00:00:05: Willkommen bei Marketer Torg, dem Podcast der Marketing Börse.

00:00:09: Hier erwarten euch spannende Gespräche und Interviews mit Experten aus der Marketing Szene!

00:00:18: Wir sind in Hamburg auf der D-III-Con und vor mir sitzt jetzt Christina Flegel.

00:00:26: Sie ist Senior Digital Analystin bei Kongstar.

00:00:29: Danke

00:00:30: Hallo

00:00:31: Danke, dass ihr die Zeit nehmst und auf meine dummen Fragen antwortest.

00:00:36: Und jetzt habe ich eben gerade gesagt, worüber wollen wir denn reden?

00:00:40: Du hast gesagt, du hast grade einen Panel moderiert zum Thema Metamix Modeling.

00:00:46: So, Mediamix Modelling – was bedeutet

00:00:50: das?!

00:00:51: Mediamix Modeling ist ein Datenmodell, bei dem verschiedenste Datenquellen zugrunde gelegt werden um unsere Vertriebskanäle, unsere Werbekanelle darzustellen zu attribuieren und den Wertbeiträge zuzuweisen.

00:01:09: Da geht es vor allem darum zu sehen welcher Kanal welchen Absatz gebracht hat und da werden halt auch Kanäle einbezogen, die man so im Tracking nicht abbilden kann wie zum Beispiel TV oder Radio oder Print.

00:01:22: Und genau!

00:01:25: Also auf Deutsch?

00:01:27: Wo versenke ich mein Budget, wo es überhaupt nichts bringt?

00:01:30: das will ich rausfinden.

00:01:32: okay das klingt schon mal...

00:01:34: Oder wo sollte ich es besser versenken?

00:01:35: Genau

00:01:36: Das klingt zwar vom Ansatz her ganz gut Und dahinter stecken dann irgendwelche Modelle.

00:01:41: Ich glaube, Google hat da auch irgendwie was...

00:01:43: Genau!

00:01:44: Mit Google war ich eben auf der Bühne.

00:01:46: Die haben ein Modell, so eine Open Source Lösung wo man halt relativ einfach, sag' ich mal im Vergleich zu dem was wir machen, einsteigen kann und genau das Ganze auch denn mal an einer Stelle austesten können.

00:01:59: Facebook arbeitet ja mit Robin beispielsweise auch eine Open-Source-Lösung.

00:02:03: Wir bei der Conxster machen Metamix Modeling schon seit Jahrzehntausendachzehn und haben vor zwei Jahren nochmal den Anbieter gewechselt, weil es jetzt einfach immer mehr Lösungen auf dem Markt gibt.

00:02:12: Die vor allem auch viel mehr usability bieten als früher die Modelle, die dann doch sehr stark im Data Science lagen und wo Ergebnisse und Business Cases angefragt werden mussten.

00:02:26: Dann hat man gewartet und Präsentationen zurückgeschickt bekommen nach einer Weile.

00:02:30: Und so ist das halt jetzt viel simpler dargestellt ganze Kongstar eigentlich für jeden Anwender einfacher zu verstehen, damit da halt einfach viel mehr mit gearbeitet werden kann und viel mehr Cases auch mit berechnet werden können.

00:02:48: Gut ich bin natürlich ein Riesenfreund von Usability also gerade wenn es um Saftheuer oder Systeme geht.

00:02:54: auf der anderen Seite hier spielt hier eine wahnsinnige Rolle die Anbindung der Daten.

00:03:00: Wo liegen da die Knackpunkte?

00:03:02: Oder welche Daten werden angebunden?

00:03:05: Ja, das ist der größte Knackpunkt von allen.

00:03:08: Also zum einen muss man damit anfangen, man braucht anständig Datenhistorie.

00:03:12: also ich sage immer mal so Pimal Daumen unter drei Jahre geht da nichts und man braucht halt auch ein anständiges Besucherniveau auf der Website Man braucht wirklich auch genug Datenpunkte mit dem Modell halt anständlich arbeiten kann und auch wirklich Korrelationen und Kausalitäten herstellen können.

00:03:30: Und dann ist die Datenqualität natürlich auch super wichtig.

00:03:34: Man kann natürlich alles mögliche an Daten einspeisen, aber dass sie halt auch wirklich sauber sind.

