Datenschätze smart genutzt

Wie Retailer das Potenzial ihrer Daten heben?

Die Menge an Daten, die generiert und gesammelt werden, explodiert und wächst exponentiell. Diese Daten geben Vermarktern die Möglichkeit, Verbraucher zu verfolgen, Ergebnisse vorherzusagen und entsprechend zu reagieren: In der Theorie die richtige Botschaft an die richtige Person zur richtigen Zeit. Aber nicht in der Praxis. Trotz der Fülle an Daten ist die Fähigkeit der Marketer, sinnvolle Entscheidungen zu treffen und geschäftskritische Maßnahmen zu ergreifen, nicht verbessert. Sie verlassen sich auf Taktiken und Metriken – Retargeting, Impressionen, CTRs, Social Shares und so weiter -, die sich seit einem Jahrzehnt nicht verändert haben. Das Ergebnis: Marketer konzentrieren sich auf die einfach zu messenden Ziele, nicht auf die, die wichtig sind. Dabei lernen sie die falschen Insights aus ihrem Marketing.

Die Daten richtig einzusetzen, um seine Kunden auf eine persönliche Art und Weise anzusprechen und einen Wettbewerbsvorteil gegenüber der Konkurrenz zu erlangen, ist eine echte Herausforderung. Denn, Daten lassen sich auf ganz unterschiedliche Art und Weise interpretieren und bergen daher auch ein extrem hohes Potenzial für falsche Schlussfolgerungen. Die Gründe dafür sind vielfältig. Einer der wichtigsten, auf den wir in diesem Text näher eingehen werden, ist das Versäumnis, die Daten so miteinander zu verknüpfen, dass sie die richtigen Erkenntnisse liefern.

Was meinen wir überhaupt, wenn wir von Daten sprechen?

In der Welt des Online-Marketings oder genauer gesagt des programmatischen Marketings, sind in der Regel Konsumentendaten gemeint wenn von Daten gesprochen wird. Hier werden Informationen über das Verhalten der Verbraucher verwendet, um entscheiden zu können wie Dienstleistungen oder Produkte an bestimmte Zielgruppen am besten vermarktet werden können. Sammeln kann man diese Daten über viele verschiedene Wege.

Website-Betreiber können unter anderem ihre Nutzer zum Ausfüllen einer Umfrage oder einer Produktbewertung bewegen oder man verwendet Pixel, auch Tags genannt, um mehr über das Verhalten der eigenen Kunden zu erfahren. Man muss sich jedoch bewusst machen, dass Daten nicht gleich Daten sind. In der Branche wird zwischen First-Party, Second-Party und Third-Party-Daten unterschieden. First-Party-Daten bezeichnen Informationen, die direkt und unmittelbar von den eigenen Kunden gespeichert werden. Zum Beispiel durch eine Newsletteranmeldung oder generell das Browsingverhalten der eigenen Kunden, das auf der Website verfolgt wird. Daten sind Second-Party, wenn diese von einer anderen Firma gesammelt und direkt weiterverkauft werden. Bei Third-Party-Daten handelt es sich um Daten, die von einer dritten Partei gesammelt werden, welcher diese dann als Datenpaket bereitstellt.

Daten miteinander verbinden

Es gibt unendlich viele Daten und die Menge wächst in einer atemberaubenden Geschwindigkeit immer weiter an. Für Vermarkter besteht die größte Herausforderung darin die Daten sinnvoll zu selektieren, zu nutzen und daraus die richtigen Erkenntnisse zu gewinnen. Wie schaffen es nun Vermarkter ihrer Konkurrenz gegenüber einen Wettbewerbsvorteil zu schaffen und ihr Setup dementsprechend zu verbessern?

Um diese Frage zu beantworten, müssen wir uns genauer ansehen, welche Arten von Daten wir miteinander verbinden können. Dies sind die gängigsten Datenquellen, die im Online Marketing verwendet werden:

• Customer Relationship Management (CRM): Unabhängig davon, ob sie in einer Software, wie zum Beispiel Salesforce, oder auf andere Weise verarbeitet werden, sammeln die meisten Unternehmen Daten über bestehende Kunden und deren Verhalten.
• Adserver: Daten von Anzeigenservern bieten eine Zusammenfassung aller digitalen Aktivitäten und sind daher ebenfalls eine sehr wichtige Datenquelle.
• Custom Client Integrationen: Diese Art von Daten fällt häufig unter den Tisch, ist aber nicht minder interessant: Denn sie geben Auskunft über externe Faktoren, die das Verbraucherverhalten beeinflussen. Damit kann das Wetter gemeint sein, bestimmte Aktionen von Konkurrenten oder Trends in den sozialen Medien. Grundsätzlich kann jeder Faktor, der das Verhalten Ihrer Kunden beeinflussen könnte, als wertvoller Datenpunkt dienen und herangezogen werden.
• Pixel: Daten aus Pixeln oder Tags geben Auskunft über das Nutzerverhalten auf Deiner Website. 

---

---

Wie aber schafft man es, diese verschiedenen Datentypen erfolgreich miteinander zu verbinden?

Mit einer guten Infrastruktur, die aus drei wesentlichen Punkten besteht: Der Datenaufnahme, der Datenstrukturierung sowie der Analyse bzw. Aktivierung.

