Media Modeling – Cross-Channel Bewertungen jenseits des Direktmarketings

Media Modeling

Cross-Channel Bewertungen jenseits des Direktmarketings

Ziel des Media Modeling ist es, fundierte Entscheidungen über Marketingbudgets und -strategien treffen zu können. Die Wirkung verschiedener Marketingstrategien wird ermittelt und der Einfluss zukünftiger Strategien vorhergesagt. Dies wird durch multivariate Regression auf Käufe und Marketing-Zeitreihendaten gelöst.

 

Erfolgsmessung im Direktmarketing

Im Direktmarketing ist die Zuordnung der Responses, zum Beispiel eine Bestellung aus einem Katalog, relativ einfach, wenn auch nicht trivial. Zu jedem Versand gibt es eine bekannte Audience (Erhalter des Katalogs), die bedient wurde, welche dann mit den Bestellungen der folgenden Wochen oder Tage abgeglichen werden kann. Unschärfen können durch Coupons oder Aktionsnummern etwas abgefangen werden. Um einen Vergleich zwischen den einzelnen Versänden herzustellen, sind hier die Gegebenheiten optimal, auch wenn klar ist, dass eine vollständige Zuordnung nie mit 100 %-iger Sicherheit stattfinden kann.

Auch bei E-Mail-Kampagnen können der Verteiler und die hereinkommenden Bestellungen (oder andere Reaktionen) über (E-Mail-)Adressen oder Artikel zusammengeführt und so die Response
bewertet werden. Es ist möglich, Testgruppen zu bilden, die bestimmte Werbung nicht erhalten, was ein wichtiges Instrument zur Messung von Uplifts im Marketing ist.

 

 

Die Erfassung langfristiger Effekte und nicht direkt messbarer Einflüsse, wie Käufer unbekannter Herkunft oder Kunden, die auf nicht direkt adressierte Werbeaktionen reagieren, ist essentiell.

 

Grenzen herkömmlicher Erfolgsmessung

Meist stößt die klassische Auswertung von Marketing-Maßnahmen schnell an ihre Grenzen. Für die meisten Kanäle ist die Zielgruppe nicht im Detail bekannt.

Das gilt für Kampagnen außerhalb des Direktmarketings wie TV oder Radiowerbung, Plakatwerbung, Anzeigen oder Banner auf Fremdseiten. Ebenso für Aktionen, die nicht direkt Käufe promoten, sondern auf Imagebildung und Branding abzielen und dadurch nicht direkt Reaktionen erzielen. Diese langfristigen Effekte sind im herkömmlichen Ansatz schwer zu messen, aber natürlich existent. So landen auch immer wieder Kunden unbekannter Herkunft auf der eigenen Plattform, die Käufe tätigen, die keiner Aktion zugeschrieben werden können. Auch die Stammkunden sehen Werbeaktionen, die nicht direkt adressiert wurden, aber dennoch Einfluss auf das Kaufverhalten haben. Und in den meisten Fällen können externe Faktoren wie Ferienzeit, Wetter, saisonale Faktoren wie Weihnachten oder gesetzliche Feiertage und Aktionen der Konkurrenz nicht abgebildet werden. Das bedeutet, dass der eigentliche Nutzen einer Aktion nicht sauber von externen Faktoren getrennt werden kann, sondern die Auswertung beeinflusst, ohne abgrenzbar zu sein.

 

 

Media Modeling erfordert viele detaillierte Informationen zu Zielvariablen, eigenen Kanälen und externen Faktoren für die Modellentwicklung.

 

Media Modeling als Lösung

Media Modeling setzt nicht auf die 1:1-Zuordnung von Käufen (oder Reaktionen), sondern sucht nach Mustern in den Daten, um diese den einzelnen Kanälen zuzuordnen. Dazu wird für jeden Marketing-Kanal und externen Faktor ein Modell erstellt. Das funktioniert natürlich nur, wenn beschreibende Daten vorliegen, um die Effekte der Kanäle auch zu modellieren.