00:03:38: also das fängt mit den Tracking-Daten der Visits, der First Party Daten, der Absatzdaten, Umsatzdate, aber auch die Daten, die wir von der Media oder von der Marktforschung bekommen.

00:03:47: Alles muss ja eine gewisse Qualität haben.

00:03:49: Das muss regelmäßig geprüft werden und es passiert bei uns noch sehr viel Händeschleider.

00:03:53: Kann man jetzt die KI Zeit natürlich auch nochmal schön optimieren und automatisieren.

00:03:57: Und das Thema Schnittstellen und Anbindung ist noch ein großer Pain bei uns.

00:04:00: ehrlicherweise, weil so eine Datenarchitektur... In einem Unternehmen baust du ja nicht auf, weil du irgendwann einen MMM machen willst.

00:04:09: Sondern das Baust der Aufwalt oder Report in Ansprüche hast oder mit den Daten an der Weite arbeiten möchtest.

00:04:14: und da müssen wir jetzt schauen dass wir da die Schnittstellen herstellen.

00:04:17: zu den Digitalkanälen ist es natürlich einfacher als wenn du beispielsweise noch Zulieferer hast.

00:04:22: Wir haben sehr viele Zuliefere aus Marktforschung und aus der Media beispielsweise.

00:04:26: Die Daten sind hier auch nicht immer wöchentlich verfügbar.

00:04:29: Da muss man halt manchmal auch so zwei bis vier Wochen warten und dann sind das jetzt häufig bei uns noch sehr viele Tabellen.

00:04:35: Wir haben sehr viele Datenquellen, wo wir auch Tabellen ziehen und die halt noch wer SFTP rüber spielen.

00:04:41: Und es ist alles noch sehr viel manuelle Arbeit dahinter, die wir halt aber sukzessive versuchen zu automatisieren.

00:04:48: Aber das Thema Schnittstellen ist auf jeden Fall ein ganz großes Thema, wo man sich Gedanken drüber machen muss.

00:04:52: Aber für mich auf jeden fall kein Punkt, wo Mann sagt okay Deswegen machen wir jetzt kein Mediamix-Modeling, weil wir nicht genug Schnittstellen haben oder nicht anständige Arpies haben.

00:05:01: Man sollte sich da halt nur überlegen dass man auch die gewisse Women und Menpower dafür braucht um das zu stemmen.

00:05:08: Ein guter Spiegel von meinen Aktivitäten sind sicher die Besucher der Website.

00:05:14: Das heißt wie differenziert?

00:05:17: Nehmt ihr die Reihen diese Information nur Besucher oder Besucher bestimmter Bereiche oder sogar konkret einzelne Landing Pages?

00:05:25: Wir nehmen erstmal allgemeinen Besucher, die dröseln wir dann noch mal auf.

00:05:29: Natürlich pro Kanal den wir abbilden wollen im Metamix Modeling.

00:05:34: Deswegen auch große Voraussetzungen ist einfach eine anständige Kampagnomenklatur damit man das auch gut Granular darstellen kann.

00:05:41: und dann schauen wir uns natürlich Paint on Paint an um auf eine Baseline darstellen zu können.

00:05:46: aber Kranularität ist relativ gering im Vergleich zu dem, was man so in der alltäglichen Adhok-Abalt sich anschauen wird.

00:05:54: Gleich mal für mich zur Verständnis.

00:05:56: also welche Daten kriege ich dann ganz genau?

00:06:00: Dass ich jetzt eine Social Media Kampagne habe, dann hab' ich irgendwelche Besucherzahlen die mir zugeliefert werden.

00:06:06: das da einen Punkt.

00:06:07: aber meine Frage ging jetzt konkret in die Richtung.

00:06:11: owned also meine die von mir besessenen Systeme Sind meine Website, auf der ich aufgrund der Restriktion heute nicht mehr sagen kann von wo kam der Besucher?

00:06:23: So genau geht es nicht.

00:06:25: Aber ich kann sagen, wo ist der Besuch aufgeschlagen also auf welcher Learning Page das hat beispielsweise aufgeschlagt und wie differenziert nehmt ihr diese Daten mit rein?

00:06:33: Wir differenzieren das nicht nach Learning Page.

00:06:35: wir nehmen wirklich alle Besucher die jegliche Seiten besucht haben.

00:06:40: Okay d.h.

00:06:42: Also die Kampagne jetzt immer angenommen, ich habe eine Facebook-Kampagne und da gibt es auch eine Learning Page auf der Website dazu.