Am Besten lässt sich der Stellenwert der drei Aspekte anhand einer Analogie der Nahrungsmittelproduktion erklären. Der erste Schritt, die Datenaufnahme, bedeutet zunächst die Daten zu “ernten” und diese zu einem Verteilerzentrum zu transportieren. So wird sichergestellt, dass die Daten nicht veralten, ähnlich wie bei dem Nahrungsmitteltransport. Im zweiten Schritt, der Datenstrukturierung, werden die Daten sortiert und organisiert, ähnlich wie Lebensmittel verpackt werden müssen. Im Anschluss wählt der Data Scientists jene Daten aus, die für die Analyse am wertvollsten erscheinen und beginnt mit der Ableitung der Erkenntnisse. Dieser Vorgang ist gleichzusetzen mit dem Käufer, der im Supermarkt bestimmte Lebensmittel auswählt, um ein Gericht kochen zu können.

Diese sogenannte Analytics-Infrastruktur gliedert den Analyse- und Datenverbindungsfluss in verschiedene Stadien, die von deskriptiv (beschreibend) über prädiktiv (vorhersagend) bis hin zu präskriptiv (vorschreibend) reichen. Der Prozess beginnt beim operativen Reporting, wie zum Beispiel für ein regelmäßiges Vertriebsmeeting am Montagmorgen oder weitreichendere Business Intelligence. Dazu zählen etwa integrierte Leistungsberichte und die Erstellung von KPIs oder interaktiven Dashboards.

Die Data Scientists kommen dann in der nächsten Phase ins Spiel: Der Datenanalyse. Hier werden Beziehungen zwischen verschiedenen Datenpunkten hergestellt sowie Muster und Trends identifiziert. Die nächsten beiden Phasen des Prozesses, die Segmentierung und das Predictive Modelling, nehmen einen prädiktiven Charakter an. Kunden und Produkte werden in unterschiedliche Segmente und Gruppen unterteilt, bevor darauf aufbauend Korrelationen und Kausalzusammenhänge modelliert werden. Anschließend werden Prognosen erstellt und künftige Ergebnisse vorhergesagt. Die letzte Phase, die sich aus Simulation und Optimierung zusammensetzt, ist präskriptiver Natur. Hier werden die in früheren Phasen gesammelten Erkenntnisse in konkrete Aktionen zur Lösung einer Herausforderung überführt.

Case Study: Full Funnel Datenstrategie zur Gewinnung neuer Kunden

Lasst uns diesen Prozess an einem konkreten Fallbeispiel veranschaulichen: Vor einiger Zeit trat der britische Retailer N’Brown an uns bei MiQ heran um ein erfolgreiches Online Business aufzubauen. Angesichts der Umorientierung der Kunden vom klassischen high-street retail hin zu Onlineshopping, steht und fällt der Erfolg eines Retailers heutzutage mit dieser Transformation. Während N’Brown bereits wertvolles Kapital in die Hand nahm um online neue Kunden zu akquirieren, gelang das nicht im gewünschten Umfang. Durch den Einsatz von MiQ gelang es die Erwartungen weit zu übertreffen und die Neukundenakquise um beachtliche 260% zu steigern.

Das gelang MiQ indem wir die existierenden CRM Daten von N’Brown mit third party data von Capture Pixel verbunden haben. So konnten wir nicht nur den idealen Neukunden für N‘Brown identifizieren, sondern auch den Zeitpunkt zu dem diese Kunden am meisten geneigt waren zu shoppen. Diese wertvollen Erkenntnisse haben wir mit N’Brown in der Marketingstrategie umgesetzt, die nun bis hin zu den Social Channels genau auf die gewünschten Kundensegmente ausgerichtet ist. Der Effekt dessen war zweierlei: Kunden die N’Brown bereits treu waren, wurden weniger angesprochen da es aus Marketingsicht nicht notwendig war. Diese Einsparungen konnten dann effektiv für die Neukundenakquise eingesetzt werden, die insgesamt um 260% gestiegen ist. Ein echter Erfolg für N’Brown und MiQ, der zeigt dass ein Datenexperte wie MiQ aus Daten, die bereits beim Kunden schlummern, neue und beträchtliche Potenziale für Gewinnoptimierung eröffnen kann.

Über den Autor

Nils Kopnarski, Head of Trading & Operations, DACH bei MiQ

Aus dem Public-Policy-Bereich kommend hat Nils Kopnarski die unbegrenzten Möglichkeiten von Big Data verinnerlicht und ist daher fest von dem datengetriebenen Ansatz im Digital Marketing überzeugt. Diesen Blickwinkel hat er durch seine mehrjährige Erfahrung im operativen Kampagnenmanagement bei MiQ weiter geschärft, wo er seit 2016 tätig ist. Als Experte für Programmatic Advertising sieht Nils die Zukunft des Media Tradings voll automatisiert, die Strategien jedoch weiter vom Menschen getätigt. Seit 2019 leitet er bei MiQ den operativen Bereich im DACH Markt.

Personenfoto: Bildrechte Klaus Knuffmann

Aufmacherbild / Quelle / Lizenz
Photo by AbsolutVision on Unsplash