Heute veröffentlichen wir einen Gastbeitrag des Kinase-Gründers Richard Brooks, in dem er erklärt, warum Experimente und Modellierung heute unerlässlich sind, um das digitale Marketing voranzubringen. Kinase wurde 2010 gegründet und ist eine britische Agentur, die ein umfassendes Angebot an digitalen Performance-Marketing-Dienstleistungen anbietet, darunter bezahlte Suche, bezahlte soziale Netzwerke und eine Reihe anderer wichtiger Disziplinen.
Ein genauer Überblick über die Marketingleistung ist für ein Unternehmen entscheidend.
Ohne gute Informationen kann ein Unternehmen keine fundierten Entscheidungen darüber treffen, wo es seine Budgets investieren oder wie es die einzelnen Kanäle optimieren soll. Das Ergebnis ist, dass ein großer Teil dieser Budgets verschwendet wird. Und mit der zunehmenden Automatisierung des digitalen Bidding und Buying sind gute Daten heute wertvoller denn je.
Da britische Unternehmen jährlich mehr als 23 Milliarden Pfund in digitales Marketing investieren, kann der Wert guter Daten gar nicht hoch genug eingeschätzt werden. Doch trotz der enormen Medienausgaben, die auf dem Spiel stehen, investieren die Unternehmen häufig zu wenig in das Verständnis und versäumen es, die Kennzahlen zu verbessern, die dem Ganzen zugrunde liegen.
Es gibt zwei häufige Fehler:
- Bei Budget- und Optimierungsentscheidungen werden die falschen KPIs verwendet
- Der KPI ist richtig, aber die Messung ist falsch
Die gute Nachricht ist, dass beides nicht so schwer zu beheben ist, wenn man es richtig angeht.
KPIs an Zielsetzung ausrichten
Es gibt einen einfachen Test für eine gute Abstimmung. Nenne das/die Unternehmensziel(e) so kurz wie möglich und vergleiche sie dann mit den KPIs, die für die Entscheidungsfindung und Optimierung verwendet werden. Wenn die beiden in unterschiedliche Richtungen gehen - oder sich widersprechen - dann stelle eine wichtige Frage: Welcher KPI spiegelt diese Ziele besser wider?
Einige der offensichtlichsten Beispiele wären:
Den "perfekten KPI" zu finden, kann schwierig, wenn nicht gar unmöglich sein, aber einen zu finden, der deine Ziele besser widerspiegelt, ist oft viel einfacher.
Genaue Messung
Es ist einfach zu definieren, was du messen möchtest, aber es tatsächlich zu messen, kann ein wenig schwieriger sein. Möglicherweise gibt es interne Systeme, die entwickelt werden müssen, damit sie die gewünschten Ergebnisse liefern können. In manchen Fällen (z. B. bei langen Verkaufsprozessen oder dem Lebenszeitwert) ist eine Modellierung erforderlich. Die Daten sind vielleicht noch gar nicht gesammelt oder digitalisiert. Es kann ein langer, aber letztlich wertvoller Prozess sein, bei dem jede kleine Verbesserung einen finanziellen Vorteil bringt.
Bei der Verknüpfung von First-Party-Daten mit den Ausgaben für digitales Marketing gibt es ein zusätzliches Problem.
Ich sage es kurz und bündig: Alle Attributionsmodelle sind falsch.
Das ist nicht despektierlich gemeint. Es gibt viele gute Attributions-Tools, und die Daten, die sie liefern, sind für die tägliche Berichterstattung und Optimierung unerlässlich. Das ändert aber nichts an der Tatsache, dass selbst die besten Tools grundsätzlich nicht in der Lage sind, ganz genaue Daten zu liefern. Sie können nie wirklich die Gedanken der Menschen lesen, wenn sie einen Kauf in Erwägung ziehen und Werbung sehen.
Alle Attributionstools haben Lücken bei den Datenpunkten, die sie modellieren können. Eine Lücke gab es schon immer, wenn es um Offline-Interaktionen ging (Offline-Werbung, Ladenbesuche, Mundpropaganda, Einkäufe in Geschäften...). Hinzu kommt, dass die Lücken in den Online-Daten immer größer werden, da Cookies immer unzuverlässiger werden.
Angesichts der großen Lücken in den Daten können selbst die ausgefeiltesten Attributionsmodelle kein vollständiges Bild liefern und werden den Wert der digitalen Aktivitäten am unteren Ende des Trichters überbewerten - obwohl sie immer noch viel besser sind, als sich auf den letzten Klick zu verlassen.
Die Lösung: Warum du experimentieren musst
Das Problem ist, dass die Daten in den Online-Attributions-Tools falsch sind, aber es sind die besten Daten, die du hast, um Budgetierungs- und Gebotsentscheidungen zu treffen.
Die Lösung besteht darin, die Strategie um experimentelle Daten zu erweitern und die Ergebnisse dann zur Kalibrierung der Echtzeit-Datenquellen zu nutzen (d.h. das Attributionsmodell zu aktualisieren und zu wissen, welche Verzerrungen noch korrigiert werden müssen).
Ein guter experimenteller Ansatz muss diese fünf Kriterien erfüllen:
- Sie beantwortet eine bestimmte Frage, z.B.: "Wie wirkt sich eine Investition in X Multikanalumsatz aus?"
- Sie wird statistisch robust sein, mit einer echten geografischen AB-Aufteilung und klaren Konfidenzniveaus.
- Die Unterbrechung des Geschäftsbetriebs wird auf ein Minimum reduziert (möglichst geringe Auswirkungen in Bezug auf Dauer und Ausgaben/Umsatz).
- Sie liefert einen Datenpunkt, der direkt mit anderen Kanälen verglichen werden kann. So kann z.B. der Umsatzzuwachs für Online- und Offline-Investitionen ausgewertet werden, wodurch Silos bei der Budgetierung vermieden werden. (Das kann sogar noch weiter gehen - was bringt einen besseren ROI? Ist es a) eine Ladenrenovierung oder b) YouTube oder c) ein Angebot zur kostenlosen Lieferung).
- Auf das Ergebnis wird objektiv gehandelt.
Ein verlässliches Verständnis der Steigerungsrate der digitalen Marketingausgaben oder des wahren Ausmaßes der digital getriebenen Ladenverkäufe hat für die Unternehmen, mit denen Kinase zusammengearbeitet hat, eine transformative Wirkung gehabt. Differenziertere Tests können auch auf taktischer Ebene sehr wertvoll sein.
Die gute Nachricht ist, dass die Durchführung eines guten Experiments mit den heute zur Verfügung stehenden Mitteln nie einfacher oder billiger war. Und angesichts des Verlusts von Keksen und der unsicheren Wirtschaftslage waren die Erkenntnisse, die sie bringen können, noch nie so wertvoll wie heute.
Mehr wie dies
