Viele Unternehmen stecken Unmengen an Geld in ihr Content-Marketing. Entsprechend wird der Ruf nach aussagekräftigen Content Analytics immer lauter. Aber lässt sich der Erfolg von Inhalten überhaupt messen?
Was ist Content Analytics?
Content Analytics dient der Erfolgsmessung im Content-Marketing. Dazu gehören vor allem Informationen darüber, wie User mit dem Content interagieren (zum Beispiel mit einem Blogartikel oder einem Video). Dazu kommen bestimmte Metriken zum Einsatz.
Metriken im Content-Marketing
Stehen die Ziele im Content-Marketing fest, müssen geeignete Metriken gefunden werden. In diesem Artikel konzentrieren wir uns auf die Conversion Rate. Wohlwissend, dass es auch viele andere Ziele und Kennzahlen gibt. Anders als zum Beispie Brand Awareness lassen sich Conversions nämlich hervorragend messen.
Micro und Macro Conversions
Um ein großes Ziel erreichen zu können, teilt man es gern in Etappen ein. Nicht nur auf einer Weltreise. Im Digitalmarketing geht es darum, die Kundenreise bis hin zur Transaktion messbar zu machen. Wo springen Zielkunden ab? Was ist der neuralgische Punkt?
Im Fachjargon spricht man von Micro und Macro Conversions. Im E-Commerce interessiert man sich zum Beispiel für Warenkorbabbrecher. Um deren Anzahl berechnen zu können, trackt man jeden einzelnen Schritt bis hin zur Transaktion.
Macro Conversions lassen sich im B2B-Umfeld leider nur mit viel Aufwand tracken. Auch kann sich eine Kundenreise hier durchaus über mehrere Monate hinziehen. Das macht die Definition von Micro Conversions unabdingbar. Zum Beispiel das Abonnieren eines Newsletters, das Herunterladen eines Produktdatenblatts oder die Absendung eines Kontaktformulars.
I. Quantitative Analyse: Fokus auf die Anzahl der Conversion.
Hits: Oben rechts im Diagramm befinden sich die stark konversionstarken Artikel , die darüber einen hohen Traffic generieren. Es lohnt sich, diese immer wieder aufzufrischen und zu bewerben.
Dogs: Unten links im Diagramm befinden sich Artikel, die so gar nicht performen und offenbar keinen Nutzen haben.
Potential Gems: Oben links im Diagramm befinden sich Artikel mit hoher Conversion Rate, die wenig Traffic generiert haben. Wurden diese eventuell nicht optimal beworben?
Fragezeichen: Unten rechts im Diagramm befinden jene Artikel, die außer Traffic nichts bringen. Liegt das gegebenenfalls an den Themen?
Vor- und Nachteile des Verfahrens
Tatsächlich erleichtert dieses Verfahren den Fokus auf wichtige Artikel. Es hat jedoch auch einige Schwächen:
- Das Framework beschränkt sich auf die Anzahl der Conversions – nicht auf deren tatsächlichen Wert.
- Es wird jeweils ein einziges Conversion-Ziel betrachtet. Für die Analyse zusammenhängender Micro Conversions ist das nicht zweckmäßig.
- Das Ergebnis hängt stark vom gewählten Attributionsmodell ab. Tatsächlich wissen wir natürlich nicht, wie groß jeweils der Einfluss eines Content Assets auf die Conversion ist.
- Ohne die Gruppierung von Artikeln nach Typ und Funnel-Phase ist die Aussagekraft schwierig. Zumindest bei komplexeren Buyer Journeys.
II. Qualitative Analyse: Berücksichtigung des Seitenwerts.
Präzise Analysen sind mithilfe sogenannter Seitenwerte möglich. Dazu werden Zielvorhaben mit einem Wert versehen. Zum Beispiel 20 Euro für eine Newsletter-Anmeldung. In Google Analytics ist das überhaupt kein Problem.
Das Pendant zu Zielvorhaben im E-Commerce sind übrigens Transaktionen! Der monetäre Transaktionswert resultiert aus dem Kauf im Shop.
Google kann auf Basis von Transaktionswerten und Zielvorhabenwerten den Wert für jede einzelne Seite berechnen. Mehrfachaufrufe einer Seite werden dabei nicht gezählt:
(Transaktionswerte + Zielvorhabenwerte) / einzelne Seitenaufrufe der Seite
Wie lassen sich Zielvorhaben bewerten?
