BESTELLFAX an +49 (0)7254 / 95773-90 oder ONLINE: http://shop.marketing-boerse.de

marketing-BÖRSE GmbH, Melanchthonstr. 5, 68753 Waghäusel, Tel. 07254 / 95773-0, info@marketing-boerse.de

NEU: Leitfaden Data Driven Marketing Hrsg.: G. Braun & T. Schwarz, 416 S., geb., 2015 Wer aus seinen Daten die richtigen Schlüsse zieht, ist seiner Konkurrenz eine Nasenlänge voraus. Die meisten sammeln zwar Daten, nutzen sie aber nicht. Anhand konkreter Beispiele holen Sie sich Anregungen.

Leitfaden Marketing Automation Hrsg.: T. Schwarz, 288 S., geb., 2014 Digital neue Kunden gewinnen: Vom Lead Management über Big Data zum Lifecycle Marketing.

Leitfaden Digital Commerce Hrsg.: T. Schwarz, 384 S., geb., 2013 Der E-Commerce-Umsatz wächst seit Jahren zweistellig. In diesem Buch zeigen innovative Unternehmen, worauf es ankommt und wie sie Digital Commerce umsetzen.

Leitfaden Digitaler Dialog Hrsg.: G. Braun, 444 S., geb., 2012 Professioneller Kundenkontakt via Social Media, E-Mail und Mobile birgt neue Chancen und Risiken für Unternehmen. Wie damit umgehen? 55 Experten berichten aus der Praxis und geben Tipps für die Umsetzung.

Leitfaden Online Marketing Band 2 Hrsg.: T. Schwarz, 1.120 S., geb., 2011 Band zwei des Standardwerks liefert aktuelle Trends der Online-Kundenge-winnung. 166 Top-Experten verraten Tipps und Tricks zu SEO, Adwords-Kampagnen, Targeting und Social Media.

Leitfaden WOM Marketing Hrsg.: Anne M. Schüller & T. Schwarz, 450 S., 2010 Durch Mundpropaganda und Empfehlungen Neugeschäft sichern. Führende Experten aus der „Word-of-Mouth-Welt“ geben in diesem Leitfaden Wissen aus der Offline- und Onlinewelt preis.

Die Bücher gibt es teilweise auch im PDF und Epub-Format vor.

JA, ich bestelle: � NEU: Leitfaden Data Driven Marketing 39,90 Euro

� Leitfaden Marketing Automation 29,90 Euro

� Leitfaden Digital Commerce 34,90 Euro

� Leitfaden Digitaler Dialog 39,90 Euro

� Leitfaden Online Marketing, Band 2 49,90 Euro

� Leitfaden WOM-Marketing 39,90 Euro Die Preise enthalten 7% MwSt. Hinzu kommen pro Lieferung 3,- Euro Versandkosten.

Bei internationalem Versand werden die tatsächlichen Portokosten in Rechnung gestellt.

Datum/Unterschrift Vor-/Nachname Firma Straße PLZ/Ort Telfon / Fax / Telefon / E-Mail

Gabriele Braun, Torsten SchwarzHerausgeber

LEITFADENData DrivenMarketing

Print: ISBN 978-3-943666-07-6 Epub: ISBN 978-3-943666-19-9 PDF: ISBN 978-3-943666-20-5

1. Auflage 2015 Copyright © 2015 marketing-BÖRSE GmbH Melanchthonstr. 5 D-68753 Waghäusel www.marketing-boerse.de info@marketing-boerse.de

Umschlaggestaltung und Layout: Maren Wendt, Hamburg Satz: Peter Föll, Karlsruhe Druckproduktion: Winfried Becker, Fulda Gedruckt auf säurefreiem, alterungsbeständigem und chlorfreiem Papier Printed in Germany

Alle in diesem Buch enthaltenen Informationen wurden nach bestem Wissen der Autoren und des Verlags zusammengestellt. Gleichwohl sind Fehler nicht vollständig auszuschließen. Daher sind die im vorliegenden Buch enthaltenen Informationen mit keiner Verpflichtung oder Garantie irgendeiner Art verbunden. Autoren und Verlag übernehmen infolgedessen keine juristische Verantwortung und werden auch keine daraus folgende oder sonstige Haftung übernehmen, die auf irgendeine Art aus der Benutzung dieser Informationen entsteht, auch nicht für die Verletzung von Patentrechten und anderer Rechte Dritter, die daraus resultieren können. Ebenso übernehmen Autoren und Verlag keine Gewähr dafür, dass die beschriebenen Verfahren usw. frei von Schutzrechten Dritter sind.

