Neben der Steigerung des Automatisierungsgrads ist die datengestützte Planung und Allokation des Kampagnenbudgets einer der wesentlichen Hebel für Effizienzoptimierungen im Kampagnenmanagement

Die zentrale Herausforderung besteht darin, Streuverluste in Kampagnen zu minimieren und somit das verfügbare Kampagnenbudget bestmöglich einzusetzen. Diese Aufgabe lässt sich nur auf analytischem Wege lösen. 

Dazu braucht es Erfahrung

  • im Aufbau einer geeigneten Datengrundlage,
  • im Erstellen von Prognosemodellen und  
  • in der Anwendung von Optimierungsverfahren. 

Häufig werden diese Begriffe mit „hoher Komplexität“ in Verbindung gebracht. Weil datengetriebene Optimierungsansätze oft noch auf Vorbehalte stoßen, möchten wir im Folgenden ein pragmatisches Stufenmodell skizzieren. Es trägt dem jeweiligen Reifegrad eines Unternehmens Rechnung und lässt sich sukzessive ausbauen.

 

Die 3 Evolutionsstufen im Überblick

Das Ziel der ersten Evolutionsstufe besteht darin, Effizienzsteigerungen auf der Ebene von Einzelkampagnen anzustreben. Es gibt zwei Wege, um Effizienzgewinne erzielen: 

  1. Durch eine Verbesserung des Kampagneneffekts bei vorgegebenen Marketingkosten
  2. Durch eine Reduktion der Kosten bei gleichbleibendem Kampagneneffekt. Bei klassischen Mailings ist das meistens mit geringerer Auflage verbunden.

Die Entscheidung für einen der beiden Wege hängt gewöhnlich von den Unternehmens- oder Marketingzielen ab. Es muss abgewogen werden: Kostensenkung oder Umsatz- oder Ertragssteigerung.

Auf der zweiten Evolutionsstufe geht es nicht mehr um die unabhängige Behandlung einzelner Kampagnen, sondern um die gesamtheitliche Betrachtung saisonaler Kampagnenpläne, die meistens aus aufeinander aufbauenden Anstoßketten bestehen. 

Die neuen Freiheitsgrade, die sich dadurch für die Optimierungsaufgabe ergeben, ermöglichen es, die Effekte gesamter Anstoßketten zu bewerten und die Kosten über längere Perioden hinweg abzuwägen. Das kann dazu führen, Änderungen an der Kostenverteilung vorzunehmen. Zum Beispiel, indem bestimmte Kampagnen in ihrer Auflage reduziert und andere Kampagnen aufgestockt werden. 

Mit einem übergreifenden Optimierungsansatz lassen sich auch Randbedingungen für Kampagnenpläne berücksichtigen, die bei individuellen Betrachtungen schwer einbezogen werden können. Zum Beispiel die maximale Anzahl von Marketinganstößen pro Kunde oder eine Obergrenze von Kampagnenteilnehmern aus einem bestimmten Kundensegment. 

Die höchste Stufe des Kampagnenmanagements ist schließlich die profilgestützte Kampagnenplanung. Hier bildet das kundenspezifische Verhaltens- und Interessenprofil die Grundlage für individuelle Marketinganstöße. Auf diesem Level gibt es im Grunde genommen keine definierten Kampagnen mehr, denen die einzelnen Kunden anhand bestimmter Kriterien zugewiesen werden. Vielmehr existiert nun ein Entscheidungsmodul, das den Kunden anhand ihres Profils geeignete Anstoßketten zuweist. 

Die Intelligenz in der Aufstellung des Kampagnenplans wird also ersetzt durch die Intelligenz in der Entwicklung des Kundenprofils und der Entscheidungslogik. Dieser Ansatz führt zu einem deutlich höheren Individualisierungsgrad im Marketing. 

Die Wunschvorstellung einer voll und ganz auf den einzelnen Kunden abgestimmten Kontaktstrategie bleibt allerdings illusorisch. Das liegt daran, dass auch bei sehr gut funktionierenden CRM-Prozessen immer nur ein eingeschränktes Spektrum von Informationen über den Kunden vorliegt und nur eine ungefähre Einschätzung über ihn ermöglicht. 