Was ist eine Newsletter-Anmeldung oder sonstige Micro Conversion wert? Um bei den 20 Euro zu bleiben, könnte die Kalkulation wie folgt aussehen:
Wenn der Kundenlebenswert (CLTV) 1.000 Euro beträgt und erfahrungsgemäß jeder 50. Newsletter-Abonnent zum Kunden wird, ergibt sich für diese Micro Conversion ein Wert von 20 Euro.
Vor- und Nachteile des Verfahrens
Dieses Verfahren erleichtert den Fokus auf relevante Seiten bzw. Artikel. Für Content Analytics hat es jedoch ebenfalls einige Schwächen:
- Jeder Seitenbesuch wird gleich bewertet. Ganz unabhängig vom Engagement. Tatsächlich wissen wir natürlich nicht, wie groß jeweils der Einfluss eines Content Assets auf die Conversion ist.
- Zielvorhaben innerhalb eines Funnels beeinflussen sich gegenseitig. Der Download eines Produktdatenblatt kann die Wahrscheinlichkeit einer Anfrage vergrößern. Entsprechend steigt der Wert des Zielvorhabens.
- Die Reihenfolge der besuchten Seiten bleibt unberücksichtigt. Eine Seite B performt vielleicht nur dann, wenn im Vorwege Seite C aufgerufen wurde.
- Nachträgliches Verändern der Zielvorhaben und -werte erschwert den Vergleich von Zeiträumen.
- Sessions werden singulär betrachtet. Wenn nun ein Kunde erst beim zweiten oder dritten Besuch der Website konvertiert, gehen wichtige Informationen verloren. Vor allem dann, wer er dazu ein anderes Endgerät nutzt oder zwischendurch seine Cookies löscht.
III. Dynamische Attributionsmodelle
Marketingattribution wird vor allem eingesetzt, um den Erfolg eines Multi-Channel Funnels (MCF) bewerten zu können. Betrachtet werden nicht länger singuläre Sessions, sondern ganze Customer Journeys, die sich aus mehreren Sessions zusammensetzen.
Unterschieden wird zwischen statischen und dynamischen Attributionsmodellen. Erstere sind regelbasiert, d. h. der Marketer muss im Vorfeld entscheiden, wie der Wert der Conversion über alle Touchpoints hinweg aufgeteilt werden soll. Statische Attributionsmodelle basieren folglich auf Annahmen.
Mehr Nähe zur Realität versprechen dynamische Attributionsmodelle: Zum Einsatz kommen hier spezielle Algorithmen, welche die Feinheiten der Buyer Journeys und die Zusammenhänge von Touchpoints näher beleuchten.
Zur Ermittlung haben sich in der Praxis folgende Konzepte bewährt: der Shapley-Wert, lineare Regression und Markov-Ketten.
Shapley-Wert
Das Konzept des Shapley-Werts entstammt der kooperativen Spieltheorie. Der Wert drückt aus, wie groß der individuelle Gewinn durch das Bilden einer Koalition ist. Ein klassisches Beispiel liefern Kleinstparteien, die anderen zur Mehrheit verhelfen. Der kleinen Partei entsteht dadurch ein faktischer Vorteil, der sich einfach berechnen lässt.
Bei der Attribution von Touchpoints entscheidet hier die Reihenfolge, in der sie einer Koalition (der Buyer Journey) beitreten. Ihr individueller Beitrag zum Gesamtumsatz ändert sich dann jeweils. Man spricht auch vom marginalen Beitrag, der für jede Touchpoint-Sequenz berechnet wird. Der Shapley-Wert wird für jeden Touchpoint separat berechnet und entspricht dem durchschnittlichen marginalen Beitrag. Je höher er ist, desto besser.
Lineare Regression
Regressionsmodelle helfen uns dabei, Abhängigkeiten zwischen zwei Variablen zu identifizieren. Zum Beispiel der Einfluss eines Touchpoints auf Conversions. Die abhängige Variable ist hier die Anzahl Conversions; die unabhängige Variable die Anzahl der Touchpoint-Zugriffe.
Leider ist die Realität komplizierter. Ob ein User konvertiert oder nicht, wird von weiteren Variablen beeinflusst. Zum Beispiel von der geschalteten Werbeanzeige oder der Jahreszeit. Um diese Einflüsse zu egalisieren, wird bei linearer Regression normalerweise ein Zeitraum von wenigstens sechs Monaten betrachtet.