00:06:48: Dann messe ich nur über die Facebookdaten, die mir Facebook liefert aber nicht, ich nutze nicht die Chance tatsächlich auch nochmal die einzelne Learning Page bei mir nehmen kann?

00:06:57: Die einzelnen Learning Page nehmen wir nicht.

00:06:59: also man ist da im MMM auf dem relativ holistischen Level unterwegs was die Daten tiefe anbelangt Weil das MMM ja nicht nur versucht die Kanäle, die man sowieso attribuieren kann.

00:07:10: Ob es jetzt auch Visits oder auf Absatz ist.

00:07:12: Also da sehe ich ja sowieso wer von meiner Kampagne kam weil's halt einfach getrackt wird und weil ich Kapanienparameter habe.

00:07:18: Das MMM versucht hier auch darzustellen was hat TV für einen Beitrag geleistet?

00:07:23: Hat derjenige, der über Social-Kampf vielleicht vor einem TV-Spot gesehen oder ein Radiospot gehört um das halt dazustellen zu können nimmt man halt bei den Visits und auch bei den Absätzen ein relativ geringes Granularitätslevel an und stellt das hier erhaulistisch dar, damit das Modell wirklich einfach alles ungefiltert sage ich mal nimmt.

00:07:46: Und dass dann den Kanälen zuweist wie es das Model halt das statistische Modell dahinter berechnet.

00:07:52: Okay jetzt beginne ich zu verstehen.

00:07:54: Ich müsste einfach mal selbst machen aber wird irgendwie zu viel meinen persönlichen Rahmen bringen, um das zu verstehen.

00:08:03: Aber das ist ja quasi die Fähigkeit, die du dann eben hast, dass du dieses ganze System auch einigermaßen blickst, damit bist du natürlich auch recht wertvoll für deine Unternehmen und du bist die große Blickerin oder?

00:08:15: Das ist ein ganz wichtiger... Der ist

00:08:18: so eine der großen Blicke.

00:08:19: Ohne Team schafft man das natürlich nicht, was auch wirklich essentiell ist beim Thema Mediamix Modeling.

00:08:25: Das haben wir halt auch relativ früh gemerkt.

00:08:27: Man braucht wirklich einen Partner, der sich schon länger damit auskennt.

00:08:30: also Wir haben einen Berater am Start Auch schon seit vielen, vielen Jahren, der uns da betreut.

00:08:36: Also das Thema immer wieder mit aufbaut und immer wieder bei uns challenge weil dieses tiefergehende Wissen haben wir halt einfach von Anfang an, von der Pieke an nicht.

00:08:45: Das kommt ja mit der Erfahrung und Erfahrung kann man sammeln wenn man es aufsetzt und dann ist das immer gut sich externe Ressourcen da reinzuholen.

00:08:51: also neben unserem Anbieter des MMM die uns natürlich auch super da eine Stelle beraten, haben wir eben einen externen Partner dabei.

00:09:00: Und welche Rolle spielt jetzt die KI dabei?

00:09:04: oder wo assistiert KI im Hintergrund?

00:09:09: Und wo kommen auch schon spezielle Agenten zum Einsatz, die also verstehen was sich da bei euch tut und was ihr da alles macht.

00:09:20: Also die KI spielt insofern eine Rolle, dass jeglicher KI ja ein Maschinenlearningmodell zugrunde legt und das M&M ist hier auch ein Maschinenlearningmodeller.

00:09:28: Das ist eine Maschine, die auf Basis der historischen Datenpunkte lernt und damit den Learnings, die es halt aus den historischen Datens zieht und den Korrelationen und Kausalitäten die es herstellt.

00:09:39: nach einer bestimmten Systematik kriege ich natürlich entsprechende Empfehlungen oder Predictions ausgespielt.

00:09:47: Wir haben eine Art KI dahinter, da vorliegen sag' ich mal also das Modell arbeitet, spuckt uns Ergebnisse aus.

00:09:54: die KI denkt sich aber auch manchmal freie Ergebnisse raus.

00:09:59: um das greifbarer zu machen.

00:10:01: wir haben ein Mediaplan von der Medienagentur geschickt bekommen geben den in unser Media Mix Modeling ein und schauen uns an was optimiert es dann?

00:10:08: Also wie wäre das Endergebnis nach der Attribution die uns das MMM ausspuckt und wo sollten wir besser rein investieren?

