Wer kennt es nicht? Man zieht sich den neuesten wöchentlichen Website-Tracking-Report oder bekommt ihn am Montagmorgen pünktlich vom Performance-Marketing zugesendet und klickt sich dann mal durch. Denn Growth Hacker lieben ja bekanntlich Analytics-Daten (Big Data Zeugs), insofern an sich eine angenehme Situation, wenn man als Chef die Daten schon verständlich aufbereitet zur Verfügung gestellt bekommt, oder?
Nach wenigen Klicks fällt jedoch schnell auf, dass etwas nicht stimmt. Kurz noch mal nachgedacht und zur Sicherheit beim Team noch mal nachgefragt. Leider kommt dann in der Regel die Antwort „Stimmt, Du hast recht – da ist was schiefgelaufen.“
1. Big Data im Growth Hacking effektiv nutzen
2. Beispiel: Überraschungs-Effekt mit dem Aktionspreis
Meistens wurde wieder an irgendeiner Stelle das Tracking-Tool falsch eingebaut, die Konversion-Tracking-Pixel von Adwords und Facebook in die falschen Landingpages mitkopiert oder es wurde der Kampagnen Tracking Parameter nicht an die URLs angehängt. Aber das kann doch eigentlich gar nicht so schwer sein, oder? Ich lehne mich einmal aus dem Fenster und behaupte, dass niemand für die vorhandenen Analytics-Daten seine Hand ins Feuer legen würde. Korrekt oder nicht? Ich hoffe, ich behalte nicht recht.
Wo soll man beim Growth Hacking starten? Ich behaupte, bei Analytics ist ein sehr guter Punkt zum Starten. Denn beim Growth Hacking geht es schließlich darum, basierend auf validen Daten valide Entscheidungen zu treffen, in Englisch:
1. Big Data im Growth Hacking effektiv nutzen
Vor allem in den Management-Boards großer Corporates sowie in den einschlägigen Print-Medien, die von diesen Managern gelesen werden, spricht man seit Monaten gefühlt nur noch über „Big Data“. Geht man in der Kantine eines Versicherungsunternehmens essen, hört man schnell: „Wir sitzen ja auf einem unendlich großen und wertvollen Datenschatz.“ Ich neige dann immer zu sagen: „Ja, aber ihr wisst leider gar nichts damit anzufangen.“ Der Vollständigkeit halber eine Definition zu Big Data von IBM:
„Every day, we create 2.5 quintillion bytes of data — so much that 90% of the data in the world today has been created in the last two years alone. This data comes from everywhere: sensors used to gather climate information, posts to social media sites, digital pictures and videos, purchase transaction records, and cell phone GPS signals to name a few. This data is big data.“
Demnach geht es einerseits darum, den eigenen Datenschatz zu bergen und vor allem diesen endlich nutzbar zu machen. Andererseits geht es darum, die Daten verschiedenster Systeme nun auch miteinander zu verbinden, so dass neue sinnvolle Informationen und Anwendungsfälle entstehen. Dies wiederum fasst man heute unter dem Begriff „Internet of Things“ (IoT) zusammen. Aus Autofahrprofilen, Arztbesuchen, Sportaktivitäten, Kontobewegungen, Bewertungsprofilen, Shopping-Ausgaben, Food-Trackern oder Körpermesswerten lassen sich jede Menge neue Informationen gewinnen und somit auch neue Business-Modelle starten.
Aber was hat das Ganze mit Growth Hacking zu tun? Die Unternehmen, die es schaffen, ihre Daten nutzbar zu machen, werden einen positiven Wachstumseffekt verzeichnen können. Menschen möchten personalisiert angesprochen werden, ob im Auto, per E-Mail oder im Supermarkt. Damit sind das Erheben, das Bereitstellen und das Auswerten von Userdaten „klassische“ Growth Hacking Disziplinen.
Mal angenommen, die Erhebung beziehungsweise die Aggregation der Daten ist bereits automatisiert und zu 100% validiert. Und das, obwohl die Daten aus verschiedenen Systemen kommen: Google Analytics, Google Adwords, Mailchimp, CRM-System und aus der Controlling-Abteilung. Eine perfekte Ausgangssituation sozusagen, die man leider so niemals in einem Unternehmen oder Start-up vorfindet. Denn allein dieser Schritt ist eine riesige technische, budgetfressende und auch oftmals datenschutzrechtliche Herausforderung.
