Das Data Driven Marketing im E-Commerce. Erfolgschancen und Herausforderungen für Unternehmen

Inhaltsverzeichnis

Gender Erklärung

Abstract

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einführung

2 Grundlagen des Data-Driven Marketing
2.1 Abgrenzung Data-Driven Marketing
2.2 Fundamentale Systemarchitekturen für datengetriebenes Marketing
2.3 Application-Programming Interface
2.4 Begriffliche Grundlagen

3 Unternehmensinterne Probleme

4 Lösungsansätze
4.1 Skalierung des Geschäfts durch methodisches Vorgehen im Data Driven Marketing
4.2 Optimierung der Datenqualität im Unternehmen
4.3 Daten korrekt visualisieren
4.4 Webtracking effektiv nutzen

5 Erfolgsversprechende Einsatzmöglichkeiten des Data-Driven Marketing
5.1 Zielgruppenansprache durch das richtige Targeting
5.2 Data-Driven Advertising (Programmatic Advertising)
5.3 Predictive Analytics
5.4 A/B-Testing
5.5 Personalisiertes Marketing
5.6 KI im E-Commerce

6 Allgemeine Herausforderungen des Data-Driven Marketing (Evaluierung)
6.1 Status Quo der Datennutzung in der Praxis
6.2 Rechtliche Aspekte
6.3 Technische Einschränkungen im Display Advertising
6.4 Das Problem Mensch
6.5 Ethische Bedenken

7 Zusammenfassung

Literaturverzeichnis

Bibliografische Information der Deutschen Nationalbibliothek:

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

Impressum:

Copyright © Studylab 2021

Ein Imprint der GRIN Publishing GmbH, München

Druck und Bindung: Books on Demand GmbH, Norderstedt, Germany

Coverbild: GRIN Publishing GmbH | Freepik.com | Flaticon.com | ei8htz

Gender Erklärung

In dieser Arbeit wird aus Gründen der besseren Lesbarkeit das generische Maskulin verwendet. Weibliche und anderweitige Geschlechteridentitäten werden dabei ausdrücklich mitgemeint, soweit es für die Aussage erforderlich ist.

Abstract

Die Menge an verfügbaren Daten für Unternehmen wird immer größer, doch viele Firmen nutzen diese wertvollen Informationen nur sehr begrenzt. Besondere Relevanz haben die Daten vor allem in der E-Commerce Branche, da durch die richtige Nutzung von Daten Mehrwerte und Wettbewerbsvorteile für Unternehmen geschaffen werden können. Daher wird in dieser Bachelorarbeit untersucht, wie E-Commerce Unternehmen datengetriebenes Marketing nutzen können und welche Herausforderungen hierbei entstehen. Dazu wird die folgende Forschungsfrage gestellt: „Wie können E-Commerce Unternehmen Data-Driven Marketing effektiv nutzen und welche Herausforderungen entstehen dabei?“.

Ziel der Arbeit ist es die Erfolgschancen und Herausforderungen für Unternehmen im Data-Driven Marketing aufzuzeigen.

Um die Forschungsfrage zu beantworten wurde sich tiefgründig mit aktueller Literatur und mit relevanten Studien in Bezug auf Data-Driven Marketing auseinandergesetzt. Spezifisch wurde sich in der Arbeit zuerst mit Grundlagen für datengetriebenes Marketing beschäftigt. Im weiteren Verlauf wurden häufig vorkommende unternehmensinterne Probleme beschrieben und mögliche Lösungsansätze hierfür aufgezeigt. Besonders die zahlreichen Einsatz­möglichkeiten des Data-Driven Marketing werden präzise beschrieben und anhand praktischer Beispiele veranschaulicht. Auch allgemeine Herausforderungen, die sich im Zusammenhang mit der Datennutzung ergeben, werden beleuchtet.

Im Verlauf der Arbeit wird erkenntlich, dass unternehmensintern die größten Probleme bezüglich der Datenqualität, der Bildung von Datensilos und der Mitarbeiterqualifikation bestehen. Durch eine strukturierte Skalierung des Geschäfts und den richtigen Umgang mit Daten können Unternehmen die Datenqualität jedoch maßgeblich beeinflussen. Die Erfolgschancen für Unternehmen werden in den verschiedenen Einsatzmöglichkeiten des Data-Driven Marketing aufgezeigt. Allgemeine Herausforderungen bestehen in rechtlichen Aspekten, technischen Einschränkungen, dem Menschen selbst und der Datenethik.

Um weiterhin im E-Commerce wettbewerbsfähig zu bleiben, sollte in Unternehmen eine datengetriebene Denkweise etabliert werden.

Abkürzungsverzeichnis

AA Advanced Analytics

API Application Programming Interface

B2B Business-to-Business

BCG Boston Consulting Group

CMS Content Management System

CRM Customer Relationship Management

CTA Call-to-Action

CTR Click-Through-Rate

DACH Deutschland (D), Österreich (A), Schweiz (CH)

DMP Data Management Platform

DSGVO Datenschutz-Grundverordnung

DSP Demand-Side-Platform

ERP Enterprise Ressource Planning

IoT Internet of Things

IW Institut der deutschen Wirtschaft

KI Künstliche Intelligenz

KPI Key Performance Indicator

PIM Product Information Management

REST Representational State Transfer

ROAS Return of Advertising Spent

ROI Return of Investment

RTB Real-Time Bidding

SEA Search Engine Advertising

SEO Search Engine Optimization

SSP Supply-Side-Platform

TKP Tausender-Kontakt-Preis

UDI User-Declared Information

USP Unique Selling Point

VUI Voice User Interfaces

Abbildungsverzeichnis

Abbildung 1: Beispielbericht in Google Data Studio

Abbildung 2: Displayanzeigen auf der Startseite des t3n Magazins

Abbildung 3: Anstieg des Suchvolumens für den Begriff "Programmatic Advertising" bei Google Trends

