Marketing mit Daten erfordert Umdenken

Der Wechsel von „Data“ zu „Big Data“ in Marketing und Werbung ist so fundamental, dass nicht nur Technologien ausgewechselt werden müssen. Auch die Teamstrukturen und die Unternehmensziele sollten infrage gestellt werden. Dafür ist ein Change-Management-Prozess sinnvoll.

Change Management bezeichnet ein Strategieprojekt mit geplanten Auswirkungen auf das Management. Ziele und erwartete Resultate sind klar definiert; ihr Erreichen unterliegt einer laufenden Kon­trolle. Das Beschreiben des Prozesses soll zudem dazu führen, dass die Mitarbeiter die Veränderungen aktiv mittragen. Nur dann ist das gewünschte Unternehmens- oder Geschäftsziel zu erreichen.

Change ist immer auch mit Kosten verbunden. Will ein Unternehmen ernsthaft Veränderungen herbeiführen, muss es investieren. Das bedeutet zum Beispiel, dass auch die Budgets analysiert werden sollten, um die Kosten des Wechsels zu finanzieren.

Angefacht von der großen Diskussion um Data-driven Marketing und Marketing-Automatisierung lautet eine häufige Vorgabe von Marketingleitern oder Vorständen: „Wir müssen mehr mit Daten machen.“ Also werden teure Lösungen angeschafft. Dennoch bleibt der gewünschte Effekt, dass Kundendaten besser und ­intensiver für Marketing und Werbung herangezogen werden, oft genug aus.

Warum ist das so? Die Antwort lautet: Weil ungünstige Teamstrukturen und unzureichende Kommunikation die Einführung von datengesteuertem Marketing oft zu Fall bringen. Es geht folglich nicht nur darum, in neue Technologie zu investieren, sondern pa­rallel auch darum, einen Change-Management-Prozess einzuleiten, der dafür sorgt, dass die einzelnen Mitarbeiter und Teams darauf vorbereitet werden, die neue datengesteuerte Marketing-Strategie umzusetzen. Das praktische Framework für Change Management im datenbasierten Marketing hat sich im Arbeitsalltag bewährt. Es besteht aus sechs Punkten:

Bislang waren für den Advertiser meist die Größe des Werbe­budgets und die Umsetzung des Brandings, für den Publi­sher meist die Reichweite oder das kontextuelle Umfeld ausschlaggebend für das Marketing. Daten und deren Nutzung als Wettbewerbsvorteil zu definieren, bedeutet einen fundamentalen Wechsel. Kern jeder Datenstrategie ist die Antwort auf die Frage: Wie kann sich ein Unternehmen auf Daten­ebene von anderen differenzieren und dadurch einen Wettbewerbsvorteil erreichen?

Für Werbetreibende bedeutet es, ­ihre Kunden besser kennenzulernen, und so die Relevanz und das Targeting zu verbessern. Für Publisher bedeutet es, das eigene Produkt nicht nur als Reichweite, Kontext und Werbemittel zu definieren, sondern ihre Audience (Webseitenbesucher) als Produkt zu verkaufen. Sobald die Profile der Webseitenbesucher als Zielgruppe gebündelt zum Kernprodukt oder zum maßgeblichen Wettbewerbsvorteil werden, gewinnen Daten­exklusivität und Datenqualität als Zielvorgabe eine hohe Priorität.

Daten sind dann also nicht mehr ein Nebenprodukt, sondern ein wichtiges Firmen-Asset, das solide aufgebaut und gepflegt wird. Derzeit ist oft das Gegenteil der Fall: Mangelnde Datenqualität und -exklusivität prägen den Markt. Vor allem Publisher scheinen ihre Daten seit Jahren nicht gehütet zu haben – eine ­Datenstrategie ist nicht vorhanden.

Eine Datenstrategie umfasst verschiedene Aspekte der Organisation (siehe Diagramm). Alle Aspekte, die das Team und die Organisation, die Marketingeffizienz, die eingesetzten Technologien und Datenqualität betreffen, sollten in einem Change-Management-Projekt erfasst und implementiert werden. Wichtig ist hier, dass der Prozess nicht bei der Datensammlung und der Auswahl der Technologien aufhört.

Eine große Herausforderung für Unternehmen ist, die erwünschten Ergebnisse der Datenstrategie festzulegen. Diese an sich schon schwierige Aufgabe ist im datengesteuerten Marketing noch härter, denn oft werden die Komplexitäten unterschätzt: Viele Technologien sind noch unausgereift, die Herkunft und die Qualität von Daten im Advertising-Markt sind intransparent. Enttäuschungen bei der Implementierung von Technologien und der Nutzung von möglicherweise minderwertigen Daten-Sets sind vorprogrammiert.

Technologie-Implementierungen sind kleinteilig und mühselig. Deshalb hat die richtige ­Erwartungshaltung bei einem Projekt für datenbasiertes Marketing besondere Bedeutung.

Tipp: Wichtig ist, dass sich jedes Team echte Use Cases vor Augen führt und ­diese dann priorisiert.

