Data Driven Marketing ist ein Begriff, der auf eine Vielzahl an Methoden angewandt wird, die Daten zur Unterstützung beim Verständnis, Steuerung und Ausspielen von Marketing einsetzen. Hierbei gibt es eine hohe Variation der Methoden: Von Überwachung und Visualisierung der Effekte von Marketing-Maßnahmen über ein besseres Kundenverständnis bis hin zur automatisierten Empfehlung von passenden Promotionen gibt es viele Ansätze.
Wir möchten in diesem Artikel Data Driven Marketing definieren, die Vorteile von datenbasierter Vorgehensweise erläutern und einige Beispiele anführen.
Inhaltsverzeichnis
Was ist Data Driven Marketing? Eine Definition.
Dass Daten immer wichtiger werden ist kein Geheimnis. Auch im Marketing gilt es immer mehr, nachvollziehbare und objektiv begründete Maßnahmen zu ergreifen als rein auf sein Bauchgefühl zu hören. Diese Unterstützung von Entscheidungen durch Daten hält Einzug in alle Bereiche des Lebens, vor allem seit Big Data und Data Science immer mehr von der Theorie in die Praxis überführt werden.
Doch was ist Data Driven Marketing genau? Als Definition gilt, dass Data Driven Marketing eine Vielzahl an Initiativen bezeichnet, die die Aussagekraft von Marketingmaßnahmen anhand von Daten untermauern. Diese datenbasierte Unterstützung kann vor der Durchführung einer Maßnahme, als Monitoring währenddessen oder auch als Überprüfung des Erfolgs eingesetzt werden. Das heisst nicht, dass es ausschließlich vollautomatisierte Maßnahmen sind, sondern Daten werden vielmehr als Wegbereiter und Kontrollelement zur Unterstützung der Marketeers eingesetzt. Doch welche Daten werden eingesetzt und vor allem wie?
Welche Daten werden verwendet?
Um effizientes Data Driven Marketing zu betreiben benötigt man Informationen zu allen Entitäten, die sich um das Produkt, den Kunden und der Kombination dieser beiden Aspekte. Dementsprechend ist die zu verwendende Datenbasis auch sehr breit. Hierbei gilt es individuell zu betrachten, welche Aussage man treffen möchte und welches die besten Daten dafür sind. Ein Auszug an pauschal relevanten Datenquellen ist:
- CRM-Daten: Kunden(stamm)daten kennen, um zu wissen, welchem Segment oder welcher Persona die Kunden angehören
- ERP-Daten: Über Transaktionsdaten das Einkaufsverhalten der Kunden kennenlernen
- Service-Daten: Weswegen wird der Service kontaktiert? Was sind die Schwachstellen der Produkte?
- Social Media: Worüber sprechen die Kunden, welche Aspekte und Einsatzzwecke haben sie für die Produkte? Gibt es Themen, die wir noch nicht abdecken?
- Externe e-Commerce Sites: Reviews von Produkten beinhalten viel Information über positive und negative Aspekte
- Webanalytics: Wie verhalten sich Kunden auf der eigenen Website, im eigenen Webshop?
- Google Search Tools: Über welche Begriffe kommen Kunden zu uns?
- Google AdWords: Was funktioniert, was nicht?
- Qualitative Daten: Umfragen, Marktforschung und vieles mehr gibt globale Einblicke
Welche Methoden werden im Data Driven Marketing eingesetzt?
Prinzipiell folgt Data Driven Marketing auch anderen Datenanalysen und Data Science Vorgehen. Der Unterschied ist, dass beim datengetriebenen Marketing immer der Kunde bzw. noch-nicht Kunde im Ziel steht. Somit eignen sich besonders Methoden, die einerseits Informationen an die Marketingmanager übermitteln, wie zum Beispiel Visualisierungstools wie Google Data Studio oder Tableau, andererseits sind klassische Datenanalyse und Machine Learning Methoden stark im Fokus.
Visualisierung
Im grundlegenden Data Driven Marketing steht vor allem die Generierung von Information im Zentrum. Folglich sind Dashboards, die sich mit dem Status Quo von Kunden und Kampagnen beschäftigen, eine der einfachsten und häufigsten Methoden um Wissen zu vermitteln. Später kommen weitere Visualisierungen über den (Real-Time) Erfolg von Marketingmaßnahmen hinzu, um die Effekte der Initiativen direkt überprüfen zu können.
