Adzine Top-Stories per Newsletter
DISPLAY ADVERTISING

Customer Journey: Budgets optimal aussteuern

Murat Cavus, 5. September 2011

Die Customer Journey ist derzeit eines der Top-Themen der Online-Branche. Viele Agenturen beschäftigen sich intensiv damit, denn die „Reise des Kunden“ zu kennen, bedeutet Budgets gezielt in bestimmte Kanäle aussteuern zu können und die Zielgruppen genau dort abzuholen, wo sie sich aufhalten.

Die Customer-Journey-Analyse ist eine beliebte Methode, um herauszufinden, wo man das Marketingbudget am effizientesten einsetzen kann, damit Abverkäufe gesteigert und die Werbekosten auf lange Sicht signifikant gesenkt werden.

Um festzustellen, über welche Kanäle Kunden zum Produkt finden, setzen Agenturen standardmäßig leistungsfähige technische Tools ein, mit denen User-Pfade aufgedeckt werden. Doch ist diese Analyse der Customer Journey auf Basis von technischen Lösungen mit Restriktionen behaftet, die im schlimmsten Fall die tatsächliche Abbildung des Kundenpfades unmöglich machen.

Die Grenzen der klassischen Customer-Journey-Analyse

Bei der Abbildung der Online-Reise ihrer Kunden setzen alle im Online-Umfeld tätigen Agenturen derzeit auf kanalübergreifende Tracking-Systeme. Der Nachteil dabei: Damit lassen sich beispielsweise Device-Wechsel, wenn der Nutzer von Recherche bis zum Kauf eines Produktes verschiedene Endgeräte benutzt, nicht berücksichtigen. Die Customer Journey ist somit oft lückenhaft, was eine optimale Budgetallokation erschwert oder gar verhindert.

Eine ähnliche Problematik entsteht bei Usern, die ihre Cookies regelmäßig löschen. Lediglich die Aktivitäten nach der Löschung wären identifizierbar. Auch können externe Faktoren, wie Offline-Werbeaktivitäten in Print und TV, Sonderangebote oder saisonale Schwankungen von Tracking-Systemen nicht erfasst und somit auch nicht in der Analyse berücksichtigt werden. Ebenfalls nur bedingt abbilden lässt sich die Customer Journey, wenn Unternehmen verschiedene Anbieter zum Tracken ihrer Online-Werbeaktivitäten einsetzen.

Prognosen für die Zukunft

Doch es gibt bessere Optionen: Eine Vorgehensweise, die auf der technischen Analyse aufsetzt, frei von den genannten Restriktionen ist und eine reelle Abbildung der Kundenreise unter Einbezug aller relevanten Faktoren ermöglicht, ist das „Modelling“. Dieser Ansatz kommt aus der klassischen Werbewirkungsforschung. Es handelt sich dabei um ein Analyseverfahren, das eine Reihe von Faktoren – wie Verkäufe, Werbeausgaben, saisonale Effekte oder Preis – mit einbezieht. Dadurch bildet das Modelling eine neutrale Grundlage für eine optimale Budgetallokation. Die tatsächlichen Abverkäufe mit den gesamten Daten, die über die Werbeaktivitäten gesammelt wurden, werden in einen direkten Wirkungszusammenhang gestellt. Der größte Vorteil gegenüber der alleinigen Analyse via Tracking-Systeme ist, dass auch Offline-Aktivitäten (TV, Print etc.) sowie externe Faktoren für den Sales-Generierungsprozess berücksichtigt werden.

Weitere Vorteile: Das Modelling erlaubt auf Basis von Daten aus der Vergangenheit die Ableitung von Prognosen für die Zukunft. Ist der Einfluss der einzelnen Faktoren auf die Abverkäufe erst einmal analysiert, können auf Basis der Modellrechnung die Daten in die Zukunft projiziert werden. Der Sales-Verlauf kann für die unterschiedlichsten Szenarien dargestellt werden. Auf Basis des Modells lässt sich erkennen, wie sich einzelne Änderungen an den verschiedenen Stellschrauben auf die Abverkäufe auswirken. Werbende Unternehmen können das Modelling demnach als Tool einsetzen, um zukünftige Marketing- und Investitionsentscheidungen besser zu planen und so optimal wie möglich einzusetzen.

Die digitale Wirkungskette

Der Ansatz kann daher für sich in Anspruch nehmen, bessere strategische Empfehlungen zu generieren, da komplexe Zusammenhänge aufgedeckt werden, die mit einfachen deskriptiven Analysen meist nicht zu erkennen sind. Im klassischen Bereich wird deshalb schon häufig auf die Modelling-Methode zurückgegriffen, da sie sich im strategischen Managementbereich besser bewährt hat als herkömmliche Tools und Ansätze.
QUISMA hat nun einen eigenen Modelling-Ansatz für den Online-Bereich entwickelt, um die gesamte digitale Wirkungskette abzudecken und investitionsintensive Entscheidungen besser planen und strukturieren zu können, als das bisher möglich war.