Welche Datensätze genutzt werden und wie der Datenfluss zwischen den verschiedenen Technologien vonstatten gehen soll, sollte im Vorfeld geklärt werden. Unternehmen beginnen häufig zuerst damit, ­eine Lösung einzukaufen, und legen erst im zweiten Schritt fest, was sie genau ­damit erreichen wollen. Das gilt vor allem für die Data Management Platform (DMP). ­

Eigentlich sollte es umgekehrt gehen, denn der Technology Stack, also die Kombination der benötigten Technologien und die Anforderungen an jede einzelne Technologie, hängen von detaillierten Anforderungen ab, die sich von der Datenstrategie und den geplanten Use Cases ableiten.

Die Kombination der verfügbaren Technologien ist komplex. Es gibt sehr viele verschiedene Anbieter, die einem manchmal das Blaue vom Himmel versprechen. Die Auswahl der einzelnen Technologien braucht Zeit und auch Know-how, ebenso deren Verknüpfung über Schnittstellen.

Tipp: Stellen Sie Fragen zu Daten und Technologieauswahl: Wie entsteht aus den eigenen First-Party-Daten ein Wettbewerbsvorteil mit genügend Reichweite? Wie kann eine Login-Strategie aussehen, um über die Nutzerregistrierung geräteübergreifende Customer Journeys besser abzubilden? Welche Voraussetzungen muss das Unternehmen für die Datensammlung schaffen? Ist es nötig, die Geschäftsbedingungen anzupassen? Wie vermeidet man das Abfließen von Daten („Data Leakage“)?

Ein wichtiges Instrument für die Standortbestimmung ist die klare Benennung des Istzustands. In der Bestandsaufnahme müssen alle Fakten auf den Tisch und vom Team anerkannt werden. Die Ergebnisse sind oft überraschend, sie lauten etwa „Unser First-Party-Daten-Volumen ist nur halb so groß, wie wir dachten“ oder „Die Pflege der Daten während der vergangenen Jahre war so schlecht, dass wir viel weniger Datensätze haben als erwartet“.

Auch Feststellungen wie „Leider waren unsere Allgemeinen Geschäftsbedingungen nicht richtig formuliert und wir können daher keine historischen Datensätze für neue Systeme nutzen“ oder „Das Targeting war falsch implementiert, deswegen sind die Datensammlung und die Reports nicht korrekt“, sind keine Seltenheit.

Tipp: Bei der Diagnose sollte man ins Detail gehen, um böse Überraschungen zu vermeiden. Diese Arbeit wird von vielen Teams als überflüssig angesehen, lohnt sich aber langfristig.

Der Anspruch von Big Data ist, voneinander getrennte Datensilos so weit wie möglich zu reduzieren und alle Daten in einem einheitlichen System zu verwalten. Wie aber entstehen Datensilos? Über ­Jahre hinweg haben Firmen Teams von Spezialisten aufgebaut. Die Fragmentierung der Teams führte zur Fragmentierung der Technologien und des Reportings und folglich zu Datensilos und zu nicht kaskadierenden oder aufeinander abgestimmten KPIs.

Entscheidend ist, eine Datenstrategie funktions- und teamübergreifend aufzusetzen. Vor allem sollte man das Thema nicht zum Politikum werden lassen. Oft wird nämlich schwer darum gekämpft, wer der „Oberhäuptling“ der Daten wird.

Tipp: Das Datenprojekt sollte beim CEO aufgehängt sein, also ressortneutral.

Technisches Know-how ist ein Muss, um die Systeme richtig aufzusetzen. Unternehmen brauchen daher Advertising-Technologie-Spezialisten sowie Datenanalysten. Dabei ist zu klären, welche Funktionen intern und welche extern vergeben werden sollten. Da Daten in der Regel künftig den Kern des Marketings bilden, ist ein komplettes Outsourcen an einen Dienstleister nicht sinnvoll. Das Unternehmen sollte darauf achten, eigene Kernkompetenzen aufzubauen.

Außerdem ist es ab einem bestimmten Werbebudget von Vorteil, Advertising-Technologien wie einen Adserver und die Data Management Platform selbst zu lizenzieren. Das Kampagnenmanagement bleibt dann bei der Agentur, während die wichtigen Datensysteme wie Adserver und DMP intern mit dem Data Warehouse vereint sind. Im Data Warehouse liegen die personenbezogenen Daten.

Tipp: Unterschätzen Sie die Komplexitäten nicht und sparen Sie nicht an Experten. Die werden spielentscheidend für die erfolgreiche Umsetzung sein.

Change Management kann nur erfolgreich implementiert werden, wenn Hürden beseitigt werden. Werden Datenstrategien nicht wie erhofft umgesetzt, liegt das oft an einem nicht ausreichend geprüften Istzustand und an mangelnden Budgets. In einer Gap-Analyse kann aufgezeigt werden, was während des Change-Management-Projekts berücksichtigt werden soll und in welchem realistischen Zeitrahmen das Projekt umgesetzt werden kann. Ein Change-Management-Projekt ohne soliden finanziellen Unterbau ist von Anfang an ein Flop.

Tipp: Unternehmen sollten den Change-Management-Prozess wie jedes andere wichtige Unternehmensprojekt angehen und dessen Finanzierung planen.

Datensammlung und -verarbeitung kosten Zeit, Geld und Geduld und sollten nur betrieben werden, wenn Unternehmen den Use Case klar definiert  haben. Und der Use Case muss auch einen monetären Wert erzeugen.