Wie die Multi-Kanal Attribution in Piwik PRO funktioniert

,

Geschrieben von David Street, Karolina Matuszewska, Sebastian Synowiec

Veröffentlicht April 12, 2021

Als jemand, der in dutzende Kanäle, wie soziale Medien, Google Ads, E-Mail, Blogging und mehr, investiert, möchten Sie sicher wissen, welche den besten Return on Investment bieten. Dazu brauchen Sie eine zuverlässige Multi-Kanal-Attributionsanalyse, mit der Sie:

  • Ihr Marketing- und Werbebudget besser zu ordnen
  • Zuverlässige Daten über die Auswirkungen von Marketingaktivitäten auf die Conversion-Raten erhalten
  • Die Anschaffungskosten pro Marketingkanal verringern

Aber wie weisen Sie Attribute zu, wenn die Customer Journey so fragmentiert ist? Der Übergang von der ersten Berührung zur Konvertierung erfolgt selten innerhalb einer Session. Der Prozess selbst erstreckt sich über viele Kanäle und Kontaktpunkte hinweg und findet nicht nur über Nacht statt. Dazu kommt, dass eine genaue Attribution nur dann gelingt, wenn personenbezogene Daten erhoben werden. Das Auftreten immer strengerer Vorschriften wie die DSGVO, CNIL und landesspezifische Regelungen macht dies zu einer heiklen Angelegenheit.

Addieren Sie all diese Elemente und Sie erhalten Folgendes: Multi-Kanal Attributionsanalysen sind schwieriger als je zuvor. Das sagt einiges, denn sie waren von Anfang an nie einfach.

Viele Unternehmen stellen sich hierbei selbst ein Bein, indem sie sich auf ein Last Click Attributionsmodell verlassen. Ein sogenannter Credit, also eine Zahl, die anzeigt was zu einer Conversion verhalf, wird dem letzten Schritt der Customer Journey zugeschrieben. Man geht davon aus, dass alle anderen Berührungspunkte überhaupt nichts beigetragen haben. Das hat nur eines zur Folge: Ungenaue Analysen führen zu ungleichmäßigen Ergebnissen. Am Ende geben viele verzweifelt auf und versuchen nicht einmal, die Attribution zu analysieren.

Trotz der Schwierigkeiten sind Reports mit mehreren Attributen nützlich. Es handelt sich nicht um allwissende Quellen, die Ihnen sofort sagen, was Ihre leistungsstärksten Kanäle sind. Die Reports geben Ihnen jedoch im Laufe der Zeit viele Hinweise. Die Bedingung, die sie stellen ist, dass Sie wissen, wie Sie intelligente Experimente um sie herum entwerfen. Diesen Ansatz empfehlen Analytik-Experten wie Avinash Kaushik.

Den ersten Schritt zur Umgehung der Hindernisse setzt eine Plattform, die einen flexiblen Ansatz mit mehreren Modellen ermöglicht. Sie sollten auch darauf achten, dass Sie personenbezogene Daten auf konforme Weise erfassen, insbesondere wenn Sie Conversions für einzelne Besucher, Kunden oder User verfolgen möchten.

Aber wenden wir uns einmal an den Kern der Sache.

Was ist eine Multi-Kanal Conversion-Attribution?

Bei der Multi-Kanal Conversion-Attribution wird ein Credit für Conversions auf einer Customer Journey zugewiesen, die sich über mehrere Kanäle erstreckt. Es wird manchmal auch als Multi-Touch-Zuordnung bezeichnet. Einige sprechen auch nur über Attribution, Werbe-Attribution, Attributionsmodellierung oder Marketing-Attribution, übernehmen aber den Multi-Kanal Charakter der Analyse.

Wie Auswirkungen verschiedener Marketingaktivitäten bewertet werden, wurde schon vor mindestens einem Jahrhundert diskutiert. 1923 schrieb Claude C. Hopkins über das Testen und Vergleichen von Kampagnen in seinem Buch “Scientific Advertising”. Auch wenn der Ansatz nicht neu ist, können Sie zu Recht sagen, dass sich viel geändert hat. Das Messen von Kampagnen über digitale Kanäle hinweg unterscheidet sich erheblich vom Vergleichen der Auswirkungen von Werbetafeln mit denen von Gutscheinen in Zeitungen.

