The Bridge – Data
Aleksandra Semenenko, Leiterin des Bereichs Data und globale Verantwortliche für Marketing Measurement bei Artefact, traf sich kürzlich mit Emmanuel Malherbe, Leiter des Research Center Artefact, um über die vom Unternehmen entwickelten MMM-Modelle und die aktuellen Trends bei den Kunden zu sprechen.
Marketing-Mix-Modellierung ist ein aktuelles Thema. Was Artefact in letzter Zeit auf dem Gebiet der MMM Artefact ?
Seit drei Jahren entwickeln wir Modelle, die Unternehmen und unseren Kunden helfen, den ROI ihrer Medien-, Werbe- und sonstigen Maßnahmen zu verstehen, die neue Investitionsmöglichkeiten erschließen.
Wir haben verschiedene Modelle entwickelt und dabei sowohl einfache Ansätze wie Regressionsanalysen als auch komplexere Verfahren wie Bayes'sche Netzwerke ausprobiert. Es ist eine sehr spannende Zeit für uns.
Welche Trends beobachten Sie derzeit bei Ihren Kunden?
Auf globaler Ebene lassen sich bei unseren Kunden drei Haupttrends beobachten.
Der erste Trend geht dahin, MMM in Unternehmen zu verankern. Wie Artefact sie dabei?
Bei Artefact gehen wir dieses Problem mit unserem intern orientierten Ansatz an, der für ein Beratungsunternehmen vielleicht kontraintuitiv erscheint, aber genau dem entspricht, wie wir unsere Kunden dabei unterstützen, diese Kompetenz in ihren Organisationen aufzubauen.
Viele unserer Kunden möchten MMM intern einführen, benötigen jedoch Unterstützung bei diesem ersten Schritt. Unsere Lösung besteht darin, gemeinsam mit den Geschäftsteams herauszufinden, worum es bei der Lernagenda tatsächlich geht: Was möchten die Kunden über ihre Marketing- oder Vertriebsaktivitäten erfahren? Das wäre ein erster Schritt. Als zweiten Schritt haben wir unser eigenes „Model-as-a-Service“-Modell entwickelt, das wir auf verschiedenen Plattformen bereitstellen und unseren Kunden zur Verfügung stellen werden.
Unsere Technikteams arbeiten eng mit unseren Kunden zusammen, um unsere IP zu implementieren und deren Teams auf den neuesten Stand zu bringen. Normalerweise überlassen wir es dann unseren Kunden, ihren Weg im Bereich MM selbstständig fortzusetzen, aber wenn sie zusätzliche Unterstützung wünschen, bieten wir diese natürlich an – das ist unsere Philosophie.
Der zweite Trend ist, dass Kunden schnellere Ergebnisse und Erkenntnisse wünschen. Wie Artefact Unternehmen dabei, diese Ziele zu erreichen?
Es gibt zwei Hauptarten von Funktionen, die Kunden wünschen: Die erste ist pragmatischer Natur: schnelle Ergebnisse zu erzielen und mit data verfügbaren data zügig zu iterieren. Die zweite ist eine Erweiterung der ersten und umfasst innovative AI , die wir mit dem Bayes’schen Netzwerk anbieten oder die wir mithilfe von GenAI integrieren können, um die Teameffizienz zu steigern.
Um diesen ersten ROI schnell zu erzielen, haben wir eine Arbeitsweise mit unseren Kunden entwickelt, bei der wir zu Beginn zunächst einen pragmatischen Ansatz umsetzen, damit die Teams bereits frühzeitig von diesen schnellen Erkenntnissen profitieren können. Anschließend iterieren wir weiter, und hier ist die interne Umsetzung wirklich von Vorteil, da wir auf diese Weise sehr schnellen Zugriff auf den gesamten Tech-Stack haben; wir haben schnellen Zugriff auf die data können diese Verbindung zwischen der Aktualisierung des Modells, der Aktualisierung der Ergebnisse und deren Umsetzung im Unternehmen wirklich schnell herstellen.
Auf diese Weise erzielen unsere Kunden schnelle Ergebnisse, behalten ihre internen Kapazitäten bei, und wir verfügen über die zeitlichen Ressourcen, das Personal und das Budget, um großartige, innovative Lösungen umzusetzen, die uns dank GenAI nun zur Verfügung stehen.
Wie funktioniert der ganzheitliche Ansatz Artefact?
