Autor
Die Brücke - Data Kaffee
Aleksandra Semenenko, Direktorin von Data Science & Global Lead on Marketing Measurement bei Artefact, hat sich kürzlich mit Emmanuel Malherbe, Leiter von Research Center bei Artefact, zusammengesetzt, um über die MMM-Modelle zu sprechen, die das Unternehmen entwickelt hat, und über die Trends, die sich heute bei den Kunden abzeichnen.
Marketing-Mix-Modellierung ist ein aktuelles Thema. Was hat Artefact in letzter Zeit auf dem Gebiet des MMM unternommen?
In den letzten drei Jahren haben wir Modelle entwickelt, die Unternehmen und unseren Kunden dabei helfen, den ROI ihrer Medien, ihrer Werbung und anderer Dinge zu verstehen, die neue Arten von Investitionen wachsen lassen.
Wir haben mehrere Modelle entwickelt und dabei so einfache Dinge wie Regression und so ausgeklügelte wie Bayes'sche Netzwerke ausprobiert. Es ist eine sehr aufregende Zeit für uns.
Was sind die verschiedenen Trends, die Sie derzeit bei Ihren Kunden beobachten?
Wir sehen drei Haupttrends bei unseren Kunden auf einer ziemlich globalen Ebene.
Der erste Trend ist die Internalisierung von MMM in Unternehmen. Wie unterstützt Artefact diese Unternehmen?
Bei Artefact gehen wir dieses Problem mit unserem internalisierten Ansatz an. Das mag für ein Beratungsunternehmen kontraintuitiv erscheinen, aber es entspricht der Art und Weise, wie wir unsere Kunden beim Aufbau dieser Fähigkeiten in ihren Unternehmen unterstützen.
Viele unserer Kunden möchten das MMM verinnerlichen, aber sie brauchen Hilfe, um diesen ersten Schritt zu tun. Unsere Lösung besteht darin, mit den Unternehmensteams zusammenzuarbeiten, um herauszufinden, was die eigentliche Lernagenda ist: Was wollen die Kunden über ihre Marketing- oder Vertriebsaktivitäten lernen? Das wäre ein erster Schritt. Und in einem zweiten Schritt haben wir unser eigenes Model-as-a-Service entwickelt, das wir auf verschiedenen Plattformen anbieten und unseren Kunden zur Verfügung stellen werden.
Unsere technischen Teams arbeiten Hand in Hand mit unseren Kunden, um unsere IP zu implementieren und ihre Teams auf den neuesten Stand zu bringen. Normalerweise überlassen wir es dann unseren Kunden, ihre MM-Reise alleine fortzusetzen, aber wenn sie zusätzliche Unterstützung wünschen, bieten wir diese natürlich an, das ist unsere Philosophie.
Der zweite Trend ist, dass die Kunden schnellere Ergebnisse und Einblicke wünschen. Wie hilft Artefact Unternehmen, diese Ziele zu erreichen?
Es gibt zwei Haupttypen von Fähigkeiten, die Kunden wünschen. Die erste ist pragmatisch: schnelle Ergebnisse und schnelle Iteration mit dem verfügbaren data. Die zweite ist eine Erweiterung der ersten und beinhaltet innovative KI-Lösungen, die wir mit dem Bayes'schen Netzwerk haben oder die wir mit GenAI einbinden können, um die Effizienz des Teams zu steigern.
Um schnell zu diesem ersten ROI zu gelangen, haben wir eine Arbeitsweise mit unseren Kunden entwickelt, bei der wir mit der Implementierung des ersten pragmatischen Ansatzes beginnen, so dass wir die Teams bereits mit diesen schnellen Erkenntnissen ausstatten und dann mit der Iteration fortfahren. Hier hilft das In-Housing wirklich, denn auf diese Weise haben wir wirklich schnellen Zugriff auf den gesamten Tech-Stack; wir haben schnellen Zugriff auf das data und wir können diese Verbindung zwischen der Aktualisierung des Modells, zwischen der Aktualisierung der Ergebnisse und zwischen der Implementierung im Unternehmen wirklich schnell herstellen.
Auf diese Weise erhalten unsere Kunden schnelle Ergebnisse, sie haben immer noch ihre internen Fähigkeiten und wir haben die zeitlichen Kapazitäten, das Personal und das Budget, um großartige innovative Dinge zu implementieren, die uns jetzt mit GenAI zur Verfügung stehen.
Wie funktioniert der End-to-End-Ansatz von Artefact?