Der moderne Prozess der Attributionsmodellierung umfasst mehr Kanäle. Gutscheine und Werbetafeln mögen für einige immer noch relevant sein, aber jede Organisation muss sich auch mit digitalen Kanälen befassen. Aus diesem Grund bevorzugen wir den Begriff Multi-Kanal Conversion-Attribution. Sie konzentriert sich darauf, über wie viele Kanäle wir wirklich nachdenken sollten.

Diese Vielzahl an Kanälen birgt aber auch einige Herausforderungen.

Die zahlreichen Herausforderungen der Multi-Channel Conversion-Attribution

Einige betrachten die Attribution von Conversions als magische Lösung für alle ihre Probleme, während andere behaupten, dass sie überhaupt nicht funktioniert oder die Mühe nicht wert ist. Der Analytics-Experte Avinash Kaushik bietet unter anderem einen vernünftigen Mittelweg: Senken Sie Ihre Erwartungen und führen Sie viele Experimente durch, um die Ergebnisse verschiedener Ansätze zu vergleichen.

Er erklärt, dass Sie folgendes in jedem Attributionsanalyseprojekt berücksichtigen sollten, nämlich verschiedene Arten der Mehrkanal-Attribution:

  • Über digitale Kanäle hinweg – Eine einzelne Person auf einem einzelnen Gerät, die sich über Touchpoints auf verschiedenen Online-Kanälen bewegt
  • Über mehrere Geräte oder Browser hinweg – Immer noch digital, aber jetzt reicht eine einzige Kennung, z. B. ein Browser-Cookie, nicht mehr aus, um die Customer Journey zusammenzufügen
  • Online-to-Store – Das Tracken des Einflusses des Online-Marketing auf das Offlinegeschäft

Es gibt sogar Arten der Attribution für diejenigen mit mehr Offline-Kampagnen. Einige Unternehmen möchten beispielsweise wissen, welche Auswirkungen Printwerbung auf den Online-Verkauf hat.

Die Implikation ist jedoch klar: Sie sollten von Anfang an wissen, mit welcher Art von Attribution Sie arbeiten. Avinash Kaushik weist darauf hin, dass viele Analytics-Anbieter und Berater versprechen, alle Arten der Attribution mit genauen Conversion-Daten in einer all umfassenden Analyse zu mischen. Ein schöner Traum, der aber selten in der Praxis durchgeführt werden kann. Daran sollten Sie denken, wenn Sie die zukünftigen Analysen planen und vor allem welche Ergebnisse Sie erwarten.

Um jede Art von Attribution zu analysieren, müssen wir wissen, welche Attributionsmodelle zur Verfügung stehen. Denn dann ist es möglich die Aufmerksamkeit auf die folgenden Experimente zu richten.

Die Standard-Conversion-Attributionsmodelle

First Click Modelle (erster Klick) weisen dem ersten bekannten Klick, der Traffic-Quelle oder dem Referrer 100 % einer Conversion zu. Angenommen, ein Besucher betritt Ihre Website über Google Ads, schaut sich um und verlässt diese. Später kommt dieser über einen organischen Google-Suchlink zurück und füllt ein Formular aus, also die Conversion. Dieser letzte Besuch über die organische Suche wird überhaupt nicht gezählt. Die erste Interaktion über Google Ads erhält 100 % des Credits.

Last Click Modelle (letzter Klick) geben dem letzten bekannten Klick, der Traffic-Quelle oder dem Referrer 100 % des Credits. Für das obige Beispiel, ein Google Ad-Klick und dann ein Klick der organischen Suche, wird der gesamte Credit der organischen Suche zugewiesen.

Last Non Direct Click Modelle (letzter nicht direkter Klick) entfernen direkte Besuche aus der Gleichung. 100 % der Conversion werden dem letzten bekannten indirekten Klick zugewiesen, daher der Traffic-Quelle oder dem Referrer. Dies ist eine Variation des Last-Click-Modells und kann in Piwik PRO mit einem benutzerdefinierten Modell erstellen werden, das auf einer Last-Click-Vorlage basiert.

Lineare Modelle behandeln jeden Touchpoint gleich. Der Erfolg wird gleichermaßen jedem Referrer und Besuch zugeschrieben, der vor der Conversion stattfindet. Also drei Kontaktpunkte, z. B. Google Ads, organische Suche in Google und ein direkter Besuch, vor einer Conversion, würden in dem Fall gleichermaßen ein Drittel des Credits erhalten.

