten Kunden im ScoringVerfahren der RFM-Analyse hinsichtlich der Kennzahlen Recency (Aktualität), Frequency (Häufigkeit) und Monetary (Umsatz) klassifiziert und anschließend in entsprechende Segmente (Cluster) unterteilt.

Die Recency gibt die Zeitspanne an, in welcher zuletzt durch den entsprechenden Nutzer Umsatz generiert wurde. Je größer der zeitliche Abstand, desto unwahrscheinlicher ist die Interaktion mit einer zukünftigen Marketingmaßnahme (z. B. Search/Display Ad). Anhand der Frequency wird die Häufigkeit ermittelt, mit der ein Kunde in einem bestimmten Betrachtungszeitraum Umsatz generiert hat. Bei einem Kunden, der häufig einkauft, ist die Wahrscheinlichkeit für eine positive Reaktion auf eine Marketingmaßnahme deutlich höher als bei einem Kunden, der eher selten kauft. Der Geldwert (Monetary) bezieht sich auf den mit dem Kunden erzielten Umsatz im Betrachtungszeitraum. Höhere Umsätze sind ein Indiz für eine bessere Reaktion auf bisherige Marketingmaßnahmen. Nutzer mit hohen Umsätzen werden grundsätzlich mit einem höheren Customer Lifetime Value (CLV) ausgewiesen. Bei steigendem CLV erhöht sich entweder der Return on Invest (ROI) durch die Marketingmaßnahme oder das zur Verfügung stehende Budget.

3. Technische Umsetzung

In diesem Kapitel werden die in Punkt 2 beschriebenen Maßnahmen für eine leistungsgerechte Vergütung des Affiliate-Partners in ein technisches Konzept überführt und der Workflow für die technische Umsetzung der einzelnen Schritte im Detail beschrieben.

Abbildung 2: Customer Journey & Transaction (ohne Basket Freeze)

Die Abbildung zeigt den beispielhaften Ablauf einer klassischen Customer Journey im Onlinehandel bis zur Conversion (Transaktion) des spezifischen Nutzers. Dabei betritt der Nutzer die Website über einen Marketing-Kanal. Der initiale Kontaktpunkt kann etwa eine Werbeanzeige in einem Sozialen Netzwerk oder Suchmaschinenwerbung sein. Beim Betreten der Seite wird im Browser des Nutzers ein Cookie vom Werbenetzwerk gesetzt, das Informationen über den initialen Referrer für den Sitzungseinstieg enthält.

Findet der Nutzer im nächsten Schritt ein passendes Produkt, kommt es oft vor, dass eine Gutschein-Option im Checkout-Prozess eine Impulsreaktion im Nutzer auslöst. Von ihr geleitet, verlässt der Nutzer nun die Seite und sucht nach einem Gutscheincode, um den Kaufpreis zu mindern. Wird der Nutzer fündig, leitet ihn das Portal des Affiliate-Partners zurück auf die Website. In diesem Moment werden die Referrer-Informationen des initialen MarketingKanals im Browser des Nutzers überschrieben, indem durch den Wiedereinstieg eine neue Sitzung erzeugt wird. Kauft der Nutzer nun das Produkt mit dem Gutscheincode des Affiliate-Partners, wird der vollständige Wertbeitrag der Conversion dem Affiliate zugeschrieben, ohne den initialen Kontaktpunkt in der Verteilung zu berücksichtigen.

Abbildung 3: Customer Journey & Transaction (mit Basket Freeze)

Um dieses Problem zu lösen, wird der im ersten Schritt beschriebene Basket Freeze implementiert, welcher die initialen Referrer-Informationen im Check-out sichert. Erfolgt nun ein Wiedereinstieg über das Portal eines Affiliate-Partners, werden die Referrer-Informationen nicht überschrieben. Der AffiliatePartner bekommt somit nicht den vollständigen Wertbeitrag für die Conversion zugeschrieben, wird aber dennoch als ConversionTreiber im CRM erfasst.

Abbildung 4: Tracking und Übermittlung der Nutzerdaten zu BigQuery

Der auf der Website implementierte Google Tag Manager erfasst alle Interaktionen und Informationen des Nutzers während seiner Customer Journey und übermittelt diese mithilfe einer Cloud Function an Google BigQuery.

