Big Data-Trash – 5 Regeln für Big Data in Marketing Analytics

Johann Hermann, 11.01.2016

Big Data

Big Data ist in aller Munde und scheint das Allheilmittel für die Verbesserung von Unternehmensergebnissen zu sein. Vor allem im Online Marketing verhofft man sich damit eine zielgenaue Ansprache von potenziellen Kunden und damit eine Reduzierung der Streuverluste und letztendlich effizientes und effektives Marketing.
Zeit dem Thema mal einen Realitätscheck zu verpassen. Unternehmen setzen in der Regel unterschiedliche Systeme für unterschiedliche Zwecke ein:

  • (Teils mehrere) Kampagnen-Tracking-Systeme für die Bewertung der Marketing-Kampagnenergebnisse
  • Webanalyse-Tools für User-Verhalten auf der Website
  • CRM für die Nachverfolgung von Kundenaktionen
  • Fakturierungs- und Controlling-System für die tatsächliche Abrechnung und Analyse der Umsätze

Ausschlaggebend für den CEO ist am Ende nur das Controlling-System da dies Aufschluss über die tatsächliche Wertschöpfung gibt. Häufig laufen alle anderen genannte Systeme parallel und unabhängig vom Controlling-System und liefern ihre eigenen Ergebnisse. Oftmals sind also gravierende Unterschiede in den Daten der verschiedenen Systeme zu finden. Wenn beispielsweise das Fakturierungssystem einen anderen Umsatz ermittelt als das Webanalyse-System und dieser wiederum von dem des Kampagnen-Trackings abweicht, fragt man sich wie sinnvoll die Datenanalyse am Ende ist.
Auch innerhalb von Kampagnen-Tracking und Webanalyse findet man beunruhigende Informationen: In einer Sekunde klickt ein User neun Mal auf eine Anzeige? Eine andere Customer Journey hat über 500 Touchpoints innerhalb von drei Minuten? Zahlreiche Felder ohne Eintrag, wo eigentlich die User ID stehen sollte? Traurig aber wahr, Datenfehler sind Standard. Klar, mag man sagen, was ist schon perfekt! Stimmt. Derartige Fehler aber sind allzu häufig keine zufälligen Ausreißer, sondern treten systematisch und in großer Zahl auf. Es mag drastisch klingen, aber für viele Tracking-Datensätze gibt es nur eine adäquate Bezeichnung: Datenmüll. Müll, auf dessen Basis Entscheidungen über hohe Marketingbudgets getroffen werden.
Datenmüll kennt viele Ursachen: schlechte Tracking-Technologie, unvollständige Cookie-Setzung, Probleme bei der Verknüpfung verwendeter Tracking-Systeme. Oder auch schlicht „Fraud“ in Form von Bot Traffic. Nicht selten treten diese Probleme gebündelt auf. Warum aber bleiben sie so häufig unentdeckt? Ein Grund ist das weit verbreitete niedrige Niveau der Analysen, die mit diesen Daten durchgeführt werden. Bei trivialen Attributionsmodellen brauche ich mir um gute Daten kaum Sorgen zu machen. Unternehmen investieren hohe Summen in ausgefeilte Tracking-Systeme und attribuieren dann ihren Werbeerfolg über den letzten Klick oder das beliebte Badewannenmodell. Derartigen Modellen ist in der Tat egal, wie es um die Datenqualität bestellt ist, denn selbst mit korrekten Daten ist ihre Aussagekraft gering.
Was kann man also tun, um nicht nur Daten seiner selbst willen zu sammeln, sondern daraus wirklich sinnvolle Handlungsanweisungen abzuleiten. Hier ein paar grundsätzliche Schritte, die helfen, die größten Fallstricke zu vermeiden:

1. Datenkonsistenz
Am Ende müssen die Daten der unterschiedlichen Systeme zusammenpassen und vor allem mit dem System übereinstimmen welches den tatsächlichen Unternehmenserfolg abbildet – dem Controlling-System. Beispiel: Der Umsatz muss jeweils in Controlling, Webanalysetracking, Kampagnen-Tracking und CRM übereinstimmen. Sollte es hier Unterschiede geben müssen diese aufgedeckt werden. Es kann z.B. sein, dass ein Teil der Umsätze nicht online entsteht, sondern über andere Kanäle. Dann müssen diese Differenzen durch Überleitungsrechnungen dargestellt werden können.
Systeme können auch durch unterschiedliche Messmethoden unterschiedliche Ergebnisse liefern. Sofern die Datenunterschiede mit diesen Methoden erklärt werden können und diese sich prozentual über die Zeit nicht unerklärlich verändern, sind solche Unterschiede akzeptabel.

2. Rohdatenprüfung
Die meisten Analyse-Systeme zeigen Daten auf aggregiertem Niveau an. Dies verdeckt zu meist fehlerhafte oder lückenhafte Daten. Daher ist es unerlässlich, sich regelmäßig die Daten in Rohform anzusehen.

3. Regelmäßiges Testing der Tracking-Systeme
Gerade im Bereich Kampagnen-Tracking und Webanalyse kann man z.B. über Test-Bestellungen die Tracking-Systeme prüfen. So kann man hier selbst eine „Customer Journey“ durchlaufen und mit einer Bestellung abschließen. Am Ende vergleicht man dann die gemessenen Rohdaten mit dem eigenen Verhalten. Diese Tests sollten regelmäßig stattfinden aber auch nach jeder größeren Änderung der Unternehmenswebsite.

4. Analyse der Analysen
Alle steuerungsrelevanten KPI sollten am Ende auf ein übergeordnetes Ziel einzahlen. Meist ist dies bei Unternehmen Profitmaximierung. Dementsprechend sollte ein Zielsystem wie bei einer Balanced Scorecard aufgestellt werden, welches den handelnden Personen Klarheit über deren Aufgaben gibt.
Zudem sollten auch hier die Messmethoden überprüft werden. In der Marketing-Kampagnen-Messung betrifft dies z.B. die Attribution von Transaktionen. Eine Attribution nach Last Cookie oder einem anderen positionsbasierten Standardmodell kann nur zufällig mit übergeordneten Unternehmenszielen einhergehen.

5. Unternehmensorganisation
Das Thema Daten und Datenanalyse wird bei vielen Unternehmen noch stiefmütterlich behandelt und regelmäßig in die Hände von unerfahrenen Mitarbeitern gelegt. Die Qualität der Daten und der daraus abgeleiteten Analysen bestimmt zu einem großen Teil über den Erfolg eines Unternehmens. Das Thema sollte also nicht niedriger als auf C-Level aufgehängt sein.
Auch Unternehmensprozesse sollten überdacht werden. So sollte z.B. bei jeglicher signifikanten Änderung an der Unternehmenswebsite eine Mitteilung an die Datenanalyse-Abteilung gehen damit diese die Auswirkung auf die Tracking-Systeme ermitteln kann.


©2018 adatics GmbH