Zum Inhalt
02_Elemente/Icons/PfeilLinks Zurück zu Einblicke
Einblicke > Medien

Der Heilige Gral der Werbung: Verknüpfung von Werbeeinblendungen mit dem Umsatz im Geschäft

4 Minuten lesen | Leslie Wood, Leiterin der Forschungsabteilung, Nielsen Catalina Solutions | Juli 2016

Woher weiß man, ob Werbung wirkt? Gibt es eine Möglichkeit, die Verkaufsergebnisse der Verbraucher, die einer Werbekampagne ausgesetzt sind, direkt zu messen?

Wissenschaftler und Vermarkter haben sich jahrzehntelang mit der Messung der Werbewirksamkeit auseinandergesetzt. In den 1970er und frühen 1980er Jahren konzentrierten sie sich auf Verzögerungseffekte, Abklingraten, Adstock, Verzögerungskoeffizienten und Halbwertszeiten. In den 1990er Jahren zeigte eine bahnbrechende Arbeit, dass die langfristige Wirkung von Werbung ungefähr doppelt so hoch ist wie die kurzfristige Wirkung. Die Branche machte in vielerlei Hinsicht Fortschritte in ihrem Verständnis der Werbewirksamkeit, aber wenn es darum ging, die Werbung, der die Menschen ausgesetzt waren, mit dem zu vergleichen, was sie kauften, hatten die Datenquellen, auf die sie sich stützte, so wenig gemeinsam, dass es unmöglich war, eindeutige Verbindungen zwischen der Werbung und dem Verhalten, das sie zu beeinflussen versuchte, herzustellen.

Die wirkungsvollste Antwort auf diese Schwierigkeit sind die so genannten Single-Source-Daten. Mit Single-Source-Daten kann man verfolgen, was eine Gruppe von Menschen sieht und was sie kauft. Da man weiß, dass einige Personen eine bestimmte Werbung gesehen haben und andere nicht, kann man die durch diese Werbung ausgelösten Verkäufe isolieren, indem man genügend Variablen kontrolliert, so dass der einzige wirkliche Unterschied zwischen den beiden Gruppen darin besteht, dass die eine die Werbung gesehen hat und die andere nicht.

Das Konzept gibt es bereits seit Mitte der 1960er Jahre, aber das Projekt Apollo im Jahr 2006 war das erste groß angelegte kommerzielle Pilotprojekt, bei dem Methoden aus einer Hand eingesetzt wurden. Die Nielsen Homescan® Technologie wurde eingesetzt, um das Kaufverhalten der Verbraucher zu erfassen, und mit Fernsehdaten von Arbitron für mehrere große Konsumgüterhersteller kombiniert.

Bingo - sozusagen. Man hat viel gelernt. Aber alles von einem Haushalt oder einer Person zu sammeln - sowohl was sie sahen als auch was sie kauften - war teuer, und der Preis für die Präzision war, dass die Daten klein waren. Das Apollo-Panel umfasste etwa 11.000 Personen in 5.000 Haushalten - nicht groß genug, um Ergebnisse mit der für kleine Marken erforderlichen Granularität zu liefern.

Heute können wir jedoch Datensätze aus einer einzigen Quelle erstellen, indem wir Transaktionsdatensätze in dem erforderlichen Umfang zusammenführen. Die Datensätze werden von einem Dritten über einen gemeinsamen Identifikator in jedem Datensatz verknüpft und anonymisiert, um einen einzigen Datensatz zu erstellen, aus dem hervorgeht, wie sich die Haushaltseinkäufe derjenigen, die einer bestimmten Werbung ausgesetzt waren, von denen unterscheiden, die nicht exponiert waren, wodurch der Verkaufseffekt der Werbekampagne isoliert wird.

Diese Datensätze sind schwer zu erstellen. Wie kann man die Präzision kleiner Daten in der Größenordnung von Big Data wiedergeben? Wir nutzen Daten von Vielkäufern, Daten von Set-Top-Boxen, Daten von Cookies - kurz gesagt, alle Big Data, die wir sammeln können. Aber keine Big Data ist vollständig. Bei den Daten von Set-Top-Boxen lässt sich beispielsweise nicht immer feststellen, ob das Fernsehgerät eingeschaltet ist oder wer gerade zuschaut (mehr dazu unter Der Wert von Panels bei der Modellierung von Big Data" in dieser Ausgabe). Und selbst bei 90 Millionen Menschen in unserer Datenbank für häufige Einkäufe können wir ohne ihre Kundenkarten nicht sagen, welche anderen Einkäufe sie tätigen.

Eine Lösung besteht darin, einen wirklich vollständigen Datensatz zu nehmen und ihn zur "Kalibrierung" des Big-Data-Datensatzes zu verwenden. In unserem Fall nehmen wir unsere Homescan-Daten, die jeden Einkauf von 100.000 Haushalten erfassen. Wenn Sie Homescan mit unserer Datenbank für häufige Einkäufe "vergleichen", werden Sie Überschneidungen zwischen den Datensätzen feststellen. Jetzt können Sie für die Personen in beiden Datenbanken sehen, welche Einkäufe in der Datenbank der häufigen Einkäufer fehlen. Sie können dann diese Lücke modellieren, um das gesamte Kaufverhalten der großen Datenbank widerzuspiegeln, und die Ergebnisse auf die Gesamtbevölkerung hochrechnen.

Diese Entwicklung von "kleinen und intelligenten" Daten über "große Daten" zu "großen und intelligenten" Daten macht es möglich, dass Single-Source-Daten heute in großem Umfang und mit ausreichender Präzision für tägliche Marketingentscheidungen genutzt werden können.

Natürlich gibt es noch eine weitere Grenze der Präzision. Zum Beispiel ergeben sich viele Fragen, wenn man Daten über Uhren und Käufe kombiniert. Einige der Daten sind auf Personenebene, einige auf Haushaltsebene. Die Person, die die Fruit-Loops-Werbung sieht, ist nicht unbedingt die Person, die die Fruit Loops kauft. Es ist auch heute noch sehr schwierig, die wichtige Frage der Kaufbeeinflussung zu klären, d. h. wann jemand etwas sieht und jemand anderen dazu bringt, etwas zu kaufen. Die Sichtbarkeit digitaler Anzeigen ist eine weitere wichtige Herausforderung, ebenso wie der Betrug - Bot-Traffic und die vielen anderen Möglichkeiten, wie die digitale Präsenz auf betrügerische Weise erhöht wird. Die Lösung dieser Herausforderungen wird unsere Antwort auf die zentrale Frage - wie wirkt sich das Ansehen auf den Kauf aus - sehr viel präziser machen.

Letztendlich ist es wichtig zu erkennen, dass die Datenquellen, die zu Single-Source-Datensätzen beitragen, nahezu in Echtzeit, genau, vollständig und umfassend sein müssen, und dass die zur Kalibrierung verwendeten Methoden in der Lage sein müssen, die Ergebnisse auf die Gesamtbevölkerung zu projizieren.

Fortsetzung der Suche nach ähnlichen Erkenntnissen