Monat: August 2020

Hypothesen folgen meist dem Wenn-Dann-Weil Prinzip. Selbst erklärend bedeutet dies, wenn ein Ereignis X eintritt, dann passiert ein Folge-Ereignis Y, weil Z eintraf. Essentiell ist, dass die Hypothese eine klare und unmissverständlich messbare Aussage ist.

Hier ein Beispiel für den Ablauf einer Hypothesenbildung:

• Ausgangslage: Die Webanalyse und das Reporting einer Kampagne hat ergeben, dass die Zielseite eine hohe Absprungrate bei der Bestellung der Produkte hat.
• Ziel: Abbruchrate auf der Zielseite beim Online Shop senken.
• Allgemeine Hypothese: Der Bestellvorgang ist für die Besucher der Zielseite zu kompliziert.
• Konkrete Hypothese: Wenn wir den Bestellvorgang etwas schlanker und schneller gestalten und mit Auto-Fill-Funktion die persönlichen Daten automatisch ausfüllen lassen, wird der Bestellvorgang komfortabler gestaltet und die Anzahl der Bestellungen erhöht sich.

Diese Hypothese kann nun getestet werden und wird somit konkrete Ergebnisse liefern. Entweder es lag tatsächlich am Bestellvorgang, dass so viele Personen abgesprungen sind – dann kann diese Hypothese verifiziert werden. Oder aber es lag nicht am Bestellvorgang und die Hypothese wird falsifiziert. Auch in diesem Fall gibt es einen Lerneffekt und die verworfene Hypothese trägt zu einer Optimierung der Kampagne bei, weil dadurch ein möglicher Grund für eine schlechte Performance ausgeschlossen werden kann und stattdessen eine neue Hypothese aufgestellt und getestet werden kann.

Angenommen man würde eine Kampagne starten ohne ein konkretes Ziel vor Augen zu haben. Am Ende der Laufzeit kann man weder zufrieden noch unzufrieden mit den Ergebnissen sein – man fliegt sozusagen im Blindflug. Darüber hinaus kann man wenige Learnings für weitere Folge-Kampagnen mitnehmen. Hypothesen und Prognosen helfen hier, um einen gewissen Korridor für Erfolg zu gestalten und um eine Benchmark zu setzen, an der sich Marketer orientieren können. Verschiedene Hypothesen können einem nach der Beendigung der Kampagne helfen, ob man mit den Ergebnissen zufrieden sein kann und wo die Gründe für eine etwaige schlechtere Performance zu finden sind.

Jeder Marketer stellt bereits bei der Budget- und Mediaplanung für eine neue Kampagne (bewusst oder unbewusst) verschiedene Hypothesen auf, indem er beispielsweise dem einen Kanal mehr Budget zuweist als dem anderen. Diese Aufteilung impliziert die Aussage “Ich gehe davon aus, dass wir auf diesem Kanal bessere Ergebnisse erreichen als auf diesem Kanal, weil wir hier an mehr interessierte Nutzer ausspielen können”. Jede Budgetumschichtung während einer Kampagne ist somit die Falsifizierung einer Hypothese: “Der Kanal performt nicht so gut wie ich dachte – ich muss meine Mediaplanung abändern und das Budget für einen anderen Kanal verwenden, welcher bessere Klickzahlen und Conversion-Werte liefert.”

Im Folgenden sollen zwei Fallbeispiele für Hypothesen-Tests vorgestellt werden.

Der A/B-Hypothesen Test:

Angenommen man möchte ein Produkt bewerben, welches viele unterschiedliche Vorteile für den Endkunden bereit hält. Um hier am effektivsten herauszufinden, welcher Vorteil beim Endkunden am besten ankommt, sollte man die unterschiedlichen Vorteile gegeneinander testen. Hier arbeitet man also ebenfalls mit Hypothesen. Eine dieser Hypothesen könnte beispielsweise sein: Der Vorteil “günstiger Preis” wird auf dem Kanal Facebook besser funktionieren als der Vorteil “großer Komfort”. Anhand dieser Hypothese gestaltet man zwei unterschiedliche Werbemittel mit den jeweiligen Vorteilen und testet sie gegeneinander.

Nach der Anfangsphase der Kampagne kann man bereits erste Rückschlüsse ziehen, ob die formulierte Hypothese verifiziert oder falsifiziert werden kann. Das Ergebnis würde in unserem Fall ein Deaktivieren des weniger erfolgreichen Werbemittels sein. Somit wird die Effektivität der Kampagne gesteigert.

Hypothesen zum Treffen von Vorhersagen:

Wie schön wäre es, wenn man vor dem Beginn einer Kampagne die Conversion Rate vorhersagen könnte? Wie durch Zauberhand könnte man sagen, dass man mit einem bestimmten Budget eine bestimmte Anzahl an Conversions erreichen kann. Hat man als Unternehmen also das Ziel mit einer Kampagne eine Anzahl von X Conversions zu erreichen, könnte man somit vorhersagen, wieviel man an Budget dafür verwenden muss. Leider sind selbst erfahrene Performance Marketer keine Wahrsager. Mit Hilfe von Reverse Engineering kann man sich aber an ein Ergebnis herantasten und somit eine Prognose erstellen. Und so funktioniert’s:

Füge in eine Excel Tabelle deine Kanäle und Targetings ein, welche du für deine Kampagne verwenden möchtest. Alle grau hinterlegten Felder sind geschätzte Werte, welche du aus deiner Erfahrung als Online Marketer einschätzen kannst. Alle anderen Werte ergeben sich nun automatisch in Abhängigkeit der ausgefüllten Spalten, sobald du ein beliebiges Budget eingibst. Nun kannst du sehen wieviel Budget du verwenden musst, um eine bestimmte Anzahl an Conversions zu erreichen. Die Tabelle fungiert wie eine Art Budget-Conversion-Umrechner.

Während der Kampagnenlaufzeit beziehungsweise nach der Kampagne kann ich dann feststellen, ob ich meine Hypothese zu optimistisch oder pessimistisch formuliert habe. Sollte die Conversion Rate am Ende der Kampagne höher liegen weiß ich, dass ich bei meiner nächsten Kampagne den Wert nach oben korrigieren kann. Liegt die Conversion Rate schlussendlich jedoch unter meinen prophezeiten %, liegt der Fehler womöglich an meiner Landing Page. Hier gibt es viele unterschiedliche Anhaltspunkte, was hier das Problem sein könnte: die Landing Page hat eine zu lange Ladezeit, die Landing Page ist unübersichtlich, die Landing Page weist Bugs auf, das Ausfüllen des Kontaktformulars ist zu kompliziert oder eine zu große Hürde für die Nutzer uvm. Man sieht, das auch hier der bereits oben beschriebene Merkspruch gilt: auch eine falsifizierte Hypothese bringt aufschlussreiche Erkenntnisse für die Zukunft. Sieht man in der Tabelle nämlich, dass sich alle anderen Parameter, welche mit der Qualität der Werbemittel oder der Effektivität des Targetings in Verbindung stehen (nämlich CPM, CTR, CPC und auch qualitative Werte wie die Zeit auf der Seite und Scrolltiefe), auf dem erwarteten Niveau bewegen, erhält man die Erkenntnis, dass man hier nicht zwingend etwas ändern muss, da das Problem eher an der Landing Page liegen wird.