Attributiemodellering in een wereld zonder cookies
‘Als uw site cookies van derden gebruikt, is het tijd voor actie nu de uitfasering nadert’
Attributiemodellering helpt marketeers een cruciale vraag beantwoorden: ‘Hoe verdeel ik mijn marketingbudget het best om mijn rendement te maximaliseren?’ Marketingattributiemodellen kennen met andere woorden waarde toe aan de kanalen en contactmomenten in het aankooptraject die een lead tot conversie brachten.
Traditioneel domineerden methoden zoals first-click- en last-clickattributie. Ze steunen sterk op cookies van derden om gebruikersinteracties op het web te volgen.
Populaire webbrowsers zijn echter al begonnen afscheid te nemen van cookies van derden. Ook Google kondigde als laatste aan die cookies in Chrome uit te faseren. In hun woorden: ‘Als uw site cookies van derden gebruikt, is het tijd voor actie nu de uitfasering nadert’.
Google publiceerde ook een tijdlijn van de geplande uitfasering. Sinds 4 januari 2024 waren cookies al beperkt voor ongeveer 1% van de Chrome-gebruikers. In 2025 voeren ze de volledige uitfasering op.
Dat is grotendeels positief, want het versterkt de privacy van gebruikers aanzienlijk. Maar er is ook een uitdaging: zonder data uit cookies van derden verliezen traditionele attributiemodellen aan doeltreffendheid.
Dit artikel bespreekt attributiemodellen en alternatieven. We tonen ook hoe we marketingmixmodellen succesvol toepasten bij een toonaangevend reisbureau.
De uitdaging van traditionele attributiemodellen
Traditionele attributiemodellen kennen waarde toe aan verschillende contactmomenten in het klanttraject. Elk model doet dat op zijn eigen manier.
Enkele veelgebruikte traditionele modellen:
First-click: Kent de waarde toe aan het eerste contactmoment vóór de conversie. Het benadrukt het belang van het eerste contact.
Last-click: Kent alle waarde toe aan het laatste contactmoment vóór de conversie en geeft voorrang aan de actie die rechtstreeks tot de verkoop leidde.
Lineair: Verdeelt de waarde gelijk over alle contactmomenten en erkent de rol van elke interactie in het klanttraject.
Tijdsverval: Kent meer waarde toe aan contactmomenten kort voor de conversie, vanuit de aanname dat recentere acties meer invloed hebben.
Multi-touch: Een dynamische, probabilistische aanpak om conversies te begrijpen en toe te wijzen, rekening houdend met de veelzijdige en complexe aard van moderne klanttrajecten.
Deze modellen steunen sterk op het volgen van gebruikersinteracties tussen websites en platformen, vooral via cookies van derden. Die volgen digitale sporen op het internet en leveren de data waarmee attributiemodellen marketeers helpen hun strategie te verbeteren.
Door de uitfasering van cookies van derden krijgen die traditionele modellen echter grote betrouwbaarheidsproblemen.
Zonder zulke cookies wordt gedrag over meerdere sites volgen moeilijk. De datastroom die nodig is om conversies correct aan verschillende marketingcontactmomenten toe te wijzen, wordt verstoord. Marketeers krijgen mogelijk onvolledige of vertekende data en kunnen hun budget daardoor minder onderbouwd verdelen.
Waarom nu alternatieve attributiemodellen overwegen?
‘Cookies zijn er alleen om op te eten!’
Nu cookies van derden verdwijnen, moeten bedrijven hun attributiemodellen herbekijken om hun marketingactiviteiten nauwkeurig en doeltreffend te houden.
Snel nieuwe modellen invoeren is niet alleen een reactie op technologische verandering, maar ook een proactieve stap richting de wereldwijde trend naar meer dataprivacy.
Het afscheid van cookies van derden past in een bredere beweging naar betere consumentenprivacy. Regels zoals de AVG in Europa en de CCPA in Californië benadrukken het belang van bescherming van gebruikersdata. De richting is duidelijk: weg van indringende tracking en naar privacybewustere methoden.
Bedrijven die deze regels niet naleven, riskeren juridische gevolgen en schade aan hun reputatie en het vertrouwen van klanten.
Marketingmixmodellering is een robuust alternatief: we analyseren geaggregeerde data in plaats van individuele gebruikers te volgen.
Marketingmixmodellen begrijpen
Marketingmixmodellen (MMM's) omvatten statistische technieken om de impact van verschillende marketingactiviteiten op verkoopresultaten te meten.
Ze analyseren historische data om te begrijpen hoe reclame, promoties, prijszetting en distributie aan die verkoopresultaten bijdragen.
Traditionele attributiemodellen volgen individuele klanttrajecten tussen contactmomenten op gebruikersniveau. MMM's gebruiken daarentegen geaggregeerde data op een hoger niveau.
Traditionele modellen schrijven verkopen rechtstreeks toe aan specifieke interacties of contactmomenten. MMM's leiden met statistische analyses af hoe doeltreffend marketingactiviteiten door de tijd heen zijn. Ze kunnen vaak ook externe factoren meenemen, zoals economische omstandigheden en acties van concurrenten.
Voordelen van marketingmixmodellen
Marketingmixmodellen steunen niet op individuele gebruikersdata en voldoen daardoor van nature aan privacyregels.
Door bredere markttrends en externe factoren zoals economische omstandigheden en concurrentieacties te analyseren, bieden MMM's diepere inzichten voor strategische beslissingen.
