Einfluss von Offline Marketingkampagnen analysieren: Auswirkungen von Offline Maßnahmen auf Online-Nutzerverhalten

Um Kunden wird heutzutage mit einer Vielzahl an Online und Offline-Marketingmaßnahmen geworben. Online Marketingmaßnahmen unter anderem in sozialen Netzwerken, Portalen oder Suchmaschinen zeichnen sich vor allem dadurch aus, dass die Reaktionen (z. B. Ad-Clicks) auf Werbemittel und die an- schließenden User Aktionen (z. B. Conversions) weitestgehend messbar sind. Unternehmen nutzen diese Daten zur Marketing Erfolgsbewertung, um ihre Maßnahmen stets zu optimieren.

Offline Marketingmaßnahmen bieten aufgrund technischer Limitationen leider keine vergleichbaren Messpunkte. Nichtsdestotrotz gibt es zahlreiche bewährte statistische Verfahren, um den Erfolg von Offline Marketingmaßnahmen zu quantifizieren. Welche Daten hierfür erhoben werden müssen, welche Herausforderungen in der Datenerfassung bestehen und wie letztendlich der Einfluss von Offline Marketingmaßnahmen geschätzt werden kann, erfahren Sie in diesem Blogbeitrag.

“Offline Marketingmaßnahmen sind meist nicht direkt messbar, wenngleich man ihren Einfluss mit statistischer Verfahren durchaus empirisch beurteilen kann. Aber auch für eine statistische Analyse benötigt man Daten! Wichtig ist, dass man sich vor Start einer Offline Marketingmaßnahme im Klaren darüber ist, wie die entsprechenden Daten erhoben werden und welches statistische Verfahren angewendet werden soll.” 

– Patrick Mohr

1. Offline Marketingmaßnahmen

Auch wenn die fortschreitende Digitalisierung den Fokus vermehrt auf Online-Kanäle lenkt, spielen Offline Marketingmaßnahmen immer noch eine wichtige Rolle im Marketing-Mix vieler Unternehmen. Von Konzern bis Start-up – viele machen sich die Werbewirkung von traditionellen Werbemitteln zunutze. Bevor wir uns mit den Möglichkeiten zur Datenerfassung diverser Offline Marketingmaßnahmen beschäftigen, gehen wir im Folgenden kurz auf die Definition einzelner Offline Maßnahmen ein:

TV und Funk
Fernsehwerbung ist ein wichtiger Bestandteil der Marketing-Strategie vieler Unternehmen. Große Onlineshops bewerben Aktionen und Produkte zur Primetime und erhoffen sich dadurch Reichweiten- und Umsatzsteigerung. Durch die Second Screen-Nutzung der TV-Zuschauer entsteht ein Zusammenhang zwischen Besuchern einer beworbenen Website und dem genauen Ausstrahlungszeitpunkt des jeweiligen TV-Spots. Die Auswirkungen von TV-Werbung auf das Online-Nutzerverhalten werden sichtbar. Jedoch ist der tatsächliche Einfluss von TV- und Funkwerbung nicht ohne weitere Aufwände messbar und bedarf erweiterter Analysemethoden.

Print
Print Werbemittel umfassen alle Werbebotschaften, die in gedruckter Form in entsprechenden Medien erscheinen. Die Übermittlung erfolgt rein visuell. Bekannte Werbemittel sind unter anderem Anzeigen, Prospekte, Kataloge etc. Bei vielen Einzelhändlern sind Prospekte für die Bewerbung von Online-Angeboten ein probates Mittel und erweisen sich als valider Omnichannel-Ansatz.

Out of Home
Die Kategorie Out of Home wird oftmals auch als Außenwerbung bezeichnet. Sie dient der Bezeichnung für das Werben im öffentlichen Raum. Hierzu zählen Großflächenplakate, Plakate an Säulen oder Verkehrsmittelwerbung. Plakate und andere Out of Home-Medien gehören bis dato mit zu den wichtigsten Werbeformen großer Unternehmen und erreichen täglich Millionen von Menschen.

Events
Offline Events und Messen stellen auch im digitalen Zeitalt- er weiterhin ein wichtiges Medium für Unternehmen in der Gewinnung und Pflege von Kundenbeziehungen dar. Der direkte Kundenkontakt ist gerade im B2B-Kontext nicht zu unterschätzen und für den Aufbau einer starken Marke und Reputation essenziell.