Marcov-Ketten
Wie wahrscheinlich ist es, dass ein User von einem Touchpoint auf einen anderen wechselt? Bei der Beantwortung der Frage helfen Markov-Ketten. Berechnen lässt sich mit ihnen die Wahrscheinlichkeit für jeden Übergang – auch Transition Probability genannt.
Herangezogen wird in vereinfachten Modellen jeweils der vorherige Touchpoint (falls es einen gibt). Nur Markov-Modelle höheren Grades können weitere Touchpoints aus der Historie berücksichtigen und liefern so bessere Ergebnisse.
Vor- und Nachteile entsprechender Verfahrens
Dynamische Attribution berücksichtigt den Einfluss einzelner Seiten realistischer, da die konkrete Reihenfolge von Klick-Sequenzen betrachtet werden.
Doch auch dieses Verfahren hat einige Schwächen: Besonders problematisch ist die Tatsache, dass dynamische Attribution nur bei ausreichendem Datenvolumen funktioniert. Dabei spielt auch die Datenqualität eine große Rolle. Für den Einstieg fällt das Verfahren somit flach.
Zur Wahrheit gehört auch: Die Wahl eines Konzepts und die Modellierung sind ohne entsprechende Erfahrung sehr schwierig. Darüber hinaus kann die kleinste Änderung an einer Seite zu völlig neuen Resultaten führen. Es ist also sehr aufwendig, ein derartiges Modell zu pflegen.
Vorhersagen über Content Assets
Um den ROI eines Assets berechnen zu können, benötigen wir dessen Wert über die gesamte Lebenszeit. Die präsentierten Verfahren ermitteln einen Wert, der sich auf den gegenwärtigen Zeitpunkt bezieht. Die Wirkung eines Videos oder Blogartikels verändert sich jedoch laufend. Das gilt sogar für Evergreen Content.
Entsprechend schwierig ist es, die Lebenszeit und -wert eines Content Assets ex ante zu prognostizieren. Natürlich kann man, wie bei der Berechnung des Kundenlebenswerts, schlicht und einfach Erfahrungswerte heranziehen. Das wird jedoch nicht jeden zufriedenstellen.
Hilfreich ist hier der Einsatz probabilistischer bzw. prädiktiver Modelle, welche eine Eintrittswahrscheinlichkeit beschreiben. Beispiel: “Die Wahrscheinlichkeit, dass der Artikel XY bis zum 31.12.2022 ein Gesamtwert von 500 Euro hat, beträgt 90 %. Die Basis derartiger Schätzungen sind auf den Satz von Bayes zurückzuführen.
So misst du deine Content Performance.
Die große Herausforderung im Content-Marketing ist, dass es im Dunkeln bleibt, welche Wirkung ein konkerets Content Assets auf ein Individuum ausübt. Zu viele Faktoren beeinflussen seinen Entscheidungsprozess. Es gibt jedoch einige Metriken, die als Indikatoren für die Performance herangezogen werden können.
Diese Metriken beschreiben deine Content Performance
1) SERP Rankings der wichtigen Suchbegriffe
Content dient häufig dazu, organischem Traffic zu generieren. Möglichst auch für die heiß umkämpften Keywords mit hohem Suchvolumen. Ein wichtiger KPI ist folglich das Ranking dieser Keywords. Vor allem Veränderungen haben clevere Content Marketer stets im Blick.
Eine besondere Rolle spielen hier Brand-Keywords. Diese müssen einfach gut ranken!
2) Asset Views
Diese Metrik beschreibt den Anteil jener Zielkunden, die ein Content-Asset abgerufen haben. Über das tatsächliche Engagement erfährt man auf diese Weise jedoch wenig. Dennoch ist dies Metrik sehr populär. Vor allem, weil sie sich so zuverlässig ermitteln lässt.
3) Anzahl Conversions eines Assets
Für jedes Content Asset lässt sich die Anzahl der in Verbindung stehenden Conversions ermitteln. Mithilfe eines Attributionsmodells lässt sich die Anzahl auch aufteilen, sofern Kunden auf Buyer Journey verschiedene Assets aufgerufen haben. Über den monetären Wert der Conversions sagt diese Kennzahl jedoch nichts aus.
4) Wert der Conversions eines Assets
Google Analytics und andere Tracking Tools ermöglichen die Zuordnung von monetären Werten auf einzelne Seiten. Dazu werden Zielvorhaben mit einem Wert versehen. Zum Beispiel 10 Euro für eine Newsletter-Anmeldung.