Darum bleibt es selbst bei Erreichen des obersten Reifegrads unerlässlich, die Festlegung der Marketinganstöße und die Erfolgsmessung mit statistisch aussagekräftigen Kundengruppen vorzunehmen.

Nachfolgend werden die einzelnen Entwicklungsstufen näher beleuchtet.   

 

Evolutionsstufe 1: Optimierung von Einzelkampagnen

Die Zielgruppenoptimierung einer Kampagne setzt eine analyseorientierte Datenbasis voraus, deren konkrete Inhalte vom Branchenumfeld abhängig sind. Im Handel sollten dort verdichtete Attribute eingehen, die neben soziodemografischen Merkmalen eine Reihe zusätzlicher Informationen enthalten: 

  • zur Dauer der Kundenbeziehung
  • zum Kaufverhalten 
  • zu den Produktpräferenzen 
  • zum Umsatz
  • zur Aufteilung des Umsatzes auf die einzelnen Warengruppen und Kanäle
  • zu den Retouren
  • zum Zahlungsverhalten 
  • zu Vorfällen im Customer Service 
  • im Idealfall auch zum Verhalten des Kunden im Online Shop 

Diese Kundenattribute sind potenzielle Inputvariablen für die Prognosemodelle, die zur Kampagnenselektion herangezogen werden. 

Bei der Erstellung derartiger Modelle ist die Wahl der richtigen Zielvariable von entscheidender Bedeutung. 

Häufig wird als Zielvariable die erwartete Kaufwahrscheinlichkeit für ein bestimmtes Produkt oder die generelle Kaufwahrscheinlichkeit innerhalb des Kampagnenzeitraums verwendet. Allerdings bedeutet die Vorhersage einer Kaufwahrscheinlichkeit (Score) keineswegs, dass man damit die Wirkung einer Kampagne auf einen Kunden bewerten kann. So könnte es durchaus sein, dass die Kampagneneffekte für diejenigen Kunden am höchsten sind, die generell eine niedrige Kaufneigung haben und somit in eine untere Score-Klasse fallen. 

Vor diesem Hintergrund bietet es sich an, anhand einer vorgeschalteten Testkampagne oder mittels vergleichbarer Kampagnen aus der Vergangenheit den Kampagneneffekt (Uplift) für jede Score-Klasse zu bestimmen. Die Selektion der Zielkunden für die Kampagne sollte dann auf der Basis des Uplift-Modells erfolgen, das direkt ein Ranking der Kunden nach der zu erwartenden Umsatz- oder Ertragssteigerung ermöglicht. 

Nach Abzug der kundenspezifischen Kampagnenkosten lässt sich sehr einfach der prognostizierte Kampagnenertrag in Abhängigkeit der Auflage ermitteln. Die Festlegung der Auflage und die eigentliche Kundenselektion für eine Kampagne richten sich schließlich nach den konkreten Vorgaben und Marketingzielen.

Was den eigentlichen Optimierungsalgorithmus angeht, ist das Verfahren bei der Betrachtung einzelner Kampagnen also keineswegs komplex. Die Intelligenz steckt bereits im Uplift-Modell und die Auswahl der bestmöglichen Zielgruppe ergibt sich unmittelbar über die Sortierung der Kunden nach dem erwarteten Ertrag.   

 

Evolutionsstufe 2: Optimierung von Kampagnenplänen

Der grundsätzliche Lösungsansatz zur Optimierung von Kampagnenplänen ist vergleichbar mit der Optimierung von Einzelkampagnen. Auch hier ist die Verfügbarkeit einer analytischen Datenbasis ebenso wichtig wie die Erstellung von Uplift-Modellen für die im Kampagnenplan auftretenden Kampagnentypen. 

Ein bestimmter Kampagnentyp kann sich dabei durch seine Kundenansprache, durch sein Incentive oder durch seinen Kommunikationskanal auszeichnen. 

Sobald für alle zu betrachtenden Kampagnentypen ein entsprechendes Uplift-Modell vorliegt und über alle Kunden hinweg eine Berechnung der zu erwartenden Kampagneneffekte möglich ist, gewinnt das Optimierungsverfahren im Vergleich zur ersten Evolutionsstufe an Bedeutung. Neben dem kampagnenspezifischen Ranking der Kunden nach Uplift hat der Algorithmus diesmal vor allem die Aufgabe, die Kunden-Kampagnen-Zuordnung unter Beachtung von Randbedingungen vorzunehmen. 