Abbildung 4: Das Programmatic Advertising-System

Abbildung 5: Höchstrelevante Kampagnen Automation

Abbildung 6: Preisentwicklung des iPhone XR der letzten drei Monate bei Idealo

Abbildung 7: Headerbanner von „www.bergfreunde.de“

Abbildung 8: Praktische Nutzung von Online Rezensionen bei Otto

Abbildung 9: Ausmaß der Digitalisierung (in Prozent) von Unternehmen

Abbildung 10: Entwicklungsstufen der Einzelhändler bezüglich AA und KI

Abbildung 11: Umsetzung der DSGVO in deutschen Unternehmen

Tabellenverzeichnis

Tabelle 1: Dimensionen von Datenqualität

Tabelle 2: Arten des Targetings

1 Einführung

„Die vierte industrielle Revolution“, so lautet eine der derzeit gängigen Beschreibungen für die Digitalisierung (vgl. Boßow-Thies et al. 2020: 3). Infolge der kontinuierlichen technologischen Weiterentwicklung der Gesellschaft ergeben sich ständig neue Geschäftsbereiche, Prozesse und Sichtweisen. Dieser Wandel betrifft vor allem digitale Geschäftsmodelle. Somit gewinnen die digitale Transformation und die damit einhergehenden Themen, wie z.B. die Automatisierung von Geschäftsprozessen oder künstliche Intelligenz (KI), immer mehr an Bedeutung (vgl. t3n – digital pioneers o. J.). Die hiermit zusammenhängenden Daten werden auch als „Öl des 21. Jahrhunderts“ bezeichnet (vgl. Boßow-Thies et al. 2020: 3). Eine datengetriebene Perspektive ist somit die Basis für die digitale Transformation (vgl. Oswald/Krcmar 2018: 7). Dass Daten auch im Marketingumfeld sehr bedeutsam sind, steht außer Frage. Aufgrund der Digitalisierung sind mehr Kundendaten als je zuvor vorhanden, durch die sich neue Möglichkeiten einer personalisierten Kundenansprache ergeben. Abgesehen von herkömmlichen Datenquellen aus Firmen und der Marktforschung sind durch die Digitalisierung und Vernetzung massenhaft neue Quellen, wie bspw. Social Media, entstanden. Damit das volle Potenzial von Data-Driven Marketing ausgeschöpft werden kann, sind neue Vorgehensweisen notwendig.

Aufgrund der Digitalisierung hat sich das Verhalten der Kunden und somit auch die Kundenansprache fundamental gewandelt. Vor Jahren standen Vorgehensweisen wie postalische Werbung oder TV-Werbung im Vordergrund, wohingegen heutzutage die unterschiedlichsten Möglichkeiten der Interaktion zwischen Kunde und Unternehmen vorhanden sind. Derzeit entstehen stetig weitere Möglichkeiten der Kundenansprache. Somit können Marketingmaßnahmen auf Basis von Daten und deren Analysen immer zielgerichteter und individueller gestaltet werden (vgl. Boßow-Thies et al. 2020: 3-4).

Ein bekanntes Beispiel für eine zielorientierte Kundenansprache wird anhand eines Mädchens beschrieben, welche Gutscheine für Schwangere zugesendet bekam. Aufgrund der Werbung stellte der Vater seine Tochter zur Rede und wurde in diesem Kontext über die Schwangerschaft informiert. Im Anschluss beklagte der Vater bei dem Lebensmittelhändler, weshalb dieser bereits vor ihm in Kenntnis über die Schwangerschaft hatte (vgl. Verräterischer Kassenbon 2020). Durch diesen Praxisfall wird veranschaulicht, dass es immer realistischer wird, dass Unternehmen Daten sammeln und durch präzise Analysen, z.B. von Kunden- und Aktivitätsdaten, dazu in der Lage sind, passgenaue Werbung an die jeweilige Zielgruppe auszuspielen (vgl. Boßow-Thies et al. 2020: 4).

Für die Mitarbeiter von E-Commerce Unternehmen ist es wichtig, ein fundamentales Verständnis zu haben, Daten gut überlegt zu sammeln, zu filtern und die richtigen Schlüsse daraus abzuleiten. Unabhängig von der hierarchischen Position im Unternehmen ist es entscheidend, dass Mitarbeiter über Basis­kenntnisse datengetriebener Ansätze verfügen, um zukünftig wettbewerbsfähig zu bleiben (vgl. Klaus 2018: 4). Diese Erkenntnisse unterstreicht auch eine Studie der Boston Consulting Group (BCG), welche von Google in Auftrag gegeben wurde. Das Resultat der Studie besagt, dass Werbetreibende mit hervorragendem Online Marketing 1,4-mal höhere finanzielle Einsparungen haben und einen 2,5-mal höheren Umsatz erwirtschaften, verglichen mit Unternehmen, welche keine datengetriebenen Marketingstrategien nutzen. Lediglich zwei Prozent aller Unternehmen sind führend im Fachgebiet Data-Driven Marketing. Die Mehrzahl der Unternehmen nehmen somit Ihre Chancen nicht wahr (vgl. Ringk 2020b). Es ist bereits abzusehen, dass in Zukunft die Anzahl datengetriebener Projekte, Kampagnen und Strategien zunehmen wird. Daher ist es unerlässlich die Einsatzmöglichkeiten dieses Fachbereichs zu kennen (vgl. Klaus 2018: 4).

Im Rahmen dieser Bachelorarbeit wird der Frage nachgegangen, wie E-Commerce Unternehmen Data-Driven Marketing effektiv nutzen können und welche Herausforderungen damit einhergehen. Unter E-Commerce Unternehmen sind im Kontext dieser wissenschaftlichen Arbeit nicht lediglich E-Commerce Pure Player zu verstehen, sondern auch Firmen, welche nicht ausschließlich im Online Umfeld tätig sind, jedoch auch neben dem Kerngeschäft am E-Commerce teilnehmen. Das Ziel der Arbeit ist es Unternehmen, deren Mitarbeitern und allen weiteren Interessenten aufzuzeigen, welche Erfolgschancen und Herausforderungen Data-Driven Marketing im E-Commerce mit sich bringt.

Anhand einer Sekundärforschung (Literaturarbeit) wird in diesem Zusammenhang beleuchtet, welche Voraussetzungen für erfolgreiches Data-Driven Marketing von Bedeutung sind. Weiterhin wird betrachtet, welche unternehmensinternen Probleme in diesem Kontext entstehen können und es werden mögliche Lösungsansätze aufgezeigt, um diese zu mindern. Da der Einsatz von datengetriebenem Marketing im E-Commerce immer mehr an Bedeutung gewonnen hat und auch in Zukunft eine wichtige Rolle spielen wird, werden unterschiedliche Einsatzmöglichkeiten des Data-Driven Marketing im E-Commerce Umfeld aufgezeigt.

Auch allgemeine Herausforderungen, die sich für Unternehmen in der Onlinebranche beim Einsatz von datengetriebenem Marketing ergeben, werden erläutert.

