Datenbasierte Budgetallokation – Mediabudget zieloptimiert investieren

Datenbasierte Budgetallokation – Mediabudget zieloptimiert investieren

Marketer sollten ihr Budget dort ausgeben, wo der absolute ROI am größten ist oder das Verhältnis von Return zu Kosten am besten. Dies kann mit Hilfe einer datenbasierten Budgetallokation gelingen.

Budgetallokation im Mediakontext

Budgetallokation bedeutet erstmal ganz allgemein, ein gegebenes Budget für einen bestimmten Zeitraum (typescherweise für ein Jahr oder ein Quartal) auf unterschiedliche Investmentalternativen zu verteilen. Investmentalternativen im Mediakontext gehen von der Gattungs-/Kanalebene (TV, OOH, Radio, Digital Social, Digital Video, Digital Display etc.), über Publisher bis hin zum Placement. Wir können also zum Beispiel überlegen, auf welche Gattung welcher Anteil des Mediabudgets entfallen soll.

Definition Budgetallocation
Bei der Budgetallocation teilen Marketer ein Budget für einen festgelegten Zeitraum auf Investitionsalternativen auf. Im Mediakontext wird ein jährliches Mediabudget auf die jeweiligen Kommunikationsmittel aufgeteilt. Es wird zwischen Intermedienverteilung und Intramedienverteilung unterschieden.

Aber warum machen wir uns überhaupt so viele Gedanken darüber, wie wir Budgets verteilen und verteilen es beispielsweise nicht einfach zufällig auf alle Gattungen, die verfügbar sind? Weil es darum geht, möglichst viel (meistens Profit oder im Mediakontext Aufmerksamkeit) für sein Investment zurückzubekommen. Entsprechend möchten wir nicht einfach zufällig investieren, sondern dort den nächsten Media-Euro ausgeben, wo der absolute Return (meist Umsatz) am größten ist oder das Verhältnis von Return zu Kosten am besten.

Im Folgenden vereinfachten Beispiel ist das einmal in Form von drei Investmentalternativen visualisiert. Jede Alternative führt zu mehr „Impact”. Auf Basis dieser Informationen würde allerdings wahrscheinlich jeder Marketingmanager nach Planungsszenario 3 (Abbildung 1) das Mediabudget verteilen, weil die Impact-Veränderung/der Return hier am höchsten ist.

Mercury Media Technology_Datenbasierte Budgetallokation_Planning Scenario

Abbildung 1

Eine Investitionsentscheidung (Budgetallokation) im Mediakontext ist ein von der Grundidee her simples, klassisches wirtschaftliches Optimierungsproblem. Mit gegebenen Mitteln soll der Return maximiert werden, indem das Budget zwischen Handlungsalternativen verteilt wird.

Die drei entscheidenden Fragen, um das Optimierungsproblem Budgetallokation zu lösen, sind:

  1. Was ist mein Ziel?
  2. Ist dieses Ziel messbar?
  3. Kann ich meine Investitionsalternativen kausal mit meinem Ziel verknüpfen?

Wenn diese Fragen positiv beantwortet werden können, kann darauf basierend ein Optimierungssystem aufgebaut werden, welches im Ergebnis zur zieloptimalen Budgetallokation führt.

Voraussetzungen für datenbasierte Budgetallokation

Budgetallokation soll zieloptimal sein. Das kann Budgetallokation nur sein, wenn bekannt ist, wie sich eine Veränderung der Budgetallokation kausal und inkrementell auf mein Ziel und damit meinen Return auswirkt. Wenn ich den TV-Anteil in meinem Mediamix von 80 % des Gesamtbudgets auf 60 % herunterfahre und gleichzeitig den Digitalanteil auf 40 % erhöhe, wie verändert sich dann mein Ziel/Return?