Ze kunnen zich ook aanpassen aan veranderingen in marketingstrategieën en consumentengedrag zonder gedetailleerde tracking.
Google publiceerde een onderzoekspaper over de uitdagingen en kansen van marketingmixmodellering. Een aanrader als u de technische details achter MMM's wilt verkennen.
Python-bibliotheken voor marketingmixmodellen
Python is de populairste programmeertaal voor data-analyse en machine learning. Bij de overstap naar marketingmixmodellen is het belangrijk ook de bijbehorende Python-bibliotheken te leren kennen.
Twee van de populairste bibliotheken voor het ontwikkelen en implementeren van MMM's zijn:
LightweightMMM van Google: Dit Python-pakket van Google is speciaal gemaakt voor marketingmixmodellering. Het gebruikt Bayesiaanse structurele tijdreeksmodellen om de extra impact van marketingtactieken op verkoop of andere maatstaven te ramen.
Robyn van Facebook: Robyn is een iteratief, halfautomatisch pakket voor marketingmixmodellering. Het werd ontwikkeld door Facebook voor de programmeertaal R. Onlangs verscheen ook een API waarmee u Robyn met Python kunt gebruiken.
Klantcase: succes met marketingmixmodellen
Door over- en onderinvestering in marketingkanalen te identificeren, kon onze klant middelen doeltreffender herverdelen om het rendement te maximaliseren.
Een toonaangevend reisbureau wilde de doeltreffendheid van marketing via verschillende kanalen beoordelen en zijn marketingbudget beter verdelen.
Methode
We gebruikten marketingmixmodellering om historische data te analyseren en de impact van verschillende marketingactiviteiten op de verkoop te meten.
We namen factoren mee zoals de manier waarop advertenties werden getoond, de toestellen waarop ze werden bekeken en of ze op specifieke producten gericht waren.
Met MMM's konden we ook analyseren en visualiseren hoe de verkoopresultaten door de tijd veranderden en of we seizoenspatronen in de modellen moesten opnemen.
Met backtesting valideerden we onze modellen en waarborgden we een hoge betrouwbaarheid van de resultaten.
Resultaten
De klant kreeg waardevolle inzichten in hoe verschillende kanalen op marketingactiviteiten reageerden. Zo werden onderbouwde beslissingen mogelijk.
Door over- en onderinvestering in marketingkanalen te identificeren, kon onze klant middelen doeltreffender herverdelen om het rendement te maximaliseren.
Bij tv-reclame toonden we bijvoorbeeld aan dat er nog ruimte was voor extra investering: het rendement had zijn maximale potentieel nog niet bereikt.
Rendement van tv-investeringen
Bij radioreclame toonden we daarentegen een dalend rendement door overinvestering in dat kanaal.
Rendement van radio-investeringen
Inzicht in de doeltreffendste manieren om klanten te bereiken hielp onze klant ook boodschappen en targeting af te stemmen voor meer betrokkenheid en conversie.
Tot slot bracht de analyse wisselwerkingen tussen marketingkanalen in kaart en onthulde ze synergieën en kansen voor geïntegreerde campagnes.
Uw organisatie voorbereiden op de overstap
1. Informeer teams en leid ze op
Organiseer workshops om marketingteams te informeren over de nakende uitfasering van cookies van derden en de gevolgen daarvan.
Bied opleidingen aan over de nieuwe tools en technieken voor marketingmixmodellering.
Overweeg externe experts voor gespecialiseerde opleidingen of onlinecursussen over geavanceerde marketinganalyses.
2. Voer nieuwe modellen geleidelijk in
Begin met pilots waarin nieuwe attributiemodellen naast bestaande methoden draaien. Zo kunnen teams resultaten vergelijken en vertrouwen in de nieuwe modellen opbouwen.
Overweeg in vroege pilots eerst eenvoudige modellen, voordat u overstapt op complexere Bayesiaanse modellen of agentgebaseerde modellering. Begin met modellen op basis van regressie.
U kunt nieuwe modellen ook gefaseerd invoeren: start met minder kritieke campagnes om risico te beheersen en breid uit naar belangrijkere campagnes naarmate kennis en vertrouwen groeien.
3. Versterk uw data-infrastructuur
Zorg dat uw databeheer de data voor marketingmixmodellering aankan en tegelijk een hoge datakwaliteit waarborgt.
Beoordeel en verbeter zo nodig technologische middelen, zoals opslagoplossingen en analysetools die de nieuwe attributiemodellen ondersteunen.
De toekomst van attributiemodellering met Agilytic
De kernvraag blijft hoe u marketingbudgetten het best verdeelt om het rendement te maximaliseren.
Met de juiste tools en strategieën kan de overstap naar alternatieve attributietechnieken vlot verlopen.
Onze ervaring met marketingmixmodellen, zoals bij het toonaangevende reisbureau in deze case, gaf ons de expertise en inzichten om ook andere bedrijven bij vergelijkbare overstappen te begeleiden.
Ons succes met geavanceerde attributiemodellen toont de waarde van een afscheid van verouderde, cookieafhankelijke methoden om marketingstrategieën te verbeteren.
We begrijpen dat nieuwe modellen invoeren overweldigend kan lijken. Daarom bieden we oplossingen op maat die vlot in uw bestaande processen passen, met uitgebreide opleiding en ondersteuning.
—
Geschreven door Joleen Bothma