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften.

Dieses Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmung und die Einspeicherung und Verarbeitung in elektronischen Systemen.

Wer dem richtigen Kunden im richtigen Moment das richtige Angebot machen will, braucht dazu Informationen. Um diese Informationen zu gewinnen und auszuwerten, stehen heute eine Reihe neuer Methoden zur Verfügung. Dieses Buch soll die wichtigsten vorstellen.

Während der Versandhandel seit jeher alle Möglichkeiten des Data-Driven Marketings nutzt, ist dieser Bereich für viele Investitionsgüterhersteller noch Neuland. Dabei finden Geschäfts-anbahnungen heute immer seltener auf Messen und immer häufiger online statt. In vielen B2B-Unternehmen kommen die meisten Leads für den Vertrieb inzwischen aus dem Internet.

Wer sich an Verbraucher richtet, muss keine teuren Werbekampagnen mit riesigem Streuverlust mehr bezahlen. Eine Reihe von Techniken erlauben es, die richtigen Zielgruppen in genau dem Moment zu erreichen, in dem auch Interesse besteht. Auch beim Direktmarketing haben undifferenzierte Mailings ausgedient. Inhalte werden heute auf die Interessen der Empfänger ausgerichtet. Predictive Targeting kann voraussagen, welches Angebot bei einem Empfänger auf die höchste Kaufbereitschaft trifft.

Was ist neu? Zunächst einmal die technische Entwicklung, die es erlaubt, immer mehr Daten immer schneller zu verarbeiten. Früher wurden beim Data Mining mühsam Daten aus der Vergangenheit manuell analysiert, um das Konsumverhalten zu erforschen. Heute wird vollautomatisch in Echtzeit berechnet, welches Produkt dem Besucher eines Webshops innerhalb der nächsten Millisekunde präsentiert werden soll.

Und wo früher vielleicht gerade einmal bekannt war, welche Kunden wann welches Produkt gekauft haben, gibt es heute ein Vielfaches an Daten. Der Grund: immer mehr Touchpoints sind digital. Und digitale Kontaktpunkte werden automatisch als Daten protokolliert. Täglich zeigen Kunden über Smartphone und PC, was sie interessiert. Mit dem Internet der Dinge kommen Smartwatch, Navi und iBeacons als Messfühler für Kundenwünsche hinzu. Unternehmen können aus diesen Informationen maßgeschneiderte Angebote machen.

Internet der Dinge und Industrie 4.0 tun ein weiteres: Nicht nur Kunden auch Fabriken sowie Produktions- und Logistikprozesse sind vernetzt. Wem es gelingt, all diese Daten richtig zu interpretieren, kann neue Marktpotenziale erkennen und Vertriebskampagnen besser aussteuern.

In diesem Buch wird beschrieben, was derzeit schon umsetzbar ist und wie Unternehmen dabei vorgehen. Wie funktionieren Treueprogramme? Wie können Kaufabbrecher umgestimmt werden? Wie werden inaktive Kunden reaktiviert? Wie kann Predictive Intelligence die Kosten pro Neukunde drücken? Wie kann die Wirkung teurer TV-Spots gemessen werden? Was bringen statistische Zwillinge? Was lehrt uns die Gaming-Branche? Was ist ein Next Best Offer? Anhand konkreter Beispiele holen Sie sich Anregungen für Ihre eigene Strategie und können mitreden.

Viel Erfolg bei der Umsetzung!

Gabriele Braun & Torsten Schwarz

Vorwort

3

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Vorwort

4

Inhalt

Data-Driven Marketing wird zum Standard Gabriele Braun, Torsten Schwarz ..... 7

1. Die Grundlage: Daten, Daten, DatenBig-Data-Marketing: Chancen und Herausforderungen Heinrich Holland ..... 15Marketing Analytics – Daten analysieren, Kunden gewinnen Stefan Müller ..... 39Data-Driven Marketing braucht: Gute Daten Carsten Kraus ..... 53Basis eines CRM: Die Kundeninformation Ralf T. Kreutzer ..... 61

2. Daten anreichern und veredelnDatenmodellierung mit Data Vault – ein Komplettbild auf den Kunden Michael Müller ..... 109Mit Webanalyse zu einer gezielteren Besucheransprache Olaf Brandt ..... 121Location Intelligence – Unternehmenssteuerung mit Raumbezug Andreas Lehr ..... 131Location-based Marketing und Geofencing Michael Arthen ..... 143