Um das besser zu verstehen, können wir den vergangenen Verlauf unserer Investitionsentscheidungen und des Ziels beobachten. Wir sehen dann zum Beispiel, dass “... als wir damals Social neu in den Mediamix hinzugefügt haben, der Absatz unseres Produktes sogar leicht gesunken ist.”.

Deshalb wurde Social vielleicht erstmal wieder aus dem Mediamix verbannt. Aber wurde auch berücksichtigt, dass parallel zu der Social-Testkampagne ein neues Wettbewerbsprodukt mit massiven Mediaspendings auf den Markt gekommen ist? Auch das können wir natürlich beobachten und einordnen. Um aber ein wirklich ganzheitliches und sauberes Bild des tatsächlichen inkrementell-kausalen Effekts unterschiedlicher Investmentalternativen zu bekommen, sollten statistische Modelle und Machine Learning Algorithmen das menschliche „Beobachten” und die darauf basierende Attribution (Zuordnung) von Effekten (Veränderungen der Zielgröße) übernehmen.

Hier hätte ich gerne ein schönes Zitat:

"Statistische Modelle und Machine Learning Algorithmen sollten das menschliche Beobachten und die darauf basierende Attribution von Effekten übernehmen."

Jonas Clasen
Director Data Science
Definition Attribution
Bei der Budgetallokation müssen Effekte attribuiert und quantifiziert werden, damit das Investment steuerbar wird. Bei der Attribution wird die Veränderung des Ziels durch ein mathematisches Modell des zugrundeliegenden Zusammenhangs möglichst gut vorhergesagt.

Attribution ist der zentrale Begriff der Budgetallokation und Mediaoptimierung. Effekte müssen attribuiert (welcher Teil einer Veränderung des Ziels ist auf welche Maßnahme zurückzuführen) und quantifiziert (um wie viele Einheiten verändert sich das Ziel, wenn sich eine Maßnahme um eine Einheit z.B. eine Impression verändert) werden, damit das Investment wirklich steuerbar wird. Attribution funktioniert vom Prinzip her so, dass die Veränderung des Ziels durch ein mathematisches Modell des zugrundeliegenden Zusammenhangs (Investment und Ziel) möglichst gut vorhergesagt wird (Prediction)(Abbildung 2). 

Mercury Media Technology_Datenbasierte Budgetallokation_Zeitverlauf

Abbildung 2

Wenn also der Verlauf der Zielkurve möglichst gut nachvollzogen werden kann, kann auf Basis weiterer mathematischer Modelle der Beitrag einzelner Ereignisse (z.B. Werbung, Wetter, natürliche Nachfrage) attribuiert und quantifiziert werden. Auf Basis eines solchen Modells kann man dann unterschiedliche Budgetallokationsszenarien hinsichtlich ihrer Zielwirksamkeit vorhersagen und vergleichbar machen.

Noch wichtiger als die mathematischen Modelle zur Abbildung der Zusammenhänge sind die Daten, die in diese Modelle fließen. Denn es ist ganz einfach: Egal wie gut der Machine Learning Algorithmus ist, sind es zu wenige Daten oder stimmt die Datenstruktur (Verteilung, Granularität und Verknüpfbarkeit von Daten) nicht, sind die Attributionsergebnisse auch begrenzt. Deshalb sind auch die erfolgreichsten Unternehmen unserer Zeit die Unternehmen, die die meisten strukturierten Daten sammeln. Je granularer und zahlreicher die Daten, desto besser.

Umsetzung datenbasierter Budgetallokation

Data first 

Im ersten Schritt geht es darum, einen (Daten-) Basis zu schaffen. Es macht keinen Sinn, den komplexestens Machine-Learning-Algorithmus zu entwickeln und diesen auf eine unstrukturierte Excel mit 100 Zeilen zu werfen. Das bedeutet nicht, dass nur Unternehmen mit einem Datenschatz wie Google, Amazon oder Facebook Budgetallokation machen können, sondern das im ersten Schritt sichergestellt ist, dass alle verfügbaren Daten

  1. korrekt sind,
  2. eine möglichst lange Historie der Daten vorliegt,
  3. die Daten aktualisiert werden und
  4. für alle relevanten Stakeholder im Unternehmen abrufbar sind.