Positionbased Modelle (auch Badewanne Modell genannt) weisen dem ersten Touchpoint X %, dem letzten Touchpoint Y % des Credits zu und Z % verteilen sich gleichmäßig auf alle dazwischen liegenden Berührungspunkte. Dies ist ein leicht anpassbares Modell, ändern Sie einfach die prozentualen Eingaben, alle Berührungspunkte werden weiterhin berücksichtigt.

Time Decay Modelle (Zeitverfall) weisen jedem Touchpoint einen Credit zu. Je näher der Touchpoint an der endgültigen Transaktion oder der Conversion liegt, desto größer wird der Credit. Sie nutzen dazu die sogenannte „Halbwertszeit“, die Sie einstellen und das Modell berechnet den Credit automatisch. Die Halbwertszeit gibt an, wie lange es dauert, bis sich der Credit halbiert. Bei einer Halbwertszeit von 7 Tagen erhält ein Klick 7 Tage vor der Conversion die Hälfte des Credits eines Klicks am Tag der Conversion.

Der Marketingexperte Lennart Ruigrok stellte fest, dass viele Marketer den Fehler begehen, sich nur auf das Last Click Modell zu verlassen, welches das Standardmodell in Google Analytics ist. Das Modell selbst ist für gewisse Analysen nicht schlecht, führt aber dazu, dass Sie den Beitrag von Touchpoints ignorieren, die bei der Konvertierung eine wichtige Rolle spielen könnten. Dies ist eine Schwäche der Alles-oder-Nichts-Modelle, dazu gehören der First Click, der Last Click und Last Non Direct Click.

Die Stärke der anderen drei Modelle – Linear, Positionbased und Time Decay – besteht darin, dass sie mehr als nur einem Touchpoint Credit zuweisen. Dies bedeutet nicht, dass sie für die Modellierung eines bestimmten Conversion-Trichters besser geeignet sind, aber es lohnt sich, mit denen zu experimentieren, um Credits über einen einzigen Touchpoint hinaus zu verteilen.

Zusätzlich zu den Standardmodellen müssen wir uns auch benutzerdefinierte Modelle und andere erweiterte Funktionen ansehen, die die Qualität unserer Analysen verbessern.

Fortgeschrittene Funktionen der Multi-Channel Attribution

Benutzerdefinierte Modelle

Standardmodelle bringen Sie Ihrem Ziel der Attributionsanalyse näher. Zusätzliche Kontrolle ist aber in allen möglichen Situationen hilfreich. Mit benutzerdefinierten Modellen ändern Sie Teile der Standardmodelle, um weitere Kontrolle zu erhalten.

Nehmen wir zum Beispiel an, es gibt einen selten gesehenen Touchpoint, der wichtig genug ist, um viel mehr Anerkennung zu erhalten als alle anderen, unabhängig davon, wo er sich auf dem Weg zur Conversion befindet. Standardmodelle finden solche Touchpoints nicht, um ihnen mehr Credits zu verleihen. Schauen wir uns also die Optionen an, die uns benutzerdefinierte Modelle bieten.

Modellparameter sind die ersten Änderungen, die zu beachten sind und sich von Modell zu Modell unterscheiden.

Definition

Sie können Parameteränderungen als Variationen von Standardmodellen oder als neue benutzerdefinierte Modelle betrachten. In Piwik PRO verwenden wir die Benennung “benutzerdefiniertes Modell” für jedes, das gegenüber den Standardmodellen geändert wurde, selbst wenn sich ein Parameter geringfügig geändert hat.

Mit Alles-oder-Nichts Modellen legen Sie Bedingungen für den ersten oder letzten Klick fest, der den ganzen Credit erhält. Auf diese Weise erhält nicht jeder erster oder letzter Touchpoint den Credit, sondern nur einer, der bestimmte Bedingungen erfüllt. Ignorieren Sie beispielsweise alle Blog-Beiträge und schreiben Sie nur Verkaufs- oder Zielseiten Credits zu. Sie können den Credit aber auch auf nur externe Werbekampagnen beschränken.

