Marketingdaten – 5 Tipps für ein besseres Verständnis

Das weltweite Datenvolumen wächst rasant. Allein in den letzten zwei Jahren wurden mehr Daten erstellt als in der gesamten Menschheitsgeschichte. In einer zunehmend digitalisierten Arbeitswelt gehört Datenkompetenz um Marketingdaten zu verstehen zu den Grundfähigkeiten. Jedoch fühlen sich Beschäftigte nicht selten von den riesigen Datenmengen überwältigt, mit denen sie konfrontiert werden. Mit dem folgenden Leitfaden möchten wir Ihnen die wichtigsten Grundlagen vermitteln.

1. Ein Ziel definieren

Vor dem Projektbeginn sollten Sie ein Analyseziel formulieren. Unternehmen, die kein klares Ziel definiert haben, verlieren sich allzu oft in endlosen Analysen von Marketingdaten. Welche Frage möchten Sie beantworten? Nehmen Sie sich ausreichend Zeit, um ein Projektziel festzulegen.

2. Marketingdaten erheben

Anhand Ihres Projektziels können Sie eine Auswahl der heranzuziehenden Datenquellen treffen. Die Erhebung der Marketingdaten erfolgt auf unterschiedliche Art und Weise. Üblicherweise können Sie Ihre Ergebnisse in eine Tabelle oder eine Flat-File exportieren. Eine professionellere Lösung ist die Datenabfrage über ein API (Application Programming Interface). Damit können externe Programme regelmäßig und automatisiert Daten abfragen.

Sobald die Datenerhebung abgeschlossen ist, können Sie das Ergebnis näher betrachten. Zu diesem Zweck können Sie eine Sortierung in zwei Kategorien vornehmen: Dimensionen und Metriken. Dimensionen sind Attribute einer bestimmten Einheit, während Metriken messbare Eigenschaften für diese Einheit abbilden. Aus der Kombination der Dimensionen ergibt sich die niedrigste Aggregationsebene. 

Beispiel: Eine Tabellenzeile gibt die Performance einer Werbeanzeige an einem bestimmten Tag wieder. Diese Werbeanzeige ist Teil einer Werbeanzeigengruppe, die wiederum in eine Werbekampagne eingebettet ist, und so weiter. In diesem Fall ist die niedrigste Aggregationsebene die Werbeanzeige in Verbindung mit einem Datum. Die Kenntnis der Aggregationsebene ist wichtig, wenn Datenquellen kombiniert oder zusammengefasst werden sollen. Zudem hilft Ihnen diese Information nachzuvollziehen, was in der Tabelle dargestellt ist.

3. Datenqualität sicherstellen

Vor dem Beginn der Analyse erfolgt die Bereinigung und Aufbereitung der erhobenen Daten, da inkonsistente oder doppelte Dateneingaben das Ergebnis verfälschen könnten. Diese Tätigkeiten stellen jeweils eine Wissenschaft für sich dar. Die Wichtigkeit dieses Verfahrensschritts lässt sich am besten anhand der folgenden Beispiele verdeutlichen.

Beispiel: Bei der Prüfung der kategorischen Variable „Kampagnenziel” stellen Sie fest, dass einige der eingetragenen Werte nicht den festgelegten Benennungsregeln folgen. Um die Performance-Daten Ihrer Branding-Kampagne korrekt interpretieren zu können, müssen Sie diese Werte anpassen. In einem anderen Beispiel stellen Sie fest, dass für eine numerischen Variable mehrere Extremwerte erfasst wurden. Für die Auswertung des durchschnittlichen Verhaltens der Variable können Sie diese Werte ersetzen oder in der Analyse unberücksichtigt lassen.

Vielleicht kennen Sie die scherzhafte Phrase „Garbage in, Garbage out” aus der Informatik, die besagt, dass Rechner mit hoher Wahrscheinlichkeit eine nicht aussagekräftige Ausgabe produzieren, wenn die Eingabe nicht aussagekräftig ist. Wenn Sie diesen Schritt nicht ernst nehmen, gefährden Sie die erfolgreiche Durchführung Ihres Projekts.

4. Hauptmerkmale des Datensatzes bestimmen

Um rasch einen Überblick zu erhalten, sollten Sie sich Maximum, Minimum, Median und Standardabweichung Ihrer KPIs ansehen. Für diese Aufgabe steht in den meisten data-science-fokussierten Sprachen eine eigene Funktion zur Verfügung. In MS Excel nutzen Sie zur Durchführung dieser Berechnungen eine Pivot-Tabelle. Dadurch erhalten Sie einen Eindruck davon, wie sich die KPIs auf den Datensatz verteilen.

Diagramme eignen sich für eine grafische Darstellung Ihrer Ergebnisse. Sie möchten beispielsweise das Verhältnis einer Zielvariablen, z.B. Umsatz, zu Ihren Werbeausgaben in einer Punktwolke darstellen. Oder Sie möchten das Besucheralter Ihrer Webseite nach Gruppen geordnet in einem Histogramm visualisieren. Sie sollten stets den geeigneten Diagrammtyp auswählen. Lassen Sie alles weg, was den Betrachter ablenken könnte. Das Hauptkriterium sollte Verständlichkeit sein. Sobald ein Diagramm nur noch die wesentlichen Informationen enthält, können Sie Funktionen hinzufügen. Zum Beispiel erhalten Sie mittels des branchenspezifischen Benchmarks "cpc" eine Übersicht über die Kosten je Klick für Ihre Kampagne. Denken Sie aber immer daran: Einfachheit ist der Schlüssel zum Erfolg.

5. Erweiterte Analysen durchführen

Die Nachfrage nach modernen Methoden steigt. Schlagwörter wie Big Data, Data Warehouse und Machine Learning sind allgegenwärtig. Wenden Sie sich an das MMT-Team, wenn Sie Unterstützung bei der Umsetzung Ihrer Datenstrategie benötigen. Wir sind der richtige Ansprechpartner, wenn es um das Datenmanagement in Ihrem Unternehmen geht.