Login

Marketing und Data Science

Sag mir, wo du bist und ich sage dir, was du willst: Standortdaten für bessere Marketingentscheidungen

Martin Spann, Dominik Molitor und Stephan Daurer

Vor allem bei Werbung, Preis- und Ladengestaltung sowie bei der Standortwahl ermöglichen Standortdaten maßgeschneiderte Lösungen.

Kontext ist wichtig
Konsumenten wählen was ihnen gefällt, aber ihre Präferenzen hängen vom jeweiligen Kontext ab. Kontextfaktoren wie Uhrzeit, Wochentag, Jahreszeit, Wetter oder soziales Umfeld und natürlich der jeweilige Standort beeinflussen alle Entscheidungssituationen. Man fühlt und handelt an einem Arbeitstag möglicherweise anders als am Wochenende, im Winter nicht so wie im Sommer, bei Regen nicht wie bei Sonnenschein, im Familienkreis anders als bei Freunden und in der Natur nicht wie in einem Shopping Center. Durch die Digitalisierung vieler Geschäftsprozesse und die daraus resultierenden, umfassenden Datenspuren kann man solche Präferenzen inzwischen gut erkennen. Smartphones haben diese Entwicklung zusätzlich verstärkt. So generieren Smartphone Apps kontextspezifische Daten, darunter auch die zurückgelegten Wege, zum Beispiel in den Gängen von Supermärkten oder den Straßen einzelner Stadtviertel. Abbildung 1 stellt Bewegungsverläufe dar, die auf den Standortdaten eines Mobiltelefons oder sonstigen Geräts basieren.

Standortdaten – Der neue Cookie?
Bewegungsdaten werden immer leichter verfügbar. Standortspezifische Werbung stellt dabei eine wichtige Anwendung dar, die diese kontextspezifischen Informationen nutzt. Mobile Werbung kann maßgeschneidert an solche Konsumenten gesendet werden, die sich gerade in einem bestimmten Gebiet oder in der Nähe eines Ladens aufhalten. Laut einem Forschungsbericht des schwedischen Berg Insight Marktforschungsinstituts sollen die Ausgaben für standortbasierte Echtzeit-Werbung bis 2018 auf 15 Milliarden Euro bzw. 40 % des gesamten Budgets für mobile Werbung steigen. Es verwundert also nicht, dass der Standort als „neuer Cookie“ bezeichnet wird. Während man mit Desktop-Cookies die Browseraktivitäten eines Nutzers im Zeitverlauf beobachten kann, ist der physische Standort ein Indikator für individuelle Präferenzen in der realen Welt. Der Standort ist also für das Offline-Einkaufsverhalten relevant. Um Marketingentscheidungen bezüglich Werbung, Preis- und Sortimentsgestaltung oder die Standortwahl zu verbessern, sollten Unternehmen deshalb diese Art von Daten gut verstehen.

Wie kommt man zu guten Standortdaten?
Viele Smartphone Apps beinhalten standortbasierte Anwendungen und sammeln bereits umfassende Standortdaten ihrer Nutzer. Dies geschieht mit einer Reihe von Sensoren, die fortlaufend die jeweilige Position ermitteln. Die gängigste Methode basiert auf GPS-Daten des Global Positioning Systems. In Gebieten mit hohen Gebäuden oder in Innenräumen funktioniert dieses System weniger gut. Dafür gibt es andere Methoden. Mithilfe einer Datenbank der bekannten Standorte von Mobilfunkmasten und WiFi-Netzwerken kann man durch Lateration und Triangulation die Position eines Mobiltelefons bestimmen. In Innenbereichen gibt es außerdem Bluetooth Low Energy (BLE), welche Funktechnik für kurze Reichweiten nutzt. Man platziert aktive Elemente oder Sender an bestimmten Orten und wenn ein Smartphone innerhalb der Reichweite eines Senders ist, kann damit der Standort ermittelt werden. Ein Beispiel für eine derartige Anwendung ist das Apple-eigene iBeacon-Protokoll.
 

Wie man Standortdaten analysiert
Standortdaten können entweder in Echtzeit oder retrospektiv analysiert werden. Je nach Erhebungsform unterscheidet man außerdem zwischen Querschnittserhebungen mit einer einzelnen Messung pro Konsument und Längsschnittdaten, bei denen mehrere Messungen im Zeitablauf erfolgen. Tabelle 1 zeigt einen Überblick unterschiedlicher Analysen und deren Anwendungen.

Retrospektive Analysen von Querschnitts- oder gepoolten Standortdaten ermöglichen Schnappschüsse auf standortspezifische Präferenzen, die aus Clusteranalysen hervorgehen. Retrospektive Longitudinaldaten können außerdem mittels autoregressiven Vektormodellen analysiert werden. Solche Anwendungen wurden bereits für die Analyse von Suchverhalten im Internet und das Aufzeigen von Bewegungen zwischen einzelnen Webseiten eingesetzt. Marketingverantwortliche können damit ihre Kunden anhand von geographischen Standorten und Bewegungsmustern segmentieren.