Bei Modellen, die mehreren Touchpoints Credits zuweisen, sieht die Situation schon anders aus. Bei einem Time Decay Modell ist der wichtigste Parameter die Halbwertszeit, die die Verteilung des Credits auf längere Customer Journeys dramatisch verändert. Mit einem Positionbased Modell passen Sie die Aufteilung zwischen erster, mittlerer und letzter Interaktion an. Bei einem linearen Modell sind keine Parameter anzupassen. In Piwik PRO können Sie für alle drei Modelle den Credit je nach Session Page View oder Sessionzeit mit dem User Engagement verknüpfen.

Die zweite Art von Änderungen sind zusätzliche Regeln zu Credits. Mit diesen zusätzlichen Regeln fügen Sie einen Kreditmultiplikator hinzu, der auf den von Ihnen definierten Bedingungen basiert.

Wenn wir also zu dem Beispiel zurückkehren, mit dem wir diesen Abschnitt begonnen haben. Nehmen wir an, unsere Analysen zeigen, dass Besucher, die den Touchpoint “Produktdemonstration” durchlaufen, viel eher zum nächsten Schritt des Verkaufsprozesses übergehen. Wir möchten diesem Kontaktpunkt das 10-fache des Credits anderer Touchpoints auf der Customer Journey geben. Wir würden dies mit einer zusätzlichen Kreditregel tun. Zu sehen ist es im folgenden Screenshot von Piwik PRO.

Die anderen Parameter des Modells würden weiterhin gelten.

Wenn wir uns das Time Decay Modell ansehen, wird der Produktdemonstration ein Credit zugewiesen, der auf der jeweiligen Position in der Customer Journey beruht. Dieser zugeteilte Credit würde dann aufgrund der zusätzlichen Kreditregel mit 10 multipliziert werden. Dasselbe gilt für lineare und Positionbased Modelle. Das Basismodell weist dem Touchpoint einen Wert zu, der dann durch zusätzlich geltende Kreditregeln geändert wird.

In Piwik PRO können diese zusätzlichen Regeln auch für Modelle mit erstem und letztem Klick verwendet werden. Der Effekt unterscheidet sich jedoch etwas. Sobald Sie einen Filter für den ersten oder letzten Klick festlegen, für den Sie einen Credit erhalten möchten, dienen diese zusätzlichen Regeln als Absicherung für den Fall, dass der erste Filter alle Touchpoints in einem bestimmten Conversion-Pfad ausschließt. Auf diese Weise verhalten sich die zusätzlichen Regeln eher wie Sekundärfilter für Alles-oder-Nichts-Modelle.

Attributionsmodellattribute und Anpassungsoptionen in Piwik PRO

Credit für mehr als einen TouchpointAnpassbare ParameterAndere Optionen
First Click AttributionFilter
Last Click AttributionFilter
Linear AttributionUser Engagementzusätzliche Regeln
Positionbased AttributionCredit-Teilung, User Engagementzusätzliche Regeln
Time Decay AttributionHalbwertszeit, User Engagementzusätzliche Regeln

Modellvergleich

Da Sie jetzt Standard- und benutzerdefinierte Modelle zur Auswahl haben, kann die Multi-Kanal Attribution leicht über den Kopf wachsen. Wo soll man nur anfangen? Wie wähle ich das richtige Modell aus?

Der Vergleich der unterschiedlichen Modelle untereinander ist die Lösung. Es ist ebenfalls wichtig, diese Vergleiche in den Kontext eines Experiments mit einem bestimmten Ziel zu setzen. Der Vergleichsteil ist einfach:

In Piwik PRO können Sie Standard- und benutzerdefinierte Modelle in jedem Multi-Channel Attributionsreport schnell vergleichen.

Es ist schwieriger, den richtigen Kontext zu finden. Die Fragen, die wir stellen möchten, sind schwierig zu beantworten. Welches Mehrkanal-Attributionsmodell liefert mir die richtigen Ergebnisse? Welche Seiten, Anzeigen, Kampagnen usw. hatten den größten Einfluss auf die Erstellung dieser Conversion?

Um langsam auf diese Antworten hinzuarbeiten, müssen wir viele Experimente durchführen.

Nehmen wir an, ein Modell teilt für eine Conversion einer Google Ads-Kampagne die höchste Punktzahl zu. Ein anderes Modell aber teilt einer Kategorie von Blog-Posts am meisten Credit zu. Jetzt springen wir in das Experiment, das darin bestehen könnte, mehr oder weniger der Google Ads-Kampagnen oder der Blog-Posts für diese Kategorie zu produzieren. Im Laufe der Zeit sehen Sie, wie sich dies auf die Conversions auswirkt.