2 Grundlagen des Data-Driven Marketing

In diesem Kapitel wird erklärt, was im Allgemeinen unter Data-Driven Marketing zu verstehen ist. Darüber hinaus werden grundlegende Begrifflichkeiten, welche im Zusammenhang mit datengetriebenem Marketing stehen, beschrieben.

2.1 Abgrenzung Data-Driven Marketing

Die Definition der American Marketing Association (2017) für Marketing lautet:

„Marketing is the activity, set of institutions, and processes for creating, communicating, delivering, and exchanging offerings that have value for customers, clients, partners, and society at large.“ (vgl. Definitions of Marketing 2020). Mit Marketingmaßnahmen wird generell die Absicht verfolgt, den Kundenwert zu erhöhen. Es gilt also die Wünsche der Kunden zu erkennen und diese bestmöglich anzusprechen. Auf dieser Basis sollen die Unternehmensergebnisse verbessert werden.

Beim Data-Driven Marketing werden Daten verwendet und analysiert, um den Kundenwert zu erhöhen (vgl. Kumar et al. 2013). Hierbei können die Daten aus unterschiedlichen Quellen stammen. Einerseits existieren Daten, welche durch eine Primärerhebung anhand einer Umfrage oder Beobachtung im Kontext einer herkömmlichen Marktforschung basierend auf einer Fragestellung gesammelt werden (Survey Data). Andererseits entstehen heutzutage bei passiven technischen Messungen große Datenmengen. Diese werden als Big Data bezeichnet (vgl. Wachter 2018: 17-26). Demzufolge ist mit Data-Driven Marketing und Biga Data das digitale Marketing stark verknüpft. Zum digitalen Marketing zählen in der Regel Tätigkeiten, die über Online-Kanäle gesteuert werden, wie z.B. Such­maschinenmarketing, E-Mail-Marketing oder Werbung auf der eigenen Website. Das Data-Driven Marketing wird im digitalen Marketing eingesetzt, sobald Daten bzw. die Erkenntnisse aus der Analyse von Daten verwendet werden, um digitale Marketingkanäle gezielt zu beeinflussen (vgl. Boßow-Thies et al. 2020: 5-6).

2.2 Fundamentale Systemarchitekturen für datengetriebenes Marketing

„ERP“ ist die Abkürzung für „Enterprise Ressource Planning“. ERP beschreibt die unternehmerische Funktion, Ressourcen wie Kapital, Personal, Betriebsmittel, Material und Informations- und Kommunikationstechnik basierend auf den Unternehmenszielen effektiv zu organisieren und zu lenken. Diese Aufgabe wird von ERP-Systemen erledigt. Durch den Launch von ERP-Systemen ergab sich erstmalig die Möglichkeit, bedeutende Unternehmensabläufe uniform darzustellen. Darüber hinaus konnten die Unternehmensprozesse software­gestützt abgebildet werden und die Firmen hatten die Option, Datenverarbeitung als Kerntechnologie zu nutzen. ERP war eine Revolution für die Konzerne. Unmengen von Akten gehörten nach der Einführung von ERP-Systemen der Vergangenheit an. Ein ERP-System besteht aus verschiedenen miteinander verknüpften Modulen, durch die unterschiedliche Unternehmensprozesse präzise abgebildet werden können (vgl. Boßow-Thies et al. 2020: 88).

Im Folgenden wird auf drei elementare ERP-Module eingegangen, die aus Unter­nehmenssicht besonders nützlich für das Datenmanagement sind.

„CRM“ steht für „Customer Relationship Management“ und ist ein fundamentales Modul von ERP. CRM ist ein strategischer Ansatz, der die konstante Kundenorientierung eines Unternehmens, sowie die geregelte Gestaltung der Kundenbeziehungsprozesse unterstützt. Der Zweck eines CRM ist ein tiefgründiges Beziehungsmarketing und eine koordinierte, automatisierte Pflege von dauerhaften Kundenbeziehungen. Besonders gut eignet sich ein CRM in Unternehmen, um schematisch auf die Kundenbasis und Ereignisse, die mit dem entsprechenden Kunden zusammenhängen, zuzugreifen. Auch für das Marketing ist das CRM ein wesentliches Element, da. sich mit Hilfe eines Analytischen CRM das Verhalten von Kunden strukturiert untersuchen lässt. Auf dieser Grundlage können Marketingstrategien geplant werden. Darüber hinaus ist ein CRM auch erforderlich, um einen Webshop zu betreiben oder automatisierte Mails an die Kunden eines Unternehmens zu verschicken.

Das „Content Management System“ (CMS) wurde vor allem im Kontext mit der steigenden Anzahl von Webseiten wichtig. Die Aufgabe eines CMS besteht darin, verschiedenen Content eines Unternehmens, wie z.B. Dokumente, Verträge, Schaltpläne oder Betriebsanleitungen einheitlich zu verwalten. Besonderes im Zusammenhang mit dem Internet sind Content-Management-Systeme unentbehrlich. In der frühen Phase des Internets waren Webseiten noch statisch aufgesetzt. Durch die Verwendung eines CMS kann der Content dynamisch erstellt und ausgegeben werden. Bspw. wäre das Betreiben eines Nachrichten- oder Infoportals ohne CMS extrem umständlich.

Das „Product Information Management“-System (PIM) wurde primär für die Verwaltung und Pflege der Informationen über Produkte eines Unternehmens entwickelt. Durch ein PIM-System besteht die Möglichkeit systematisch Produktinformationen im Team zu erstellen, anzureichern, zu verbessern und zu verlinken. Durch softwareseitig definierte Rollen kann bestimmt werden, wer im Unternehmen was auslesen, anlegen oder verändern darf. Somit können die Unternehmensprozesse strukturiert ablaufen. Bereits mit einem CRM und einem PIM hat man die Grundsteine für den Betrieb eines Webshops hinsichtlich der Verwaltung von Kundendaten und der Bereitstellung von Produktdaten gelegt (vgl. Boßow-Thies et al. 2020: 88 - 90).

