Wie sich spezifische Erkenntnisse skalieren lassen. Ein Plädoyer für die intelligente Verbindung von Mikrobefragungen mit bevölkerungsrepräsentativen Datenmodellen.
Wer kennt das nicht? Der Fragebogen für das Pharmaprodukt, den BtB-Service, oder einfach die Pitch-Aufgabenstellung ist einfach zu kurz. Immer, wenn sehr spezifische Frage- und Aufgabenstellungen gelöst werden müssen, gilt das Credo: Spezifische Fragen first, alles andere wie z. B. Mediennutzung, ein breiteres Competitor-Set auch jenseits der eigenen Kategorie etc. fallen dann hinten runter.
Auf der anderen Seite finden viele der genannten Pharma- oder BtB-Unternehmen ihre Marken und Services nur schwerlich in den gängigen und großen Marktmediastudien.
Wie hilfreich wäre es, wenn Mikrobefragungen in eine bevölkerungsrepräsentative Studie integrierbar und somit vollumfänglich ausschöpfbar wären; ich also in der Tiefe sehr spezifisch befragen kann, um die Ergebnisse dann in ein Big-Data-System zu geben und weitere Informationen hinzuzuaddieren.
Der Begriff „Data Leverage Cycle“ beschreibt hierbei die wechselseitigen Dynamiken einzelner Datenquellen, sind sie denn entsprechend embedded und taucht mehr und mehr in den Diskussionen rund um Big Data oder KI-Anwendungen und insbesondere in den internen Diskussionen bei AIlon auf.
Data Leverage Cycle beschreibt somit auch eine zirkuläre Wertsteigerung bei der jedes neue Datenelement die Aussagekraft und Verwertbarkeit des Gesamtdatensatzes erhöht. Er steht für eine Art selbstverstärkenden Daten-Kapitalisierungseffekt.
Bei AIlon ergibt sich ein solcher Data Leverage Cycle, wenn z. B. kleine Mikro-Befragungen zu Nischenthemen über das bestehende Verhaltensdatenmodell extrapoliert werden – und somit die gewonnenen Informationen für eine breitere Fragestellung genutzt werden können.
Hört sich kompliziert an, ist aber ganz einfach. Nehmen wir zum Beispiel ein Pharmaunternehmen, das sich um die Vermarktung eines OTC-Produkts zum Krankheitsbild XYZ kümmert. In den bekannten Studien ist das Produkt nicht zu finden. Darüber hinaus gibt es eine ganze Reihe von spezifischen Fragen und Nischenthemen zu klären, die nicht mit dem Merkmale-Set der bekannten Studien abgedeckt werden. (Wer kauft für wen? Wann? Welche Typen an Erkrankten gibt es? Wann ist der Right Moment to Talk? etc.). Um diese spezifischen Fragen zu beantworten, wird nun eine Mikrobefragung erstellt. (z.B. Stichprobe:1.000, Fragebogenlänge: 15 Minuten).
Was dann nicht mehr in diesen Fragebogen passt: z.B. Kauforte, Kaufverhalten, weitergehende Competitors, Mediennutzung etc. Was schade ist, denn somit wird immer nur der eine Teil meines Erkenntnisinteresses ausgeleuchtet.
Hat die durchgeführte Mikrobefragung jedoch eine bestimmte Qualität und Struktur, ist sie in AIlon integrierbar, wobei AIlon eine bevölkerungsrepräsentative Vollerhebung ist. D. h.: Ich kann nun in der Vollintegration auch analysieren, wer z. B. in der Online-Apotheke einkauft und wer zum örtlichen Apotheker geht oder wer besser per Online-Video vs. OOH zu erreichen ist. Alles eben diejenigen Fragen, die aus Zeitgründen (Länge des Fragebogens) nicht gestellt werden konnten.
Dieses Beispiel funktioniert natürlich genauso für BtB- oder BtBtC-Produkte wie Schrauben und Dübel oder Haus-Wassersysteme und Mall-Betreiber. Wen es interessiert, der wird in der hier beispielhaft genannten Schrauben-Analyse auch herausfinden, ob der Schraubenkäufer einen Mercedes fährt, Fritz-Cola trinkt oder im PLZ-Gebiet 82516712+82516714+82516716 wohnt.
Soweit, so gut. Bzw.: so weit schon einmal herausragend. Denn das Investment in eine Micro-Studie ist nun weitergehend ausschöpfbar und – da AIlon immer auch die Operationalisierung für Kommunikation/Media integriert – direkt in Media und werbliche Aktivierung zu überführen.
Die Basis für diese Fähigkeit ist in der zentralen Leistung von Big Data und hybriden KI-Systemen zu sehen. Sozusagen das Geburts- und Ursprungsmotiv eines Big-Data-Systems: nämlich der Fähigkeit, unterschiedlichste Datentöpfe wechselseitig so miteinander zu verbinden, dass das jeweils eine Datum vom anderen profitiert. Und btw.: alle Datenpunkte sind bidirektional miteinander verbunden.
Erweitere ich also gedanklich das Anwendungsfeld weg von der Mikrobefragung und -Studie hin zu allen möglichen Datentöpfen wie z. B. Brand Trackings, Kassendaten, Warenkörben, Umsatzstrukturen nach geographischen Gebieten, dann ist AIlon nicht mehr nur ein Analyse- und Operationalisierungstool, sondern vielmehr eine (Big)-Data-Plattform, die – der Idee des Data Leverage Cycles folgend – ganze Marketing- und Kommunikationssysteme verknüpfen und integrieren kann, um dabei zu helfen, besser, schneller und effizienter zu werden.
Dieser Idee der vollumfänglichen Datenintegration folgend:
Wie herausragend wäre es z. B., wenn ich als Marke aus meinem Brandtracking direkt einzelne Zielgruppen erstellen könnte? Diese würden dann z. B. heißen „Conversionloss zwischen der Stufe Consideration zu Purchase Intent“.
Wie nützlich wäre es, wenn ich in der Folge diese Zielgruppe nicht nur im Rahmen einer Vollerhebung analysieren könnte, sondern diese Zielgruppe auch direkt in ein Targeting überführen könnte, das mir z. B. in meinen Meta-Seat gepusht wird.
Technisch ist diese Art der Integration weitestgehend deckungsgleich mit der zuerst genannten Integration einer Microstudie, womit wir auch sagen, dass wir diese Integrationen bereits durchführen. Strategisch ist das ein riesengroßer Schritt, um Marketingkommunikationsplanung wirklich als sich permanent selbst optimierenden Kreislaufprozess zu sehen.
Dazu dann aber später – zusammen mit einem sehr interessanten Kooperationspartner – mehr. Inspiriert? Wir sind es 😊 Bei Fragen oder Anregungen immer gern…