Budgetplanung und -optimierung 2.0 im B2B-Marketing

Gerade im B2B-Marketing ist die Budgetplanung mit Blick auf die granularen Zielgruppen und Branchen oft eine Herausforderung. Hier gilt es, mit überschaubaren Budgets die Zielgruppen nicht nur immer effizienter, sondern auch immer effektiver anzusprechen.

Lutz Möllmann, Analytics Partner
Dr. Sandra Bombe, Analytics Partner
beide Kantar GmbH

Lutz Möllmann arbeitet seit mehr als zwölf Jahren in unterschiedlichen Funktionen im Consulting- und Marktforschungsumfeld. Seine Arbeitsschwerpunkte liegen im Bereich von Marketing ROI und Touchpoint-Studien (Marketing-Mix-Modelle), sowie Datenfusions- und Customer Experience Projekten. Seit 2019 ist er in der Analytics Practice der Kantar GmbH tätig.

Dr. Sandra Bombe verfügt über mehr als zehn Jahre Erfahrung im Consulting- und Marktforschungsumfeld. Ihre Arbeitsschwerpunkte liegen im Bereich Marken- und Kommunikationsforschung sowie in der Digitalisierung der Marktforschung. Seit 2019 ist sie in der Analytics Practice der Kantar GmbH tätig, in welcher die analytische Methodenkompetenz des Unternehmens gebündelt ist. Mit Hilfe von modernsten Technologien hilft diese, das Potenzial existierender Daten in Marketing-, Vertriebs- und Kundenzufriedenheitsprojekten zu heben und schafft damit messbaren Mehrwert für ihre Kunden.

 

Eine optimale Budgetplanung gibt klare Empfehlungen in welche Touchpoints und Kampagnen investiert werden sollte und schafft es so, das vorhandene Budget optimal zwischen Brand- und Aktivierungsmaßnahmen aufzuteilen.

Die Herausforderung

Eine stetig wachsende Zahl an Kommunikationskanälen stellt Marketingplaner und -entscheider genauso wie ein sich wandelndes Mediennutzungsverhalten der Zielgruppe vor große Herausforderungen in der Budgetplanung. Budgets müssen über immer mehr individuelle Touchpoints und Kanäle optimiert werden – egal ob gut messbar (z. B. Online, Radio, TV) oder nur schwer greifbar (z. B. Social Media, Empfehlungen). Gerade im B2B-Marketing werden häufig solche Touchpoints bespielt, deren Wirkung regelmäßig schwerer zu belegen ist (als beispielsweise bei (Haus-)Messen, Fachschulungen, Direct Marketing in Form von Mailings). Zudem muss die Budgetplanung strategische Markenbildungsinvestitionen mit kurzfristigen Aktivierungs- und Werbeanstrengungen in Einklang bringen.

Eine erste Orientierungshilfe können hier Benchmarks liefern, wie sie der Bundesverband Industrie Kommunikation e.V. (bvik) in seiner jährlichen Studie „B2B-Marketing-Budgets“ veröffentlicht. Derartige Benchmarks helfen, Trends transparent zu machen und geben somit eine erste praxisnahe Hilfestellung an die Hand. Eine für das jeweilige Unternehmen optimale Budgetaufteilung muss allerdings tiefer greifen.

Hinweis: Interessierte Marketer aus Industrieunternehmen können sich bereits jetzt zur Teilnahme an der Studie 2020 registrieren! Als Teilnehmer erhalten Sie die Studienergebnisse kostenfrei!

Den optimalen Marketing- und Touchpoint-Mix finden

Während die wachsende Datenverfügbarkeit einerseits große Herausforderungen mit sich bringt, versetzt die Verfügbarkeit von unternehmensinternen (CRM, Transkationen, Kundenverhalten, etc.) und externen Daten (Social Media, Datenmanagement- und Kundendaten.Plattformen, etc.), das Marketing andererseits auch in die Lage, die Investitionen in einzelne Kanäle viel besser planen zu können. Geeignetes Mittel hierfür sind Marketing-Mix-Modellierungen. Diese erkennen die Zusammenhänge zwischen Marketingausgaben und geschäftlicher Entwicklung (Abverkauf, Umsatz etc.), ermitteln den Return-on-Investment (ROI) für einzelne Kanäle und helfen so, das Marketing-Budget optimal zu verteilen.

Lange galten traditionelle Marketing-Mix-Modellierungen als eher unbeliebtes Instrument in der Marketing-Planung. Oft rückwärtsgewandt, zu wenig granular, zu realitätsfern, nur auf sogenannte Paid Touchpoints (z. B. TV/Print) fokussiert, hoher Modellierungsaufwand bei immer mehr Marketing-Kanälen, um nur einige der Kritikpunkte zu nennen. Diese Kritikpunkte werden zurecht angemahnt. Eine gute Marketing-Mix-Modellierung darf diese nicht außer Acht lassen. Neue Ansätze auf diesem Gebiet sind allerdings in der Lage, diese Punkte zu überwinden. Marketing-Mix-Modelle der zweiten Generation – auch Total-Marketing-ROI (TMROI) genannt – verbinden Mindsets mit existierenden Daten und optimieren so den ROI (Return on Investment) von Marketingausgaben in kurzer (Abverkaufs-) und mittelfristiger (Markenwert-) Hinsicht.