2.3 Application-Programming Interface

Die Kurzbezeichnung „API“ steht für „Application Programming Interface“, also zu Deutsch Programmierschnittstelle. Sobald eine Applikation in ein bereits vorhandenes System eingebettet wird und Daten oder Funktionen des Systems verwendet werden sollen, muss ein geeignetes Interface bestehen. Besonders relevant sind Web-APIs. Durch Web-APIs wird der Zugriff auf Daten oder Hardware-Funktionen ermöglicht. Somit besteht die Option, Drittanbieter nahtlos in Plattformlösungen zu integrieren. Web-APIs greifen hierbei bspw. auf die Reprensentational State Transfer (REST) Architektur zurück. Es werden Daten empfangen, für der Verarbeitung weitergegeben und erneut zurückgesendet. Dieser Informationsaustausch läuft mit Websites, Programmen oder Anwendungsanbietern ab. Überwiegend wird die API von Softwareentwicklern genutzt, um neue Anwendungen zu programmieren. Hierbei entsteht der Vorteil, dass bereits vorhandene Bibliotheken genutzt werden können. Darüber hinaus werden APIs auch verwendet, um komplizierte Softwareanwendungen in einzelne Module zu zerlegen, um die Fehleranalyse und Wartung zu erleichtern (vgl. t3n – digital pioneers o. J.).

2.4 Begriffliche Grundlagen

In den folgenden Absätzen wird erklärt und erläutert wie spezifische Fachbegriffe im Kontext dieser wissenschaftlichen Arbeit zu interpretieren sind.

Eine einheitliche Begriffserklärung für „Datenqualität“ ist in der Literatur nicht zu finden. Unter Forschern besteht die Meinung, dass der Grundstein einer guten Datenqualität in der kompletten Kongruenz der Information mit der Realität liegt. Welche expliziten Eigenschaften Informationen enthalten ist unterschiedlich. Eines der populärsten Konzepte führt auf Wand und Wang (1996) zurück. Die Verfasser definieren vier Dimensionen von qualitativ hochwertigen Daten: Korrekt, vollständig, eindeutig und aussagekräftig. In Abbildung 1 ist eine Übersicht der Dimensionen von Datenqualität, sowie mit den damit zusammenhängenden Datenqualitätsmängeln zu sehen (vgl. Boßow-Thies et al. 2020: 31-32).

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Dimensionen von Datenqualität

Quelle: Boßow-Thies et. al.: 2020, S. 31

Aufgrund einer Analyse von 60 wissenschaftlichen Veröffentlichungen werden Vollständigkeit und Korrektheit als die wesentlichsten Dimensionen für gute Datenqualität definiert. Als Erkenntnis der Untersuchung ergibt sich, dass Unternehmen mit lückenhaften und fehlerhaften Daten nicht in der Lage sind, effektive und datenbasierte Entscheidungen zu tätigen. Im Folgenden wird dieses Szenario an einem praktischen Beispiel aufgezeigt.

Falsche Annahmen könnten bei der Erhebung von Kundendaten, wie z.B. dem Geburtsdatum, entstehen. Nimmt man an, es wird irrtümlich davon ausgegangen, dass sich ein Kunde in der Alterspanne zwischen 60 - 80 Jahren befindet. In Wirklichkeit ist der Kunde jedoch 30 Jahre alt. Somit würden die Marketingmaßnahmen basierend auf einer falschen Zielgruppe ausgeführt werden, da 30-Jährige eine andere Ansprache erwarten als Senioren. Zusätzlich könnte durch die falsche Ansprache ein fehlerhaftes Image des Unternehmens entstehen oder im ungünstigsten Falle der Verlust des Kunden. Falls das Geburtsdatum gar nicht angegeben wurde, wird der Kunde möglicherweise nicht angesprochen und zieht das Unternehmen nicht in Betracht für seine Kaufentscheidung (vgl. Boßow-Thies et al. 2020: 31-32).

„Datenvisualisierung“ ist eine Technologie, die es Menschen aus verschiedenen Bereichen ermöglicht, ihre Arbeit professionell darzustellen. Visualisierung hilft dabei, Dinge in der Vergangenheit, Gegenwart und in naher Zukunft zu verstehen. Die verschiedenen Tools und Techniken der Datenvisualisierung können in unterschiedlichen Domänen, z.B. Gesundheitswesen, Verkauf und Marketing, Prognosen, Forschung, Bildung usw. angewendet werden (vgl. Anouncia et al. 2020: 1).

Der Fachausdruck „Web-Analytics“ wird auch häufig als Web-Analyse, Web-Controlling oder Web-Tracking bezeichnet. Letztlich handelt es sich um eine Methode, mit der Daten gesammelt und ausgewertet werden können. Zusätzlich lässt sich durch Web-Analytics das Verhalten von Nutzern auf einer Website analysieren. Mit Hilfe eines Analytics-Tool wird normalerweise die Herkunft eines Nutzers festgestellt. Es können jedoch auch andere Faktoren, wie z.B. die besuchten Inhalte der Website und die Besuchsdauer erfasst werden. Die Methode wird in der Marktforschung häufig mit dem Ziel, die Effektivität einer Website zu prüfen und zu optieren, angewendet (vgl. t3n – digital pioneers o. J.).

3 Unternehmensinterne Probleme

Unternehmensintern entstehen häufig Probleme bezüglich des Daten­managements. Hieraus ergeben sich Fragestellungen in Bezug auf die Datenqualität, fehlende Ressourcen oder unternehmenspolitische Besonderheiten (vgl. Boßow-Thies et al. 2020: 20).

Schlechte Datenqualität führt zu hohen finanziellen Belastungen und manipuliert Analyseergebnisse. Auf mittelständische Unternehmen haben Fehlentscheidungen aufgrund unzureichender Datenqualität besonders starke Auswirkungen, da diese aufgrund einer eingeschränkten Ressourcenbasis nur schwer auszugleichen sind (vgl. Becker et al. 2016: 1). Viele Unternehmen wissen, dass Kundendaten aktuell für effiziente Marketingentscheidungen notwendig sind. Das Problem besteht nicht mehr in der Beschaffung von Daten, sondern in der Gewährleistung der Qualität der Daten. Durch fehlerhafte Daten werden falsche Entscheidungen getroffen, z.B. hinsichtlich des Targetings oder des Contents einer Kampagne. Deshalb ist das Beschaffen und Aufbewahren qualitativer Daten, sowie das Untersuchen der Datenqualität im Data-Driven Marketing essenziell (vgl. Boßow-Thies et al. 2020: 29).