00:10:18: Dann nimmt sich die KI aber auch raus auf Basis des Budgets, was wir ihr vorgegeben haben unabhängig von dem wie wir die Medien ja schon vorab grob geplant haben.

00:10:26: Uns einen eigenen Vorschlag auszuspucken!

00:10:28: Und dann zu sagen hier aber mit das allerbeste Ergebnis kriegt ihr wenn ihr die Kanäle so verteilt.

00:10:35: Das hat immer noch mal wieder die Krux.

00:10:36: Da ist halt kein Agent hinter, der das auch nochmal logisch durchdenkt weil zum Beispiel die Search-Kanale kann es ja nicht flexibel skalieren.

00:10:44: also suchen hier nicht mehr Leute wenn du mehr Budget rein gibst und da hat er dann auch wieder seine Grenzen.

00:10:51: weil an dieser Stelle muss man halt immer schauen wie viel gibt die KI da rein macht das halt auch wirklich Sinn?

00:10:57: und da muss man tatsächlich dann auch einmal die menschliche Intelligenz Mit Einschalt, weil es halt eben kein Agent ist.

00:11:03: Sondern tatsächlich einfach nur eine Maschinenbasierte.

00:11:07: Welche Rolle spielen synthetische Zielgruppen bei euch?

00:11:11: Dass ihr mit synthetischen Zielgruppe Versuch zu modellieren wie würden denn Menschen reagieren?

00:11:19: Oh das machen wir noch gar nicht auf Zielgruppenebene ehrlicherweise also soweit sind wir da an der Stelle noch nicht.

00:11:27: Auf Kanalebene arbeiten wir viel.

00:11:28: Wir arbeiten natürlich mit unseren Main-KPI's in den Modellen, also mit verschiedenen Submodelle, die halt auf Absatz und Brand Effekte und auf Visits arbeiten.

00:11:38: Und wir haben noch mal auf einem gewissen Werbeziel, also ob wir jetzt Brand oder absatzgetriebene Kanäle oder Kampagnen haben untergedröselt.

00:11:48: aber auf Zielgruppenebene arbeiten wir doch gar nicht.

00:11:51: Brian sagst du das ist ein ganz wichtiges Ziel was ich... Wie kann ich das fassen und wie messt ihr das?

00:11:59: Also Veränderung an der Markenwahrnehmung.

00:12:02: Das ist genau das Thema, wofür wir auch mit das MMM aufgebaut haben weil genau das sind die Effekte, die man halt herausstellen will.

00:12:10: also dass MMM arbeitet bei uns auch auf Kurzfristeffekt und auf Langfristeffekter.

00:12:14: Wir haben da so zwei Submodelle um uns halt auch weils anzuschauen natürlich Effekt natürlich Brand Inhalt drinnen, aber die langfristige Baseline, die wir mit unserer Markenwahrnehmung aufgebaut haben.

00:12:28: Die wird in dem Long-Term-Modell berücksichtigt was wir extra dafür gebaut haben weil das halt auch immer wieder die Fragestellungen ist und gerade wenn man halt über RTL Maßnahme oder Budgets diskutiert wie viel TV sollte man eigentlich noch machen?

00:12:41: Wie viele Leute schauen sich das eigentlich noch an?

00:12:43: Was hat das für ein Impact auf unsere Absetzer oder auch auf unsere Zuführung.

00:12:47: Da kommt man halt natürlich stell an seine Grenzen, weil man es halt so erstmalig messen kann.

00:12:52: und da haben wir das MMM-Einsatz und bemessen die Brandkanäle als auch die Absatzgetriebenen Kanäle.

00:13:03: MMM attribuiert uns dann entsprechend die Absätze bzw.

00:13:06: Diverses hier dafür, was man sich anschaut den entsprechenden Kanälen und weiß den einen Wertbeitrag zu.

00:13:11: Und dadurch kennen wir halt auch den Wertbeitragen unserer ganzen Burn-Kanäle.

00:13:15: Wie digitalen lassen sich ja doch noch mal ein bisschen besser messen und auch Challengen.

00:13:18: also da gucken wir uns tatsächlich das Ergebnis vom MNM an.

00:13:21: passt das?

00:13:22: zudem pass die Prediction auch zu dem was wir halt in echt gesehen haben was gewisse Kanäle hergegeben haben.

00:13:31: Aber so was wie TV, Radio oder Print ist natürlich Gold wert.