Abbildung 5: RFM Scoring in BigQuery

In BigQuery werden die Nutzerdaten anschließend einem Scoring und Clustering auf Grundlage eines RFM-Modells unterzogen. Für die Zusammenführung der Daten wird die user_pseudo_id (client_id) als Join-Key verwendet. In Kombination mit dem aktuellsten event_ timestamp aus dem Ecommerce-Objekt der letzten Transaktion stellt sie die Recency (Aktualität) für den Kauf eines spezifischen Nutzers dar. Um die Frequency (Häufigkeit) von Transaktionen für einen bestimmten Nutzer zu ermitteln, wird die Anzahl aller Transaktionen (total_events) im Betrachtungszeitraum aufsummiert. Der Wert Monetary (Geldwert) wird aus dem Umsatz aller durch den Nutzer erzielten Transaktionen im Betrachtungszeitraum gebildet und als Customer Lifetime Value (CLV) ausgewiesen. Letztlich werden die ermittelten Werte für R (Recency) und FM (Frequency, Monetary) aller Nutzer anhand ihrer einzelnen user_pseudo_ids in Verbindung mit dem event_timestamp dargestellt und als RFM-Modell in ein BigQuery Table überliefert.

Abbildung 6: User Clustering und Visualisierung der Daten in Looker Studio

Im zweiten Schritt werden die einzelnen user_pseudo_ids oder user_ids nun auf Grundlage des RFM-Modells mit dem k-MeansModell in vier homogene Cluster unterteilt. Das Naming der Cluster gruppiert die jeweilige Performance des Affiliate-Partners anhand der Ausprägungen Low, Medium, High und VIP. Anschließend werden die affiliate-id mit der spezifischen user_pseudo_id gejoint und die Cluster-Informationen und CLV des Nutzers an Looker Studio zur weiteren Analyse und Auswertung übertragen.

Der k-Means-Algorithmus dient der Vektorquantisierung und ist eines der am häufigsten verwendeten Verfahren zur Gruppierung von Objekten (Clusteranalyse). Mit seiner Hilfe lässt sich eine bestimmte Anzahl von Objekten in homogene Gruppen unterteilen. Ziel der Clusterung ist die größtmögliche Ähnlichkeit der verschiedenen Objekte innerhalb einer Gruppe. Der Algorithmus nähert sich durch sich ständig wiederholende Neuberechnungen den jeweiligen Clusterzentren an, bis keine signifikante Veränderung mehr stattfindet. Die optimale Anzahl an Clustern lässt sich u. a. mit der sogenannten “Elbow Function” ermitteln. Die Verwendung des „Elbows“ ist eine übliche Heuristik in der mathematischen Optimierung zur Ermittlung eines Punktes (“Knick in der Kurve”), an dem das Hinzufügen eines weiteren Clusters nicht zu einer wesentlich besseren Modellierung der Daten führt.

4. Auswertung

In Looker Studio lassen sich die in BigQuery ermittelten ClusterGruppen und Customer Lifetime Values (CLV) einzelner AffiliatePartner in einem Report analysieren. Durch die verschiedenen Dashboards erhält der Merchant so einen genauen Eindruck über die Performance einzelner Affiliate-Partner und deren langfristigen Wertbeitrag zum Gesamtumsatz.

Abbildung 7: Affiliate CLV Dashboard Overview

Das erste Dashboard zeigt eine tabellarische Übersicht aller aktiven Affiliate-Partnerschaften und bietet die Möglichkeit, den durchschnittlich erzielten CLV pro Affiliate auf- und absteigend zu sortieren. Dies gewährt einen schnellen Überblick über die leistungsstärksten Affiliate-Partnerschaften. Mit einem Klick auf eine spezifische Affiliat-ID können die einzelnen Dashboards im Reporting auf einen einzelnen Affiliate-Partner gefiltert werden.

Anschließend können im zweiten Dashboard spezifische Kunden, welche dem Affiliate zugeordnet sind, in einem höheren Detailgrad hinsichtlich ihres Lifetime Values und RFM Clusters analysiert werden. Im dritten Dashboard werden der spezifische CLV sowie das RFM Clustering des ausgewählten Affiliates nochmals in Form eines Histogramms dargestellt.

5. Fazit

Durch die Ermittlung eines Customer Lifetime Values für AffiliatePartner sowie die Klassifizierung ihrer generierten Umsätze wird eine zufriedenstellende Lösung sowohl für Merchants als auch für Affiliate-Partner geboten. Letztere erhalten eine fairere Bewertung, da nicht nur der direkte Verkauf, sondern auch fortlaufende Käufe im Erstumsatz methodisch berücksichtigt werden. In Zeiten größerer technischer Einschränkungen in der Datenerfassung, wodurch auch Affiliate-Partner direkt betroffen sind, können so Anreize für neue und bestehende Partnerschaften sowie ein transparentes Reporting geschaffen werden.

Dieser Beitrag steht Ihnen ebenfalls in hochwertiger Form eines Whitepapers als PDF zum Download zur Verfügung.