3. Optimieren und vorhersagenMarketing Optimierung ermöglicht Gewinnsteigerung und Forecasting Jörg Reinnarth, Heiko Solmsdorff ..... 153Predictive Targeting Andrea Ahlemeyer-Stubbe ..... 171Realtime Advertising – das Prinzip Nico Loges ..... 187

5

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Inhaltsverzeichnis

Programmatic Advertising im Mediamix Wolfgang Bscheid ..... 207Triple D – Data-Driven Display Performance Advertising Wolfgang Schilling ..... 225Datengetriebene Vermarktung mittels Content Marketing Fabian Siegler ..... 233Data-Driven Engagement-Marketing Jürgen Seitz ..... 241

4. Anwendungen in den BranchenSmart Data Marketing bei Payback Oliver Bohl, Stefanie Shanahan-Kleikamp ..... 253Preisbeobachtung und -optimierung im Fashion/E-Commerce Alexander Reschke ..... 267E-Commerce – wenn Technologie auf Neurologie trifft John Fleming ..... 277Big Data: Leadbewertung einer Onlinedruckerei Meinert Jacobsen ..... 283Mit dem Servicecenter die Customer Journey aufwerten Friedbert Schuh ..... 293Data-Driven Marketing für kleine Unternehmen Felix Holzapfel, Sarah Petifourt ..... 297

5. Rechtliche GrundlagenData-Driven Marketing – Rechtliche Herausforderungen in der Umsetzung Jens Eckhardt ..... 315

6. PraxisbeispieleMehr Umsatz mit BestandskundenLoyalty-Programm bindet Lifestyle-Kunden Reinhard Janning ..... 344Kundendialog im Advent bei fotokasten Alexander Handcock ..... 346Datengestützt die richtigen Schuhe empfehlen Markus Nagel ..... 348E-Mails wecken inaktive bonprix-Kunden Volker Wiewer ..... 350

Noch mehr Neukunden gewinnenDFDS senkt mit Big Data Kosten für neue Kunden Paco Panconcelli ..... 352Durch intelligentes Scoring mehr Autos verkaufen Marco Kersch ..... 354Modehändler verdoppelt Wirkung von TV-Werbung Andreas Schwabe ..... 356Hilton rettet gestrandete Fluggäste in Echtzeit Ron Warncke ..... 358

6

Targeting – die richtigen Zielgruppen ansprechenDaten machen Banner für Autokunden interessant Carsten Diepenbrock ..... 360Elektronikhändler verkauft mit E-Mail-Retargeting Elisabeth Paech ..... 362Vente Privée personalisiert auf jedem Kanal Timo Kohlberg ..... 364

Mit Content Marketing klickstarke Inhalte liefernIndividueller Content steigert Absatz im Webshop Katrin Meier ..... 366Wie Weltbild Produktdaten den Kanälen zuordnet Petra Kiermeier ..... 368Comvel hebt verborgenen Kundendatenschatz Stefan Oertel ..... 370Realtime-Marketing und Realtime-Evaluation Oliver Tabino ..... 372

Lifecycle Marketing hält den Kontakt zu KundenDER Touristik hält den Kontakt über alle Kanäle Matthias Postel ..... 374Travian aktiviert Spieler mit Willkommensstrecke Laurentius Malter ..... 376Wie InnoGames dank Daten effektiv wirbt Ulf Richter ..... 378Nürburgring: 30 Prozent weniger Bestellabbrüche S. Berchtenbreiter ..... 380

B2B steigt ins datengetriebene Marketing einPanasonic senkt Aufwand und steigert Kampagnen Melanie Gipp ..... 382Onlinedruckerei bewertet Leads mit Big Data Meinert Jacobsen ..... 384Daten verdreifachen Abschlüsse im Maschinenbau Rainer Packbier ..... 386

E-Mail-Marketing ist und bleibt das ArbeitspferdMarketing Automation bei 1000jobboersen.de Martin Philipp ..... 388Optimiertes E-Mail-Marketing bei Brille24 Denis Ehlicke ..... 390Erotikhändler prüft Newsletter-Zustellbarkeit selbst Marcel Hartwig ..... 392Personalisierte E-Mails im Onlinehandel Philip Nowak ..... 394Die Datenfalle für Onlineshops Andreas Landgraf ..... 396