Die minimale Anforderung ist

• Zielvariable (also z.B. Anzahl Käufe oder Reaktionen pro Tag/Zeiteinheit, Umsatz pro Tag/Zeiteinheit,unter Umständen auch aufgeteilt auf Filialen oder Sortimente)
• Beschreibung der eigenen Kanäle
• Beschreibung der externen Faktoren

 

Typische Daten zu den eigenen Kanälen

• Zuordnung zu einer Kampagne und weitere beschreibende Merkmale (wie Einteilung in Kategorien Call-to-Action, Produktpromotion, Branding oder Zielgruppe)
• Datum des Aussands oder Starts (Zeitpunkt)
• Auflage, Sendezeit oder Häufigkeit (Intensität)
• Ein Ort, falls dieser eine Rolle spielen soll

 

 

Zeitpunkt, Intensität und Ort, aber auch Saisionales, wie Feiertage oder das Wetter sind externe Faktoren, die – werden sie berücksichtigt – einen wichtigen Beitrag zum Media Modeling leisten.

 

Einbeziehung externer Faktoren: Die Vielfalt von Media Modeling

Anforderungen zu externen Faktoren sind ebenso eine Beschreibung von Zeitpunkt, Intensität und eventuell Ort, was je nach Faktor sehr unterschiedlich ausfallen kann. Zum Faktor Wetter lassen sich z. B. sehr detaillierte Daten beschaffen, die auch bequem auf Zeit und Ort aufgeteilt
werden können.

Mit diesem ersten externen Faktor lässt sich so manche Schwankung im stationären Handel (und auch online) schon gut erklären. Kampagnen der Konkurrenz können in ähnlicher Form abgebildet werden wie die eigenen Kampagnen, auch wenn sicher Details fehlen werden. Für Ferien und Feiertage müssen regionale Unterschiede beachtet werden, die dann dazu beitragen, das Modell zu schärfen, denn gerade Unterschiede helfen bei der Modellierung. Je detaillierter die Angaben ausfallen, desto leichter kann ein Modell erstellt werden. Zusätzliche Merkmale können Hinweise liefern, die Unterschiede zwischen Anstößen erklären. Nicht nötig ist hingegen eine Zuordnung der Reaktionen auf Einzelkundenebene, die für viele Kanäle auch nicht möglich wäre, denn das Modell erklärt die Schwankungen in der Zielvariablen auf den verdichteten Daten auf Zeit (und Ort).

 

 

Es werden zunächst Modelle für die einzelnen Kanäle und Faktoren erstellt. Danach werden diese zu einem Modell oder mehreren zusammengefügt.

 

Von den Daten zum Modell

Um zu einem Modell zu kommen, wird die Korrelation zwischen den Aussendungen (oder Ausstrahlungen, Platzierungen) und der Zielvariablen geprüft. Dazu kann es nötig sein, zunächst die Zielvariable zu glätten, um Effekte wie Saisonalität oder einen Wochenrhythmus zu entfernen, die nichts mit den Kampagnen zu tun haben.

Danach müssen verschiedene Ansätze und Vermutungen ausprobiert werden und für die Kanäle und Faktoren durchgetestet werden. Dazu ist ein Einblick in die Geschäftsmodelle und ein Abgleich mit der Realität nötig. Wie schnell reagiert ein Hörer wohl auf eine Radiowerbung? Reißt er gleich das Lenkrad herum und fährt zur nächstgelegenen Filiale oder notiert er sich einen Termin für das nächste Wochenende? Welche Vermutung liefert eine bessere Erklärung der Varianz in den Daten und welcher Ansatz erscheint plausibler?