2. Datenerfassung – Technische Methoden

Um den Einfluss von Offline Marketingmaßnahmen zu erfassen, kann sich statistischer Methoden bedient werden. Jedoch wird für deren Berechnung und Schätzung eine Datengrundlage benötigt. In Abhängigkeit von der gewählten Offline Maßnahme stehen verschiedene Möglichkeiten für deren technische Datenerfassung zur Verfügung. Grundlegend gilt jedoch zu beachten, dass diese Maßnahmen sich hinsichtlich ihrer Reliabilität unterscheiden und die gewählten Methoden eher eine Tendenz zeigen und keine Evidenz für die Bewertung der Maßnahme an sich bieten können. Denn die gängigen Methoden zur Datenerhebung für Offline Maßnahmen sind mit gewissen Herausforderungen und Grenzen konfrontiert. Die grundlegenden Methoden zur Datenerhebung für bekannte Offline Maßnahmen und deren Limitationen werden im folgenden Absatz vorgestellt.

2.1 Methoden zur Datenerhebung

Annotations
Die wohl simpelste Art der Datenerfassung von Offline Marketingmaßnahmen ist das Dokumentieren ihres Erscheinungszeitpunkts – sogenannte Annotations. In Google Analytics lassen sich Annotations zum Beispiel erstellen, um mit ihnen den Beginn einer Kampagne zu vermerken. Diese Annotations können dann zur weiterführenden Analyse genutzt werden, um zum Beispiel Anomalien oberhalb der durchschnittlichen Aktivität vor dem dokumentierten Zeitpunkt festzustellen.

Bei der TV-Werbung dient meist der Schaltplan der gebuchten TV-Kampagne als Datenbasis. Diese Schaltpläne sind leider oft ungenau. Deshalb haben sich Service Anbieter (z. B. XAD spoteffects) etabliert, die mittels Audio- und Video-Erkennung Werbeblöcke identifizieren können und damit sehr genaue Daten zu Austrahlung Zeitpunkten und Länge liefern können. Die meisten Anbieter stellen zudem API-Schnittstellen zur Verfügung, um diese Daten in die eigene Analyse- und Marketingsysteme einfließen zu lassen.

Umfragen
Ein oftmals eingesetztes Mittel ist die direkte Nachfrage bei potenziellen Kunden. Hier kann bspw. im Rahmen eines Kontaktformulars die Frage nach dem initialen Kontaktpunkt des Nutzers Aufschluss über die Wirkung von Offline Werbemaßnahmen bieten.

Marketing Landingpages
Benutzerdefinierte Landingpages stellen eine der einfachsten Möglichkeiten dar, um den Einfluss von Offline Werbung zu messen. Um Daten über die Reaktion der Nutzer auf ein Offline Werbemittel zu erfassen, wird eine für dieses Werbemittel spezifische Landingpage erstellt und kommuniziert. Jedoch werden diese Landingpages von potenziellen Kunden und Usern größtenteils nicht direkt in die Adresszeile des Browsers eingegeben. Viele Internetnutzer sind es heutzutage gewohnt, über eine Suchmaschine auf eine Website zu gelangen. Damit ist der Traffic von Marketing Landingpages für Offline Marketing leider oft kein guter Indikator für die Werbewirkung.

QR-Codes (bzw. Link Parameter)
QR-Codes sind eine weitere Lösung, um Offline Marketing online zu verfolgen. Printanzeigen, Flyer oder Außenwerbung können mit QR-Codes versehen werden, um den Nutzer direkt auf den Online-Auftritt oder eine bestimmte Landingpages weiterzuleiten. Bei diesen QR-Codes können dann URLs mit Marketing Tracking Parametern hinterlegt werden, wodurch sich der Online Traffic auf das Offline Marketing Werbemittel attribuieren lässt. Je nach Tool gibt es ein eigenes Schema, nachdem die Parameter gesetzt werden müssen. Bei Google Analytics werden diese beispielsweise als UTM-Parameter bezeichnet.