Dies kann ein langwieriger Prozess werden. Tun Sie Ihr Bestes, um die Variablen zu isolieren und alle Daten, die den Conversion-Prozess beeinflussen könnten, einzeln für jede Conversion zu testen. Selbst erfahrene Analytics-Experten wie Avinash Kaushik, die wir in einem früheren Abschnitt besprochen haben, stellten fest, dass es keine Abkürzung gibt, verlässliche Antworten auf die brennenden Fragen zur Attribution zu erhalten.

Custom Channel Grouping

Mit der benutzerdefinierten Kanalgruppierung, oder Custom Channel Grouping, behandeln Sie mehr als nur eine Traffic-Quelle für die Attributionsanalyse.

Nehmen Sie zum Beispiel eine Analyse des bezahlten und des organischen Traffics. Ordnen Sie alle bezahlten Quellen in eine Kanalgruppe und alle organischen Quellen in eine andere ein. Sie können dies manuell durchführen. Wenn Sie jedoch mehrere Kanäle als einen behandeln, sparen Sie Zeit und vereinfachen die Interpretation Ihrer Reports.

API- und Rohdatenzugriff

Integrierte Reports und benutzerdefinierte Reporterstellung sind großartig. Aber manchmal gibt es bestimmte Analysen, die mehr erfordern, als diese Reports liefern können. Vielleicht benötigen Sie eine andere Art, die Daten zu filtern oder darzustellen, oder Sie möchten die Daten aus einer anderen Quelle kombinieren. In jedem Fall ist hier der Zugriff auf eine robuste API und unbegrenzte Rohdaten von unschätzbarem Wert.

Erstellen Sie benutzerdefinierte Integrationen zu anderen Plattformen, die bei Bedarf automatisch Analysedaten abrufen, um Daten massenweise für externe Analysen zu exportieren. Die Optionen sind endlos, wenn Sie vollen Zugriff auf Ihre Analysedaten haben und diese willkürlich steuern können.

Viele würden einen integrierten Consent Manager nicht als Teil einer Attributions-Toolbox nennen, und dennoch ist dies eine entscheidende Komponente. Dieser gewinnt immer mehr an Wichtigkeit, vor allem wenn die Datenschutzgesetze weltweit strenger werden.

Maximieren Sie die Datenerfassung und die Genauigkeit Ihrer Reports mit einem Consent Manager. Viele Länder erlauben keine Erfassung von personenbezogenen Daten ohne einer solchen Plattform. Es gibt viele eigenständige Optionen auf dem Markt. Obwohl sie passable Arbeit leisten, ist nichts besser als ein Consent Manager, der speziell für die von Ihnen verwendete Analyseplattform entwickelt wurde. Sie müssen sich keine Sorgen machen, dass Daten aufgrund von Problemen mit einem komplexen Integrationsprozess verloren gehen.

Ein praktisches Beispiel einer Multi-Kanal Attributionsanalyse

Wir haben jetzt eine vollständige Toolbox für die Conversion-Zuweisung. Jedoch könnte man den Prozess vor lauter Tools nicht erkennen. Um zu verdeutlichen, wie diese Tools zusammenarbeiten, sehen wir uns an einem Beispiel an.

Nehmen wir an, wir arbeiten in einer Bank. Uns beschäftigt die Frage, welche Marketingkanäle am effizientesten Besucher an uns leiten, die zu Kunden werden, die eine bestimmte Art von Kredit aufnehmen.

Um eine Attributionsanalyse zu starten, benötigen wir zunächst eine Hypothese. Als Nächstes brauchen wir ein oder mehrere Modelle, mit denen wir unsere Hypothese bestätigen oder widerrufen.

Nun entscheiden wir, welchen Zeitraum wir betrachten und welche Kanäle wir berücksichtigen werden.

In diesem Beispiel richten wir eine Gruppe von Kanälen namens “PP Bank Marketing Channels” ein und analysieren die Daten eines vollen Monats. Wir stellen die Hypothese auf, dass zwei Affiliate-Marketing-Kampagnen gut funktionieren und es sich lohnt diese fortzusetzen.

