Süßes oder Saures – wie erfolgreich war Ihre Halloween-Kampagne?

„Trick or Treat“ hieß es am Sonntag wieder, als, insbesondere in den USA, die Kinder, verkleidet als Skelett, Gespenst oder Hexe, wieder um die Häuser zogen. Laut Berichten der National Retail Federation erreichte der Umsatz zu Halloween 2019 einen geschätzten Wert von 9 Milliarden US-Dollar und hat im Laufe der Zeit spektakuläres Wachstum gezeigt. Halloween ist dort einer der beliebtesten Feiertage. Dies freut nicht nur die Verbraucher, sondern ist auch eine hervorragende Gelegenheit für Einzel- und Versandhändler, ihren Umsatz zu steigern.

Im deutschen Sprachraum heißt es „Süßes oder Saures“. Von Umsätzen wie in den USA kann man hier zu Lande nur träumen. Dennoch hat Halloween in Deutschland massiv aufgeholt. Das zeigt eine vom Handelsverband Deutschland (HDE) in Auftrag für 2019 gegebene Umfrage. Vor der Corona-Krise konnte der Einzelhandel in Deutschland im Vorfeld von Halloween am 31. Oktober auf zusätzliche Umsätze von 320 Millionen Euro hoffen. Demnach planten etwas mehr als acht Prozent der Befragten Ausgaben zu Halloween. Insbesondere Verbraucher mit Kindern investieren zum Gruselfest, fast 63,4 Prozent davon geben jedes Jahr Geld zu Halloween aus und 12,5 Prozent der Befragten kauften 2019 erstmals zu diesem Anlass ein. Mit 320 Millionen Euro Umsatz ist Halloween eine wichtige Einnahmequelle für den gesamten deutschen Einzelhandel geworden.

Eine Halloween-Kampagne

Daher ist es naheliegend, dass viele Marketing Experten die gruselige Kürbiszeit für das eigene Marketing nutzen und eine Halloween-Kampagne initiieren. Doch was hat Ihre Kampagne eigentlich gebracht? In diesem Beitrag schauen wir uns anhand fiktiver Beispieldaten an, wie Sie den Erfolg Ihrer Halloween-Kampagne mithilfe einer Response-Analyse bewerten können.  

Außerdem zeigen wir, wie im Vorfeld die richtige Zielgruppen-Selektion für unsere Halloween-Kampagne ermittelt werden kann. Im Anschluss wird per Response-Analyse festgestellt, ob unsere Kampagne „süß“ oder „sauer“ war. Dies erfolgt dann mittels des Response-Analyse-Assistenten in Apteco FastStats. 

Zielgruppen zusammenstellen

Zunächst betrachten wir die Abverkäufe des Vorjahres nach Warengruppen. Hier lassen sich bereits besonders Halloween-affine Kunden in den Schnittsegmenten des Venn-Diagramms ausmachen. Diese können als solche gekennzeichnet und als eigene Zielgruppe gespeichert werden. Als weitere Selektionen sollen sonstige Kunden sowie eine Kontrollgruppe berücksichtigt werden.

Abb. Venn-Diagramm Halloween-Warengruppen Vorjahr. Quelle: Apteco Orbit.

Damit werden folgende Selektionen als Zielgruppen benötigt:

1. Zielgruppe Halloween-affin
2. Zielgruppe Sonstige
3. Kontrollgruppe

Betrachten wir den gleichen Zusammenhang im Diagramm für das laufende Jahr, so lässt sich auf den ersten Blick feststellen, dass die Umsätze nach oben geschnellt sind. Ein tolles Signal! Aber welchen Einfluss hatte unserer Marketing Kampagne? Dies soll mithilfe der Response-Analyse weiter unter die Lupe genommen und beantwortet werden.

Abb. Venn-Diagramm Halloween-Warengruppen laufendes Jahr. Quelle: Apteco Orbit.

Vorgehensweise Response-Analyse

Der Response-Analyse-Assistent in FastStats erstellt einen Cube (dt. Kreuztabelle), der die absoluten Responsezahlen, Response-Raten und Response-Indizes sowie die statistische Signifikanz für die Response der ausgewählten Zielgruppe und einer Kontrollgruppe gegenüberstellt. Dazu werden die drei oben erwähnten Zielgruppen-Selektionen sowie eine Response-Selektion mit den Reagierern (Käufern) benötigt.

Response-Analyse aller Zielgruppen

Im ersten Schritt erstellen wir eine Response-Analyse, die die komplette Aussendemenge mit der der Kontrollgruppe vergleicht. Das Resultat entspricht einem relativen Response-Uplift von etwa 10 Prozent. Dies lässt sich am Response-Index ablesen und entspricht einem Index von etwa 110. Insgesamt konnte die Response-Rate auf 9,2 Prozent gegenüber der Kontrollgruppe mit 8,29 Prozent gesteigert werden.

