Predictive Performance Marketing
mit IBM Cognos Analytics und Microsoft Power BI for Desktop
Business-Intelligence-Anwendungen ermöglichen realitätsnahe Forecasts für einen Prognosezeitraum von sechs bis zwölf Monaten. So können Antworten auf Entwicklungen gefunden werden, die noch gar nicht eingetreten sind.
Was ist Predictive Performance Marketing?
Es ist immer gut, wenn Unternehmen ihre Entscheidungen auf einer soliden Datengrundlage treffen. Besser ist es aber, sich nicht nur auf historische Bestandsdaten zu verlassen, sondern auch realitätsnahe Zukunftsszenarien zu berücksichtigen. Kurzum: Es ist gut, Entscheidungen nicht nur nach den Daten der Vergangenheit zu treffen, sondern auch vor den Daten der Zukunft. Dabei ist es nicht mit einer einfachen Hochrechnung getan, denn eine solche berücksichtigt weder das Entwicklungsmuster noch die Saisonalitäten eines Datensatzes. Für realitätsnahe Forecasts sollten daher Regressionsanalysen mit eingerechneten Saisonalitätswerten verwendet werden, um genaue Werte für einzelne Wochen oder Monate zu errechnen.
Forecasting mit IBM Cognos Analytics und Microsoft Power BI for Desktop
Für solche Forecasts können unterschiedliche Metriken im Online- und Performance Marketing vorhergesagt werden: Klicks aus organischer Google-Suche auf Websites, ausgeführte Zielvorhaben von Online-Nutzern aus bezahlter Werbung, die statistische Dauer vom Erstkontakt bis zum Kauf bei einem Kunden oder die Entwicklung von UX-Werten, wie der Absprungrate oder der Conversion-Rate (Prozentsatz an Nutzern, die ein Zielvorhaben auf einer Website erfüllten). Mit anderen Worten: Mit Forecasting-Dashboards kann ein Unternehmen ein Monitoring für alle Kanäle im Online- und Performance Marketing aufsetzen, das sechs bis zwölf Monate im Voraus wie ein Radar fungiert. Dadurch entsteht auch eine neue Art des Arbeitens im Online- und Performance Marketing – nämlich Predictive Performance Marketing.
Abwärtstrend erkennen aus einer bestimmten Metrik erkennen mit Forecast aus Microsoft Power BI mit Regressionsanalyse und eingerechnetem Saisonalitätswert.
So könnte ein Aufwärtstrend anhand von Saisonalität in einem Forecast mit Microsoft Power BI for Desktop aussehen.
Welche Daten eignen sich für Forecasts im Online Marketing?
Alle erdenklichen Daten aus dem Online- und Performance Marketing eignen sich für Forecast, und diese können mit den richtigen Technologien für etwa sechs bis zwölf Monate realitätsnah prognostiziert werden. Das geht beispielsweise mit Umgebungen wie Microsoft Power BI for Desktop oder IBM Cognos Analytics.
Das ermöglicht es wiederum, Abwärtstrends zu erkennen und ihnen vorzubeugen, sowie Chancen in absehbaren Aufwärtstrends für sich zu nutzen. Außerdem kannst du mit Forecasts das ungefähre Datum einer rechnerischen KPI-Zielerreichung für Projekte ermitteln, was die Entscheidungsfindung in der Ressourcenplanung viel effektiver macht. So weißt du, was ein bestimmter Kostenpunkt pro Deal in einer Online-Werbekampagne erreicht sein könnte oder wann deine Website einen Schwellenwert an organischen Google-Klicks im Monat überschreitet.
Für solche Forecasts können unterschiedliche Metriken im Online- und Performance Marketing vorhergesagt werden: Klicks aus organischer Google-Suche auf Websites, ausgeführte Zielvorhaben von Online-Nutzern aus bezahlter Werbung, die statistische Dauer vom Erstkontakt bis zum Kauf eines Kunden auf der Website oder die Entwicklung von UX-Werten, wie der Absprungrate oder der Conversion-Rate (Prozentsatz an Nutzern, die ein Zielvorhaben auf einer Website erfüllten). Mit anderen Worten: Mit Forecasting-Dashboards kann ein Unternehmen ein Monitoring für alle Kanäle im Online- und Performance Marketing aufsetzen, das sechs bis zwölf Monate im Voraus wie ein Radar fungiert. Daraus entsteht eine neue Art des Performance Marketing: Predictive Performance Marketing.
Informations- und Handlungsvorsprung durch realitätsnahe Vorhersagen
Durch Forecasting-Dashboards entsteht auf der einen Seite ein Informationsvorsprung und auf der anderen Seite ein Handlungsvorsprung: Du musst nicht erst abwarten, bis ein Abwärtstrend eingetreten ist, sondern kannst ihn abwenden, bevor er entstanden ist. Wenn also eine Website in ihrer Performance an organischen Google-Klicks wahrscheinlich in sechs Monaten einen bestimmten Schwellenwert unterschreiten wird, kann ein Marketing-Team im Unternehmen präventiv Ressourcen mobilisieren, um mehr Content für organische Reichweiten zu platzieren. Viele Probleme, die sonst entstanden wären, entwickeln sich somit erst gar nicht.