Diese Voraussetzungen zu erfüllen, scheint selbstverständlich, doch viele Unternehmen besitzen zum Beispiel einen Teil der relevanten Daten gar nicht selbst (sondern Dienstleister oder Agenturen) oder meinen, dass bestimmte Daten nur drei Jahre rückwirkend benötigt werden würden. Meistens mit dem Argument, dass aktuelle Daten aktuelles Marktgeschehen besser abbilden. Der zeitliche Kontext von Daten muss immer berücksichtigt werden, eine lange Datenhistorie ist von großer Bedeutung für Attribution. Denn das mathematische Modell „versteht“ umso besser, wie die relevanten Zusammenhänge funktionieren, je mehr Daten vorliegen. Von daher ist es empfehlenswert, Daten lange aufzubewahren und alles zu tracken, was möglich ist. Anpassungen können später immer noch vorgenommen werden.

Echte Verfügbarkeit von Daten bedeutet, dass Daten konsistent strukturiert in einem Datenbanksystem vorliegen und von anderen Systemen (z.B. Dashboards und Analysesystemen) ohne grundlegende weitere Anpassung verwendbar sind. Häufig ist die Realität, dass Personen, die in einem Unternehmen mit Daten arbeiten wollen, erst einmal die Daten selbst kontrollieren und strukturieren müssen. Ein solches Vorgehen ist ineffizient und vor allem unstandardisiert und führt zu inkonsistenten Ergebnissen. Das Ziel muss immer sein, einen Single Point of Truth seiner Daten zu haben.

Daten müssen insbesondere für die Bereiche und Systeme verfügbar sein, die mit diesen arbeiten und Optimierungssysteme entwickeln. Damit das ganze Unternehmen Data-Driven werden kann, sollten Daten grundsätzlich für jeden Mitarbeiter verfügbar sein.

Data-Driven Marketing heißt, nicht nur die sowieso verfügbaren Daten zu nutzen, sondern gezielt Daten zu produzieren. Übergeordnet bedeutet das, erstmal alles zu tracken, was technisch möglich ist. Das bedeutet aber zum Beispiel auch, einen übergeordneten Testing-Prozess zu etablieren und seine Mediakampagnen gezielt so zu strukturieren, dass bestimmte Datenpunkte generiert werden (z. B. nicht immer alle Mediakanäle parallel ausspielen und nicht immer zu den absoluten Nachfragehöhepunkten zu werben). Natürlich kann der komplette Optimierungsprozess nicht alleine auf Messbarkeit ausgerichtet werden Primär geht es immer um die Ziel-Maximierung, aber ohne Attribitionserkenntnisse aus eigenen oder Daten Dritter geht es schlichtweg nicht.

Daten und ihre strukturierte Verfügbarkeit (Single Point of Truth) sind die Grundvoraussetzung. Einen sauberen Datenprozess aufzusetzen, ist bereits eine große Herausforderung für viele Unternehmen, die noch im Excel-Zeitalter leben. Heutzutage sollte der Datenprozess höchste Priorität haben und erst sauber abgeschlossen werden, bevor es zu der eigentlichen Arbeit mit den Daten geht. 

Der Optimierungsprozess ist das kollektive Gehirn des Unternehmens

Eigentlich ist alles, was im unternehmerischen Kontext gemacht wird, ein Optimierungsprozess. Es gibt einen Zielparameter (Profit), den es zu maximieren (kurzfristig nicht immer, langfristig aber immer) gilt, indem begrenzte Mittel (Budget) optimal auf Investitionsalternativen (Steuerungsparameter) verteilt werden. Im Kontext der Mediabudgetallokation bedeutete das, dass Budget optimal auf Mediainvestitionsalternativen zu verteilen, um den Profit einer Marke oder eines Produktes zu maximieren.