Wir versuchen, Zeit zu sparen, indem wir herausfinden, welches Modell am besten geeignet ist, weil wir es schon so oft ausprobiert haben, dass wir mehr oder weniger wissen, welche Ansätze funktionieren. Innerhalb Ihres regulären Projektzeitplans, um Strategie und Betrieb zu verbinden, brauchen wir also Zeit, um mit den Leuten zu sprechen, wir müssen die globale Lernagenda mit der lokalen Lernagenda abgleichen und so oder so. Und die restliche Zeit verbringen wir mit dem Unternehmen, um sicherzustellen, dass die Ergebnisse, die unsere MMMs liefern werden, mit anderen Studien übereinstimmen, die der Kunde durchgeführt hat, entweder mit AB-Tests oder mit anderen MMMs, und wir stellen tatsächlich diese Verbindung her und führen alle Erkenntnisse zusammen.
Können Sie ein konkretes Beispiel für die Auswirkungen des MMM auf eine Organisation nennen? Welche Rolle spielt dabei die KI?
Ich gebe Ihnen ein Beispiel für die Verbindung zwischen der operativen und der strategischen Abteilung und der Entscheidungsfindung im Unternehmen.
Wir hatten einen Kunden - keine Namen, tut mir leid! - und dieser Kunde war schon sehr weit auf dem Weg der Messung. Er hatte eine Menge Studien, AB-Tests und Marketing-Mix-Modelle auf globaler und lokaler Ebene durchgeführt. Und eine andere Person in der Organisation lud Artefact ein, eine Studie mit einem etwas anderen Umfang durchzuführen. Als wir ankamen, entdeckten wir, dass es viele Studien gab, die in der Vergangenheit in fast demselben oder einem angrenzenden Bereich durchgeführt worden waren, und wir fanden es sehr wertvoll, all diese Erkenntnisse wiederzuverwenden, denn einige von ihnen waren sehr strategisch und zeichneten den Weg des Unternehmens auf, und eine von ihnen war sehr operativ und stammte aus AB-Tests, bei denen eine Menge verschiedener Innovationen ausprobiert wurden. Wir wollten diese Erkenntnisse miteinander verknüpfen, um dem Unternehmen ein ganzheitliches Bild zu vermitteln, das es so noch nicht gegeben hatte.
Und weil unser Modell und unser MMM-Ansatz auf Bayes'schen Methoden basieren, die aus dem geschäftlichen Kontext des Kunden lernen, konnten wir erfolgreich sein. Der erste Mehrwert unseres Modells war “hier ist der ROI von diesem, hier ist der ROI von jenem”, aber der zweite Mehrwert war wirklich die Vereinheitlichung der gesamten geschäftlichen Wertschöpfungskette, vom Betrieb bis zur Strategie, unter Verwendung von KI.
Mit Ihrem Modell haben Sie also Geschäftseinblicke, aber auch die Teams und die Menschen vereint?
Stimmt, aber manchmal kann es zu Herausforderungen kommen, weil verschiedene Teams die Messungen und AB-Tests durchführen und in das Unternehmen einbringen. Wir waren in der Lage, eine Geschichte zu erstellen, die von allen geteilt wurde, und das hat wirklich geholfen, das Geschäft zu beschleunigen, ohne sich hier und da mit kleinen Unstimmigkeiten herumschlagen zu müssen. Wenn Sie einen ganzheitlichen Überblick über alle Erkenntnisse haben, die Sie in den letzten Jahren gesammelt haben, löst das wirklich das Problem der operativen Kommunikation.
Haben Sie einen letzten Kommentar zur Zukunft der Marketing-Mix-Modellierung?
Ich kann Ihnen eines sagen: Die Modellierung des Marketing-Mix wird sich durchsetzen. Unternehmen wollen die Ergebnisse ihres Handelns sehen. Unternehmen ergreifen viele Initiativen und reorganisieren ihre data-Seen und die Art und Weise, wie data darin verbraucht wird. Die Unternehmen schenken data governance viel Aufmerksamkeit. Meiner Meinung nach liegt die Zukunft in der Effizienz: Die Modellierung des Marketing-Mix muss schneller und rigoroser werden, den Geschäftsinteressenten einfacher zu erklären sein und den Geschäftsanalysten leichter zugänglich sein. Und GenAI ist wichtig, weil es Kunden in die Lage versetzt, MMM-Ergebnisse abzufragen und reports selbst zu erstellen, ohne dass sie über große technische Kenntnisse verfügen müssen. Die Marketingmix-Modellierung wird also definitiv nicht verschwinden: Sie wird bleiben und sich weiterentwickeln, um effizienter und leichter zugänglich zu werden.
