Was verrät Predictive Analytics über den Einfluss von Social Media-Kampagnen auf den Kaufentscheidungsprozess?

Ausgangslage

Ein E-Commerce-Händler für Heimwerkerbedarf kam mit folgender Frage auf uns zu:

• Welchen Impact hat unser Marketing-Engagement über Facebook und YouTube auf den Umsatz in unserem Online-Shop?
• Ist es möglich, mit Hilfe von Predictive Analytics einen Zusammenhang zwischen Social Media Aktivitäten und Shop-Performance (insbes. Sales und Traffic) nachzuweisen?

Der Online-Händler investierte zunehmend in die Social Media Kanäle Youtube und Facebook. Technisch wie auch strategisch wurden die Kanäle noch weitgehend getrennt behandelt. Der Shop und verbundene Maßnahmen wie Newsletter hatten den Fokus auf Sales-Aktivitäten und auf den Abverkauf der Ware. Die zum Zeitpunkt der Analyse noch jungen Kanäle YouTube (>100 Abonnenten) und Facebook (>300 Fans) sollten vor allem als Info-Kanäle und für das Branding genutzt werden. Hier fanden neben Einblicken in Unternehmen und Produkt-Sortiment vor allem Tutorials für den Ein- und Umbau der im Shop angebotenen Produkte Platz.

Anhand der Produkt- und Nutzerverhaltensdaten aus dem Shop, der Daten aus den Social Kanälen und eines fallspezifischen Vorhersagemodells u.a. für Kaufentscheidungen galt es herauszufinden, ob und inwiefern der Shop von den Social-Aktivitäten profitiert.

Projekt-Kickoff

Zu Beginn der Analyse integrierten wir ein vollständiges Influgraph-Tracking im Shop, da die bestehenden Google-Analytics-Daten unzureichende Einblicke in die Rohdaten des User-Verhaltens preisgaben. Um den epicinsights Advanced Analytics-Systemen ausreichende Kenntnis über die Business-Prozesse und Kunden-Kontext zu vermitteln, wurden Produktdatenexporte des Shops genutzt und im Anschluss eine Ontologie entwickelt, welche das Nutzerverhalten im Shop verständlich aufbereitete. Kundendaten und personenbezogene Daten wurden nicht verwendet.

Potential-Analyse

Nach erfolgreicher Tracking-Daten-Konfiguration führten wir erste Analysen hinsichtlich der Datenqualität sowie der zu verwendenden Algorithmen und Methoden durch und wählten einen Kampagnen-Zeitraum, welcher eine gute Datengrundlage über alle Kanäle hinweg bot. Für diesen Kampagnen-Zeitraum nutzten wir alle aus YouTube und Facebook verfügbaren Daten und legten auf Basis der ersten Analysen Kenngrößen fest, welche möglichst gut nachweisbare Effekte versprachen. Für YouTube waren dies die tageweisen Views der Videos, bei Facebook war es die erzielte Reichweite der Beiträge – diese Kenngrößen lassen implizit auf eine hohe Interaktion und damit auf einen entsprechend gearteten Traffic schließen. Die Interaktionswerte pro Beitrag selbst waren zu gering, um sie auf einer breiten Datenanalyse-Basis nutzen zu können.

Nachdem wir die Tracking-Daten aus dem Shop, aus Facebook und YouTube zusammengeführt hatten, fassten wir alle Daten zu tageweisen Chunks zusammen, um Traffic und Orders als Zeitreihen zu erhalten.

Anwendung des Granger-Test-Verfahrens

Zum Auffinden kausaler Zusammenhänge zwischen Zeitreihen nutzten wir den Granger-Test. Dieser Test beinhaltet ein lokal lineares Modell zur Vorhersage der Zeitreihe mit Hilfe einer Vergleichs-Zeitreihe. Die sogenannte Granger-Kausalität beschreibt also im Ergebnis (und mit Hilfe eines Signifikanz-Tests), ob eine Verbesserung der Vorhersage für eine Zeitreihe hinsichtlich der Vergleichs-Zeitreihe nachgewiesen werden kann.

Ergebnis:

In unserem Case konnte nachgewiesen werden, dass die YouTube-Inhalte eine positive Wirkung auf die Verkäufe im Online-Shop haben und als wichtige Hilfe zur Kaufentscheidung der Online-Shop Nutzer dienen.

Im Vorhersagemodell konnte der YouTube-Traffic auf Grundlage des Verhaltens der User im Shop vorhergesagt werden. Weiter im Zeitverlauf konnten Orders im Shop auf Basis der Impressions von YouTube-Videos vorhergesagt werden. YouTube hat damit die Funktion einer Beratung innerhalb des Kaufentscheidungsprozesses. Das gilt z.B. wenn die Entscheidung für einen Kauf getroffen wurde, die Details dem Kunden jedoch noch unklar sind. Somit ist YouTube in erster Linie kein Werbemittel für den Erstkontakt, sondern wichtiges Element für die Kaufentscheidung innerhalb der Buyer-Journey.