Zusammengefasst beantwortet der Modelling-Ansatz folgende wirkungs- und damit auch budgetrelevanten Fragen:

- Wie hoch ist der Return on Investment meiner Online- und Offline-Marketingaktivitäten?

- Welche meiner Werbekanäle bieten das größte Wachstumspotenzial?

- Wie alloziere ich mein Werbebudget optimal auf verschiedene Werbeträger?

- Wie wirkt sich klassische Werbung auf das Kaufverhalten in meinem Online-Shop aus?

Das methodische Fundament

Modelling basiert auf der sogenannten Regressionsanalyse. Im Gegensatz zu einfacheren Datenanalysen können mit dieser Methode tief greifende Zusammenhänge aufgedeckt und dargestellt werden. So kann eine einzige abhängige Variable gleichzeitig ins Verhältnis zu einer oder mehreren unabhängigen gestellt und so verschiedene Szenarien „nachmodelliert“ werden. Im Falle des Sales-Modellings werden die getätigten Abverkäufe mit den Werbe- und Marketingaktivitäten ins Verhältnis gesetzt. Die Regressionsanalyse ist daher im Mediabereich eines der am häufigsten verwendeten multivariaten Analyseverfahren.

Für die Schätzung der Regressionsfunktion wird auf komplexe mathematische Algorithmen zurückgegriffen. Hinter diesen Methoden stehen enorme Rechenaufwände, die in der Regel über leistungsstarke Statistikprogramme bewältigt werden, um den funktionalen Zusammenhang schätzen zu können. Liegen die Daten vor, können sie in die entsprechenden Programme eingelesen und analysiert werden. Aus dem Ergebnis der Regressionsanalyse lassen sich anschließend die wahrscheinlichen Zusammenhänge ableiten und interpretieren. Die Herausforderung der Regressionsanalyse liegt jedoch weniger in der Schätzung der Funktion (welche vom Programm automatisch durchgeführt wird) und der Interpretation der Ergebnisse, sondern in der gesamten Vorarbeit.

Darunter fallen:

- die Aufstellung von Hypothesen zu den funktionalen Zusammenhängen,

- die Auswahl einer Schätzungsmethodik in Abhängigkeit von den aufgestellten Hypothesen,

- die Datenerhebung,

- die Datenaufbereitung, bei der die Daten so bearbeitet werden, dass sie in der ausgewählten Untersuchung verwendet werden können.

Für diese Tätigkeiten ist ein enormer Zeitaufwand einzuplanen. Ist die Vorgehensweise jedoch sorgfältig durchdacht und durchgeführt, kann die Regressionsfunktion unproblematisch geschätzt und anschließend interpretiert werden. Auf Basis dieser Interpretationen werden dann Handlungsempfehlungen für die Budgetaussteuerung formuliert, die auf harten mathematischen Zahlen beruhen und die mit herkömmlichen Tracking-Systemen nicht identifiziert werden könnten.

Das große Wirkungsganze

Eine effiziente Allokation der Werbebudgets auf verschiedene Online-Kanäle ist vor allem für Kunden wichtig und sinnvoll, die hohe Summen in die Online-Werbung investieren. Technisches Tracking allein unterstützt hier aber nur lückenhaft, da gerade bei großen Budgets fast immer auch crossmedial in Offline-Werbemaßnahmen investiert wird. Diese werden von den technischen Systemen aber so gut wie vollkommen vernachlässigt.

Hier greift der Modelling-Ansatz: Ob Online oder Offline – die Wirkungszusammenhänge des crossmedialen Mix werden hier aufgedeckt. Und nicht nur das: Für jeden einzelnen Kanal und externen Faktor kann mit dieser aufwendigen Methode der Wertbeitrag jeder einzelnen Aktivität auf die generierten Sales exakt dargestellt werden.

Damit gehört Modelling zur höchsten Kür der Werbewirkungsforschung – und dies nun auch für das Online-Geschäft. Der methodische, analytische und auch monetäre Aufwand mag zwar ungleich höher sein als bei einem technischen Trackingsystem, das Resultat rechtfertigt aber den Kraftakt: Optimal ausgesteuerte Budgets für die Reisebegleitung des Kunden im Netz.

Murat Cavus Über den Autor/die Autorin:

Murat Cavus ist Diplom-Kaufmann und seit Anfang April 2010 in Diensten des Münchner Performance-Marketing-Dienstleisters QUISMA. Als Head of Data Analytics bei QUISMA ist er für den Auf- und Ausbau der Marktforschungsunit der GroupM-Agentur zuständig.