Daten vs. Bauchentscheidung: Wie intelligente Ergebnis-Prognosen im Online Marketing funktionieren

Online-Marketing-Verantwortliche treffen täglich strategische Entscheidungen, wie zum Beispiel das Allokieren von Budget oder die Aussteuerung auf Ziel-KPIs. Manchmal werden diese Entscheidungen auf Grundlage von Beobachtungen der Ist-Performance getroffen und stellen damit eine Reaktion auf die Vergangenheit dar.

Doch häufig ist diese Datengrundlage dann schon veraltet und die gewünschten Ziele können nur noch mit Mühe und zu Lasten anderer Ziele erreicht werden. Besser und daher auch häufiger werden Entscheidungen mit Blick auf eine absehbare Wirkung in der Zukunft getroffen, um so frühzeitig wie möglich auf die Zielerreichung einzuwirken. So kommen beispielsweise kurzfristige Budget-Shifts oder -aufstockungen oder ein rechtzeitiges Anpassen der Gebotsstrategie für Pay-Per-Click-Kanäle relativ häufig vor.

Was den „im Voraus“-Entscheidungen gemeinsam ist, ist die Unvollständigkeit der zugrunde liegenden Informationen. Die getroffenen Annahmen werden also nur mit einem bestimmten Risiko genauso wie erwartet eintreffen. Seniorige Online-Marketing-Verantwortliche setzen hier ein hohes Maß an Erfahrung und Intuition ein, um die Risiken zu minimieren. Dies ist durchaus eine anerkannte Prognose-Methode, wenn das Erfahrungswissen begründbar ist. Doch ist ein erfahrungsgetriebenes Kampagnenmanagement im beruflichen Alltag ein wenig transparentes und nachvollziehbares Vorgehen. Insbesondere dann, wenn unerfahrene und erfahrene Verantwortliche von Auftraggeber- und Agenturseite zusammen an einem Tisch sitzen und wenig Zeit für das Treffen von Entscheidungen haben.

Der Einsatz von technischen Hilfsmitteln und Tools ist ein weitaus komfortablerer Weg, um prognostizierte Ergebnisse und Verläufe auf einer gemeinsamen Ansicht zu bewerten und daraus Entscheidungen abzuleiten. Einfache Lösungen – wie lineare, stichtagsbezogene Hochrechnungen von vergangenen Performance-Werten – können dabei schon eine verhältnismäßig praktikable Methode sein, die in jedem Fall die generelle Tendenz von Monats-Ergebnissen beobachtbar macht. Doch die Realität ist komplexer und sehr fein granuliert.

Der temporäre Schwankungseffekt

Die Tages-Performances innerhalb eines Monats schwanken zum Teil extrem stark, zumindest typische Wochentagsschwankungen liegen fast für alle Online-Geschäftsmodelle vor. So kann es z.B. sein, dass das Monatsende auf ein Wochenende fällt, an welchem typischerweise sehr viele Conversions in einem bestimmten Online-Shop generiert werden. Nehmen wir an, die durchschnittlichen Conversions pro Tag betragen 100 und für ein typisches Wochenende waren es in den letzten Wochen durchschnittlich 140. Eine einfache lineare Stichtags-Prognose würde rund 80 Conversions (2*40) zu wenig für diesen Shop ermitteln. In diesem Fall hängt die Performance also stark davon ab, ob am Ende des Monats noch ein Wochenende enthalten ist oder nicht. Dies kann insbesondere für die Gebots-Aussteuerung erhebliche Abweichungen bedeuten.

Ein weiteres sehr häufiges Phänomen ist die Schwankung innerhalb eines Monats. So ist es bei vielen Online-Shops üblich, dass am Monatsanfang oder Monatsende mehr Traffic und Conversions generiert werden, als in der Mitte des Monats. Eine rein lineare Prognose z.B. am 15. eines Monats würde den Peak am Ende des Monats nicht berücksichtigen und damit entweder die erwarteten Conversions zu schlecht bewerten oder das notwendige zurückzuhaltende Budget für das Monatsende nicht ermitteln. Eine dynamische Prognose, die sowohl die Monats- und Wochen-schwankungen als auch den allgemeinen Trend (aufwärts/abwärts) erfasst, ist also eindeutig die exaktere und damit bessere Wahl.