Auf diese Weise können die verschiedenen Einflussfaktoren modelliert und am Ende auch zusammengeführt werden. Ziel ist es, eine Modellierung des Marketing Mixes zu finden, der die Gesamtsituation beschreiben kann. Es ist nun möglich, interne und externe Faktoren sowie ein „Grundrauschen“ zu bestimmen, einen neutralen Anteil, also die Marketing-Maßnahmen von dem Anteil zu trennen, auf den man keinen (großen) Einfluss hat. So wird es möglich, Kampagnen fair zu bewerten, denn welchen Einfluss das Wetter, die Ferienzeit oder die Kampagne der Konkurrenz auf einen bestimmten Aktionszeitraum hatte, kann modelliert und entsprechend „herausgerechnet“ werden.

Verschiedene Kanäle können unabhängig gegenübergestellt und bewertet werden. Kampagnen mit eher langfristigem Nutzen können gemessen werden, obwohl sie in der klassischen Auswertungslogik meist untergehen.

Ein weiterer Nutzen des Modells ist es, dass neue Szenarien vorab getestet werden können. Wie sieht ein idealer Mix zur Ferienzeit im Vergleich zur Nicht-Ferienzeit aus? Wie kann eine E-Mailkampagne zu einem Branding-Thema gut begleitet werden?

 

Viel bringt viel: Die Datenmenge, die Qualität und die Häufigkeit der Ereignisse in Marketingkanälen sind entscheidend für die Effektivität des Modelings.

 

Je besser die Daten, desto genauer das Ergebnis

Natürlich kann das Modeling nur so gut sein wie die verwendeten Daten. Je detaillierter ein Kanal beschrieben ist, desto besser kann ein starkes Modell entwickelt werden.

Kanäle, die durch häufige Ereignisse beschrieben werden, werden trennscharf „gegriffen“, da hier auf mehr Daten modelliert werden kann. Beispielsweise ist der Einfluss „Wetter“ konstant vorhanden, ebenso wird dem Faktor „E-Mail“, der meist häufig stattfindet, tendenziell zu viel Einfluss zugeschrieben. Seltene Ereignisse wie ein Katalogversand, der einmal im Jahr stattfindet, werden dagegen oftmals unterschätzt.

Kurzfristige Maßnahmen werden auch hier stärker „gegriffen“ als langfristige Effekte. Beim Vergleich von kurzfristigen (wie z.B. Werbung für einzelne Rabattaktionen) und langfristigen Maßnahmen (wie z.B. Branding-Kampagnen) muss diese Gewichtung beachtet werden. Des Weiteren werden Kanäle mit einer klaren zeitlichen Zuordnung (wie z.B. TV Spots) gegenüber weniger klar zugeordneten Kanälen (wie z.B. monatlich veröffentlichte Magazine) bevorzugt. Dennoch: Mit diesem
Wissen bietet sich die Möglichkeit, geeignete und passende Mixe zu bestimmen und diese zu vergleichen, um eine Optimierung der Werbemaßnahmen zu erreichen.

 

Summary

Durch Media Modeling können Unternehmen und Marketer ein besseres Verständnis entwickeln, wie ihre Zielgruppe auf bestimmte Medieninhalte reagiert. Es ermöglicht die Vorhersage von Reichweite, Engagement und anderen Metriken, um fundierte Entscheidungen über die Medienstrategie zu treffen.

Media Modeling kann auch dazu verwendet werden, personalisierte Inhalte zu erstellen und zu empfehlen, indem es das Verhalten und die Präferenzen der Nutzer analysiert. Auf diese Weise können Unternehmen ihre Marketingbotschaften effektiver anpassen und ihre Zielgruppe gezielter ansprechen.

Media Modeling ist ein leistungsstarkes Werkzeug, um das Potenzial von Medieninhalten voll auszuschöpfen und den Erfolg von Marketingkampagnen zu maximieren. Es ermöglicht eine datengetriebene Herangehensweise an die Medienplanung und -optimierung, um bessere
Ergebnisse zu erzielen und die Effizienz der Marketingausgaben zu steigern.

 

Text: Franziska Müller, Senior Data Scientist