Die meisten Marketingfachleute wissen, dass mehr Datenorientierung die (nicht ganz so) geheime Zutat zum Erfolg ist, aber sie tun sich oft schwer damit, dies konsequent umzusetzen. In einem kürzlich erschienenen Artikel, Datengetriebenes Marketing: Das Geheimnis ist eine Kultur des Testens und Lernens" habe ich erörtert, wie schwierig datengesteuertes Marketing ist und dass es nur dann wirklich gut funktioniert, wenn das gesamte Unternehmen - von der Spitze bis zur Basis - die Nutzung von Daten als Schlüssel zu erstklassigen Entscheidungen fördert.
Für Marketingverantwortliche gibt es vielleicht keine wichtigere Aufgabe, als ihre Teams zu erfolgreichen datengesteuerten Vermarktern zu machen. Aber es ist gar nicht so einfach, eine eigene Organisation für Daten und Erkenntnisse zu schaffen. Du kannst nicht einfach einen Schalter umlegen. Ein solides Fundament mit einem soliden Test- und Lernansatz ist erforderlich.
In meinem letzten Beitrag habe ich die vier Säulen einer Vier Säulen einer Test-and-Learn-Organisation:
- Test-and-Learn-Organisation Säule 1: Der Testprozess einer Organisation Testprozess muss Richtlinien enthalten, die die Priorisierung, Durchführung und Verwaltung von Tests unterstützen.
- Test-and-Learn-Organisation Säule #2: Der Lernprozess einer Organisation Lernprozess ist auf Handlungsfähigkeit und Entscheidungsfindung ausgerichtet
- Test-and-Learn-Organisation Säule #3: Eine Kultur des Testens und Lernens die das Team aufeinander abstimmt und die Verantwortlichkeit stärkt
- Test-and-Learn-Organisation Säule #4: Eine klare Vision für die Arten von strategischen und operativen Zielen, die angegangen werden sollen
Selbst mit diesen vier Säulen wird es nicht einfach sein, dein Team in eine echte Test- und Lernorganisation zu verwandeln - aber es ist definitiv der richtige Weg, den du gehen solltest.
Um diese vier Säulen besser zu verstehen, werden wir sie in separaten Beiträgen beleuchten.
Heute konzentrieren wir uns auf Säule 1, den Prüfprozess, und nehmen die hervorragende interne Prüfmethodik von Netflix als Beispiel dafür, wie dies gut gemacht werden kann.
Das Engagement von Netflix für exzellente Tests erforderte eine Umstrukturierung der Teams
Netflix ist ein führendes Unternehmen, das zeigt, wie man durch eine Test- und Lernmethode bessere Geschäftsentscheidungen treffen kann, indem man ein genaues Bild von den Kunden und ihren Vorlieben erhält. In weniger als einem Jahrzehnt hat sich Netflix von einem jungen Versanddienstleister für DVDs zu einem der meistbewunderten Tech-Unternehmen der Welt entwickelt.
Um die Wirkung von Test- und Lernprozessen auszuweiten, muss jeder im Unternehmen die Möglichkeit haben, Ideen für Messungen vorzuschlagen. Die meisten Marketingfachleute sind jedoch weder in der Datenanalyse geschult noch erfahren darin, täglich messbare Hypothesen aufzustellen.
Die meisten Unternehmen versuchen, dieses Problem zu lösen, indem sie ein Kompetenzzentrum für Analytik (COE) einrichten, auf das jedes Team zurückgreifen kann. Auch wenn ein eigenes Analytik-COE ein guter Anfang ist, hat es den Nachteil, dass der Großteil der Organisation nicht lernt, wie man aus Daten Erkenntnisse gewinnt, sondern sich darauf verlässt, dass andere das für sie tun.
Für Netflix war es so wichtig, datengesteuerter zu werden, dass das Unternehmen die isolierten Business-Intelligence-Gruppen auflöste und stattdessen Data Scientists, Data Engineers und Data Analysts in jede Geschäftseinheit integrierte. innerhalb jeder Geschäftseinheit.
Jetzt hat jedes Geschäftsteam eigene Spezialisten, die sich auf die Daten und die Möglichkeiten zur Verbesserung datengesteuerter Entscheidungen konzentrieren. Jetzt kann jedes Geschäftsteam aktiv Ideen für Experimente vorschlagen und die besten Anwendungen für neu entdeckte Erkenntnisse teilen.
(aus "Enabling a Culture of Analytics")
Netflix hatte so viele Tests, dass sie ein System entwickelt haben, um Prioritäten zu setzen
Das Testen als primärer Ansatz zur Entscheidungsfindung ist so wichtig, dass manchmal einfach zu viele Tests durchgeführt werden müssen. Experimente können den täglichen Geschäftsablauf stören, zu viele Ressourcen beanspruchen oder sich mit anderen Tests überschneiden und die endgültigen Ergebnisse verfälschen. Eine weitere Überlegung ist, welche Tests zuerst durchgeführt werden sollten, da die Erkenntnisse aus einigen Tests genutzt werden können, um zukünftige Tests zu optimieren und noch bessere Ergebnisse zu erzielen. All diese Tests - so hilfreich und wertvoll sie auch sein mögen - können also auch chaotisch sein.
Wie hat Netflix das Problem der Priorisierung von Tests gelöst? Mit maschinellem Lernen.
Wie im Netflix Technologie-Blog erklärt:
"Bei einer Sammlung von Tests, deren Durchführung von Natur aus zeitaufwändig ist und manchmal manuelle Eingriffe erfordert, müssen wir Prioritäten setzen und die Testausführungen so planen, dass Testfehler schneller erkannt werden... In unserem Bestreben, objektiv und wissenschaftlich zu sein, und im Einklang mit der Netflix-Philosophie, Daten zu nutzen, um Lösungen für faszinierende Probleme zu finden, haben wir maschinelles Lernen eingesetzt."
