Bei der Einführung eines datengestützten Managements gilt es vier zentrale Fragen zu klären. Dieser Artikel soll Sie durch die Fragen führen und Ihnen einen groben Leitfaden geben, an dem Sie sich in Sachen datengestütztes Marketing Management orientieren können.
Bei der Einführung eines datengestützten Managements gilt es vier zentrale Fragen zu klären. Dieser Artikel soll Sie durch die Fragen führen und Ihnen einen groben Leitfaden geben, an dem Sie sich in Sachen datengestütztes Marketing Management orientieren können.
Zunächst aber eine Begriffserklärung: datengestütztes Marketing Management bezeichnet eine Form des Managements, bei der daten- und kennzahlenbasierte Entscheidungsgrundlagen geschaffen werden. Das geschieht durch datenbasierte Methoden, Instrumente und Arbeitsprozesse, welche zum essenziellen Bestandteil der Strategie, Planung und Steuerung werden.
Daten ersetzen nicht die Praxiserfahrung
Ganz wichtig: Daten ergänzen praktische Erfahrungswerte, ersetzen sie aber nicht. Die Entscheidung über Maßnahmen liegt auch in einem datengestützten Management bei Ihnen. Nur verfügen Sie über zusätzliche Entscheidungshilfen, die perspektivisch kalkulierbar und damit auch weit besser begründbar sind.
Wenn Sie sich Gedanken darüber machen, wie ein datengestütztes Marketing Management aufgebaut werden könnte, kommen Sie um vier zentrale Fragen nicht herum:
- Data Sourcing: Welche Datenquellen sind relevant?
- Data Preparation, Governance: Wie können die Daten nutzbar gemacht werden?
- Data Analytics: Mit welchen Methoden und Instrumente kann man die besten Erkenntnisse gewinnen?
- Data driven Decision Making: Wie integrieren sich die Erkenntnisse sinnvoll in Planungs- und Entscheidungsprozesse?
Keine Sorge – diese Fragen müssen Sie nicht allein beantworten. Wir helfen Ihnen dabei, indem wir jetzt über die Aufgaben reden, die mit den jeweiligen Fragen verbunden sind.
Wenn Sie sich mit einem datengestützten Management beschäftigen, steht zu Beginn eine zentrale Frage: „Welche Daten brauche ich?“ Grundsätzlich können Sie sich an sechs Suchfeldern orientieren:
- Personenbezogene Daten aus CRM, eCommerce und Customer Services, also Bereichen mit direktem Kundenkontakt.
- Media-Daten zu Spendings, Werbeumfeldern sowie Performance-Kennzahlen, wobei auch Informationen zu Media-Aktivitäten von Wettbewerbern aufschlussreich sein können.
- Vertriebs- und Verkaufszahlen, die sich beispielsweise aus der Beobachtung der Warenkorbgröße und – zusammensetzung oder der Kontakt- und Kauffrequenz ergeben. Außerdem sind produktbezogene Informationen wie das Pricing, Konfektionierung und Produktkategorien von Bedeutung.
- Umweltdaten, die je nach Geschäftsmodell und Branche relevant sein können. Dazu zählen Ferien- und Feiertage, das Wetter oder saisonale Ereignisse, was gerade für den stationären Handel von Bedeutung sein kann.
- Wettbewerbsdaten für eine bessere Bewertbarkeit der Marktperformance ist natürlich entscheidend, dass Sie alle Informationen aus allen Suchfeldern auch zu Ihren Wettbewerbern nutzen können.
- Und zu guter Letzt: Eine Vielzahl an externen Datenquellen, die weitergehende Informationen zur Marktentwicklung, Konsumverhalten, Rohstoffentwicklung etc. liefern.
Wobei es „zu guter Letzt“ nicht ganz trifft. Genau genommen gar nicht. Viel eher ist es erst der Anfang denkbarer Quellen. Der Pool der Datenquellen ist schier unerschöpflich.
Wo und wie fängt man also an? Daten in digitaler Form, die über Schnittstellen automatisiert abrufbar sind, eignen sich am besten. Beispiel dafür sind Daten aus der Digital Analytics der Marketing- und eCommerce-Aktivitäten, die oft in Real- oder Near-Time vorliegen. Es gibt aber auch viele externe Datenquellen, die kostenfrei oder gegen eine geringe Nutzungsgebühr bezogen werden können.