Discount Codes
Mit Discount Codes kann der Erfolg von Offline Marketing Maßnahmen erfasst werden. Hierzu werden spezifische Discount Codes für jede Offline Marketing Maßnahme erstellt und kommuniziert. Wenn ein User einen dieser offline beworbenen Discount Codes nutzt, lässt dies Rückschlüsse auf die Effektivität der Offline Marketing Maßnahme zu.

Server Request (z. B. GA Measurement Protocol)
Mit einem Server Request (z.B. dem Measurement Protocol) lassen sich beispielsweise Offline-Transaktionen aus Kassensystemen oder das Aktivieren von Tickets auf einer Veranstaltung per QR-Code messen. Bei Aktivierung des QR-Codes wird eine Anfrage (HTTP-Request) mit den gewünschten Informationen zu Google Analytics gesendet und dort verarbeitet. Die Datenerfassung mit dem Measurement Protocol ermöglicht es, Daten von jeder HTTP-fähigen Umgebung bzw. von jedem mit dem Internet verbundenen Gerät zu versenden. Die einzelnen Ereignisse können dabei ebenfalls als Batch (gesammelt) innerhalb eines Requests zeitverzögert versendet werden. Folgend wird der grundlegende technische Aufbau des Measurement Protocols dargestellt. Die Payload Daten lassen sich jedoch um weitere Parameter/Informationen beliebig ergänzen.

Header
POST /collect HTTP/1.1
Host: www.google-analytics.com

Payload Daten
v=1                                             // Version.
aip=1                                         // IP-Anonymisierung.
&tid=UA-XXXXX-Y               // Tracking ID / Property ID.
&cid=555.                               // Anonymous Client ID.
&t=event                                // Hit Type.
&ni=true                               // Non-Interaction Hit.
&ec=QRCode                      // Event Category.
&ea=activated                    // Event Action.

2.2 Herausforderungen in der Datenerfassung

Die Umsetzung der im Punkt 3.1 beschriebenen Methoden zur Datenerhebung von Offline Maßnahmen ist nicht komplex. Es ist deshalb nicht verwunderlich, dass diese von Unternehmen breite Anwendung finden. 

QR-Codes und Marketing Landingpages könnten in der Theorie die Offline Maßnahme zwar sehr genau identifizieren und damit auch eine anschließende Conversion der Maßnahme zuordnen, leider werden Marketing Landingpages aber meist nicht direkt eingegeben und auch bei QR-Codes kann nicht davon ausgegangen werden, dass sie tatsächlich genutzt werden. Die Aussagekraft dieser Daten sollte deshalb stets hinterfragt werden. Die Verwendung von Discount Codes lässt ebenfalls eine sehr genaue Attribution zu, bedarf jedoch entsprechender Preisreduzierungen und ist deshalb nicht für einen dauerhaften Einsatz geeignet. Falls der Kontakt auf Events z. B. per Scan Verfahren oder am Kassensystem in einem Offline Store erfasst wird, bietet es sich an, entsprechende Server Requests direkt an das jeweilige Analyse- oder Marketingsystem zu senden. Dies bedarf jedoch einer übergreifenden Kunden ID, die sowohl am Offline Touchpoint als auch Online verwendet wird. Annotations bieten die zuverlässigste Datenbasis. Der Ausstrahlungszeitraum eines Werbemittels oder einer Kampagne sind zwar leicht zu erfassen, bietet jedoch keine direkte Möglichkeit der Zuordnung zu an- schließenden User Aktionen (z. B. Conversions).

Angesichts der beschriebenen Limitationen eignet sich keine der Methoden für eine gute und umfassende Beurteilung des Offline Marketing Erfolgs. In der Wissenschaft und Praxis haben sich deshalb statistische Verfahren etabliert, um Zusammenhänge von Offline Marketingmaßnahmen und dem gewünschten Marketingerfolg zu schätzen. 

3. Datenanalyse – Multivariante Analyseverfahren

“Statistische Analyse Methoden geben einem die Fähigkeit, Korrelationen zu erkennen. Ob ein kausaler Zusammenhang besteht, also eine wirkliche Werbewirkung die von Offline Marketingmaßnahmen aus ging, muss immer sachlogisch hinterfragt und verargumentiert werden können.” 