Auch wenn nicht jeder sein eigenes maschinelles Lernsystem bauen kann, um zu bewerten, welche Tests parallel laufen können und welche vor anderen laufen müssen, kann der Hauptfaktor hinter der Testpriorisierung von jedem verstanden werden: Konzentriere dich auf die Tests, die Erkenntnisse über die Bedürfnisse und Schmerzpunkte der Kunden liefern.
Dieser Fokus ist die Grundlage für eine agile Marktpositionierung und eine schlanke Geschäftsstrategie. Netflix' Lösung verhindert, dass die Teams zu viel Zeit mit dem Testen interner Verbesserungen verbringen, was auf Kosten des Verständnisses ihrer Kernzielgruppe geht.
Netflix' Testprozesse treiben Aktionen und Verantwortlichkeit voran
Um den Nutzen von Experimenten zu erhöhen, kümmert sich Netflix sowohl um die Durchführung von Tests als auch um die Umsetzung der Erkenntnisse. "Das Netflix-Marketingteam experimentiert gerne, um die besten Marketingtaktiken für den Einsatz von bezahlten Medienmitteln zu ermitteln..." sagt das technische Team. "Unsere Teams nutzen Experimente, um ihr Gespür für die besten Kampagnen zu schärfen."
Dies erfordert eine Überwachung, um sicherzustellen, dass die Experimente erfolgreich zu Ende geführt oder bei Qualitätsproblemen schnell abgebrochen werden. Experten prüfen die eingehenden Signale, um sicherzustellen, dass die Datenmenge groß genug ist, um die erforderliche Genauigkeit zu erreichen. Abweichungen von den vorhergesagten Antworten werden auf lokale Marktstörungen durch regional konkurrierende Produkt- oder Dienstleistungsangebote untersucht. Saisonale Auswirkungen und Einflüsse werden überwacht, um die Erwartungen für die tägliche Basislinie zu korrigieren.
Wenn das Experiment abgeschlossen ist, werden die Ergebnisse auf ihre Auswirkungen auf das Geschäft hin untersucht. Wenn die Tests fehlgeschlagen sind, wie lautet die nächste zu testende Hypothese? Bei erfolgreichen Tests: Wie sollten die Marketingprozesse aufgrund der neuen Erkenntnisse optimiert werden?
Die Marketinganalysten von Netflix nehmen jedes neue Ergebnis eines Marketingtests und prüfen, ob dieses Wissen jede einzelne Stufe ihres Kampagnenmanagementsystems verbessern kann.
- Medienplanungssysteme, die für die Automatisierung der Arbeitsabläufe beim Kauf bezahlter Medien und die Erschließung von Effizienzpotenzialen in diesen Abläufen verantwortlich sind (Medienplaner)
- Kreativmanagementsysteme, die bei der kreativen Entwicklung und Lokalisierung sowie der Zusammenstellung von Anzeigen aus den kreativen Assets helfen.
- Kampagnenmanagementsysteme, die für die Erstellung und Durchführung von Marketingkampagnen verantwortlich sind
- Systeme für WerbeeinblickeSysteme, die dafür verantwortlich sind, Analysen und Erkenntnisse darüber zu sammeln, wie unsere Kampagnen auf Werbeplattformen wie Google
- Systeme zur Optimierung des Werbebudgets, die es ermöglichen, das Budget für laufende Kampagnen zu ändern, um unsere Marketingausgaben zu optimieren
Fazit: Um die Wirkung datengestützter Erkenntnisse zu maximieren, sind hervorragende Leistungen in einer Reihe von Prüfprozessen erforderlich.
Der strategische Ansatz von Netflix stützt sich auf
- Aichtige und aufschlussreiche datengesteuerte Entscheidungen,
- SUnterstützt durch eine breit angelegte Test-und-Lern-Kultur, die
- Demokratisiert die Hypothesenbildung
- priorisiert die Testdurchführung und
- Verwaltet die Ausführung und die Erkenntnisse in den Geschäftsteams.
Netflix ist ein Beispiel dafür, wie eine Kultur des Testens und Lernens das Geschäft leitet. Anstatt mit blinden strategischen Wetten Risiken einzugehen, hat sich Netflix stattdessen auf die Effektivität von Entscheidungen konzentriert und ist durch die Maximierung der Chancen, die sich aus neu entdeckten Verbrauchererkenntnissen ergeben, zum Marktführer geworden.
Netflix engagiert sich so sehr für das Testen, dass es sogar einen Netflix Forschungsblog. "Die datengesteuerte Entscheidungsfindung und die Netflix-Kultur des Experimentierens reichen von unseren Datenwissenschaftlern über alle Ebenen des Unternehmens bis hin zu Reed Hastings selbst. Hypothesen und Ergebnisse werden einer strengen Analyse unterzogen und in einer robusten und offenen Debatte aus einer Vielzahl von Blickwinkeln diskutiert. Unsere Führungskräfte nehmen sich Zeit, um experimentelle Methoden und Testergebnisse zu verstehen, und ihre enge Zusammenarbeit mit den Datenwissenschaftlern trägt dazu bei, dass unsere Entscheidungen sowohl aus statistischer als auch aus geschäftlicher Sicht fundiert sind."
Für Marketing- und Unternehmensleiter, die diesen Beitrag lesen, wird der Weg zur datengesteuerten Reife nicht einfach sein, aber er bietet den sichersten Weg zum Erfolg.
Mehr wie dies
