Durchschnittliche Marketingbudgets sind 2024 um 15 Prozent gesunken, wie die aktuelle CMO-Studie von Gartner zeigt. Vielen CMOs gelingt es nicht mehr, ihre Strategien mit den verfügbaren Mitteln umzusetzen. Und so streben sie Wachstum in der „Era of Less“ an. Konkret bedeutet das: Performance-Marketer müssen mit weniger mehr erreichen. Ihnen bleibt nur, die Arbeit effektiver zu erledigen, um ihre Zielvorgaben zu erfüllen. Sie dürfen nicht mehr Geld ausgeben, sondern suchen neue Wege, um die knappen Mittel besser zu investieren. Eine große Hilfe sind in dieser Situation professionelle Tools, die die Erfassung, Analyse und Auswertung der Kampagnendaten übernehmen. Was früher aufwändig manuell in riesigen Excellisten gemanagt wurde, erledigen heute in der Regel Marketing-Analytics-Plattformen, die immer öfter von künstlicher Intelligenz unterstützt werden.

Solche Tools aggregieren Kennzahlen aus unterschiedlichen Kanälen wie Google Ads, Meta oder Linkedin, stellen sie übersichtlich dar und übernehmen das Monitoring. Auf Basis der erfassten Daten und unter Einsatz von KI-basierter Predictive Analytics optimieren sie anschließend die Kampagnenbudgets. Somit können Performance-Marketer datengetrieben und KI-basiert entscheiden, wo sie sich früher oft auf ihr Bauchgefühl verlassen mussten. Denn die Leistung digitaler Werbekampagnen unterliegt heute so vielen Einflüssen, dass menschliche Teams deren Auswirkungen nicht mehr vollständig überblicken können.

Zu diesen Einflussfaktoren gehören auch interne und externe Ereignisse, sogenannte „Events“. Man versteht darunter eine abgeschlossene Zeitperiode rund um ein Ereignis mit einer typischen Dauer zwischen einem Tag und drei Wochen. Diese Zeitperiode hat eine relevante Auswirkung auf die Performance einer oder mehrerer Kampagnen – immer im Unterschied zu Zeiträumen ohne dieses spezifische Ereignis. Events können Werbeaktionen wie der Black Friday sein, TV-Kampagnen und digitale Außenwerbung (DOOH), Markteinführungen neuer Produkte, Initiativen zur Steigerung des Markenbewusstseins, Preisänderungen, externe Einflüsse wie wirtschaftliche oder politische Veränderungen, Feiertage, Aktivitäten der Konkurrenz und sogar technische Störungen und Ausfälle. Es ist sinnvoll, die Events in verschiedene Kategorien zu unterteilen. So sollte etwa unterschieden werden zwischen selbst initiierten Ereignissen wie Promotion-Aktionen oder Produkteinführungen und externen Events wie Schulferien oder Werbeaktionen der Wettbewerber. Solche Ereignisse führen oft zu erheblichen Schwankungen bei den Kampagnenergebnissen – sowohl positiv als auch negativ – und sind für den vollständigen Kontext von Kampagnen unverzichtbar. Berücksichtigen Analytics-Tools auch diese spezifischen Ereignisse, erhalten Performance-Marketer intelligentere und genauere Vorhersagen für die Planung ihrer Werbeaktivitäten.

Obwohl sie für die Leistung von Werbekampagnen entscheidend sind, fließen diese Faktoren nur selten in die Kampagnen-Optimierung ein. Kaum eine Marketing-Analyse-Lösung ist bislang in der Lage, solche Daten in ihre Auswertungen und Prognosen einzubeziehen. Dadurch fehlt den Marketingteams ein entscheidender Kontext. Die Schwierigkeit liegt darin, dass die KI-Modelle sehr viele Daten über einen großen Zeitraum untersuchen und pro Metrik Vorhersagen treffen müssen. Darüber hinaus gilt es, viele weitere Faktoren zu berücksichtigen und miteinander in Beziehung zu setzen, die Einfluss auf die Leistung der Kampagnen haben. Dazu gehören Budgetänderungen, Sättigungseffekte oder saisonale Schwankungen. Benötigt wird ein Modell, das jeweils individuell an das Unternehmen angepasst wird. Eine solche Lösung lässt sich nicht voll automatisiert umsetzen. Vielmehr müssen seitens des Anbieters Mensch und Algorithmus zusammenarbeiten. Denn es bedarf der Kompetenz erfahrener Spezialisten, um die KI-Modelle jeweils richtig „einzustellen“.

Wichtig für realistische Ergebnisse sind historische Trends ähnlicher Ereignisse. Das KI-Modell lernt dabei aus vergangenen Mustern und nutzt diese Erkenntnisse, um künftige Vorhersagen zu verbessern – insbesondere bei wiederkehrenden oder ähnlichen Szenarien. Die Performance der vergangenen Events wird dabei möglichst separat pro Metrik analysiert. Ein möglicher Lösungsansatz liegt darin, das Ergebnis anschließend für die Vorhersage der Auswirkung von Ereignissen der gleichen Kategorie in der Zukunft anzuwenden – und zwar wiederum separat pro Metrik. Zum Beispiel hat eine Produkteinführung typischerweise eine zeitlich begrenzte Wirkung, da diese in der Regel durch Kampagnen mit einer bestimmten Laufzeit und einem bestimmten Budget unterstützt wird.

Wie genau ein Event die Performance beeinflusst, hängt stark vom jeweiligen Unternehmen ab. Allerdings beobachten wir bestimmte Muster. So hat zum Beispiel eine Promotion-Aktion in der Regel einen positiven Einfluss auf die Absatzzahlen. Während dieser Zeit beobachtet das KI-Modell einen zeitlich begrenzten Effekt auf die Kampagne. Das Modell sollte nicht auf einen andauernden Erfolg der Maßnahme schließen, es muss „wissen“, dass es sich um eine spezielle Phase handelt. Andernfalls wäre das KI-Modell zu euphorisch hinsichtlich der Vorhersage der Performance dieser Kampagne. Ein weiteres Beispiel sind Ferienzeiten. Ob hier ein positiver oder ein negativer Effekt eintritt, hängt stark vom Geschäftsbereich des Unternehmens ab. Ein Freizeitbetrieb zeigt in diesem Zeitraum eine sehr hohe Aktivität. Eine Konferenzhotelkette, die sich an Geschäftsleute richtet, verzeichnet dagegen zur gleichen Zeit eine Flaute. Daher ist es wichtig, dass das KI-Modell für jede einzelne Performance-Metrik separate Schlussfolgerungen zieht.

Berücksichtigt eine auf KI und maschinellem Lernen basierende Marketing-Analyse-Plattform Events für die Budgetoptimierung und bezieht für eine individuelle Aussteuerung die Erfahrung von Experten mit ein, wird die Kampagnenleistung signifikant steigen. Auf diese Weise können Marketer dem Algorithmus mehr Kontext zur Verfügung stellen, was zu sehr genauen und auf ihr spezifisches Geschäft zugeschnittenen Vorhersagen führt. Entscheidungen werden fundierter und präziser – selbst bei komplexen Ereignissen. Denn sie werden durch eine umfassende Ansicht unterstützt, die den realen Kontext der Kampagnen berücksichtigt, sowohl bei der Leistungsprognose als auch bei der Optimierung.