– Marcus Stade

Um die Effektivität eines Werbemittels zu bewerten, sollten wir die Auswirkungen der Maßnahmen auf den jeweiligen Marketingkanal möglichst gut kennen. Bei digitalen Maßnahmen können wir logisch argumentieren, warum die eine Größe von der anderen abhängen sollte, da sich einzelne Touchpoints einer Customer Journey verbinden lassen. Was ist nun aber, wenn solche Informationen nicht zur Verfügung stehen oder nicht explizit einer Maßnahme im Zeitverlauf zugeordnet werden können? Wie in Punkt 3.2 bereits beschrieben, gerät die Reliabilität für die Datenerhebung einiger Offline Maßnahmen oftmals an ihre Grenzen. Maßnahmen wie TV- und Funkspots lassen sich beispielsweise nur schwer technisch erfassen. Die Herausforderung besteht also darin, die Daten, die man erfassen kann, zu nutzen und mittels statistischer Analysen Korrelationen festzustellen. Diese können dann einen kausalen Zusammenhang vermuten lassen und eventuell als Beschreibung zur Werbewirkung dienen. Für eine Analyse der Werbewirkung eines TV-Spots wären zum Beispiel folgende Modelle denkbar:

3.1 Lineare Regression

Voraussetzung: Abhängige Variable = metrisches Skalenniveau, z. B. Umsatz oder Absatz.

Bei der Regressionsanalyse geht man in der Regel in einer bestimmten Schrittfolge vor. Zunächst geht es darum, das sachlich zugrunde liegende Ursache-Wirkungsmodell in Form einer linearen Regressionsbeziehung zu bestimmen. Diese Regressionsfunktion ist dann auf Basis von Daten empirisch zu schätzen.

Somit lässt sich beispielsweise untersuchen, wie viel Einfluss die Höhe der jeweiligen Offline Marketingkosten auf den Umsatz hat. Aber auch der Zeitpunkt der Offline Marketingmaßnahme könnte innerhalb der Zeitreihenanalyse als unabhängige Variable genutzt werden, um den Umsatz/Absatz zu erklären bzw. den Einfluss auf diese abhängige Variable zu beschreiben. Die Funktion liefert eine Beobachtung xk also den Schätzwert yk. Die Funktion bildet eine Gerade und wird daher auch als Regressionsgerade bezeichnet. Um nun den Einfluss von Offline Marketingmaßnahmen wie z. B. TV-Werbung auf den Umsatz zu untersuchen, stellen wir ein Modell auf.

Für dieses Modell lautet die Regressionsfunktion:

Geometrisch gesehen gibt der Regressionskoeffizient die Steigung der Regressionsgeraden an. Darüber hinaus hat der Regressionskoeffizient eine wichtige inhaltliche Bedeutung, denn er gibt an, um wie viele Einheiten sich Y ändert, wenn sich X um eine Einheit ändert.

Er bildet somit ein Maß für die Wirkung von X auf Y und kann somit als Indikator für den entsprechenden Einfluss von TV-Werbung auf den Umsatz genutzt werden.

3.2 Logistische Regression

Voraussetzung: Abhängige Variable = nominales Skalenniveau, z.B. Käufer / Nicht-Käufer.

Die logistische Regression wird für Klassifizierungsprobleme verwendet. In binären Klassifizierungsproblemen sollen Beobachtungen in zwei verschiedene Klassen, in der Regel entweder einem Erfolg oder zu einer Fehlerklasse zugeordnet werden. Mit der logistischen Regression kann dabei die Wahrscheinlichkeit komplementäre Ereignisse geschätzt werden. 

Um die Werbewirkung zum Beispiel von TV-Werbekanälen schätzen zu können, werden in diesem Zusammenhang Onlineshop-User in Käufer und Nichtkäufer eingeteilt. Zudem wird jedem Käufer die Annotation zugeordnet, ob ein bestimmter TV-Kanal z. B. innerhalb von 3 Minuten vor dem Kauf ausgespielt wurde. Die logistische Regression klassifiziert dann die User in Nichtkäufer und Käufer, abhängig von dem Vorkommen der Annotations der jeweiligen TV-Kanäle. Es wird also der Zusammenhang geschätzt, mit welcher Wahrscheinlichkeit das Ereignis Käufer Pyi=1 eintritt. Dies kann auch durch folgendes Modell ausgedrückt werden. 

Zur Interpretation der Ergebnisse bieten sich Odds an. Odds nehmen einen Wertebereich von 0 bis ∞ an und sind hingegen der geschätzten Koeffizienten in ihrer Höhe interpretierbar. Aus den Koeffizienten ist eine Interpretation des jeweiligen TVKanal-Einflusses nicht möglich, da sie einer logistischen Funktion folgen. So können lediglich die Vorzeichen Aufschluss über einen positiven oder negativen Einfluss auf die Wahrscheinlichkeit für einen Käufer oder Nicht-Käufer geben. Die Höhe der Koeffizienten kann jedoch nicht miteinander verglichen und interpretiert werden. Odds hingegen können auch in Ihrer Höhe interpretiert werden und eignen sich somit besser zur Interpretation und Vergleich der unterschiedlichen TV-Kanäle.

3.3 Bayesian time-series model

Neben klassischen Regressionsmodellen wird in der Werbewirkungsforschung auch gerne auf die Methode der kausalen Inferenz zurückgegriffen. Google hat hierfür die CausalImpact Library für die Programmiersprache R veröffentlicht, die auf diese Methodik zurückgreift. Mit gesammelten Zeitreihendaten vergangener Marketing-Kampagnen lässt sich hiermit schätzen, wie z. B. der Umsatzverlauf ohne die entsprechende TV-Kampagne ausgesehen hätte.

Hierbei wird angenommen, dass es eine zu betrachtende Zeitreihe und eine Kontroll-Zeitreihe gibt, die im Zeitraum vor dem TV-Spot ähnlich verliefen. Ab dem Zeitraum der Werbespots wird die Entwicklung der Zeitreihen beobachtet, eine Simulation der zu betrachtenden Zeitreihe erstellt und der Effekt der TV-Spots aus der Abweichung der realen Zeitreihe sowie der Simulation der zu betrachtenden Zeitreihe abgeleitet. Für das Beispiel ein Marketingbudget optimal aufteilen zu wollen, ist die Arbeit mit Zeitreihen typisch.

4. Ausblick

Wie anfänglich besprochen, sollte man die Werbewirkung von Offline Marketingmaßnahmen auch heute im digitalen Zeitalt- er nicht unterschätzen. Offline Marketing bleibt ein wichtiger Bestandteil der Customer Journey und daher auch zukünftig ein wichtiger Bestandteil im strategischen Marketing-Mix von Unternehmen. Jedoch sollte vor Start einer Offline Marketingmaßnahme ein optimaler Ansatz für die Datenerhebung und die darauf aufbauende Analyse gewählt und integriert werden. 

In den meisten Fällen kann Offline Marketing (noch) nicht technisch korrekt und direkt erfasst werden. Es gibt jedoch zahlreiche statistische Methoden, die verwendet werden können, um den Einfluss von Offline Marketingmaßnahmen auf Conversion Ziele (z. B. Umsatz) zu schätzen. Maschinelles Lernen wird dabei oftmals als Lösung aller Probleme gehandhabt, indem Algorithmen eigenständige Muster im Nutzerverhalten erkennen, interpretieren und vorhersagen. Nicht jedes als Machine Learning bezeichnete Verfahren greift jedoch tatsächlich auf Methoden des maschinellen Lernens zurück. Einige statistische Verfahren wie z. B. Regressionsanalysen sind kein Machine Learning, liefern jedoch seit jeher in der Wissenschaft und auch in der Praxis Antworten auf komplexe Fragestellungen. 

Wichtig: Auch für die Anwendung statistischer Verfahren bedarf es natürlich Daten, auf deren Basis Einflüsse auf das Marketing empirisch untersucht werden können. Daten können zum Beispiel Zeitpunkte (Annotations) sein, an denen eine Offline Maßnahme ausgespielt wurde oder Kosten, die für die Maßnahme zu unterschiedlichen Zeiten aufgewendet wurden. Eine aussagekräftige Bewertung von Offline Maßnahmen steht und fällt daher mit der Qualität ihrer Datengrundlage

Dieser Beitrag steht Ihnen ebenfalls in hochwertiger Form eines Whitepapers als PDF zum Download zur Verfügung.

Zum Whitepaper