Ein besonderes Problem für die Datenqualität im Unternehmen stellen Silos dar. Datensilos werden gebildet, wenn in separaten Abteilungen eines Unternehmens eigene Datensammlungen vorhanden sind. Datensilos können bewusst oder unbewusst entstehen. Unbewusst bilden sich Datensilos, da Kunden an verschiedenen Berührungspunkten mit dem Unternehmen interagieren. An den einzelnen Touchpoints werden verschiedene Daten zu dem gleichen Kunden generiert. Diese Daten werden jedoch nicht zentral gespeichert, da die separaten Geschäftsbereiche oder Abteilungen mit unterschiedlichen Tools arbeiten. Stattdessen werden die Daten in unterschiedlichen Programmen oder Datenbanken gespeichert, für die nur bestimmte User oder Usergruppen eine Zugriffsberechtigung haben. Weiterhin werden auch oftmals innerhalb eines Bereiches verschiedene Instrumente genutzt. Z.B. kann ein Team lediglich für das Verschicken von Newslettern ein bestimmtes Tool verwenden, in welchem die Daten genutzt und gesichert werden (z.B. Abmeldungen vom Newsletter). Oftmals wird in diesem Kontext nur systemintern gearbeitet. Das hat zur Folge, dass die Daten niemals aus dem Programm exportiert und mit Daten weiterer User zusammengeführt werden (bereichsintern und bereichsübergreifend). Im Newsletter Beispiel wäre es jedoch von großer Bedeutung die Daten auch für andere Bereiche zur Verfügung zu stellen. Die Newsletter Abmeldung könnte z.B. ein Zeichen für eine Kundenabwanderung sein. Diese Information sollte auch für andere Teams zugänglich sein (z.B. Customer Retention). In der Praxis tritt das Silo-Problem bei gestandenen Konzernen, wie auch bei neuen Start-Ups auf. Bei etablierten Unternehmen haben sich oftmals Silos gebildet, da der digitale Geschäftsbereich in der Historie beiläufig zum Offlinegeschäft entstanden ist. Vorerst wurde in diesem Fall häufig für den Online-Bereich eine eigene Lösung (Insellösung) genutzt. Bei Start-Ups entstehen Datensilos häufig aufgrund des rapiden Wachstums, da die einzelnen Bereiche auf der Suche nach einer schnellen Lösung sind, um zeitnah handlungsfähig zu sein. Hierbei wird nur der eigene Bereich beachtet und das Gesamtbild des Unternehmens außer Acht gelassen (vgl. Rashedi 2020: 16-17).

Der Havard Business Review betitelte schon im Jahr 2012 den Beruf des Data Scientist als „The Sexiest Job of the 21th Century“ (vgl. Davenport und Patil 2012). Trotzdem besteht auch heute noch das Problem der unzureichenden Mitarbeiter­qualifikation und eine Knappheit an qualifizierten Data Scientists in Bezug auf das Data-Driven Marketing. Laut dem Marketing-Tech-Monitor Deutschland suchten im Jahr 2019 ca. 63 Prozent der Firmen nach Data Scientists bzw. 74 Prozent waren auf der Suche nach Marketing-Technology-Experten. Die Schwierigkeit für Unternehmen besteht darin Angestellte zu haben, welche zum einen die Wünsche der Nutzer verstehen und zum anderen über technisches Wissen bezüglich Datenmanagement („Data Literacy“) verfügen (vgl. Boßow-Thies et al. 2020: 21). Etliche technologiezentrierte Projekte schlagen aufgrund der mangelnden Adaption von Mitarbeitern fehl. Analysten zufolge fällt das Scheitern der Projekte in bis zu 80 Prozent der Fälle auf Customer Analytics zurück (vgl. Klaus 2018: 3). Darüber hinaus sollten gute Mitarbeiter auch ein grundlegendes Verständnis dafür aufweisen, wie IT funktioniert. Durch die technologiegetriebene Funktionsweise des Marketings hat sich das Berufsbild des Marketers geändert und stellt eine Herausforderung für Mitarbeiter und Unternehmen dar (vgl. Boßow-Thies et al. 2020: 21). Angestellte müssen grundlegend verstehen, Daten gezielt zu beschaffen, zu verarbeiten und daraus die richtigen Schlüsse zu ziehen. Dies gilt unabhängig von der Position im Unternehmen, egal ob Fach- oder Führungskraft. Um in der Zukunft mitdiskutieren zu können, sollte ein Basiswissen datengetriebener Ansätze bei den Mitarbeitern vorhanden sein (vgl. Klaus 2018: 3).

4 Lösungsansätze

In diesem Kapitel werden unterschiedliche Lösungsansätze aufgezeigt, um unternehmensinterne Probleme zu reduzieren oder gar zu vermeiden.

4.1 Skalierung des Geschäfts durch methodisches Vorgehen im Data Driven Marketing

„Das datengetriebene Marketing lässt sich in einem fünf Phasen umfassenden Prozess abbilden:

1. Collect (= Daten sammeln)
2. Understand (= die gesammelten Daten verstehen)
3. Decide (= fundierte Entscheidungen treffen)
4. Automate (= Automatisierung des Prozesses)
5. Execute (= Ausführung des Prozesses)“ (Rashedi 2020: 5)

Bereits vor Beginn des Prozesses müssen klare Ziele definiert werden. An dieser Stelle ist zu beachten, dass man keine Hundert-Prozent-Lösung voraussetzen sollte, da sich die Voraussetzungen und die Wettbewerbssituation zu rapide in zu kurzen Zeitspannen ändert. Vielmehr sollte nach dem Pareto Prinzip (80-zu-20 Regel) verfahren werden. Diese Methode besagt, dass 80 Prozent der Ergebnisse mit lediglich 20 Prozent des gesamten Aufwandes zu erreichen sind. Sollen die noch ausstehenden 20 Prozent des Gesamtergebnisses erzielt werden, ist dafür ein unverhältnismäßig hoher Aufwand notwendig. Vorerst sollte ein Überblick über die Gesamtlage geschaffen werden und im Anschluss auf dieser Grundlage können realistische „80-Prozent-Ziele“ gesetzt werden.

Die erste Phase „Collect“ bezieht sich auf das Beschaffen von Daten. Um Daten zu sammeln muss identifiziert werden, an welchen Touchpoints wichtige Daten vorliegen. Die nachstehenden Fragen erleichtern es Unternehmen, diese Punkte aufzudecken (vgl. Rashedi 2020: 5-6):

- Wo sind die Touchpoints, bei dem direkter Kundenkontakt stattfindet?
- Welche Informationen erhält man an diesen Touchpoints?
- Was sind zusätzliche Quellen, um Kundendaten zu erhalten?
- Was für Daten sind relevant und wie lassen sich diese beschaffen?