Facebook hingegen spielte keine ausschlaggebende Rolle im Kaufentscheidungsprozess, wies aber Langzeit-Effekte nach dem Kauf auf.

Über Orders im Shop konnte der Facebook-Traffic vorhersagt werden, jedoch konnten keine validen Vorhersagen von Facebook-Aktivitäten in Richtung Online-Shop Käufen gemacht werden.

Durch den ersichtlichen Zusammenhang zwischen Shop-Verkäufen und Facebook-Reichweite im Nachgang liegt die Vermutung nahe, dass Shop-Ereignisse in erster Linie Facebook-Events triggern und nicht umgekehrt. Vergleichbar mit einem Rezensionssystem hat Facebook damit also eher den Zweck der Validierung der Entscheidung und ist im Long-Run erfolgreich.

Die Ergebnisse der globalen Untersuchung zwischen den Channels wurden über die Analyse einzelner Video-Beiträge innerhalb des Produkt-Segments, bzw. innerhalb der Produkt-Kategorien im Shop bestätigt.

Schlussfolgerung:

Im Kontext des Online-Shops für Handwerkerbedarf wurden folgende Empfehlungen abgeleitet, welche es nun im Nachgang der Erstanalyse zu validieren und zu vertiefen gilt:

Strategische Impacts für Facebook:

• Konzentration auf rezensionsartige Formate und Service-Leistungen innerhalb von Facebook
• Inhaltlicher Fokus weniger im Bereich Wissensvermittlung – stattdessen mehr im Bereich „Service“ und „After-Sales“ Aktivitäten
• Stärkere Fokussierung auf Bewertungsmechaniken (Rezensionen-Tools) innerhalb der Social Media Aktivitäten für Facebook

Strategische Impacts für YouTube:

• Direkte Einbindung der Videos innerhalb des Shops verbunden mit den jeweils im Video referenzierten Produkten und Inhalten für eine unterbrechungsfreie Buyer-Decision-Journey
• Dies führt zum Abbau kanalbedingter (und damit „künstlicher“) Hürden für die Nutzer, und dient dem Aufbau einer besseren Tracking-Infrastruktur für tiefere Analysen
• Content-Fokus weniger auf „Entertainment“-Formate und allgemeine Inhalte legen, sondern verstärkt auf Tutorials für „professionelle Anwender“ (z.B. auf produkt- und kategoriespezifische Anwendungsfälle; Videos in Kombination zu Angeboten, etc.)
• Integration von Cross-Selling-Angeboten innerhalb der YouTube-Videos, um dem Anwender kontextuell relevantere Angebote im Entscheidungsprozess zu liefern

Lessons learned:

Im Zuge des Cases können folgende Learnings abstrahiert werden, welche allerdings weiter auf Allgemeingültigkeit geprüft werden müssen:

Datenhoheit bewahren bzw. forcieren!

Strategisches Ziel sollte die Rückgewinnung bzw. Verlagerung der Datenhoheit in Richtung der eigenen Infrastruktur sein, um das Thema „Messbarkeit“ und „Optimierung“ des eigenen digitalen Erfolgs weniger von der Willkür und Datenqualität externer Plattformanbieter abhängig zu machen. Gleichzeitig sind die Quellen externer Analytics-Anbieter einer tiefgreifenden Data-Driven-Marketing-Strategie nicht sehr dienlich, da die Zugriffsebene auf diese Daten sehr eingeschränkt und grob ist.

Eine engere Verschmelzung der verschiedenen Kanäle ist wichtig!

Nicht nur im Sinne der Abdeckung verschiedener Marketing-Touchpoints, sondern auch hinsichtlich der Datenqualität und für die positive Beeinflussung der Online-Shop-Performance ist eine Verschmelzung der genutzten Kanäle und deren ganzheitliche Betrachtung zu empfehlen.

Für tiefergehende Auswertungen der User-Verhaltensweisen empfehlen wir eine konsistente Tracking-Umgebung über alle Aktivitäten und Channels hinweg. Eine im Kundenkosmos selbst nahtlos trackbare User-Journey, gekoppelt an eine kanalübergreifende Daten-Architektur, kann dies ermöglichen.

Auf den digitalen Mix kommt es an!

Social Media Kanäle wie YouTube- und Facebook dürfen im Marketing-Mix nicht vernachlässigt werden und spielen eine wichtige Rolle im Pre- und After-Sales-Prozess des Online-Händlers

Datenschutzkonforme Analysen und Erkenntnisse beyond the line sind möglich!

Auch ohne Cookies und personenbezogene Tracking-Methoden sind tiefgreifende Erkenntnisse über verschiedene Kanäle hinweg möglich!