Abb. Response-Analyse über alle Zielgruppen. Quelle: Apteco FastStats.

Diese Form der Analyse kann nun in den nächsten Schritten für weitere Analysen wiederholt werden.

Response-Analyse nach Zielgruppen

Im nächsten Step werden wir die Kampagne nach den vorher festgelegten Zielgruppen (Halloween-affine und Sonstige) aufsplitten und untersuchen. Das Ergebnis überrascht diesmal. Es zeigt sich, dass der Response-Uplift ausschließlich über die Halloween-affine Zielgruppe zustande gekommen ist, wohingegen die Zielgruppe „Sonstige“ sogar etwas schlechter performt hat als die Kontrollgruppe. Jedoch wird dies durch ein relatives Response-Uplift von sagenhaften 50 Prozent bei den Halloween-Fans kompensiert. Das heißt, die Kampagne hat funktioniert, aber nur für diese spezifische Zielgruppe.

Abb. Response-Analyse nach Zielgruppen. Quelle: Apteco FastStats.

Response-Analyse nach Zielgruppen und Warengruppen

Als Erweiterung können weitere Dimensionen auf der horizontalen Achse hinzugefügt werden. Im nachfolgenden Cube betrachten wir, welche Halloween-Warengruppen die Kunden zuvor gekauft hatten. Die Unterschiede fallen gemäßigt aus: Deko und Kürbisse scheinen besser funktioniert zu haben als Süßigkeiten.

Abb. Response-Analyse nach Zielgruppen und Warengruppen. Quelle: Apteco

Hinzufügen demografischer Daten

Natürlich lassen sich die Ergebnisse auch nach anderen demografischen Variablen aufschlüsseln. Bisher haben wir nur Daten genommen, die ohnehin in den Transaktionsdaten (in der Kaufhistorie) verfügbar sind. Aber es lassen sich auch Variablen nutzen, die über einen Data Provider angereichert wurden, beispielweise der Konsumtyp, der Familienstand oder ähnliches. In unserem Fall nehmen wir zwecks Einfachheit das Geschlecht hinzu und sehen das Ergebnis aus der vorhergehenden Analyse bestätigt. Wir haben zwar viel mehr weibliche Kunden als männliche, aber es lässt sich kein bemerkenswerter Unterschied im Einkaufsverhalten zwischen Frauen und Männern im Rahmen unserer Halloween-Kampagne feststellen.

Abb. Response-Analyse nach Zielgruppen und Geschlecht. Quelle: Apteco FastStats.

Welche Learnings konnten wir ziehen?

Generell wissen wir nach der Response-Analyse, dass durch unsere Halloween Kampagne die Response um einen Prozentpunkt und relativ um 10 Prozent gesteigert werden konnte. Dabei lässt sich die enorme Hebelwirkung erkennen, nämlich, dass ein Uplift der Response-Rate um nur einen Prozentpunkt zu einem relativen Uplift von etwa 10 Prozent führen kann. Der genauere Vergleich der eingesetzten Zielgruppen zeigte, dass nur das Halloween-affine Segment funktioniert hat. Hier wurde ein relatives Uplift von sage und schreibe 50 Prozent erreicht, wohingegen die Zielgruppe „Sonstige“ sogar schlechter als die Kontrollgruppe abgeschnitten hat. Wir wissen jetzt außerdem, dass sehr viel mehr Frauen als Männer bei uns einkaufen. Ein Unterschied im Responseverhalten ließ sich jedoch nicht ausmachen.
Was kann das für unsere nächste Halloween-Kampagne bedeuten? Wir könnten uns zum Beispiel die Kosten für den Versand an die Zielgruppe „Sonstige“ sparen, oder aber wir versorgen sie mit anderen Inhalten, die nichts mit Halloween zu tun habe und mehr auf ihre Bedürfnisse zugeschnitten sind. Natürlich können die zu kommunizierenden Inhalten dann auch stärker individualisiert werden. Die nächste Response-Analyse wird dann zeigen, was funktioniert und was nicht. Es ist also ein iterativer Prozess.

Fazit

Die Response-Analyse ist eine mächtige Out-of-the-box-Funktionalität in unserem Produkt Apteco FastStats, die beim Management von Marketing Kampagnen nicht fehlen darf. Neben der Response-Analyse gibt es für ein erfolgreiches Kampagnenmanagement aber auch noch einige weitere Schritte zu berücksichtigen. In unserem kostenlosen Whitepaper „Sieben Best Practice Tipps aus dem Marketing Kampagnenmanagement“ erhalten Sie einen Schritt-für-Schritt Leitfaden zur Planung, Durchführung und Analyse von leistungsstarken Marketing Kampagnen. Hier einfach downloaden: 

In 7 Schritten zu erfolgreichen Marketing Kampagnen.
Erfahren sie in unserem Whitepaper, wie Sie Kampagnen erfolgreich planen, durchführen und analysieren