AnhangAutoren ..... 400Stichworte ..... 408

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Inhaltsverzeichnis

Klären, welche Investitionen in Kunden und Leads sinnvoll sind

Die Grundlage zur Optimierung von Marketing und Vertrieb ist ein umfassendes Wissen über die Zielgruppe. Dies gilt sowohl in Märkten mit privaten Endkunden (B2C), als auch in Märkten mit Geschäftskunden (B2B). Die Kernfrage ist „Wie kann das Wissen über eine Zielgruppe sowohl kostengünstig als auch treffsicher gewonnen werden und wie können aus der Flut verfügbarer Informationen die richtigen Erkenntnisse herausfiltert werden?“

Hier kann Big Data helfen. „Mit ‚Big Data’ werden große Mengen an Daten bezeichnet, die unter anderem aus Bereichen wie Internet und Mobilfunk, Finanzindustrie, Energiewirtschaft, Gesundheitswesen und Verkehr und aus Quellen wie intelligenten Agenten, sozialen Medien, Kredit- und Kundenkarten, Smart-Metering-Systemen, Assistenzgeräten, Überwachungskameras sowie Flug- und Fahrzeugen stammen und die mit speziellen Lösungen gespeichert, verarbeitet und ausgewertet werden.“ [1]

Durch eine intelligente Verknüpfung von Datenerhebung und statistisch-mathematischer Modellierung werden so aus unübersichtlichen, unstrukturierten Informationsmengen die relevanten Erkenntnisse extrahiert und in der Folge für die Weiterentwicklung der eigenen Marketing- und Vertriebsstrategie, aber auch der Umsetzung in Maßnahmen genutzt.

Für eine effiziente Ausschöpfung des auf dem Markt vorhandenen Kundenpotenzials, sowohl im Neukundenbereich als auch bei Bestandskunden, muss erkannt werden, welche Investition in jede einzelne bekannte oder unbekannte Adresse sinnvoll ist. Durch eine detaillierte mathematische Analyse der vorliegenden Umsätze und Käufe werden statistische Modelle entwickelt, die den Zusammenhang zwischen den Eigenschaften der Kunden und den durch sie generierten Umsätzen beschreiben. Diese statistischen Modelle können anschließend dazu verwendet werden, das Umsatzpotenzial von bislang unbekannten

http://www.marketing-boerse.de/Experten/details/Meinert-Jacobsen

Big Data: Leadbewertung einer Onlinedruckerei Meinert Jacobsen 4

283

284

95 Prozent der Unternehmen

sind im Internet vertreten

Marktteilnehmern vorherzusagen. Anhand eines Beispiels aus dem Druckereimarkt wird im Folgenden gezeigt werden, was Big Data in der Praxis für das Marketing bedeutet.

AusgangslageDer Markt für Druckerzeugnisse unterliegt großen Veränderungen. Bei einem konstanten Umsatzvolumen von 13 Milliarden Euro findet eine Konsolidierung der Branche [2] und Konzentration zu Onlineanbietern statt, die ihre Effizienz nutzen, um mit niedrigen Preisen Marktanteile zu gewinnen. Es liegt daher verstärkt im Interesse jeder Druckerei, gute Kunden frühzeitig zu identifizieren und zu binden.

Onlinedruckereien befinden sich primär in B2B-Märkten, in denen häufig die Merkmale Branche und Größe zur Zielgruppenbeschreibung herangezogen werden. Problematisch kann hierbei zum einem die Aktualität der Daten sowie die Eindeutigkeit der Branchenzuordnung sein und zum anderen die Erhebung der Unternehmensgröße und des Unternehmensumsatzes. Diese Unzulänglichkeiten bestehender Unternehmensdatenbanken können mit einem Big-Data-Ansatz umgangen werden.

Die meisten Unternehmen und damit auch die B2B-Zielgruppe haben heutzutage eine Website. Schon 2010, also vor über vier Jahren, waren nahezu 95 Prozent der deutschen Unternehmen im Internet vertreten [3]. Auf diesen Websites werden in der Regel Dienstleistungen, Produkte und das Unternehmen selbst beschrieben. Damit liegen für diese Unternehmen alle relevanten Informationen frei zugänglich vor und können – zumindest theoretisch – zur Leadbewertung herangezogen werden. Diesen Umstand nutzen erfolgreiche Außendienst- und Vertriebsmitarbeiter, indem sie vor einem Kundentermin die Webseite des Unternehmens aufsuchen und neue Informationen in den Verkaufsgesprächen mit den Kunden und Interessenten nutzen. Dies ist aber ein manueller und individueller Prozess.

