Big Data: Der qualified Audience auf der Spur

Big Data: Der qualified Audience auf der Spur

Lucas Schaerf

Lucas Schärf beschäftigt sich als CEO und Co-Founder von Content Garden mit der Expansion und strategischen Entwicklung des Unternehmens. Er ist begeisterter Outdoor-Sportler und findet, dass die Welt noch etwas mehr Kreativität und Erfindertum vertragen könnte.

Big Data ist in aller Munde. Die gesamte Branche spricht von Data Modeling, User Profilierung und intelligentem Data Management. Doch was steckt hinter diesen schwer fassbaren Begriffen? Warum ist das Ganze von Wichtigkeit und ist es das überhaupt?

Um die Frage vorweg zu beantworten: Ja, Daten sind enorm wichtig und steigern die Effektivität von Online-Kampagnen gegenüber nicht getargeteten Kampagnen um ein Vielfaches. Entscheidend für den Kampagnenerfolg ist jedoch die Qualität der genutzten Daten, derer wir uns bedienen. Ein optimiertes Kundenverständnis ist das Um und Auf – diese Priorität geben beinahe 50% aller befragten Geschäftstreibenden in der aktuellen IBM-Studie Analytics: Big Data in der Praxis an. Bereits in 47% der Unternehmen sind entsprechende Aktivitäten geplant. Die Studie attestiert Big Data die Fähigkeit, ein vollständigeres und präziseres Bild von Kundenbedürfnissen zu generieren, als dies bisher auch nur annähernd möglich war.

Üblicherweise orientieren wir uns im Online-Marketing an den sogenannten Sinus-Milieus. Dabei handelt es sich um eine etablierte Zielgruppen-Typologie, die User auf Basis soziodemographischer Merkmale beschreibt. Diese Art von Zielgruppen-Beschreibung ist sehr hilfreich, reicht bei der Planung von Kampagnen aber oft nicht aus.

Haarausfall, Laktose-Intoleranz, Hobbygärtner

Wenn wir ehrlich sind, sind die soeben genannten Zielgruppen-Attribute um einiges greifbarer als Standard-Sinus-Milieu-Beschreibungen. Warum? Wir sprechen über echte Problemstellungen bzw. Fakten. Genau diese Detailliertheit in der Ansprache von Usern im Netz lässt Performance-Werte zu, die bei weitem über den marktüblichen Klick-, Engagement- und Abbruchraten liegen.

Das entscheidende Stichwort lautet Daten: wir haben heute die Chance faktenbezogene Datensätze zusammentragen, um User nach Interessen und Verhaltensmustern zu clustern und sie mit entsprechenden Marketing-Kampagnen und passenden Werbebotschaften in Berührung zu bringen.

Aus Big Data wird schnell einmal Little Data: oft ist es sinnvoller sich hochwertiger und geprüfter Sources zu bedienen anstatt auf eine große Masse an Daten zu setzen, bei denen eine valide Prüfung von Herkunft und Qualität fehlt. Darauf verweisen auch Analysten der weltweit führenden Forschungs- und Beratungsfirma für Informationstechnologie „Gartner“, wenn sie zur Achtsamkeit aufrufen: Die Sinnhaftigkeit müsse für das jeweilige Anwendungsszenario geprüft werden, in jedem Fall jedoch müssten Unternehmen ihre Daten als werthaltige Ressourcen erkennen. „Die Quintessenz ist, dass nicht alle Informationen einen Big Data-Ansatz benötigen“, so Gartner-Analyst Frank Buytendijk, Pionier im Bereich „digitale Ethik“. Der Nexus of Forces, also die Verzahnung mit anderen IT-Großtrends wie Social Media und Mobile IT sei nicht außen vor zu lassen.

Vom Klassenbesten lernen

Wenn es um „Intent“ – also die Absicht der User im Netz – geht, ist Google Search mit Abstand der beste Player im digitalen Business. User verraten was sie beschäftigt, wonach sie suchen und sind so ehrlich wie nirgendwo sonst im Internet. Dadurch bietet Google mit dem hauseigenen Werbenetzwerk stets den passenden Advertiser zum Search Request.

Interessanterweise bedient sich Google weniger den klassischen Sinus-Milieus sondern – wie oben beschrieben – viel eher Motiven. Resultierend buchen Werbekunden Keywords, also relevante Begriffe, um die Zielgruppe über die Themen zu filtern und anzusprechen.

Big Data – Fazit

Es sind also nicht länger die altbewährten Sinus-Milieus, sondern viel mehr die Daten, die die Kundenbedürfnisse detailliert abbilden und die Effektivität von Online-Kampagnen nachweislich um ein Vielfaches steigern. Entscheidend ist aber – wie so oft – deren Qualität. Wie der Aufbau von qualifizierten Datensätzen am besten gestaltet wird, ist in den nächsten Beiträgen zu lesen.