So würde ein Abwärtstrend mit Forecast in einem Bericht mit IBM Cognos Analytics aussehen.
Funktionsweise von Forecasts: Regressionsanalyse und Saisonalitätswerte
Doch welche Technologien sollten für Forecasts verwendet werden? Zunächst sollte mindestens zwei Dinge können: Sie sollte eine Regressionsanalyse aus den Werten des Datensatzes durchführen und dabei Saisonalitätswerte berücksichtigen. Der Hintergrund ist, dass eine lineare Regression an sich nur die statistische Entwicklungsrichtung, aber kein Entwicklungsmuster eingibt. Erst ein Saisonalitätswert sorgt dafür, dass der Regressionsanalyse ein ursächliches Entwicklungsmuster zugrundeliegt, wodurch Schwankungen und Trends zwischen Wochentagen, Kalenderwochen oder Monaten aus den Bestandsdaten berechnet werden können.
Die Datensätze für Forecasts in den gängigen Business-Intelligence-Anwendungen müssen in tabellarischen Daten vorliegen, wie etwa in einer Google-Sheets-Tabelle, einer Excel- oder CSV-Datei oder einer BigQuery-Datenbank. Die Kopfzeilen der Tabelle geben die Beschriftungen für die Dimensionen und Metriken her, während die Zeileneinträge die eigentlichen Messwerte enthalten. Ein solcher tabellarischer Datensatz muss immer eine Zeitachse enthalten, also eine Spalte, die Zeitangaben beinhaltet, wie beispielsweise Tage nach Datum, Kalenderwochen, Monate, Jahre, Stunden, Minuten oder Sekunden. Das würde die Dimension im Forecast darstellen. Eine weitere Spalte sollte die Metrik des Forecasts enthalten, also beispielsweise Website-Klicks aus organischen oder bezahlten Traffic-Quellen, erreichte Conversion (Zielvorhaben auf der Website), UX-Werte, Nutzer auf der Website, Kostenpunkt pro Deal oder Kostenpunkt pro Conversion.
Der eingangs erwähnte Saisonalitätswert gibt die Anzahl der letzten Datenpunkte deines Datensatzes entlang der Zeitachse wieder. Wenn du also einen Forecast machen möchtest, mit einem tabellarischen Datensatz, der 700 Tage mit Klicks enthält, und du eine Saisonalität von 200 wählst, würde das Entwicklungsmuster der letzten 200 Tage für deinen Forecast berechnet werden.
Umgebungen für Forecasts
Zwei besonders beliebte Forecast-Technologien sind Microsoft Power BI for Desktop und IBM Cognos Analytics. Diese führen aus tabellarischen Datensätzen Regressionsanalysen durch und berücksichtigen dabei Saisonalitätswerte. Nach demselben Schema kannst du dir aber auch ein eigens trainiertes Machine-Learning-Modell mit der Vertex AI auf der Google Cloud aufsetzen. Nachfolgend soll es um die Forecasting-Funktionen von Microsoft Power BI und IBM Cognos Analytics gehen. Beide Anwendungen zeichnen sich dadurch aus, dass sie hochleistungsfähige Datenverknüpfungen zulassen, Daten aus unterschiedlichen Quellen miteinander verbinden und modellieren können, und dass Diagramme, Dimensionen und Metriken per Drag-and-Drop in einem benutzerfreundlichen Berichtseditor erstellt werden können.
Forecasts mit Microsoft Power BI for Desktop
Microsoft Power BI for Desktop ist ein ausgekoppeltes Programm von Microsoft Power BI, welches offline verwendet werden kann, welches aber auch online Daten aus verschiedenen Quellen – wie aus Microsoft Power BI selbst – importieren kann. Der Download von Microsoft Power BI for Desktop wird von Microsoft kostenlos angeboten. Die Anwendung bietet die Möglichkeiten, unterschiedlichste Datenquellen anzuschließen und die Daten gegebenenfalls zu transformieren, falls es Kompatibilitätsprobleme gibt, wie etwa ein falsches Datumsformat, falsche Dezimalstellen oder nicht erkannte Kopfzeilen für die Beschriftungen von Dimensionen und Metriken. Hier kannst du einen tabellarischen Datensatz als Excel- oder CSV-Datei hochladen oder aber Google-Sheets-Tabellen und BigQuery-Datenbanken online verknüpfen. Anschließend werden in der Menüleiste ganz rechts die Dimensionen (Zeitachse) und Metriken (zum Beispiel Klicks) des Datensatzes angezeigt. Du kannst im Werkzeugkasten Diagrammtypen per Drag-and-Drop in den Berichtseditor ziehen und anschließend die Dimensionen und Metriken deines Datensatzes importieren.