Daneben gibt es Echtzeitanalysen, die automatisiert ablaufen und in Smartphone Apps integriert sind. Ein Beispiel für Echtzeitanalysen von Querschnittsdaten sind modellbasierte kollaborative Filteralgorithmen. Basierend auf der Analyse der Aktivitäten anderer Nutzer an diesem Standort senden diese Anwendungen gezielt Coupons an Konsumenten. In diesem Bereich gibt es bereits etablierte Machine-Learning-Techniken, die Bausteine von Empfehlungssystemen sind.

Machine-Learning-Techniken können auch bei der Echtzeitprognose von standort- und pfadbasierten Präferenzen eingesetzt werden, um z. B. die Höhe des Discounts auf personalisierten Coupons dynamisch anzupassen. Es könnte beispielsweise sinnvoll sein, Kunden, die weiter von einem Laden entfernt sind, höhere Rabatte anzubieten als Kunden, die näher dran sind und sich auf den Laden zubewegen.

Wenn man Standortdaten noch zusätzlich mit anderen Daten kombiniert – z. B. mit demographischen Informationen, Transaktionsdaten, dem Wetter oder dem Sozialverhalten, können noch viel interessantere Erkenntnisse gewonnen werden.

Wenn man beispielsweise Standortinformationen mit Informationen über Begleitpersonen und Transaktionsdaten kombiniert, kann man die Inanspruchnahmen von Coupons prognostizieren. Man kann dann individuelle Angebote übermitteln, die auf den gewichteten Informationen zu früheren Käufen und dem Verhalten ähnlicher Konsumenten basieren. Umfragedaten wie psychografische Eigenschaften erlauben einen zusätzlichen Einblick in die Motivationslage oder die möglichen Absichten an bestimmten Orten. Auch sie erleichtern zusätzlich die Vorhersage von Bewegungsverläufen. Abbildung 2 zeigt, was man über die Nutzung standortbezogener Dienste erfahren kann, wenn man Standortdaten mit Wetterinformationen kombiniert: An regnerischen Tagen ist in Einkaufszentren und Einkaufsstraßen deutlich mehr Aktivität zu erkennen als an sonnigen Tagen.

Standortinformationen für bessere Marketingentscheidungen

  • Standortbasierte Werbung
    Standortbezogene Werbung funktioniert entweder über eigene Apps oder über spezielle Anbieter von mobiler Werbung. Die Vorteile liegen auf der Hand: Durch die Einbeziehung von Standortinformationen kann sie effektiver sein als klassische Werbung und hat hierbei das Potential, die Werbelandschaft stark zu verändern. Vor allem standortbasierte Push-Werbung erscheint vielversprechend, wenn es darum geht, Händler und Konsumenten in Echtzeit zusammenzubringen. Sie funktioniert ähnlich wie Display-Werbung, ermöglicht aber zusätzlich, das situationsspezifische Konsumentenverhalten in der Botschaftsgestaltung und Kundenansprache zu berücksichtigen. Räumliche und zeitliche Nähe können die Effektivität SMS-basierter Ansprache deutlich erhöhen.
  • Standortbasierte Preisgestaltung
    Neben der Werbung können Informationen zum Aufenthaltsort auch für dynamische Preisentscheidungen genutzt werden. Unternehmen könnten mit Hilfe von Standortdaten unterschiedliche Preise bei eigenen Kunden und denen von Mitbewerbern setzen. Konkret wäre das möglich, indem Kunden, die näher am Laden des Mitbewerbers sind als am eigenen, für spezifische Produkte höhere Rabattangebote erhalten, damit ihre Wechselbereitschaft steigt. Ein solcher Ansatz wird realisierbar, wenn man Daten zum Aufenthaltsort von Kunden mit Standortdaten über Mitbewerber kombiniert.
  • Optimierung der Ladengestaltung
    Erkenntnisse über die Bewegungsmuster von Konsumenten innerhalb von Läden erhält man über spezielle Technologien für die Navigation in Gebäuden, wie Bluetooth oder WLAN-Netzwerke. Es gibt bereits Untersuchungen, die die Wege der Konsumenten in Supermärkten über Einkaufswagen mit RFID-Sendern ausgewertet und unterschiedliche Verhaltensmuster entdeckt haben. Dies kann jedoch auch mit mobilen Endgeräten realisiert werden. Smartphones können Bewegungen in den Läden ebenfalls aufzeichnen, wenn die Kunden entsprechende Apps benutzen. So können auch Personen ohne Einkaufswagen erfasst werden. Daten über das Bewegungsverhalten von Konsumenten im Laden und die gekauften Produkte ermöglichen den Händlern eine Optimierung der Ladengestaltung sowie der Platzierung von Sortimentsbestandteilen und Marken.
  • Standortwahl
    Zusätzlich können Bewegungsdaten, zum Beispiel über die Strecke zum Arbeitsplatz und retour, wichtige Hinweise auf regelmäßig besuchte Gegenden geben. Solche Informationen können Händlern bei der Wahl neuer Standorte helfen. Wegzeiten und die damit verbundenen Transaktionskosten sind für Kunden wichtige Einflussfaktoren bei der Ladenwahl. Durch entsprechend detaillierte Daten über typische Kundenwege können Händler Standortentscheidungen so treffen, dass diese Kosten für Kunden möglichst gering sind. Standortinformationen unterstützen aber auch noch andere Entscheidungen. So könnte als Standort eine Seitenstraße mit günstigeren Mietpreisen gewählt werden. Mit standortbasierter Werbung könnte man dann Fußgänger auf der Hauptstraße auf den Laden aufmerksam machen und für einen Besuch gewinnen. Tabelle 2 fasst die wichtigsten Anwendungsmöglichkeiten der Analyse mobiler Daten zusammen.