Wir empfehlen grundsätzlich, mit naheliegenden und bereits verfügbaren Daten zu starten und nach ersten Learnings weitere Daten zu integrieren. Sobald Sie Ihr erstes Data Set zusammen haben, kann es weitergehen und es stellt sich die Frage nach der Nutzbarkeit.
Data Preparation, Governance: Wie können die Daten nutzbar gemacht werden?
Bestenfalls stößt man auf Daten, die direkt für nachfolgende Analysen nutzbar sind. Meistens muss man sie jedoch erst in Form bringen. Dazu gehört, die Daten so aufzubereiten, dass sie auch verwertbar sind.
Häufig sind sie erst zu bereinigen oder anzureichern und in eine verwertbare Struktur und Klassifizierung zu bringen. Es kann auch relevant sein, Daten aus verschiedenen Quellen zusammenzuführen, was potenziell einen höheren Erkenntnisgewinn verspricht. Ein weiterer Aspekt ist die rechtliche Würdigung der Daten, was insbesondere bei personenbezogenen Daten von hoher Bedeutung ist. An dritter Stelle ist zu beantworten, wie die Daten-Transparenz und -bereitstellung erfolgen kann, um langwierige Datensuche oder manuelle Datenimporte zu verhindern.
Man darf den Aufwand für die Aufbereitung der Daten nicht unterschätzen. Gerade bei komplexen KI-basierten Verfahren liegt der Aufwand schnell bei über 80% des Gesamtaufwands. Ein Grund, warum ambitionierte KI-Initiativen häufig bereits an dieser Aufgabe scheitern.
Um die Aufbereitung in einem zu bewältigenden Rahmen zu halten, sollten Sie sich also frühzeitig fragen, für welchen späteren Zweck die Daten genutzt werden sollen und ob der Aufwand in Relation zum späteren Erkenntnisgewinn steht.
Data Analytics: Mit welchen Methoden und Instrumenten kann man die besten Erkenntnisse gewinnen?
Sind die Daten verfügbar und nutzbar, dann stellt sich die Frage nach der Verwendung der Daten. Auch hier ist die Liste der möglichen Analyse-Modelle, Instrumente und Methoden sehr lang. Anwendungen gibt es für alle Management-Aufgaben: Von der Strategie, über die Planung und Steuerung, bis hin zur abschließenden Auswertung.
Es gibt Anwendungen, die nur der Betrachtung und Auswertung von Daten dienen. Diese eigenen sich besonders gut für die Steuerung laufender Maßnahmen oder der abschließenden Bewertung. Andere Anwendungen sind interaktiver und ermöglichen die Auswertung von Daten oder der Berechnung bzw. Modellierung von Maßnahmen. Solche Anwendungen können vor allem in der Strategie und der Planung hilfreich sein.
Ebenfalls kann man zwischen Anwendungen unterschieden, die von einem Marketer ohne weitere Daten-Kompetenz genutzt werden können (Self Services) und solchen, bei denen die Unterstützung eines Analysten notwendig ist oder komplett von ihm übernommen werden (Managed Services).
Damit Sie ein Gefühl für mögliche Anwendungen bekommen, hier eine kleine – natürlich nicht abschließende – Auswahl:
- Prognose-Modelle: Simulation von möglichen Kampagnenverläufen oder der Wirkungsweise einzelner Kanäle (Business Case) auf Basis von Datenmodellen mit historischen Daten (z.B. auf Basis eines Attributionsmodells).
- Treiber und Barrieren: Analyse der Treiber und Barrieren entlang des Entscheidungs- und Kaufprozesses.
- Attributions-Modellierung: Identifikation der Einflussfaktoren (Marketing-Aktivitäten, Umweltfaktoren, Wettbewerbsmaßnahmen etc.) und ihres Wertbeitrags für die Erreichung eines Ziels (Leads, Umsatz, Absatz etc.).
- Marketing2Sales Budget Planning: Optimierung von Marketingmaßnahmen und des Budgets entsprechend der nachweisbaren Wirkung auf den Verkaufsabschluss.