Mögliche Touchpoints können z.B. die Internetseite, der Webshop oder die Social-Media-Auftritte eines Unternehmens sein. Weitere potenzielle Kontaktpunkte sind online ausgelieferte Anzeigen oder E-Mails. In Anbetracht der digitalen Transformation sind auch Daten, welche in Zusammenhang mit einer Produktnutzung generiert werden, zu beachten. Abgesehen von der Leadgenerierung zählen zu dem Schritt „Collect“ die Sicherung der wesentlichen Daten, wie auch deren Aufbereitung zur weiteren Verarbeitung.

Ziel der zweiten Phase „Understand“ ist es, die aufbereiteten Daten zu verstehen. Der Schritt „Verstehen“ lässt sich in diesem Zusammenhang von zwei Blickwinkeln betrachten. Auf der einen Seite muss begriffen werden, wie die Daten zustandekommen und auf der anderen Seite muss die Bedeutung der Daten im entsprechenden Zusammenhang begriffen werden. Darüber hinaus steht das Verstehen auch im Zusammenhang mit Analysen, sowie deren Ergebnissen und Auswertungen. Letztendlich müssen die Analyseergebnisse verstanden werden, z.B. was genau eine Kennzahlt bedeutet (vgl. Rashedi 2020: 5-7).

Elementare Fragen für den Schritt „Understand“ sind:

- Wie kommen die Daten zustande?
- Was für Schlüsse lassen sich aus den gesammelten Daten ziehen?
- Welche Erkenntnisse fehlen noch?

In der Praxis besteht häufig das Problem, dass die inhaltliche Bedeutung von Daten unklar ist. Oftmals können Beteiligte oder Ansprechpartner auf triviale Fragen, die jedoch von wesentlicher Bedeutung sind, nicht antworten, wie z.B. ob die aufgezeigten Umsätze mit oder ohne Umsatzsteuer sind oder ob Rücksendungen miteingerechnet wurden oder nicht.

Die Herausforderung im Unternehmen besteht darin, ein einheitliches Verständnis bezüglich der wichtigsten Zahlen und Metriken zu schaffen. Falls dies nicht gelingt, werden Analyseergebnisse und relevante Zahlen unterschiedlich gedeutet.

In der dritten Phase „Decide“ sollten durchdachte Entscheidungen getroffen werden, welche auf der Grundlage der generierten und ausgewerteten Daten basieren. Die Entscheidungen können von einem Menschen oder von einem Algorithmus getätigt werden. Bei Entscheidungen, die von Menschen getroffen werden, ist eine präzise Datenvisualisierung der wesentlichen Informationen eine große Hilfe für die Entscheidungsfindung.

In der vierten Phase ist der Schritt „Automate“ enthalten. In dieser Vorgehensweise bezieht sich der Schritt Automatisierung auf das Sammeln, Verarbeiten und Visualisieren der Daten. Demnach sollen einst händisch durchgeführte Arbeiten automatisiert erfolgen, wie z.B. der Abruf eines automatisch erzeugten Reportings.

In der letzten Phase „Execute“ erfolgt die operative Umsetzung. In diesem Abschnitt erfolgt eine Rekursion der Phasen „Understand“, „Decide“ und „Automate“. Die hieraus entstandenen Erkenntnisse sollten im Unternehmen klar kommuniziert werden.

Letztendlich lässt sich sagen, dass für die Etablierung von Data-Driven Marketing im Unternehmen die Bereitschaft, Entscheidungen auf Grundlage von Daten zu tätigen, eine unerlässliche Voraussetzung ist. Darüber hinaus ist eine gelungene Kommunikation von großer Bedeutung, um ein einheitliches Verständnis für Daten zu schaffen. Ein falsches Verständnis der Daten in der Phase „Understand“ kann Folgefehler in der Erhebung und Auswertung verursachen. Besonders zielführend ist es für Unternehmen, schnelle Erfolge zu realisieren und auf bereits vorhandene Tools und Features zurückzugreifen (vgl. Rashedi 2020: 6-9).

4.2 Optimierung der Datenqualität im Unternehmen

In diesem Abschnitt soll aufgezeigt werden, wie Unternehmen ihre Kundendaten bei der Datenerhebung optimieren können und Qualitätsmängel erkennen.

4.2.1 Methoden zur Optimierung der Qualität von Kundendaten

Für Unternehmen gibt es zahlreiche Optionen, Kundendaten zu sammeln. Klassische Beispiele sind der Checkout-Prozess beim Online Shopping oder das Anlegen eines Kundenkontos. Bei den zuvor genannten Beispielen sind die Aussichten hochqualitative Kundendaten zu generieren, besonders hoch. Schließlich ist nur dem Kunden selbst bewusst, welche Informationen richtig sind. Aus diesem Grund muss der Nutzer exakt an dieser Stelle dazu animiert werden, vollständige und korrekte Informationen zu hinterlegen.

In der Realität erfüllen die Kundendaten jedoch häufig nicht den Anspruch an eine hohe Datenqualität. User geben oftmals falsche Informationen an, da Sie die Felder falsch interpretieren, nicht wahrnehmen oder sich bei der Eingabe vertippen. Eine übersichtliche Benutzeroberfläche und aussagekräftige Formulierungen der verlangten Information helfen dem User bei der richtigen Überlieferung der Information. Durch Autovervollständigung kann die Anzahl der Tipp- und Rechtschreibfehler reduziert werden. Des Weiteren besteht die Option Pflichtfelder zu verwenden, um zu vermeiden, dass Kunden die Eingabefelder überlesen. Darüber hinaus bieten Integritätsregeln eine gute Möglichkeit, Fehleingaben zu verhindern. Integritätsregeln grenzen den gültigen Wertebereich einer Eingabe auf sinnvolle Werte ein. Zum Beispiel könnte man definieren, dass ein Geburtsjahr nicht vor 1900 sein darf. Falls die Eingabe des Nutzers die Integritätsregel nicht erfüllt, wird der eingegebene Wert nicht akzeptiert. Der User erhält eine Fehlermeldung und kann den Prozess erst fortsetzten, nachdem er die falsche Eingabe berichtigt hat. Vom Nutzer unbewusst getätigte Falschangaben können somit vermieden werden. Jedoch gibt es auch Kunden, die sich wissentlich dazu entschließen falsche Angaben zu tätigen. Ursachen hierfür sind z.B. Bequemlichkeit, Zeitmangel oder Datenschutzbedenken (vgl. Abedjan et al. 2015). Ein typisches Verhalten ist z.B. das Bestätigen eines bereits vordefinierten Wertes aufgrund der Zeitersparnis. Häufig möchten Kunden auch persönliche Informationen wie z.B. Ihren Verdienst nicht mitteilen. Darüber hinaus teilen User nur ungern Informationen, wenn nicht begriffen wird, wofür diese benötigt werden. Bei dieser Kundengruppe, die bewusst falsche Informationen angibt sind Pflichtfelder nicht wirksam, um Fehleingaben zu vermeiden. In dieser Situation wäre der schlimmste Fall die Eingabe nicht korrekter Daten, die jedoch plausibel erscheinen. Diese schlüssigen Werte sind in der Datenverarbeitung extrem schwer identifizierbar (vgl. Boßow-Thies et al. 2020: 32-33).