00:13:34: Dass man da halt nochmal einen Wertbeitrag hinter schreiben kann, den man halt auf Basis des Modells ermittelt.

00:13:39: Habt ihr ungefähr eine Hausnummer?

00:13:42: Wie ihr dann die Budgets verteilt in Richtung Ziel?

00:13:45: also Was geht in Richtung Absatzorientierung und Optimierung und was geht in richtung Markenwahrnehmungen, Markenveränderungen, Marke?

00:13:57: Das haben wir vorab natürlich geplant und verteilt, aber auch das challenging immer wieder.

00:14:02: Wir hatten zum Beispiel ein Case gehabt wo wir unter jährlich Zusatzbudget bekommen haben und uns natürlich gefragt haben stecken wir das als eher in Mark oder stecken wird es als eher einen Absatz rein?

00:14:11: Und da haben wir tatsächlich das MMM gefragt.

00:14:14: Wir haben das erst mal nach besten Wissen und Gewissen auf die Kanäle verteilt haben im MMM gesagt, wo kommen wir denn daraus?

00:14:19: lohnt sich das so zu verteilen auf die kanäle?

00:14:23: Und dann haben wir die KI noch mal rechnen lassen.

00:14:27: Also hinter dem MMM, was würdest du denn tun?

00:14:30: Wenn wir dir einfach nur die Komplettsumme geben ohne halt vorher zu sagen wo es reinstecken soll?

00:14:35: und da kam halt auch etwas Interessantes raus.

00:14:38: Dann hat die KI das in unsere klassischen, ich sag mal mit Funnel, Upper Funnel Kanäle gesteckt im Social und wie die Theorie aufgestellt oder die Hypothese aufgestellt.

00:14:51: wenn du jetzt Social im upper funnel skaliers, dann wirst du in search zuführen.

00:14:59: So, und das ist tatsächlich auch... Mal

00:15:01: endlich mal bewiesen.

00:15:02: Das ist ja ein Verdacht der schon immer da ist.

00:15:05: Genau.

00:15:05: Und dass jetzt einfach mit Zahlen

00:15:07: will.

00:15:07: Und was man sich jetzt auch mit Zusatzbudget in der Regel nicht so traut, also da will man ja auch wirklich... Man kriegt jetzt irgendwie nochmal von der Seite Budget zugeschoben dann muss das ja auch irgendeinen Impact haben und den direkten Impact-Kanzler am besten natürlich in den Absatzkanälen, ins absatzgetriebenen Kanälen messen und auch erzielen.

00:15:26: Und da haben wir uns mutig getraut, das mal auszuprobieren, voll auf die Empfehlung des MMM zu setzen und haben danach eine Echtzeitanalyse gesehen, dass genau diese Wirkung entfaltet hat.

00:15:36: War zwar relativ kurzfristig muss man sagen.

00:15:38: also es hat in dem Moment so gewirkt aber es war halt auf jeden Fall da und da ist natürlich ein bisschen mehr Mut- und Aufbruchsstimmung bei unserem Unternehmen entstanden dem System doch etwas mehr zu trauen weil häufig dann auch noch einmal gesagt wird, ja das ist ja nur eine Maschine und wir haben es ja immer so und so gemacht.

00:15:57: Und wir wissen auch dass wir gewisse Dinge nicht machen sollen oder dürfen und man ist dann ja irgendwie so alt muss man noch so unterworfen und ist auch richtig, dass immer wieder zu Challengen.

00:16:07: Man soll sich nicht hundert Prozent auf Daten verlassen, auch wenn ich totaler Datenmensch bin, stehe ich da auch total hinter.

00:16:13: aber das ausprobiert zu haben und diese Hypothese endlich mal bewiesen zu haben war auf jeden Fall ein Haarmoment für uns in der Konstanz.

00:16:19: Wie weit geht Ihr inkrementell in sofern vor, dass man einen Kanal völlig die Luft abwirkt und sagt wir machen das mal ein paar Monate dann gar nicht.

00:16:29: Und zu sehen was ist der Effekt davon?

00:16:31: Habt ihr es schon einmal gewagt?

00:16:33: So was wagen wir in unseren Köpfen seit Jahren.

00:16:37: Aber schauen uns dann lieber immer wieder andere an, die solche Experimente gefahren sind.

00:16:41: Ja genau!

00:16:41: Das

00:16:43: war

00:16:43: eine gute

00:16:43: Antwort.