Praktisch stehen viele Marketing- und Vertriebsabteilungen vor der ersten Hürde: Eine manuelle – nicht automatisierte – Ermittlung und Bewertung der Unternehmenswebseiten bedeutet einen nicht zu rechtfertigenden Arbeitsaufwand. Für eine eigene, selbst entwickelte automatisierte Umsetzung fehlt häufig das technische Know-how, die Zeit oder das Budget. Hier kommen zuverlässige und erfahrene Dienstleister

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Kap. 4 Anwendungen in den Branchen

Meinert Jacobsen: Big Data: Leadbewertung einer Onlinedruckerei

285

Datenübernahme

zum Zug und kümmert sich neben der Entwicklung des Score-Modells auch um die Datenerhebung und -verarbeitung.

DatenerhebungIn einem ersten Schritt werden die existierenden Kundendaten und -informationen (insbesondere die Umsatz-, Kauf- und Bestell-informationen) als Rohdaten an den Dienstleister übermittelt. Hier werden die nötigen Qualitätstests durchgeführt. Dies bedeutet insbesondere, dass die Daten auf ihre Vollständigkeit, Konsistenz, Plausibilität und Eindeutigkeit hin überprüft werden. Außerdem werden Dubletten zusammengeführt. Ebenso werden Plausibilitätschecks durchgeführt, um zu gewährleisten, dass alle weiteren Prozesse möglichst reibungslos ablaufen.

URL-Prüfung und ErmittlungBereits bei der Datenübernahme wird festgestellt, ob die URL (Uniform Ressource Locator, entspricht Unternehmenswebseite) vorliegt und ob diese plausibel ist. Bei Kunden, von denen bisher keine oder zumindest keine plausible URL vorliegt, startet die Datenerhebung mit der Ermittlung der URL der Unternehmenswebseite. Um die URL zu ermitteln, werden auch die E-Mail-Adressen der Kunden berücksichtigt, die häufig die URL enthalten (zum Beispiel bei meinert.jacobsen@marancon.de). Über eine Kombination automatisierter Verfahren und Crowd-basierter Methoden können fehlende URLs der Unternehmen sehr schnell und exakt ermittelt werden. Die ermittelten URLs bilden den Kern der weiteren Analyse.

CrawlingBeim Crawling wird für eine URL auf der Ebene des HTML-Codes der Inhalt der Unternehmenswebseite ausgelesen. Dies erfolgt inklusive aller Unter-Webseiten der entsprechenden URL. Aus dem HTML-Code wird ein Textstring (also eine lange Zeichenkette) gewonnen. Der Textstring wird untersucht und mithilfe von speziell entwickelten Algorithmen in eine strukturierte und bereinigte Form gebracht. Anschließend werden aus dieser Zwischenform des Webseiteninhalts einzelne Worte und Wortkombinationen gewonnen und in einer Analysedatenbank abgelegt. Bei komplexen Websites kann die Zahl der extrahierten Wörter mehr als zehn Millionen betragen.

286

Füllwörter bereinigen

Begriffe zu Stammwort

zusammenfassen

Neben dem sichtbaren Text einer URL können auch die Schlagworte, die zur Optimierung des Suchmaschinenmarketings verwendet werden (Stichwort: Search-Engine-Optimization, SEO) extrahiert werden. Dieser Wortschatz wird insbesondere bei Onlinewerbung treibenden Unternehmen zunehmend größer und liefert gute Indikatoren in den weiteren Analysen.

TextformatierungBei der Textformatierung werden zunächst Umlaute und Sonderzeichen vereinheitlicht. Die so vereinheitlichten Daten werden um „nicht relevante“ Zeichenketten bereinigt, die mit Sicherheit keine inhaltliche Bedeutung für die Analyse aufweisen, wie etwa die HTML-Steuerbefehle „DIV“ oder „HREF“. In einzelnen Fällen kommt es hierbei zu inhaltlichen Konflikten: So muss zum Beispiel entschieden werden, ob das Wort „Script“ als irrelevant zu betrachten ist oder nicht.