In den zwei rechten Menüleisten kannst du in Microsoft Power BI for Desktop per Drag-and-Drop Visualisierungen, Dimensionen und Metriken in den Berichtseditor ziehen.
Die Forecast-Funktion liegt im Menüreiter “Analyse” mit dem Lupensymbol im rechten Werkzeugkasten. Hier kannst du deinen Prognosezeitraum in Datenpunkten angeben. Ein Datenpunkt entspricht dabei einer Tabellenzeile in deinem tabellarischen Datensatz. Wenn du also 700 Tage als Zeilen nacheinander in deiner Tabelle hast, würde ein Prognosezeitraum von 200 genau 200 Tage im Forecast bedeuten. Nach demselben Schema gilt dies für Stunden, Minuten, Sekunden, Kalenderwochen, Monate oder Jahre. Hier kannst du auch deine Saisonalitätswerte eintragen. Außerdem wird dir noch ein justierbarer Konfidenzintervall für mögliche Ausschläge angezeigt.
In den zwei rechten Menüleisten kannst du in Microsoft Power BI for Desktop per Drag-and-Drop Visualisierungen, Dimensionen und Metriken in den Berichtseditor ziehen.
Forecasts mit IBM Cognos Analytics
IBM Cognos Analytics arbeitet im Bereich der Forecasts nach einem ähnlichen System wie Microsoft Power BI for Desktop und errechnet Regressionsanalysen berücksichtigten Saisonalitätswerten. Auch hier gibt es einen Berichtseditor, der mit Drag-and-Drop arbeitet. IBM Cognos Analytics hat einige spannende Diagramm-Visualisierungen, die es anderswo nicht immer gibt, wie etwa den Forecast für Entscheidungsfindung als Struktogramm. Die Anwendung ist ebenfalls in der Lage, eine gewaltige Vielzahl an Datensätzen online anschließen zu können, um Verbindungen und Zusammenhänge zwischen mehreren Datensätzen erforschen und visualisieren zu können. Allerdings gibt es IBM Cognos Analytics nicht komplett kostenlos: Neben einer kostenlosen 30-Tage-Testversion kann man aber das Programm schon ab 10$ im Monat erwerben.
Auch in IBM Cognos Analytics ist es möglich, Prognosezeiträume und Saisonaliätswerte aunhand von Datenpunkten einzugeben, die Maßen der Zeitraumdimension des tabellarischen Datensatzes entsprechen. Die Forecast-Funktion liegt im Berichtseditor oben rechts im Menüpunkt “Analysen”.
Forecasting-Dashboards als Radar
Unternehmen sollten bei der Entscheidungsfindung nicht nur nach den bereits vergangenen Daten urteilen, sondern schon vor den eintretenden Datenentwicklungen einen realitätsnahen Forecast zurate ziehen. Damit können Abwärtstrends verhindert, Aufwärtstrends ausgebaut und KPI-Zielerreichungen terminiert werden. Grundsätzlich gilt das für unterschiedliche Datensätze im Performance Marketing: Für die Performance-Werte einzelner Werbekampagnen bei Google Ads oder Meta, aber auch für die organischen Reichweiten aus Suchmaschinen-Traffic entweder ganzer Websites oder einzelner Unterseiten. Wenn ein UX-Team stetige Verbesserungen an der Benutzerfreundlichkeit der Website durchführt, können ebenfalls UX-Metriken, wie Absprungraten, Conversion-Rates, Sitzungsdauern und Scrolltiefen gemessen werden. Online-Shops und B2B-Unternehmen können aus ihren Analytics-Systemen oder CRM-Systemen die durchschnittliche Dauer der Erreichung von Customer-Lifecycle-Stages prognostizieren, um zu sehen, ob Kundenbindungsstrategien oder Newsletter tatsächlich die Nutzer schneller zum Kauf bringen. Ergo: Es gibt unzählige Anwendungsfälle, für die es sich lohnt, mit Forecasting-Dashboards Antworten auf Ereignisse zu finden, bevor sie eintreten.
Marketing & Leadgenerierung
SEA, Paid Media, Conversion-Rate-Optimierung, Markt- und Trendanalysen im Raum Berlin-Brandenburg.
Telefon: +49 176 588 744 04
E-Mail: info@slavawagner.de
Kostenlose Beratung: Forecasts mit der Vertex AI auf der Google Cloud
Wenn du nicht weiß, wie du ein eigenes Machine-Learning-Modell basierend auf tabellarischen Daten mit der Vertex AI erstellen kannst, stelle deine Fachfragen gerne kostenfrei:
Stelle deine Fachfrage
info@slavawagner.de
Kostenfreie Beratung
+49 176 588 744 04