Egal, die Daten liegen jetzt professionell in einem Data Warehouse vor Der nächste Schritt beinhaltet die richtige Bereitstellung der Daten. Welche Daten sind denn für wen an welcher Stelle sinnvoll?
1.1. Ein paar Beispiele
- Welche Daten möchte der CEO in seinem Powerpoint-Report jeden Montag sehen?
- Welche Userdaten benötigt der Growth Hacker, um die Trigger E-Mails für das User Onboarding individueller ausrichten zu können?
- Woher bekommt man den Churn Rate für das CRM-System des Customer Success Managers?
- Woher bekommt der Performance Marketer die Customer Acquisition Costs für seine Facebook-Kampagne und vor allem den Vergleich für die totalen CACs?
- Wie dynamisiert der Website-Manager die Ansprache auf der Landingpage, je nach Browserhistorie des Users?
Diese Fragen gilt es, zu beantworten und dann auch entsprechend technisch bereitzustellen. Damit ist die Erstellung einer manuellen Powerpoint-Präsentation für den CEO nicht wirklich die Herausforderung. Vielmehr geht es darum, den Datentopf per Schnittstellen (API) an die jeweiligen Systeme, in denen sich die Nutzer bewegen, anzubinden. Data-Analysten, Datenbank-Architekten und natürlich Schnittstellen-Entwickler sind dazu zwingend erforderlich.
Nach der validen Erhebung der Daten und der richtigen Bereitstellung kommt die nächste Hürde: die richtige Interpretation der Daten. Was helfen dem Growth Hacker valide Daten, wenn ihm die Kreativität oder die Kundenorientierung fehlt, was er mit den Userdaten anfangen könnte? Oder noch schlimmer, er interpretiert die vorliegenden Daten schlichtweg falsch.
Was hilft dem CEO die Information, dass die Umsätze des Upsellings im letzten Monat um 21% gesunken sind, wenn er nicht weiß, dass es ein technisches Problem mit der PayPal-Einbindung gab? Im schlimmsten Fall sucht er sogar die Schuld beim Customer Success Management statt in der Technik. Aber wer will es ihm verübeln, wenn er den anderen Datensatz der PayPal-Anmeldungen nicht vorliegen hat, da er schlichtweg fehlt.
Was hilft dem Performance Marketer der CAC für seine Facebook-Kampagne, wenn ihm kein Vergleichswert vorliegt oder er keine Zielvorgabe für den CAC bekommen hat?
Bevor man sich mit dem Thema Daten intensiv beschäftigt, sollte man sich auf jeden Fall fragen, welches Ziel man im Detail verfolgt, Personalisierung der Marketing-Kampagnen, KPI-Reportings für das Management-Board oder andere Stakeholder wie Investoren. Was sind die richtigen KPIs?
Das Thema „Big Data“ zu knacken bedeutet Fluch und Segen zugleich. Fehlerquellen gibt es genug – sowohl bei der Erhebung der Daten als auch bei der Bereitstellung sowie vor allem bei der Interpretation der Daten.
2. Beispiel: Überraschungs-Effekt mit dem Aktionspreis
Ihr seid schon seit über zehn Jahren Kunde bei Audi. Audi macht eine tolle E-Mail-Marketing-Kampagne für das neue Modell des A4 Variant. Als Bestandskunde erhaltet ihr einen Newsletter und werdet anschließend auch vom Retargeting verfolgt. Auf der Landingpage wird euch dann der Wagen für 400 Euro im Monat mit einem Leasing-Vertrag angeboten. Cool, denkt ihr. Es ist auch mal Zeit für einen Neuwagen. Ihr macht über die Website einen Termin mit dem Audi-Händler eures Vertrauens. Läuft also. Gut gemacht von Audi so weit.
Beim Audi-Händler angekommen, erzählt euch der Audi-Mitarbeiter, dass der Audi euch nicht wie im Newsletter angekündigt 400 Euro, sondern 500 Euro im Monat kostet. Als Begründung sagt der Verkäufer: „Das 400-Euro-Angebot ist leider nur für Neukunden, nicht für Bestandskunden.“
Das passiert, wenn man die vorliegenden Daten an die falsche Target Group aussteuert. Ob die Kampagne „Neukunden bessere Preise anzubieten als langjährigen Bestandskunden“ an sich Sinn macht, kann wiederum jeder für sich selbst entscheiden.
Beitragsbild by Tumisu
https://pixabay.com/en/big-data-information-technology-1667212/