Es werden ebenfalls die Füllwörter bereinigt, insbesondere Artikel, Hilfsverben, Partikel, Fragewörter und andere Wörter, wie zum Beispiel „und“, „der“, „die“, „das“, „wer“, „wie“ „was“ et cetera. Diese Wörter sind in großer Zahl auf jeder Website zu finden, tragen aber nicht zur inhaltlichen Differenzierung der einzelnen Websites bei.

Die verbleibenden Wörter werden durch eine komplexe Stammwort-ermittlung und Synonymableitung vereinheitlicht und vereinfacht. So werden beispielsweise die Begriffe „Stellenbörse“, „Job-Börse“, „Stellenanzeige“, et cetera zu dem Stammwort „Stellenanzeigen“ zusammengefasst. Durch dieses Verfahren wird die Menge der Parameter im statistischen Modell reduziert, ohne auf wichtige Informationen zu verzichten.

Die Bildung der Stammwörter ist ein entscheidender Schritt und erfordert einen hohen manuellen Aufwand. Auf Basis erfolgreich durchgeführter Projekte weist der Dienstleister ein Verzeichnis von über 40.000 Stammwörtern aus, denen eine hohe sechsstellige Zahl an relevanten Begriffen zugrunde liegt.

Als Ergebnis der Datenerhebung liegt pro Unternehmenswebseite eine Liste von Stammwörtern vor, die um irrelevante Wörter bereinigt und aus den einzelnen dort auftretenden Wörtern aggregiert wurde. Dies heißt insbesondere, dass die Zahl der Stammwörter für jede URL ermittelt wird.

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Kap. 4 Anwendungen in den Branchen

287

Abb. 1: Verdichtung des Wortuniversums auf Stammwörter.

ModellerstellungBei einer Regressionsanalyse wird zunächst eine Funktionsform gewählt, die den Zusammenhang zwischen Kundenumsatz (Regressand) und gesammelten Parametern (Regressoren) beschreiben soll. In aller Regel wird zunächst eine lineare Funktionsgleichung verwendet. Nur falls sich die lineare Gleichung als untauglich erweist, wird eine kompliziertere Funktionsform gewählt.

Im Fall der linearen Funktion werden die Umsätze (Y) als einfache lineare Kombination der gesammelten Parameter (x1) dargestellt, wobei die ß1 unbekannte Gleichungsparameter sind (sogenannte Regressionskoeffizienten):

Das gewählte Modell wird an die vorliegenden Daten angepasst. Mit Hilfe der Methode der kleinsten quadratischen Abweichung werden diejenigen Werte für die Regressionskoeffizienten bestimmt, die für die Daten der Stichprobe von 70 Prozent der Kunden optimal sind. Als Ergebnis der Anpassung ergibt sich eine spezifizierte lineare Gleichung, mit der für neue Fälle durch Einsetzen der entsprechenden x1-Werte in die Gleichung ein y-Wert als Prognose berechnet werden kann.

Meinert Jacobsen: Big Data: Leadbewertung einer Onlinedruckerei

Da die auf Grundlage der ausgewählten 70 Prozent der Kunden angepasste Gleichung nicht unbedingt auch für andere Kunden gültig ist, muss das Modell validiert werden. Dabei wird geprüft, ob das Modell verallgemeinert werden kann. Dazu werden die Daten der verbleibenden 30 Prozent der Kunden verwendet. Für diese sind sowohl die tatsächlich realisierten Umsätze, als auch die Werte der Regressoren (Auftreten, Anzahl und Anteile der Stammworte) bekannt. Mit Hilfe der Regressionsgleichung werden für die 30 Prozent die Umsätze prognostiziert. Dann werden vorhergesagte und tatsächliche Werte verglichen: Weichen die beiden Werte für die 30 Prozent Kunden stark voneinander ab, ist das Prognosemodell nicht allgemein gültig. Stimmen sie weitgehend überein, kann das Modell als valide betrachtet und zur Prognose von potenziellen Neukunden verwendet werden.

Um Verzerrungen zu vermeiden, ist bei der Auswahl der Kunden für die Modellerstellung darauf zu achten, dass Ausreißer und saisonale oder aktionsgetriebene Artefakte nicht berücksichtigt werden.

In Abb. 2 ist anhand einiger ausgewählter Stammwörter schematisch dargestellt, welchen Einfluss selbige auf den Umsatz haben. Es ist offensichtlich, dass einige Begriffe für den Printbereich große Bedeutung haben, andere hingegen nicht. So machen Firmen, die das bereits erwähnte Stammwort „Stellenanzeigen“ auf ihrer Webseite haben, einen durchschnittlichen Umsatz von 490 Euro, Firmen ohne das Stammwort hingegen nur knapp 350 Euro, also +140 Euro mit Stammwort „Stellenanzeigen“.