Wir versuchen, Zeit bei der Suche nach dem besten Modell zu sparen, da wir dies schon so oft versucht haben und mehr oder weniger wissen, welche Ansätze funktionieren. Innerhalb Ihres regulären Projektzeitplans zur Verknüpfung von Strategie und operativer Umsetzung benötigen wir also Zeit, um mit den Beteiligten zu sprechen, und wir müssen die globale Lernagenda mit der lokalen Lernagenda in Einklang bringen – auf die eine oder andere Weise. Und den Rest der Zeit verbringen wir mit dem Unternehmen, um sicherzustellen, dass die Ergebnisse, die unsere MMMs liefern, mit anderen Studien übereinstimmen, die der Kunde durchgeführt hat – sei es mit A/B-Tests oder mit anderen MMMs. Wir stellen tatsächlich diese Verbindung her und führen alle Erkenntnisse zusammen; es handelt sich eher um eine analytische und beratende Rolle, als dass wir eine Gruppe von data hinzuziehen und die AI Grund AI neu aufbauen.
Können Sie ein konkretes Beispiel dafür nennen, wie sich das MMM auf eine Organisation auswirkt? Welche Rolle AI dabei AI ?
Ich möchte Ihnen ein Beispiel dafür geben, wie die operative und die strategische Abteilung sowie die Entscheidungsfindung im Unternehmen miteinander verknüpft werden.
Wir hatten einen Kunden – keine Namen, sorry! – und dieser Kunde war auf seinem Weg zur Messung schon sehr weit fortgeschritten. Er hatte zahlreiche Studien, A/B-Tests und Marketing-Mix-Modelle auf globaler und lokaler Ebene durchgeführt. Und eine andere Person innerhalb der Organisation bat Artefact eine Studie mit einem etwas anderen Umfang Artefact . Als wir ankamen, stellten wir fest, dass in der Vergangenheit bereits viele Studien mit fast identischem oder ähnlichem Umfang durchgeführt worden waren, und wir sahen großen Wert darin, all diese Erkenntnisse wiederzuverwenden, da einige davon sehr strategisch waren und den Weg des Unternehmens aufzeigten, während eine davon sehr operativ war und auf AB-Tests basierte, bei denen viele verschiedene Innovationen ausprobiert wurden. Wir wollten diese Erkenntnisse unbedingt miteinander verknüpfen, um dem Unternehmen ein ganzheitliches Bild zu präsentieren, das es zuvor noch nicht gegeben hatte.
Und da unser Modell und unser MMM-Ansatz auf bayesschen Methoden basieren, die aus dem geschäftlichen Kontext des Kunden lernen, konnten wir erfolgreich sein. Der erste Mehrwert unseres Modells bestand darin, dass wir sagen konnten: „Hier ist der ROI davon, hier ist der ROI davon“, doch der zweite Mehrwert lag darin, die gesamte Wertschöpfungskette – vom operativen Geschäft bis zur Strategie – mithilfe von AI zu vereinen.
Sie haben also mit Ihrem Modell nicht nur geschäftliche Erkenntnisse zusammengeführt, sondern auch die Teams und die Menschen?
Das stimmt, aber manchmal kann es zu Herausforderungen kommen, weil verschiedene Teams für die Messungen und A/B-Tests zuständig sind und die Ergebnisse in das Unternehmen einbringen. Uns ist es gelungen, eine gemeinsame Sichtweise zu entwickeln, die von allen geteilt wurde, und das hat wirklich dazu beigetragen, die Geschäftsabläufe zu beschleunigen, ohne dass wir uns mit kleinen Unstimmigkeiten hier und da herumschlagen mussten. Wenn man einen ganzheitlichen Überblick über alle Erkenntnisse hat, die man in den letzten Jahren gesammelt hat, löst das tatsächlich das Problem der operativen Kommunikation.
Haben Sie noch einen abschließenden Kommentar zur Zukunft der Marketing-Mix-Modellierung?
Eines kann ich Ihnen sagen: Marketing-Mix-Modellierung ist nicht mehr wegzudenken. Unternehmen wollen die Ergebnisse ihrer Maßnahmen sehen. Sie starten zahlreiche Initiativen und strukturieren ihre data sowie die interne data neu. Unternehmen legen großen Wert auf data . Ich glaube, die Zukunft liegt in der Effizienz: Marketing-Mix-Modellierung muss schneller, präziser, für Geschäftsakteure einfacher zu erklären und für Business-Analysten leichter zugänglich werden. Und GenAI ist wichtig, weil es Kunden ermöglicht, MMM-Ergebnisse abzufragen und reports zu erstellen, ohne unbedingt über umfangreiche technische Kenntnisse zu verfügen. Marketing-Mix-Modellierung wird also definitiv nicht verschwinden: Sie wird bleiben und sich weiterentwickeln, um effizienter und leichter zugänglich zu werden.
