Datengetriebenes Direct Marketing ohne Datenkosmetik

Viele Kampagnen behaupten, datengetrieben zu sein, weil ein Name im Anschreiben personalisiert ist. Das ist Datenkosmetik, keine Logik. Datengetriebenes Direct Marketing beginnt einen Schritt früher: bei der Frage, welche Merkmale tatsächlich vorliegen, wie zuverlässig sie sind und ob sie einen erkennbaren Unterschied in Botschaft, Angebot oder Kanal rechtfertigen.

Häufig zeigt sich dabei, dass weniger, aber verlässliche Merkmale – etwa Branche, Kundenstatus oder bisherige Reaktion – mehr Wirkung erzeugen als viele weiche, unsichere Datenpunkte. Wir arbeiten deshalb zuerst mit dem, was an Datenqualität wirklich vorhanden ist, statt eine Personalisierungstiefe zu versprechen, die die Datenbasis nicht trägt.

Bevor eine Variante entsteht, formulieren wir gemeinsam mit dem Kunden eine Hypothese, die sie rechtfertigt. Eine Variante ohne Hypothese ist nur zusätzlicher Produktionsaufwand. Eine Hypothese ohne prüfbaren Messpunkt bleibt eine Vermutung. Erst das Zusammenspiel aus beidem macht eine Kampagne lernfähig: Man weiss vorher, was man wissen möchte, und hinterher, ob die Annahme gestimmt hat.

Diese Disziplin schützt auch vor übermässiger Fragmentierung. Wenn jede mögliche Variante sofort umgesetzt wird, verliert man den Überblick darüber, was tatsächlich wirkt. Wenn Varianten aus geprüften Hypothesen entstehen, bleibt die Anzahl überschaubar und die Ergebnisse sind interpretierbar.

Ein oft unterschätzter Schritt ist die Festlegung, wie gross ein Unterschied zwischen Varianten sein muss, um überhaupt als Erkenntnis zu gelten. Bei kleinen Kontaktzahlen kann ein zufälliger Unterschied leicht als Effekt fehlinterpretiert werden. Wir legen deshalb vor der Aussendung fest, ab welcher Grössenordnung ein Unterschied als belastbar gilt, statt das erst im Nachhinein zu beurteilen.

In der Reinzeichnung erhält jede Variante ihren eigenen, eindeutig sichtbaren Rücklauf-Code direkt im Layout – etwa auf der Antwortkarte oder im Adressfeld –, damit die spätere Zuordnung nicht von einer separaten Liste abhängt.

KI hilft dort, wo aus wenigen geprüften Segmenten mehrere Gestaltungsvarianten produziert werden müssen – etwa unterschiedliche Bildkontexte oder Layoutanpassungen für verschiedene Segmente. Sie ersetzt aber nicht die Entscheidung, welche Segmente überhaupt sinnvoll sind oder welche Hypothese eine Kampagne prüfen soll. Diese Entscheidungen treffen wir gemeinsam mit dem Kunden, gestützt auf die tatsächlich vorhandenen Daten.

Ein verbreiteter Fehler ist die Verwechslung von Korrelation und Erklärung: Nur weil zwei Merkmale gemeinsam auftreten, folgt daraus keine sinnvolle Kampagnenlogik. Ebenso riskant ist es, Segmente auf Basis eines einzigen, alten Datenpunkts zu bilden, ohne zu prüfen, ob sich das Verhalten seither verändert hat.

Auch die Erwartungshaltung an Testergebnisse wird oft zu hoch angesetzt. Nicht jede Hypothese bestätigt sich, und ein negatives Ergebnis – eine Variante, die keinen Unterschied macht – ist ebenfalls eine Erkenntnis, die künftige Kampagnen vor unnötigem Aufwand bewahrt.