Noch deutlicher fallen die Unterschiede bei den Stammwörtern „Druck“ (+270 Euro) oder „Amtsgericht“ (+225 Euro) aus, während es bei den Stammwörtern „Handwerker“ (+2 Euro), „Kinder“ (-9 Euro) oder „E-Mail“ (+14 Euro) nur sehr geringe Unterschiede in Bezug auf den durchschnittlichen Gesamtumsatz pro Unternehmen gibt.

Sollen, wie in dem vorliegenden Beispiel aus dem Druckereibereich, nicht nur Bestandskunden, sondern unbekannte Leads bewertet werden, müssen die im Modell verwendeten Parameter entsprechend angepasst werden. So werden für die Modellierung Auftreten, Anzahl und abgeleitete Anteile der Stammworte von den Firmenwebseiten verwendet. Zielgröße ist dabei der Umsatz der bekannten Kunden, für welche die Stammworte ermittelt wurden. Es können abhängig von der Fragestellung auch andere Zielgrößen wie beispielsweise Kaufwahrscheinlichkeiten oder Produktaffinitäten ermittelt werden.

288

Ausreißer und saisonale oder

aktionsgetriebene Artefakte nicht

berücksichtigen

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Kap. 4 Anwendungen in den Branchen

Abb. 2: Schematische Darstellung des Einflusses von ausgewählten Stammwörtern auf den Umsatz.

Die Produktaffinität kann je nach Art der Firma und den auf der Webseite enthaltenen Stammwörtern durchaus unterschiedlich ausfallen. Enthält die Webseite eines Unternehmens beispielsweise das Wort „Handwerker“, so hat dies zwar, wie bereits erwähnt, keinen nennenswerten Einfluss auf den Gesamtumsatz, schlägt sich jedoch positiv beim Abverkauf von Visitenkarten nieder. Während bei anderen Firmen im Durchschnitt 3,9 Prozent des getätigten Umsatzes auf Visitenkarten entfallen, sind es bei Firmen mit dem Wort Handwerker auf der Webseite 5,2 Prozent. Der durchschnittliche Umsatz für Visitenkarten pro Firma beträgt 19 Euro für Firmen mit und 14 Euro für Firmen ohne das Stammwort.

289

Meinert Jacobsen: Big Data: Leadbewertung einer Onlinedruckerei

EinsatzTrennt das Score-Modell in Hinblick auf die interessierende Zielgröße gute und schlechte Kunden ausreichend treffsicher und zuverlässig, kann es auf jede beliebige URL angewendet werden. Anhand des vorhergesagten Umsatzes wurden für das Druckereiunternehmen alle Kunden in Gruppen mit großem und weniger großem Umsatzpotenzial eingeteilt. Ein Beispiel für einen solchen Score ist in Abb. 3 dargestellt. Kunden mit dem höchsten Potenzial befinden sich in Score-Gruppe 1, die mit dem geringsten in Gruppe 10.

Abb. 3: Ergebnisse des Scorings, Kunden nach Score-Gruppe.

In diesem Beispiel wurden mit den besten beiden Score-Gruppen 3,4 von 6,6 Millionen Euro Gesamtumsatz erzielt. Somit realisieren 20 Prozent der Kunden über 50 Prozent des Unternehmensumsatzes. Die Einteilung in Score-Gruppen ermöglicht also eine differenzierte Beschreibung des Potenzials eines jeden Bestandskunden.

Im operativen Marketing sind die erzielten Ergebnisse unmittelbar verwendbar: Statt einer gleichmäßigen, von Umsatzprognosen weitgehend unabhängigen Bewerbung wird der Score als Richtschnur für planvollere und konzentriertere Marketingkampagnen herangezogen. Die Bestimmung von Kerngruppen, bei denen eine häufigere Ansprache

290

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Kap. 4 Anwendungen in den Branchen

lohnenswert ist, reduziert die Anzahl der überflüssigen Werbekontakte und minimiert so die entstehenden Kosten.