Traditionelle Marketing-Mix-Modelle vs. Total-Marketing-ROI

Traditionelle Marketing-Mix-Modelle basieren auf umfangreichen Zeitreihendaten aus Vertrieb und Marketing und zerlegen die beobachteten Abverkaufsdaten wie beispielsweise den Umsatz in seine Kernkomponenten: (1) Saisonalität, (2) Verkäufe, die von eigenen Marketing-Aktivitäten und Konkurrenz-Aktivität beeinflusst werden und (3) die sogenannten „Basisverkäufe“, d. h. das Umsatzniveau, welches unabhängig von kurzfristigen Marketing-Aktivitäten realisiert wird und somit ein marketingunabhängiges Basisniveau für den Umsatz darstellt.

Traditionelle Marketing-Mix-Modelle leisten gute Arbeit bei der Optimierung von „inkrementellen Verkäufen“– also Abverkäufen, die durch die Komponenten (1) und (2) getrieben sind. „Was-wäre-wenn“-Simulationen zeigen auf, welches Investment in welchen Kommunikationskanälen am Ende welchen ROI (Return on Investment) in Bezug auf den Abverkauf erbringt. Traditionelle Marketing-Mix-Modelle sind allerdings nicht in der Lage langfristige Auswirkungen des Markenaufbaus zu erklären und verleiten daher schnell zu der Annahme, dass das Budget vor allem in kurzfristige Aktivierungs- und Werbeanstrengungen investiert werden sollte. In einer mittel- bis langfristigen Perspektive kann dies jedoch letztlich dem Markenwert schaden und den Umsatztrend negativ beeinflussen. Denn auch die „Basisverkäufe“ sind mittelfristig veränderbar – sie spiegeln vor allem die Investitionen in den Markenwert wider.

Vom Budget zur optimalen Aufteilung

Wie sollten Marken also ihre Budgets zwischen Markenaufbau und Aktivierungs-Aktivitäten aufteilen? Sind alle Marketingkanäle für beide gleichermaßen effektiv? Analysen in vielen Branchen und Märkten haben gezeigt, dass der Markenwert und die Basisverkäufe stark korreliert sind. Dies bedeutet, dass der Markenwert ein guter Prädiktor für den tatsächlichen Basisverkauf ist. Marketing-Mix-Modelle der zweiten Generation (TMROI) überwinden die „Nur-Aktivierungs-Falle“, indem sie die Marketing-Investitionen nicht nur direkt in Bezug zu den Abverkaufsgrößen setzen, sondern auch die mittel- und langfristigen Effekte auf und von Markenstärke quantifizieren. Wichtig ist es dabei die „richtigen“ Marken-KPIs abzubilden, also diejenigen, die den Markenwert definieren und somit kurz- und langfristig wirken können. Die Optimierung des Marketing-ROI ist zudem keine einmalige Maßnahme und muss an Veränderungen angepasst werden.

Marketing-Aktivitäten entwickeln sich, Kunden ändern sich und neue Daten strömen immer wieder herein. Hierfür kommen die neuesten Algorithmen des sogenannten „Deep Learning“ und der künstlichen Intelligenz zum Einsatz. Die neuesten Machine-Learning-Tools ermöglichen es, selbstlernende Optimierungsmodelle einzusetzen. Gepaart mit menschlicher Intelligenz können diese sehr valide und praxisrelevante Modelle in kürzester Zeit erzeugen. Geeignete Dashboards können Marketingplaner und -entscheider zudem dabei unterstützen, verschiedene Investitionsszenarien zu simulieren und den Marketing-Mix so im laufenden Betrieb fortlaufend zu verbessern.

Und was bringt es?

Analysen in vielen Branchen und Märkten zeigen, dass der durchschnittliche ROI bei Total-Marketing-ROI-Modellen überproportional höher ist als der von vereinfachenden Ansätzen, die lediglich kurzfristige Marketing-Effekte berücksichtigen. Eine Verbesserung der Marketing-Effektivität von 20 bis 30 Prozent im ersten Jahr ist durchaus realisierbar.

Ein Total-Marketing-ROI-Modell ermöglicht es kurz- und mittelfristige Wirkungen von Marketing aufzuzeigen und mit Simulationen optimieren. Quelle: Kantar GmbH


Mehr zu den Themen „Marketing-Budgets“ und „Budgetplanung“