00:16:43: Schön schön.

00:16:45: Es ist doch mit sehr viel Risiko verbunden und wenn man da derjenige ist, der es vorschlägt, ist man natürlich vorsichtig.

00:16:51: Man muss aber auch dazu sagen bei der Cronkster wird schon sehr sehr viel ausgetestet.

00:16:55: Wir sind schon sehr, sehr mutig und haben auch eine super Feedback-Kultur.

00:16:58: aber so richtig rangetraut hat sich da noch keiner.

00:17:00: Aber andersherum versuchen wir natürlich solche Dinge auszuprobieren wie Social-Hoch zu skalieren dafür auf andere klassische Kanäle die wir sonst Budget draufsetzen vielleicht ein bisschen runterzusetzen zu drehen und dann halt einfach so neue Cases erschaffen, neue Beweise schaffen die ja wiederum am Ende wieder ins MMM eingespeist werden.

00:17:23: Das MMM lernt ja auch mit solchen Beweisen und solchen neuen Strategien und wendet diese dann halt auch gerne immer wieder an.

00:17:31: also damit entwickelt man ja auch immer das MMM weiter.

00:17:33: Also man kann ja immer auf demselben Muster arbeiten und das MMS spuckt eigentlich auch dasselbe Muster aus.

00:17:39: aber wenn man neu es ausprobiert und Daten einspeist, lernt das MMM entsprechend dazu.

00:17:46: Und schlägt halt auch immer wieder Neues vor und somit kann man sich halt auch einfach neu aufstellen.

00:17:51: Ansonsten macht man es halt auch mal gleich da doch beim MMM oder nicht?

00:17:55: Die zweite Möglichkeit incrementell zur Arbeit des regionalen unterschiedliche Dinge zu machen habe ich das schon einmal ausprobiert.

00:18:02: Nein wir sind ja sehr etabliert im deutschen Markt Das stimmt, ja genau das stimmt.

00:18:11: Das machen wir gerade nochmal in anderen Bereichen vor allem Festnetz aber das machen wir nicht mit dem MMM.

00:18:18: tatsächlich da sind wir eher produktspezifisch unterwegs dass die Produkte unterscheiden, weil natürlich ein Treefield-Produkt im Vergleich zu einem normalen Ornit Flat Produkt andere Kaufentscheidungen und auch andere Zielgruppen hat.

00:18:33: Und Festnetz DSL wäre ja auch nochmal ganz anders von der Zielgruppe und von den Kaufentschreitungen her.

00:18:39: Und danach unterscheidet es gerade anstatt über die Regionen.

00:18:43: Okay.

00:18:44: Letzte Frage – Die verschiedenen Systeme sprich Plattformen wo ich mein Geld ausgeben kann?

00:18:50: und die fressen ja inzwischen mehr als die Hälfte der Budgets.

00:18:54: Und auf der anderen Seite, die Publisher, die verschiedenen über Programmatic ansprechbaren Kanäle also die Kanalvielfalt quasi.

00:19:05: Wie geht er davor?

00:19:06: Gibt es da irgendwelche Erkenntnisse?

00:19:09: nicht alles auf Social sondern gleichmäßig verteilt oder liebt ihr eher die Quality Media oder Content Media?

00:19:20: Da gehen wir eigentlich von Kampagne zu Kampagnen unterschiedlich vor, also grundsätzlich planen wir schon jeden Kanal.

00:19:29: Ähnlich stark, wir setzen ja auch viel noch auf TV.

00:19:33: Was wir jetzt letztens auch nochmal gewagt haben ist normal in Radio einzusteigen.

00:19:37: da hatten wir jetzt nicht so viele Erfahrungen.

00:19:38: aber die Erfahrung wie wir hatten hat das MMM so dermaßen gut bewertet dass wir gedacht haben entweder liegt ein Fehler im System vor oder es kommt hier nicht wirklich so.

00:19:46: und dann haben wir es versucht und es war eine Mischung aus beidem eigentlich schon besser funktioniert als wir erwartet haben aber nicht ganz so gut wie es voll prophezalt hat.

00:19:58: Aber da sind wir jetzt nicht so limitiert, dass wir sagen, wir machen das immer plain.