Ein einmal entwickeltes Score-Modell kann neben der Bewertung von Bestandskunden auch für andere Zwecke eingesetzt werden. Beispielsweise kann das hier vorgestellte Verfahren bei der Leadgenerierung und -beurteilung sehr hilfreich sein. Anstelle einer Anwendung auf die URLs von Bestandskunden werden die Adressen und URLs von Marktteilnehmern aus den interessierenden Branchen verwendet, die bislang keine Kunden sind. Die Informationen der neuen URLs werden, wie im Abschnitt über die Datenerhebung dargelegt, extrahiert und aufbereitet. Auf die dann vorliegenden Informationen wird im Folgenden das anhand von Bestandskunden entwickelte Modell angewendet.

So wird für jede neue URL ein Score bestimmt, anhand dessen entschieden wird, ob es sich um einen Marktteilnehmer mit großem oder kleinem Umsatzpotenzial handelt. Wie auch bei Bestandskunden können somit bislang unbekannte Marktteilnehmer entsprechend ihrem Umsatzpotenzial gezielt beworben und schneller als Neukunden gewonnen werden. Big Data hilft so, das Marketingbudget optimal einzusetzen und den Nutzen für ein Unternehmen zu maximieren.

Doch der Nutzen von Score-Modellen geht weit über den operativen Bereich hinaus. Auch im strategischen und taktischen Bereich können die Ergebnisse aus den Scoring-Modellen verwendet werden.

Im strategischen Bereich hilft der Fokus auf die Zusammenhänge zwischen Kundenverhalten und Kundenmerkmalen bei der Produktentwicklung und der langfristigen Planung und Entwicklung von spezifischen Marketingstrategien. Je klarer das Zusammenspiel von Kundeneigenschaften und Kaufverhalten aufgezeigt und erkannt wird, desto besser können Produkte und Marketing auf die zielgruppenspezifischen Bedürfnisse zugeschnitten werden. Dies sorgt nicht nur für zufriedenere und somit kaufwilligere Bestandskunden, sondern erlaubt durch die Einbeziehung von frei zugänglichen Informationen über bislang unbekannte Marktteilnehmer auch eine verbesserte Ansprache von auf dem Markt verfügbaren Potenzialen.

Im taktischen Bereich helfen die Erkenntnisse mittel- und langfristig die richtige Marketingaktion und den richtigen Kunden einander zuzuordnen. Durch die Möglichkeit der Differenzierung der Ansprachen und der daraus erfolgenden Kostenoptimierung, können Adressbestände

291

Meinert Jacobsen: Big Data: Leadbewertung einer Onlinedruckerei

Score-Modelle für den operativen, strategischen und taktischen Unternehmens-bereich

besser ausgeschöpft werden, indem bei den potenzialstarken Adressen begonnen wird.

Literatur[1] Gabler Wirtschaftslexikon – 18. Auflage, Springer-Gabler, Wiesbaden 2013.[2] Statista: Prognostizierte Umsatzentwicklung in der Druck- und Datenträgerindustrie in Deutschland in den Jahren von 2007 bis 2018 – http://de.statista.com/statistik/daten/studie/248478/umfrage/prognose-zum-umsatz-in-der-druck-und-datentraegerindustrie-in-deutschland/ – Zugriff: 11.07.2015.[3] Statista 2015 sowie ECC Handel, November 2010 – http://de.statista.com/statistik/daten/studie/150666/umfrage/anteil-von-unternehmen-mit-internetpraesenz-in-deutschland/ – Zugriff: 14.07.2015.

292

G. Braun, T. Schwarz: Leitfaden Data Driven Marketing / Kap. 4 Anwendungen in den Branchen

marketing-boerse.de

DAS DIENSTLEISTERVERZEICHNIS INFO-TELEFON +49 7254 / 95773-0

Das reichweitenstärkste Spezialverzeichnis fürMarketing mit über 20.000 Anbietern präsentiert:

• pfi ffi ge und innovative Marketing-Profi s für Ihre Kommunikation• kompetente Anbieter aus allen Branchen von Außenwerbung

über Suchmaschinen-Optimierung bis Zielgruppenanalyse• interessante Jobangebote und Projektausschreibungen• wertvolle Fachartikel und Pressemeldungen• wichtige Branchentreffs• alle Marketingtermine des Tages • nützliche Marketing-Tipps und -Tricks• spannende Webinare für Ihr Marketing-Wissen

marketing-boerse.de

DasDienstleister-verzeichnisfür Marketing

Unternehmen. Experten. Jobs. Ausschreibungen. Produkte. Termine. News. Fachartikel.

n

Jetzt

eintragen!

Anz_DDM_A5_RZ_4c.indd 1 08.03.15 20:11