- Real-/Near-Time-Optimierung: Steuerung von laufenden Kampagnen auf Grundlage von direkt verfügbaren Kampagnen-Daten.
- Marketing Cost per X: Bestimmung der Marketingaufwände, die zur Erreichung von Zielen (Leads, Umsatz, Absatz etc.) notwendig sind.
- ROAS/VOAS: Bestimmung des übergreifenden Return on Invest (RoI) oder des Wertbeitrags des Marketings zum Unternehmenserfolg (VOAS).
- Kohorten-Analyse: Beobachtung von Nutzern oder Kunden (Kohorten) entlang ihres Entscheidungs- und Kaufprozesses.
- Dashboards: Interaktive und dynamische Darstellung der wichtigsten Kennzahlen. Häufig in Verbindung mit KPI-Alerts bei kritischer Entwicklung einzelner Kennzahlen.
- Customer Value Models: Modellrechnung zur Bestimmung des Kundenwerts, um etwa im Nachgang den effizienten Mitteleinsatz pro Kunde an seinem Wert auszurichten. Faktoren sind Kauffrequenz, Kaufwahrscheinlichkeiten, etc.
- Consumer Engagement Analysis: Prognosemodelle zu möglichen Kaufabsichten, Kauffrequenz und Umsätzen verschiedener Kundengruppen.
- Churn Rate Prevention: Vorhersagemodelle zu Loyalität oder Storno-Wahrscheinlichkeiten einzelner Kunden bzw. Bestimmung des effizienten Aufwands zur Storno-Verhinderung oder Kundenbindung.
- Consumer Insights: zusammenfassende Analyse von Zielgruppen-Daten zur besseren Erkennung von Bedürfnissen, Zufriedenheit oder der Bestimmung von geeigneten Botschaften.
Welche der Anwendungen für Sie am sinnvollsten sind, ergibt sich aus den Herausforderungen, denen man sich stellen möchte. Bei der Auswahl der richtigen Anwendungen können Sie sich gut an den folgenden Fragen orientieren: Welche Information brauche ich? Wofür möchte ich sie nutzen? Wer soll die Anwendung bedienen bzw. die Information nutzen? Die gute Nachricht: Es gibt fast zu jeder Fragestellung eine Datenlösung – und wenn nicht, dann entwickelt man Sie eben gemeinsam.
Data driven Decision Making: Wie integrieren sich die Erkenntnisse sinnvoll in Planungs- und Entscheidungsprozesse?
Die gesamte Vorarbeit hilft nur, wenn Daten und Analysen Anwendung in den betriebsinternen Prozessen finden: Von der Strategie bis hin zur abschließenden Auswertung.
Strategische Maßnahmen werden künftig unter Betrachtung von RoI (Return on Invest) hergeleitet und errichten so ein solides Fundament für die weitere Budgetplanung. Die Maßnahmenplanung erfolgt auf Basis von Prognose-Modellen, was Over- und Miss-Spendings nachweislich minimiert. Mit Hilfe von Real- und Near-Time-Daten erfolgt eine dynamische Steuerung und schnelle Anpassung laufender Maßnahmen. Und abschließende Auswertungen geben immer einen detaillierten Blick auf Barrieren und Treiber, wodurch Maßnahmen sowohl effektiver, als auch effizienter werden und schneller in Handlungen übersetzt werden können.
Was also hindert Marketer daran, schon seit vorgestern datengestützt zu arbeiten? In den meisten Fällen ist es eine Mischung aus Gewohnheit und Angst vor dem Neuen, denn der Umstieg zum datengestützten Managen erfordert gezielte Eingriffe in bestehende Prozesse, Strukturen und Infrastrukturen. Das Beste beim Umstieg zum Datenbetrieb ist aber gleichzeitig, dass es gar kein Umstieg ist. Die meisten Unternehmen horten bereits etliche Daten, die man nur aufarbeiten muss, um sie in entsprechende Prozesse und Systeme einzubinden. Das muss nicht radikal passieren, sondern laufend. Die beste Form der Revolution ist nämlich im Kern eine nachhaltige Evolution.