Einbeziehung der Post-Conversions

Schließlich gibt es einen weiteren Aspekt, der bei der Prognose berücksichtigt werden sollte: Die Unterscheidung zwischen Sofort- und Post-Conversions (also verzögerte Conversions, die innerhalb eines definierten Zeitraums nachträglich einem Anzeigen-Klick zuzuordnen sind). Während der Vorteil eines solchen Tracking-Systems eine verursachungsgerechtere Conversion-Ermittlung ist, birgt das Prognostizieren von Conversions zum Monatsende die Gefahr, dass die danach noch eintreffenden Post-Conversions in der Prognose nicht berücksichtigt werden. Je nach Branche betragen die Post-Conversion-Quoten zwischen 20 und 40 Prozent [Quote der Post-Conversions bezogen auf die Sofort-Conversions]. Insbesondere in den ersten drei bis fünf Tagen nach Anzeigen-Klick sind die Post-Conversions nach unseren Analysen noch stark von ihren endgültigen Werten entfernt. – Somit ist die Einbeziehung von Post-Conversions ein sehr starker Hebel zur Verbesserung der Prognose-Genauigkeit.

Datensignifikanz

Grundlage für präzise Prognosen mit hoher Eintrittswahrscheinlichkeit sind statistisch signifikante Daten. Ein System, das automatisierte Prognosen ausgibt, muss also selbstständig prüfen, ob die Datengrundlage ausreicht, um Prognosen zu erstellen. Für den Fall, dass die Datenmenge (z.B. für Conversions) in der Vergangenheit nicht ausreicht, macht eine dynamische Prognose wenig Sinn. Im Zweifelsfall müssen also als Fallback-Lösung entweder konstante Durchschnittswerte (linear) ermittelt werden, oder aber, wenn selbst dafür die Datenmenge nicht groß genug ist, keine Conversions prognostiziert werden. Die Prognose wird dadurch zwar etwas konservativer, in der Regel fallen allerdings derart statistikarme Kampagnenbereiche hinsichtlich der Prognose nicht stark ins Gewicht.

Einbindung in das Dashboard

In unserem Team, zusammengesetzt aus Data Scientists und Marketing Analysten, suchen wir für die Reporting-Funktionen stets nach wissenschaftlich fundierten Lösungen, die so praxisnah wie möglich sind. Dabei ist uns ein Fokus auf die wesentlichen Hebel besonders wichtig. Eine Prognose soll unseren Kunden und Fachexperten eine präzise und nachvollziehbare Entscheidungsgrundlage liefern, ohne dabei das Augenmerk unnötig auf statistisch nicht signifikante Bereiche zu lenken.

Mit dem kürzlich erfolgten Launch der Prognose-Erweiterung SmartPrediction sind in unserem 24/7-Web-Reporting folgende Prognose-Features verfügbar:

  • Vergleichstabellen mit dynamischen Prognosen, die sowohl Monats- und Wochenschwankungen, sowie Post-Conversions auch nach dem Monatsende berücksichtigen
  • dynamische Ergebnis-Prognose (vs. linear-stichtagsbezogene Prognose)
  • Prognose von Wochen- und Monatsschwankungen Prognose von Aufwärts- oder Abwärts-Trends
  • Berücksichtigung von prognostizierten Post-Conversions (verzögerte Conversions, die einem Anzeigen-Klick zuzuordnen sind)
  • Geprüfte Signifikanz der Daten (konservativ)

Natürlich werden alle wissenschaftlichen Anforderungen an die statistische Signifikanz der Daten erfüllt.