Von der Grundidee nachvollziehbar. Die Herausforderung ist, dass der Zusammenhang Mediainvestition und Ziel nicht unabhängig von anderen Einflussfaktoren ist.

Daher ist es von enormer Relevanz, dass das Optimierungssystem mit all seinen Parametern und den (vermuteten) Zusammenhängen klar definiert wird. Im Ergebnis ist das ein Kreislauf, der mit dem Ziel beginnt und endet und dazwischen Steuerungsparameter, Einflussfaktoren und ihre Zusammenhänge darstellt.

Die Konzeption des Optimierungsprozesses dient als Basis für den eigentlichen Attributionsprozess und die technische Umsetzung des Optimierungsprozesses (Investitionsentscheidung, Investition, Kontrolle). Auch hier ist es wichtig, einen Single Point of Truth zu haben. Natürlich gibt es zu solchen Systemen unterschiedliche Hypothesen und Meinungen, aber für ein Unternehmen ist es entscheidend, dass zu einem bestimmten Zeitpunkt immer nur ein Optimierungsprozess gilt. Ansonsten kann es zu gegensätzlichen Optimierungen kommen, die sich immer schlecht auf die Zielerreichung auswirken. Ein Optimierungsprozess ist justierar und muss sich sogar kontinuierlich im Hinblick auf neue Erkenntnisse angepasst werden für alle Akteure im Unternehmen natürlich in dieselbe Richtung.

Daten produktiv machen: Analytics und Attribution

Attributionsgüte (die Genauigkeit und Granularität der Attribution) hängt zu 90 % von den zugrundeliegenden Daten ab. Große Mengen hochwertiger (vollständig, granular, verknüpft, variationsreich) Daten führen zu einer hohen Attributionsgüte. Die restlichen 10 % machen das Optimierungsprozesskonzept, das richtige mathematische Modell (statistisches Modell, Machine-Learning-Algorithmus) sowie die konsistente Anwendung der Attributionsergebnisse aus.

Im eigentlichen Attributionsprozess sollte stets von den großen Zusammenhängen zu den kleinen gegangen werden als Makro- und Mikrooptimierung bezeichnet. Im ersten Schritt gilt es zu verstehen, wie Media insgesamt das Ziel kausal beeinflusst. Welcher Anteil der Zielparemeterveränderung ist Media und welcher nicht (Baseline)?

An erster Stelle steht immer die Infrastruktur. Die Vision einer allumfassenden Machine- Learning-Budgetallokation ist schön, funktioniert aber nur, wenn die Dateninfrastruktur funktioniert.

Prüfung Budgetallokation

Budgetallokation funktioniert wie jeder Optimierungsprozess als iterativer Kreislauf. Auf Basis der Analyse von Vergangenheitsdaten werden Entscheidungen getroffen, welche dann immer wiederholend ex post analysiert werden. Mit der Budgetallokationsentscheidung werden also erneut Datenpunkte generiert, auf deren Basis der Effekt auf das Ziel getestet werden kann, um seine Budgetallokation wieder anzupassen.

Fazit

Das Ziel ist es schon immer gewesen, das gegebene Budget möglichst effektiv und effizient einzusetzen. Nun ist es an der Zeit, die Voraussetzungen dafür zu schaffen, indem eine Daten-, Attributions- und Optimierungsinfrastruktur etabliert wird.

Hierfür muss insbesondere eine ausreichende Dateninfrastruktur geschaffen werden. Denn nur darauf aufsetzend funktioniert Attribution mit dem Ergebnis einer zieloptimalen Budgetallokation innerhalb eines gesamtheitlichen Optimierungsprozesses.



Erhalten Sie viermal im Jahr die für Sie relevantesten Artikel per E-Mail.

Zum Newsletter anmelden


© Copyright 2021 | Mercury Media Technology GmbH