4.2.2 Datenqualitätsmängel erkennen

Die Überprüfung der Daten auf ihre Vollständigkeit stellt üblicherweise keine Schwierigkeit dar. Für das Ausspielen der Häufigkeit und der Typen nicht vorhandener Werte gibt es ausreichend Programme. Trotzdem besteht das Risiko, dass „versteckte“, nicht vorhandene Werte in den Daten auftreten. Dies ist z.B. der Fall, wenn dem Kunden die Option geboten wird, keine Eingabe zu tätigen oder Systeme ersatzweise Werte für nicht vorhandene numerische Werte (z.B. -9999) übermitteln (vgl. Abedjan et al. 2015). Damit ein Unternehmen effektiv mit den Daten arbeiten kann, muss geklärt werden, weshalb die Werte fehlen.

Deutlich schwieriger als fehlende Werte zu identifizieren, gestaltet sich die Überprüfung der Korrektheit von Daten. Hierfür ist häufig technisches, sowie inhaltliches Datenverständnis erforderlich, um Indizien für Fehlinformationen aufzudecken. Ob ein Wert richtig oder falsch ist, lässt sich schlussendlich nicht sagen, da lediglich Indizien vorliegen (vgl. Boßow-Thies et al. 2020: 35).

4.2.3 Umgang mit Datenqualitätsmängeln

Unternehmen müssen ein eindeutiges Vorgehen zur automatisierten Identifikation von potenziellen Datenqualitätsmängeln definieren. Datenfachleute müssen sich abstimmen und einheitlich handeln.

Es stehen die folgenden drei Möglichkeiten zur Auswahl:

- Werte ausschließen bzw. löschen
- Werte überschreiben
- Werte ignorieren

Welche der Optionen gewählt werden sollte, ist abhängig von den Folgeschritten. Vorab gilt es herauszufinden, ob eine Information für ein konkretes Szenario notwendig ist. Z.B. ist für eine E-Mail-Kampagne eine vollständige postalische Adresse nicht erforderlich. Kundenmerkmale, die keine Hilfe zur Bestimmung einer Zielgruppe sind, sollten nicht zur Kampagnenselektion beitragen (vgl. Boßow-Thies et al. 2020: 37)

Die bereits im Abschnitt drei (Unternehmensinterne Probleme) genannte Herausforderung bezüglich der Silo-Bildung kann in der Theorie wie folgt gelöst werden:

- Die Aufbauorganisation eines Unternehmens und die separaten Abteilungen sollten umstrukturiert werden. Das bedeutet, dass die Datenbesitzer strukturell in einem Arbeitsteam zusammengebracht werden müssen.
- Datensilos können durch die Einführung bereichsübergreifender Prozesse vermieden werden. In diesem Zusammenhang würden sich z.B. JourFixe zwischen den Datenbesitzern anbieten. Somit wäre eine gemeinsame Evaluation der Daten möglich.
- Technisch gesehen sind zwei Lösungsansätze möglich. Es besteht die Option auf lediglich eine Lösung zurückzugreifen, welche die zuvor genutzten Silo-Lösungen ersetzt. Die zweite Möglichkeit ist, die gespeicherten Daten aus den einzelnen Silolösungen in einem dritten Tool zusammenzuführen.

Durch das Aufbrechen und präventive Verhindern der Silos können Informationen vereint werden und die Güte der Daten wird gewährleistet. Zusätzlich ergibt sich der Vorteil, dass Kunden aus unterschiedlichen Blickwinkeln analysiert werden können (z.B. Offline- und Onlineverhalten) und somit ein besseres Kundenverständnis entsteht. Dies ist die Grundlage, dass Kunden auf allen Kontaktpunkten ihrer Customer Journey gezielt angesprochen werden können (vgl. Rashedi 2020: 17-18).

4.3 Daten korrekt visualisieren

„Ein Bild sagt mehr als tausend Worte.“ Dieses Sprichwort trifft auch auf die moderne Datenanalyse zu. Aufgrund anschaulicher Visualisierungen können Auswirkungen, Muster und Anomalien in Daten zügiger und leichter korrekt interpretiert werden (vgl. Aubele 2017). Informationen schaffen das Fundament für Entscheidungen. Noch nie in der Geschichte war der Zugang zu Daten und deren bildliche Darstellung so einfach, wie im Zeitalter der digitalen Transformation. Die Visualisierung kann der ausschlaggebende Faktor für das Verstehen von Daten sein. Jedoch kann eine professionelle Visualisierung einen Mangel an Information nicht ausgleichen. Durch die kognitiven Fähigkeiten des Menschen wird es erst möglich, aus Daten entscheidende Informationen, Bedeutungen und Zusammenhänge korrekt zu interpretieren (vgl. Boßow-Thies et al. 2020: 43 - 44).

Diagramme und andere Hilfsmittel zur Visualisierung sind greifbarer als Tabellen und unterstützen den Empfänger, quantitative Daten leichter zu verstehen und zu nutzen (vgl. Schön 2015: 100). In der Literatur werden die positiven Aspekte der Datenvisualisierung folgendermaßen dargestellt:

- Eine enorme Menge an Informationen und komplizierten Zusammenhängen können komprimiert und plausibel veranschaulicht werden.
- Entwicklungen, Strukturen und Muster in Datensätzen werden schnell ersichtlich.
- Die Gegenüberstellung von Informationen ist optisch besser wahrnehmbar.
- Visuelle Informationen werden schneller apperzipiert und bleiben länger im Gedächtnis als Zahleninformationen (vgl. Boßow-Thies et al. 2020: 48).