Für diese Analyse werden auf jeden Fall personenbezogene Daten benötigt. Da wir mit Bankinformationen arbeiten, müssen die Daten sogar als vertraulich angesehen werden. Eine Einwilligung zu erhalten bevor die benötigten Daten gesammelt werden, ist ein entscheidender Bestandteil bei der Einrichtung der Analyse.

Wir beginnen uns ein wenig mit Conversions auseinanderzusetzen, indem wir uns die Reports für die Tage zur Conversion und die Pfadlänge ansehen.

Wir können uns auch einen Report zum Conversion-Pfad ansehen und feststellen mit welchen Touchpoints Besucher auf Ihrem Weg zur Conversion interagieren und vor allem in welcher Reihenfolge.

Diese Reports geben Ihnen ein gutes Gefühl für die grobe Customer Journey. Schließlich müssen wir jedoch damit beginnen, Modelle zu erstellen, die jedem Kanal einen Credit zuweisen. Auf diese Weise beweisen oder widerlegen wir die Hypothese, dass unsere beiden Affiliate-Kampagnen funktionieren.

Zur Überprüfung werden drei Modelle verwendet: ein Last Click Modell, ein First Click Modell und ein benutzerdefiniertes Positionbased Modell. Im benutzerdefinierten Modell werden wir der ersten Interaktion mehr, aber nicht alle Anerkennung zuweisen.

Dann sehen wir uns die Anzahl und den Wert der Conversions an, die von jedem Kanal entsprechend der Modelle erzeugt wurden.

Wir überprüfen jetzt die Kosten für diese Affiliate-Kampagnen und stellen fest, ob sie einen positiven ROI aufweisen und somit fortgesetzt werden können. Dies ist jedoch nicht das Ende unserer Analyse. Es ist lediglich nur der Anfang.

Jetzt haben wir uns einen Ausgangspunkt erarbeitet. Wir können ab jetzt Metriken, einschließlich der Attributionsreports, im Laufe der Zeit verfolgen und positive und negative Auswirkungen erkennen. Wir könnten auch einen aktiven Ansatz verfolgen. Dabei nehmen wir Änderungen vor, die auf unserer eigenen Recherche oder auf Markttrends beruhen. Wir überwachen dann die Auswirkungen und vergleichen diese mit dem von uns festgelegten Ausgangspunkt.

Zum Beispiel könnten wir die Ausgaben für eine bezahlte Kampagne verdoppeln und prüfen, ob wir auch das Doppelte der Einnahmen erzielen. Dies wäre wahrscheinlich nicht der Fall, daher müssen wir den ROI, wie bei den Affiliate-Kampagnen überprüfen.

“Mit der Zeit weniger falsch liegen”

Avinash Kaushik erklärt, dass alle Attributionsmodelle ihre Vor- und Nachteile haben. Es geht also nicht darum, beim ersten Mal das perfekte Modell auszuwählen. In seinen Worten beruht der Erfolg auf „Ihrer Fähigkeit, diese grobe Ausgabe zu erfassen, Änderungen vorzunehmen, die Auswirkungen zu beobachten (über Wochen oder Monate, wenn Sie klein sind), Erkenntnisse zu identifizieren und mit der Zeit weniger falsch zu liegen.“

In gewisser Weise sollte dies eine Erleichterung sein. Sie müssen es nicht gleich beim ersten Mal 100 % richtig machen! Darüber hinaus werden Sie wahrscheinlich nie 100 % richtig liegen, zumindest nicht, wenn es um die Attribution von Conversions geht.

Wir hoffen, dieser Artikel hat Sie dazu ermutigt, Mehrkanal-Attributionsanalysen auszuprobieren oder darauf zurückzukommen. Wenn Sie mehr darüber erfahren möchten, wie Piwik PRO Analytics Suite helfen kann, setzen Sie sich mit uns in Verbindung. Gerne stellen wir für Sie eine personalisierte Demo zusammen.

Vergleich

Vergleich von 10 Analytics-Plattformen für Web & App

Lernen Sie die Unterschiede zwischen den zehn beliebten Analytics-Plattformen kennen: Piwik PRO Enterprise, Google Analytics 4, Matomo Cloud, Adobe Analytics, AT Internet, Countly Enterprise, Mixpanel Enterprise, Amplitude Enterprise, Snowplow Enterprise und Heap Premier.