Je nach Anzahl und Art der Randbedingungen werden zahlreiche Varianten durchgespielt und die Marketingbudgets so auf die einzelnen Kampagnen des Kampagnenplans verteilt, dass in Summe ein optimaler Wert für das angegebene Zielkriterium erreicht wird. In der Regel geht es dabei um Gesamtumsatz oder den Gesamtertrag im Kampagnenzeitraum. 

Prinzipiell lassen sich in einen derartigen Optimierungsalgorithmus auch Randbedingungen zu Kundensegmenten integrieren. Und zwar dahingehend, dass Mindestanzahlen oder Obergrenzen von Kampagnenteilnehmern aus bestimmten Segmenten berücksichtigt werden, für die eine segmentspezifische Kundenansprache vorgesehen ist.

 

Evolutionsstufe 3: Profilgestützte Kampagnenplanung

Auf der obersten Evolutionsstufe geht es nicht mehr darum, die Kunden einzelnen Kampagnen zuzuweisen, die in ihrem Inhalt und ihrem Zeitpunkt vordefiniert sind. Vielmehr wird nun ein Entscheidungsmodul aufgebaut, das für jeden Kunden eine geeignete Anstoßkette auswählt. 

Diese Auswahl basiert auf einem Kundenprofil, das möglichst alle entscheidungsrelevanten Kennzahlen umfassen sollte. Zu den typischen Profilmerkmalen gehören Attribute wie 

  • Kundenwert, 
  • Kundenpotenzial, 
  • Affinitäten zu einzelnen Warengruppen,
  • Neigung zu Rabatten und Retouren,
  • Anspruchsniveau in Bezug auf Preis und Qualität,
  • Präferenzen hinsichtlich Saison und Kaufkanal,
  • Abwanderungstendenz, 
  • Reaktivierungspotenzial nach längerer Inaktivität. 

Hinter all diesen Merkmalen liegen wiederum Prognosemodelle und regelmäßige Scoring-Prozesse zur permanenten Aktualisierung der Kundenprofile.  

Gegenstand der Entscheidungslogik ist die Auswertung der Kundenprofile und die Bestimmung des individuellen Maßnahmenplans. Er schlägt sich in der Anzahl der Anstöße pro Kunde, in der Wahl der passenden Zeitpunkte und in der Auswahl der am besten geeigneten Maßnahmen nieder. 

Diese Erwägungen wiederum finden unter Beachtung der kundenspezifischen Bedürfnisse und Präferenzen (Inhalt, saisonaler Kontext, Incentive, Kanal) sowie unter Berücksichtigung monetärer Gesichtspunkte statt. Das heißt: Es wird bei der Festlegung des Maßnahmenplans darauf geachtet, dass die eingesetzten Kosten zu einer möglichst hohen Umsatz- oder Ertragssteigerung führen. 

Zur Erfolgsmessung bietet es sich an, statistisch aussagekräftige Kundengruppen zu bilden. 

 

Was wir tun können

Auf der Basis bewährter Leistungspakete kann DEFACTO die Bewertung des Reifegrads eines Unternehmens vornehmen. Außerdem unterstützen wie die Konzeption und die Umsetzung von Optimierungsansätzen auf allen Evolutionsstufen des Kampagnenmanagements.

Dabei geht es nicht nur um Fragen der IT- und Datenarchitektur, sondern auch um methodische Ansätze in den Bereichen Datenanalyse und Modellerstellung und um operative Aspekte der Maßnahmenplanung und Kundenansprache. 

Der Nutzen manifestiert sich

  • in der Verfügbarkeit einer kundenorientierten Datenbasis, 
  • in der systematischen Planung von Einzelkampagnen und Anstoßketten, 
  • in der optimalen Aufteilung des Kampagnenbudgets auf die einzelnen Kampagnen, 
  • in der Steigerung der Kampagnenerträge bei gleichbleibendem Kampagnenbudget oder 
  • alternativ in der Sicherung gleichbleibender Erträge bei reduziertem Budget. 

 

Sie wollen Ihre Kampagnen optimieren? 
Dr. Joachim Keppler, Principal Consultant Data Intelligence, freut sich auf Ihre Nachricht

 

Teaser-Photo by Maarten van den Heuvel on Unsplash