Analytics & Machine Learning
Data Analytics umfassen alle klassischen (deskriptiven) Analysen wie zum Beispiel eine Customer Lifetime Value Berechnung, Attribution Models oder einfache Segmentierung von Kunden. Der Einsatz von künstlicher Intelligenz wie beispielsweise im Data Mining erlaubt es hingegen, auch unbekannte Muster zu erkennen und folgend Vorhersagen zu Erfolg oder Art und Weise von Marketingmaßnahmen zu treffen.
Marketing Automation Tools
Als dritte Kategorie neben Visualisierung und Analyse gibt es noch die Automatisierung von Marketingmaßnahmen. Hierfür gibt es spezialisierte Plattformen (z.B. Hubspot), die für jeden Kunden die passende Maßnahme ausrollen. Kombiniert erlauben diese drei Kategorien eine saubere Analyse der Daten, den Start von Aktivitäten und das nachfolgende Monitoring.
Vorteile und Nutzen von Data Driven Marketing
Kundenkenntnis
Wenn man seine Aktivitäten an einem klaren, datenbasierten Kundenbild ausrichtet, führt dies zu einer höheren Chance auch die realen Bedürfnisse der Kunden zu aversieren.
Effizienzbestimmung und kontinuierliche Verbesserung
Durch Messung des Erfolgs gibt es direktes Feedback, wie effizient Maßnahmen und Kampagnen sind. Dies erlaubt eine kontinuierliche Verbesserung des Vorgehens im Sinne von Art, Zeitpunkt, Zielgruppe und anderer Faktoren.
Objektivität
Viel im Bereich Marketing und Sales beruht nach wie vor auf Erfahrung und Bauchgefühl. Daten erlauben den zusätzlichen Blick auf objektive Fakten und somit zu den subjektiven Bausteinen eine neutrale Erweiterung. Die Kombination dieser Aspekte erlaubt es, noch erfolgreicher zu arbeiten.
Vorhersagen
Die reaktiven Analysen wie Visualisierung von Erfolg oder Analyse von Kunden werden im Data Driven Marketing durch Prädiktion mittels Machine Learning erweitert. Somit kann man im Optimalfall bereits vorab eine Wahrscheinlichkeit definieren, ob oder wie erfolgreich eine Kampagne ist.
Nachteile und Probleme von Data Driven Marketing
Datengrundlage
Das Hauptproblem, so man den Weg zur Data Driven Company und somit dem datenbasierten Marketing betritt, ist oft eine fehlende Datengrundlage. Entweder Daten existieren gar nicht, die Daten sind nicht zugänglich sind, die Qualität ist mangelhaft oder das Volumen der Daten genügt nicht für fortgeschrittene Machine Learning Analysen. Folglich gibt es viele Hindernisse, bevor man Data Driven Marketing überhaupt betreiben kann.
Blindes Vertrauen / Aussagekraft
Umso mehr man sich durch Daten leiten lässt, umso mehr kann es auch zu blindem Vertrauen führen. Dies kollidiert teilweise mit generellen Gefahren von Analysen und Machine Learning: Wenn eine Analyse oder Vorhersage nicht richtig ist oder nicht genügend Daten für ein belastbares Ergebnis vorhanden sind, kann dies irreführend sein. Daher ist das blinde Vertrauen in die Datenauswertung ebenso wenig angebracht wie die Aversion gegenüber Daten.
Kreativität vs. Standardisierung
Einer der häufigen Vorwürfe gegenüber datenbasiertem Arbeiten ist, dass nur Vergangenes repliziert wird. Folglich kann man argumentieren, dass die Marketingbranche, die sehr von Kreativität lebt, im absoluten Widerspruch zu der Objektivität von Daten steht. Verfechter dieser These führen zusätzlich an, dass diejenigen die sich durch Algorithmen und Maschinen lenken lassen, ihre eigene Kreativität verlieren und damit schlechter neuen Herausforderungen gegenüberstehen.