Das Pendant zu Zielvorhaben im E-Commerce sind übrigens Transaktionen! Der monetäre Transaktionswert resultiert aus dem Kauf im Shop.
5) ROI des Content-Assets
Mit dem ermittelten Wert eines Assets gemäß Punkt 4) kann ein Content ROI berechnet werden. Vorausgesetzt, die Kosten für die Produktion und Distribution werden korrekt ermittelt. Unterschieden werden hier interne und externe Kosten. Externe Kosten fallen zum Beispiel für die Werbung auf fremden Plattformen an.
6) Aktive Verweildauer
Die aktive Verweildauer auf einer Seite spiegelt das Engagement eines Users wieder. Leider ist die in Google Analytics, Matomo etc. ermittelte Verweildauer nicht besonders aussagekräftig. Auf Basis spezieller Events lässt sich das Engagement präziser ermitteln, z. B. Abspieldauer von Videos, Scrollverhalten, Mausbewegungen, Klicks und so weiter.
7) Anzahl Social Shares
Dein Content muss nicht gleich ein viraler Hit werden. Aber wenn Inhalte in sozialen Netzwerken geteilt werden, hat das eine gewisse Aussagekraft. Denn wohl kein User teilt Inhalte, von denen dieser nicht vollends überzeugt ist.
Was macht ein gutes Content-Analytics-Dashboard aus?
Wie du gesehen hast, sind Content Marketing Analytics und Content Grouping nicht trivial. Ob ein Blog-Artikel oder Video performt, hängt von verschiedenen Faktoren ab. Viele Marketer setzen deshalb gleich mehrere Tools ein, um die gewünschten Insights zu erhalten. Die Zusammenführung und Aggregation der Daten geschieht jedoch nicht selten per Hand. Das Ergebnis sind häufig riesige Excel-Tabellen.
Woran es mangelt, sind Dashboards mit hilfreichen Echtzeit-Informationen. Verständlich und auf den Punkt gebracht. Dabei gibt es längst professionelle Visualisierungstools wie Google Data Studio, Tableau oder Power BI, mit denen sich beliebige Datenpunkte zusammenführen und daraus hübsche Charts gestalten lassen.
Was macht ein gutes Dashboard aus?
Ein gutes Dashboard erlaubt den Nutzer, schnell gute Entscheidungen treffen zu können. Deshalb muss es folgende Anforderungen erfüllen:
- Fokussierung auf den User: Ein gutes Dashboard liefert dem Nutzer Informationen zu jenen KPIs, die für seine Arbeit relevant sind. Und nichts darüber hinaus.
- Hohe Datenqualität: Ein gutes Dashboard zieht alle validen Datenquellen heran, die für die zuverlässige Berechnung der KPIs hilfreich sind.
- Ausgeprägte Fehlertoleranz: Offensichtlich fehlerhafte oder unzureichende Daten werden automatisch herausgefiltert oder gekennzeichnet.
- Aktualität: Ein gutes Dashboard liefert Informationen in Echtzeit.
- Verständlichkeit: Ein gutes Dashboard ist auch ohne Einarbeitung leicht zu verstehen.
Designregeln für Dashboards
Gleich nach der Konzeption geht es an die Umsetzung. Hier kommen einige bewährte Designregeln und Best Practice ins Spiel:
- Ein gutes Dashboard ist nicht überladen und beschränkt sich auf die wichtigsten Informationen.
- Charts werden nur dann eingesetzt, wenn sie zur Erfassung von Informationen hilfreich sind.
- Informationen sind leicht erfassbar.
- Für KPIs werden nach Möglichkeit Vergleichs- oder Referenzwerte mit ausgegeben.
- Die wichtigsten Informationen stehen oben links. Die unwichtigsten unten rechts.
- Zusammengehörige Informationen werden nach Möglichkeit gruppiert.
- Besonders anwenderfreundliche Dashboard sind in Zeilen und Spalten eingeteilt, um die Orientierung zu erleichtern.
Beispiel-Dashboard für Content Manager
Ein gelungenes Dashboard für Content Manager kann wie folgt aussehen:
Fazit
Content Analytics ist komplex. Doch mit gewissem Aufwand lassen sich durchaus Kennzahlen ermitteln, welche der Effolgsmessung im Content-Marketing dienlich sind.
Moin aus Hamburg!
Mein Name ist Frank und ich bin bereits seit Mitte der 1990er in der Digitalbranche unterwegs. Meine Schwerpunkte sind Content-Marketing, E-Mail-Marketing und MarTech.