Visualisierungen können z.B. mit Hilfe von Diagrammen, Karten oder Grafiken erstellt werden. Um die Kernaussage einer Visualisierung prominent hervorzuheben eignet sich der Einsatz von Farben (vgl. Rashedi 2020: 36).

Ein nützliches Tool für anschauliche Datenanalysen und -visualisierungen ist das Google Data Studio. Unabhängig vom Anwendungsbereich, wie z.B. Search Engine Optimization (SEO), Search Engine Advertising (SEA) oder Websiteberichten ist Google Data Studio sehr praktisch für Marketer. Abgesehen von dem Sammeln der Informationen ist die passende Vernetzung der Daten und eine verständliche Datenvisualisierung unentbehrlich, um gut durchdachte Entscheidungen zu fällen. In diesem Rahmen stellt das Google Data Studio ein für den Anwender gut verständliches und einfach anzuwendendes Tool dar. Das Data Studio unterstützt die Anwender dabei, Daten klar und strukturiert aufzubereiten und aussagekräftige Berichte zu erstellen. Voraussetzung für die Nutzung ist lediglich ein Google-Konto, mit dem man im besten Falle direkt auf die relevanten Datenquellen Zugriff hat, wie z.B. den Google Ad Manager und Google Analytics.

Besonders hervorzuheben ist beim Google Data Studio die einfache und intuitive Bedienung der Benutzeroberfläche. Zusätzlich verfügt Google Data Studio über umfängliche Funktionen und Einstellungs-Optionen. Somit können benutzerdefinierte Reportings und interaktive Dashboards erstellt werden (vgl. DMEXCO o. J.).

In der nachstehenden Abbildung ist ein beispielhafter Bericht mit sample Daten einer Google AdWords Kampagne zu sehen:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Beispielbericht in Google Data Studio

(Quelle: https://datastudio.google.com/reporting/6af38a8b-64a9-472f-a27b-e62e91949639: 25.02.2021)

Im Beispielbericht werden relevante Key Performance Indicators (KPI) wie z.B. Cost, Cost/Conversion oder die Conversions aufgezeigt. In diesem Beispiel wurde ein Standardzeitraum für die letzten 30 Tage (außer heute) festgelegt. Durch die eingebundene Zeitachse wird der Return of Advertising Spent (ROAS) visuell gut erkenntlich dargestellt. Zudem bietet die Tabelle in Abbildung 1 eine Aufschlüsselung der Click-Through-Rate (CTR), der Conversions, sowie den Cost/Conversion für unterschiedliche Devices.

Der große Vorteil des Tools besteht darin, dass eine schnelle und gut erkennbare graphische Darstellung von Daten aus den verknüpften Quellen möglich ist. Somit können ohne tiefgründiges Fachwissen zügig professionelle Berichte erstellt werden. Darüber hinaus wird das Google Data Studio browserbasiert genutzt. Somit ist eine lokale Anwendung nicht nötig.

Die Flexibilität des Data Studio wird besonders deutlich anhand der unzähligen Datenquellen, welche untersucht, ausgewertet, gegenseitig verknüpft und gut erkenntlich visualisiert werden können. Im Data Studio werden diese Datenverbindungen als „Connectors“ bezeichnet und sind in dem Tool integriert. Zu den Connectors zählen z.B. die YouTube Analytics oder die Google Search Console. Zudem existieren 227 Partner Connectors, von denen Daten genutzt werden können. Das bedeutet, dass Google Data Studio in Summe mehr als 500 Datensätze von über 240 Connectors bereitstellt.

Die Basis für die graphische Darstellung von Daten und relevanten Ergebnissen sind zum einen das Definieren deutlicher Ziele und zum anderen eine strukturierte Übersicht der Informationen. Auch für Google Data Studio gilt, dass das volle Potenzial der Anwendung nur ausgeschöpft werden kann, wenn eindeutig kommuniziert wird, was mit den Daten bezweckt werden soll und welche Fragen beantwortet werden müssen (vgl. DMEXCO o. J.).

4.4 Webtracking effektiv nutzen

Die Marktteilnehmer bei der Webanalyse sind in der Regel die Advertiser und Tool-Anbieter. Mit Hilfe der Web-Analyse soll in der Regel ermittelt werden, welche Reichweite die eigene Website hat, wie die Struktur der User aufgebaut ist und wie Marketingmaßnahmen das Nutzerverhalten beeinflussen (vgl. Kamps/Schetter 2020: 166-167).

Zunächst stellt sich jedoch die Frage für Unternehmen, in welchem Umfang Webanalyse notwendig und sinnvoll ist. Zu diesem Punkt lassen sich Empfehlungen aus einem Experteninterview mit dem Gründer der Preissuchmaschine „Idealo“, Martin Sinner, ableiten. Zu Beginn muss ein Bewusstsein geschaffen werden, wie groß das Internet-Business ist oder werden soll. In Anbetracht des erzielbaren Resultats und möglichen Ergebnisoptimierungen müssen die finanziellen Mittel aufgrund relevanter Kriterien eingeplant werden. Diese Gesichtspunkte sind je nach dem unternehmerischen Konzept und der Vielschichtigkeit der Marketingbereiche unternehmensindividuell. Für einen kleinen Online-Shop, dessen User überwiegend aufgrund von Empfehlungen auf die Website gelangen, ist Webtracking nicht zwingend notwendig. Für Unternehmen, welche zahlreiche Visitor über verschiedene kostenpflichtige Kanäle auf die eigene Website leiten, ist ein solides Setup im Bereich Web-Analyse jedoch elementar. Üblicherweise sind für diese Online-Unternehmen Systeme, mit denen die Wirtschaftlichkeit des gekauften Traffics geprüft werden kann, erforderlich. Diesbezüglich müssen die Transaktionen plausibel attribuiert werden, da die Einflussfaktoren häufig mehrdimensional sind. Beispielsweise hat eine TV-Kampagne Einfluss auf die Klickraten von bezahlten Anzeigen, wie auch auf die organischen Sucherergebnisse. Falls die Wirkung von TV-Werbung lediglich auf zuordenbare Transaktionen bemessen wird, kann hierdurch eine falsche Einschätzung bezüglich der Wirksamkeit von TV-Werbung entstehen (vgl. Kamps/Schetter 2020: 180-181).

[...]