Beispiele für den Einsatz von Data Driven Marketing
Channel Monitoring Dashboard
Bei der Vielzahl an Kanälen im heutigen Marketing fällt es oft schwer, den Überblick über die Aktivität und deren Effekt zu behalten. Daher ist oft ein erster Schritt, eine Visualisierung über die vorhandenen Kanaldaten zu erstellen; um diese dann nachfolgend sukzessive mit weiteren Datensätzen anzureichern, um immer besser und genauer zu verstehen, wie sich Kampagnen auswirken. Im Optimalfall können die Effekte noch querquantifiziert werden, damit der Wert jedes Kanals mit den anderen verglichen werden kann – was folgend eine einfache Fokussierung auf bestimmte Kanäle erlaubt, während andere gegebenenfalls vernachlässigt werden können.
Data Driven Customer Journey
Customer Journey rücken immer mehr in den Mittelpunkt der digitalen Transformation. Was macht ein Unternehmen richtig, wo kann es sich noch verbessern? Doch oft werden lediglich nur qualitative Ansichten beim Erstellen der Customer Journey eingesetzt, was nur einen Teil der Realität abbildet.
Daher sollte das Ziel jeder Data Driven Company sein, dass man die Customer Journey auch anhand von Daten quantifiziert, messen und nachfolgend verbessern kann. Hierzu eignen sich kanaleigene Daten oder es werden zusätzliche Daten erhoben, um den Kanal besser zu beschreiben.
Personalisierung
Einer der offensichtlichsten, aber gleichzeitig am schwierigsten zu realisierenden Anwendungsfälle ist der Bereich der Personalisierung. Personalisierung bezeichnet die Verfeinerung und Anpassung von Produkten, Websites und Services auf eine Person, so dass der bestmögliche Fit getroffen wird.
Personalisierung basiert vollständig auf Daten. Nur wenn an vielen Punkten Daten gesammelt, ausgewertet und für die Personalisierung eingesetzt werden (wie zum Beispiel Webseiten-Clickdaten, Transaktionsdaten), kann diese umgesetzt werden. Die Herausforderung hierbei ist, die Personalisierung so punktgenau wie möglich, aber nicht zu restriktiv auszurollen, damit man keine Kunden verliert, aber gleichzeitig das möglichst passendste Angebot offeriert.
A / B Testing oder User Tests
Der kleine Bruder von Personalisierung basiert auf dem durchgehenden Testen von neuen Ideen. Als typischer Use Case für A / B Testing sind verschiedene Preise oder verschiedene Designelemente auf einer Website. Dazu werden die Besucher in verschiedene Gruppen geteilt (A / B) und verschiedene Ansichten der Website geliefert. Anhand der verschiedenen Verhaltensweisen und der darunter liegenden Daten (zum Beispiel Verweildauer, Clickraten, CTR, etc) kann entschieden werden, welche Maßnahme besser für die Nutzer ist.
Promotion Recommendation
Ein fortgeschrittenes Beispiel mit dem Einsatz von Machine Learning ist die Promotion Recommendation. Kann man den Erfolg vergangener Kampagnen quantifizieren, erlaubt dies, Vorhersagen über den Erfolg von neuen Maßnahmen zu treffen. Kombiniert man dies nun mittels verschiedener Algorithmen, kann ein Promotion Recommendation System nun direkt Vorschläge liefern, welche Promotionen umgesetzt werden sollten, um einen größtmöglichen Erfolg zu generieren (Prescriptive Analytics).
Zusammenfassung
Zusammengefasst ist Data Driven Marketing der Einsatz von Daten, um die Marketingaktivitäten zu verbessern. Hierzu werden eine Bandbreite von Daten, von Kunden- über Produkt- bis hin zu Social Media-Daten eingesetzt. Drei Hauptkategorien des Einsatzes sind das Reporting über Aktivitäten, die Vorhersage von Erfolg und die Automatisierung von Kampagnen mittels Marketing Automation Tools.
Bleibt die Frage: Gehört Data Driven Marketing die Zukunft? Unserer Ansicht nach wird es keinen Weg daran vorbei geben. Datenbasiertes Arbeiten wird immer mehr in den Vordergrund rücken, bis es der neue Standard ist. Jedoch muss man in gewissen Prozessen – unter anderem dem Marketing – immer bewusst Raum für Kreativität schaffen, um neue Dinge auszuprobieren und somit neue Wege zu evaluieren.