00:20:03: Wir gucken schon vorwiegend auch Social nochmal ganz stark ausgebaut weil wir es in der Unternehmensstruktur ein bisschen stärker aufgebaut haben und TV halt immer wieder eine Rolle und je nachdem ob TV in der Kampagne eine Rolle spielt oder nicht verteilen sich natürlich.

00:20:19: die Budget ist auch anders.

00:20:21: Allgemein, short Video also TV heißt ja auch Bewegtbild und bewegt Bild in verschiedenen Streaming-Umfeldern ins CTV umfeldern.

00:20:30: Was ist da so eure Erfahrung?

00:20:32: Also auch zum Beispiel CTV?

00:20:33: Ja da setzen wir natürlich deutlich mehr drauf als früher.

00:20:37: na also lineares TV funktioniert halt als Zuführer über noch hervorragend keine Frage aber wir setzen natürlich deutlich auf CTV und die anderen TV-Kanäle oder Videokanäle.

00:20:49: Und deswegen ist TV bei uns tatsächlich auch noch klassisch lineares TV, und die andere Videokanäles sind bei uns nochmal unterteilt – auch im MMM.

00:21:00: Die differenzieren wir nach ihrer Wirkung damit wir halt weil wir einfach gemerkt haben alles in einen Pot zu packen bringt uns nicht so viel, weil die Kanäle einfach so unterschiedliche Wirken und so unterschiedlich genutzt werden dass wir das nochmal da an der Stelle unterteilen haben.

00:21:15: Mhm, verstehe ich.

00:21:16: Jetzt hast du eben gerade gesagt Radio sprich Audio.

00:21:19: habt ihr schon mal mit Podcast irgendwie versucht zu experimentieren?

00:21:23: Das machen wir auch.

00:21:24: Weil das scheint ja auch im Kommen zu sein.

00:21:25: Ja genau aber das ist mehr so eine experimentellen Phase aktuell noch dass wird da... mit Verben, das sind wir gerade noch am Explorieren.

00:21:34: Da haben wir jetzt auch nur nicht so viele Datenpunkte, dass uns das MMM da jetzt sonderlich weiterhelfen kann weil wie gesagt man braucht ja auch eine gewisse Historie damit das Mmm das auch richtig verarbeiten kann.

00:21:43: und da wir da jetzt grade noch am experimentieren sind ist es da halt noch nicht im System drin?

00:21:52: Gibt's irgendetwas was ich nicht gefragt habe nach irgendwelcher exotischen Kanäle wo du sagst da hat uns etwas überrascht dann haben wir irgendwas ausprobiert Und das ist völlig schräg.

00:22:02: oder war der totale Bringer?

00:22:05: Nee, nehmt keine

00:22:07: Überraschung.

00:22:08: Zum Socialist hat er geüblich und dass wir halt bei Video da ein bisschen differenzierter unterwegs sind

00:22:16: irgendwie Quality also Qualitätstraffic gerade hier auf dieser Konferenz auch Dass man da stärker versucht wirklich die Wirkung auch zu messen und nicht mehr Geld versenkt in irgendwelchen Die dann also anzeigen, die irgendwelche Botzen nur noch anschauen.

00:22:32: Ist das ein Problem oder geht ihr da aktiv ran?

00:22:35: Ja, da sind wir aktiv schon länger dran.

00:22:37: Also Bot-Traffik ist relativ gering bei uns und Qualitätstraffik messen wir auch aber das ist jetzt noch nichts was wir im MMM unterscheiden.

00:22:49: haben gewisse Trigger, die uns anzeigen dass wir da einen qualitativ hochwertigen Traffic haben im Vergleich zu einem Traffic der mal eben so schnell geklickt hat oder jetzt nicht kaufbereit genug war.

00:23:01: Oder in irgendeiner... ...in irgendeine gewissen Informationsphase oder ähnliches Das haben wir schon aber das gucken wir uns eher in Echtzeit an als dass wir das schon ein Modell haben weil da auch noch die Datenbasis zu gering ist.

00:23:17: Dann bedanke ich mich ganz ganz herzlich.

00:23:26: Das war's auch schon mit der heutigen Episode.

00:23:28: Wir hoffen natürlich, dass ihr euch gefallen hat und würden uns sehr gerne über eine Bewertung freuen!

00:23:34: Wenn ihr keine Folgen verpassen wollt, abonniert gerne den Marketer Talk – der Marketing Börse.

00:23:40: In diesem Sinne.

00:23:41: vielen Dank fürs Zuhören und bis zum nächsten Mal.