… und wo bleiben Privatsphäre und Datenschutz?

Alle Formen des Targeting führen zu Datenschutzbedenken, aber Tracking-Systeme, die die Bewegungen von Personen aufzeichnen, sind besonders heikel. Viele Konsumenten, vor allem in Europa und den USA, beobachten Standortdatenaufzeichnungen und deren Auswirkungen auf ihre Privatsphäre mit großem Misstrauen.

Besonders kritisiert wird, dass Bewegungsverläufe die Identität von Personen offenlegen könnten, auch wenn die Rohdaten anonymisiert sind. Mit der Abwägung zwischen zielgenauer Werbung und Datenschutz gehen die Unternehmen unterschiedlich um. Google setzt zum Beispiel mit Google Now über Android auf datengesteuerte Algorithmen für personalisierte Angebote. Apple hingegen stellt über Siri ähnliche Personalisierungsangebote zur Verfügung. Bei Apples System laufen die meisten automatisierten Leistungen direkt am Mobilgerät, ohne in die Cloud hochgeladen zu werden. Auch neue Forschungsarbeiten beschäftigen sich mit datenschutzkompatiblen Targeting-Systemen, die ohne Einschränkungen für die Nutzung von Standortdaten funktionieren.

Ausblick - Was wir zukünftig von standortbezogenen Daten erwarten können
Standortdaten stellen ein großes Potenzial für das Marketing dar. Insbesondere bei Werbung, Preis- und Ladengestaltung sowie bei der Standortwahl ermöglichen sie bessere Entscheidungen und maßgeschneiderte Lösungen. Einige Unternehmen experimentieren bereits mit diesen neuen Möglichkeiten, vorerst allerdings hauptsächlich mit retrospektiven Daten. Neue Entwicklungen im Machine Learning und der künstlichen Intelligenz werden aber bald auch dynamische Echtzeit-Anwendungen möglich machen. Unternehmen, die diese Technologien nutzen, können sich damit Wettbewerbsvorteile verschaffen. Und während wir eben erst damit beginnen, das Potenzial von Standortdaten zu verstehen und zu nutzen, entstehen durch neue Technologien immer weitere (Big)-Data-Ströme. Sensordaten aus dem „Internet der Dinge“ sind ein Beispiel dafür. Insbesondere sensorgenerierte Gesundheitsdaten, smarte Haushaltstechnik, intelligente Autos und Industrieroboter gehören dazu. Diese Datenquellen werden weitere tiefgreifende Veränderungen bringen und Konsumenten, Forscher und Unternehmen mit neuen Chancen, aber auch Herausforderungen, konfrontieren.

Autor/en

Martin Spann, Professor für Electronic Commerce und Digitale Märkte, Ludwig-Maximilians-Universität München, Deutschland, spann@spann.de
Dominik Molitor, Assistant Professor, Gabelli School of Business, Fordham University, New York, USA, dominik.molitor@gmail.com
Stephan Daurer, Professor für Wirtschaftsinformatik, DHBW Ravensburg, Deutschland, daurer@daurer.net

Literaturhinweise

Bell, David R. (2014): “Location Is (Still) Everything: The Surprising Influence of the Real World on How We Search, Shop, and Sell in the Virtual One”, New Harvest, Boston.

Daurer, Stephan; Molitor, Dominik; Spann, Martin; Manchanda, Puneet (2015): “Consumer Search Behavior on the Mobile Internet: An Empirical Analysis (July 2015)”, Ross School of Business, Paper No. 1275. http://ssrn.com/abstract=2603242