Datengestütztes Marketing Management

Datengestütztes Marketing Management – daran sollten Sie bei der Einführung denken

Video abspielen

Das war unser Webinar zum Thema: Einstieg in datengestütztes Marketing Managament, Fokus B2B

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 entlanghangeln 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.

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.

Data Sourcing: Welche Datenquellen sind relevant?

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 Daten-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?

In den besten Fällen stösst man auf Daten, die direkt für nachfolgende Analysen nutzbar sind. Meisten 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 Daten-Suche oder manuelle Daten-Importe 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 Instrumente 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-Modellen, Instrumenten 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 oder der abschliessenden Bewertung von Massnahmen. 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:

Mögliche Anwendungen

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: Ausrichtung 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
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 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 zu so gut wie jedem Problem eine Datalösung – 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 Lerneffektiver 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 der 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.

Wann starten Sie Ihre Datenreise?

Möchten Sie mehr über ein datengestütztes Marketing Management erfahren, dann kontaktieren Sie uns jetzt! Gemeinsam mit unserem Partner VECTORIAL_ bieten wir Ihnen Unterstützung für datenbasierte Lösungen in Marketing und Vertrieb.

Wir helfen ganzheitlich vom Data Management über die Technologie bis zur Integration der Anwendungen in die Management-Prozesse. Dabei hilft uns, dass wir ein Team aus Daten-Experten und Marketing- und Vertriebsstrategen sind und beide Perspektiven – Data und Business – verstehen.

WEBINAR - B2B Big Data

Wie der Einstieg in das Thema „Big Data“ einfach und erfolgreich verlaufen kann, stellt unser Partner VECTORIAL in unserem gemeinsamen Webinar anschaulich dar.

Sie erhalten praxisnahe Tipps und hilfreiche Unterlagen zu folgenden Fragestellungen: