Silo Analytics: Data Science im Marketing
Digitales Marketing erzeugt eine große Menge an Daten. Wenn diese Daten ordnungsgemäß verarbeitet und analysiert werden, können sie wertvolle Erkenntnisse über Kunden liefern, welche unter anderem für eine gezieltere Ansprache auf Marketing-Kanälen nutzbar sind.
Viele Software-Lösungen für Marketing-Technologie haben ihren Funktionsumfang um Data Science-Module ausgebaut. Die verwendeten Algorithmen und Methoden werden dabei meist nur unzureichend erläutert, weshalb keine Anpassung dieser Algorithmen auf die eigene Marketingsituation erfolgt. Auch basiert die Anwendung von Data Science auf die Daten, die vom Marketing selbst erfasst wurden. Diese stellen allerdings nur einen Bruchteil der verfügbaren und erhobenen Daten im Unternehmen dar. Es wird versucht, Erkenntnisse aus einzelnen Kontaktpunkten zu gewinnen, wobei die Optimierung der Customer Journey mit ihrer Vielzahl an Marketing-Kontaktpunkten eine ganzheitliche Methode verlangt. Ein zentralisierter Ansatz ist gefragt, in dem die Rolle und Aufgabe von Data Science im analytischen Prozess des Unternehmens neu definiert wird.
Im Folgenden soll die aktuelle Problematik beim Einsatz von Data Science im Marketing erörtert werden. Anschließend wird eine Architektur dargestellt, die Data Science im Unternehmen zentral verankert und Potenziale performanter Cloud Technologie nutzt, um Marketing ganzheitlich analysieren zu können. Der damit technisch neu entstehende Marketing-Analyse- und Optimierungsprozess kann ebenso für Marketing-Automatisierung genutzt werden.
“Eine weitere Data Science Funktion in einem isolierten Marketing-Tool wird nicht die gewünschten Ergebnisse erzielen. Das Optimierungspotential liegt in der Cloud.”
– Patrick Mohr
1. Standardisierte Tool-Lösungen als Teil des Problems
Viele Anbieter aus dem AdTech- und MarTech-Bereich integrieren Data Science-Funktionen in ihren Tools, um Marketingverantwortlichen bei der Optimierung der Marketing Performance zu unterstützen. Dabei arbeiten diese Tools meist nur mit Daten, die sie selbst erfasst haben. Das folgende Kapitel schafft Klarheit über die Problematik bei Anwendung von Data Science auf Basis isolierter Daten.
1.1 Data Science auf Basis isolierter Daten
Arbeiten mit Datensilos ist ein generelles Problem in datengetriebenen Geschäftsfeldern, da Tools oftmals unterschiedliche Methoden für die Datenverarbeitung und -aggregierung verwenden. Trotz identischen Daten-Inputs, kann es zu unterschiedlichen Erkenntnissen kommen. Zudem werden sowohl im Analyseprozess als auch direkt im Bereich der Marketing-Daten-Aktivierung, also bei der Aussteuerung von Werbung, Data Science-Methoden angewandt. Bei Betrachtung der durchschnittlichen Data Science-Nutzung im Unternehmen, ergibt sich folgendes Schaubild:
Die Daten aus digitalen Marketing-Kontaktpunkten oder Finance Daten werden über unterschiedliche Wege erfasst und im Data Management in der Regel nicht konsolidiert. Im Analyseprozess werden sie daher häufig ausschließlich für ein Reporting im Tool, innerhalb spezifischer BI-Software oder in Tabellenkalkulationsprogrammen bereitgestellt. Es ergibt sich, dass bereits an dieser Stelle Data Science-Funktionalitäten in den einzelnen Tools Anwendung finden. Somit werden auf Grundlage weitestgehend isolierter Daten Erkenntnisse gewonnen und für die strategische und operative Marketing-Analyse genutzt. Aus diesen Erkenntnissen werden wiederum Handlungsmaßnahmen für die Aktivierung in den entsprechenden Marketing-Tools und Quellsystemen abgeleitet, in denen häufig Data Science-Funktionen angewandt werden, um die Ausspielung der Werbung möglichst zielgruppenspezifisch zu organisieren. Einige bekannte Beispiele für Marketing Use Cases, die oftmals über toolspezifische Data Science-Funktionalitäten umgesetzt werden, sind:
Predictive Analytics
Eine bekannte Kennzahl für prädiktive Analysen stellt die Conversion Probability (Kaufwahrscheinlichkeit) dar. Die Kennzahl gibt an, wie sehr ein Nutzer innerhalb eines bestimmten Betrachtungszeitraums dazu neigt, eine Conversion (Kauf) durchzuführen. Die Übergangswahrscheinlichkeiten werden dabei auf Grundlage eines Conversion-Zeitfensters (bspw. 30 Tage) aus Datensätzen homogener Nutzergruppen berechnet, um Aussagen über das Verhalten einzelner Nutzer treffen zu können. Seit Neuestem stellt Google Analytics 4 mit der BetaVersion von Predictive Metrics unter anderem eine vorkalkulierte Conversion Probability im Interface des Tools zur Verfügung.
Auch wenn Google Analytics 4 über kanalübergreifende Daten zu Nutzern verfügt, beziehen sich diese Informationen lediglich auf das Onlineverhalten des Nutzers und sagen aus, ob dieser innerhalb eines gewissen Lookback-Windows (bspw. 180 Tage) kontakt mit in Google Analytics 4 klassifizierten Marketing-Kontaktpunkten hatte. Da die Customer Journey in ihrer Komplexität jedoch oftmals mehrere Kontaktpunkte beinhaltet, die relevante Informationen zu einzelnen Nutzern enthalten, wie bspw. Lead-Status aus dem CRM oder den bisherigen Gesamtumsatz des einzelnen Nutzers, werden diese nicht berücksichtigt und können somit ggf. performante Nutzer ausschließen.
Marketing-Attribution
Die korrekte Zuordnung anteiliger Conversion-Werte für einzelne Marketing-Kanäle innerhalb einer Customer Journey bildet die Basis für eine effiziente Budget-Allokation. Auch hier stellen Tools wie Facebook, Google Ads oder Google Analytics regelbasierte und datengetriebene Attributionsmodelle zur Verfügung. Jedoch attribuiert hier jedes Tool auf seiner internen Datenbasis und verfügt nicht über Daten vor- oder nachgelagerter MarketingKontaktpunkte. Es kommt zu einer falschen Bewertung einzelner Marketingmaßnahmen, da ein holistischer Blickwinkel fehlt. Auch hier kann ein zentralisierter Ansatz auf Grundlage der Rohdaten aller Kontaktpunkte abhilfe für eine bessere Bewertung der Marketingaktivitäten schaffen.
Segmentierung
Die Segmentierung von Nutzern ist ein probates Mittel, um die Effizienz von Marketingmaßnahmen zu steigern. Auch hier klassifizieren einzelne Tools Nutzer anhand vorkalkulierter Kennzahlen wie Customer Lifetime Values (CLV) oder Retention Rates auf interner Datenbasis. Die Performance einzelner Nutzergruppen beschränkt sich nur auf einzelne Marketing-Kanäle. Die Durchführung zentralisierter Cluster-Analysen – wie durch ein RFM Modell – für die Segmentierung performanter Nutzergruppen ist von Vorteil, da tool übergreifend Daten zu Gesamtumsätzen, Bonität oder Frequenzen aus internen Datenquellen mit in die Bewertung einzelner Nutzer einbezogen werden können.
1.2 Folgeprobleme für das Marketing
Aus der üblichen Nutzung von Data Science im Unternehmen ergeben sich gewisse Herausforderungen und Folgeprobleme für das Marketing:
Silo-Optimierung
Ein grundlegendes Problem stellt die Anwendung der Data Science-Funktionalitäten am Ende der Marketingoptimierung in den einzelnen Tools dar. Die Optimierung einer isolierten Datengrundlage schafft eindimensionale Insights, die sich nicht effektiv für eine ganzheitliche Marketingoptimierung nutzen lassen.
Fehlende Divergenz
Den in den Tools zur Verfügung stehenden Data Science-Funktionalitäten fehlt es in der Regel an Anpassungsmöglichkeiten der verwendeten Algorithmen an die eigene Unternehmenssituation. Infolgedessen findet keine technologische Differenzierung im Wettbewerb zu anderen Unternehmen statt, die auf die ähnliche Lösungen setzen.
Ein Technologie-Ansatz ist gefragt, der Daten zusammenbringt, mit Data Science-Methoden analysiert und die gewonnen Erkenntnisse einerseits Marketingverantwortlichen mittels Reporting zur Verfügung stellt und andererseits ermöglicht, die Insights direkt an die Ausspielungs-Algorithmen der Marketing-Kanäle zu übertragen. Welche architektonische Anforderungen und technische Funktionen nötig sind, um Data Science im Marketing in dieser Form zu nutzen, wird im Folgenden beschrieben.
2. Data Science als zentraler Bestandteil im Analytics Prozess
Bei Betrachtung des bereits vorgestellte Daten- und Analyseprozesses im Unternehmen aus einem ganzheitlichen Blickwinkel, mit einer zentralen Einordnung von Data Science im Analytics Prozess, ergibt sich sinngemäß folgende Architektur:
Eine oder mehrere performante Cloud Systeme übernehmen das Data Management (z. B. Google BigQuery, Snowflake, AWS etc.) und werden zusammengebracht, noch bevor eine Aggregierung der Daten in den einzelnen Marketing und IT Tools stattfindet.
Data Science-Methoden können nun auf diese Rohdaten angewendet werden. Bei Nutzung einer Cloud-Umgebung werden durch den Anbieter oft einzelne Data Science-Module und Machine Learning-Funktionalitäten nach dem Pay-as-you-go-Modell zur Verfügung gestellt. Das Training der Datensätze findet somit ebenfalls in der Cloud statt, in der Ressourcen je nach Bedarf beliebig skaliert werden können.
Über diesen Ansatz wird es möglich, Insights aus einer einheitlichen Datengrundlage für die entsprechenden Marketing-Kanäle zu gewinnen und Silos aufzulösen. Notwendiger Code für die Analyse wird zentral in der Cloud angewendet, schafft volle Transparenz und ermöglicht die stetige Anpassung auf etwaiges Marktgeschehen.
3. Empfehlung
Ein zentrales Datenmanagement wird in datengetriebenen Geschäftsfeldern immer relevanter. Der Einsatz diverser Tools erschafft Datensilos und verhindert einen holistischen Blick auf den Interessenten sowie eine ganzheitliche Marketingoptimierung. Tools und ihre Data Science-Funktionalitäten helfen leider kaum weiter, denn sie optimieren an der falschen Stelle im Prozess. Das grundlegende Problem wie auch das Optimierungspotential liegen in der Marketing-Daten-Architektur. Für einen zentralen Erkenntnisgewinn wird eine performante, offene Technologie benötigt, wie sie eine Cloud-Umgebung, wie die Google Cloud Platform (GCP), Amazon AWS, Microsoft Azure oder Snowflake, zur Verfügung stellt. Hier ist die Rechenpower skalierbar und flexibel anzupassen. Data Science-Lösungen können umfangreich angewendet werden. Dabei gehen die Funktionen weit über die einfache Data Science-Funktionen von Marketing-Tools hinaus. Über die analytischen Vorgänge wird Transparenz geschaffen, die jederzeit zentrale Anpassungen für sämtliche Marketing-Aktionen möglich macht.
