Zusammenfassung
Jeder Werbetreibende weiß, dass nicht jedes Werbemittel den gewünschten Effekt erzielt. Neben Streuverlusten und nicht treffenden Werbebotschaften gibt es insbesondere in bedarfsdeckenden Branchen mit einer hohen Kauffrequenz immer die Herausforderung, die Werbung so zu gestalten, dass sie tatsächlich eine Verhaltensänderung bewirkt. Gerade bei den besten Kunden passiert es sehr häufig, dass die Werbung der Kaufentscheidung eigentlich nur noch hinterhergeschickt wird. Dies bedeutet, dass die angesprochene Gruppe zwar hohe Umsätze tätigt, sie diese aber auch ohne die Ansprache größtenteils getätigt hätte. Ein Ziel des analytischen Direktmarketings ist daher die Maximierung von Uplifts, der Differenz zwischen dem erwarteten Umsatz ohne Werbung und dem erwarteten Umsatz mit Werbung. Im Data-driven Marketing gibt es inzwischen viele statistische Techniken, um Uplift-Prognosen zu erstellen, die dann für Werbeaussendungen genutzt werden können. Tatsächlich scheitern in der Praxis viele dieser Methoden an den sehr strengen Datenanforderungen, die an sie gestellt werden. In dieser Fallstudie stellen die Autoren daher eine Heuristik vor, die sehr erfolgreich bei einem großen Drogeriehändler eingesetzt werden konnte und Potenzial für eine verbreitete Anwendung besitzt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Fader, P. S., Hardie, B. G. S., & Lee, K. L. (2005). RFM and CLV: Using iso-value curves for customer base analysis. Journal of Marketing Research, XLII(4), 415–430.
Jaskowski, M., & Jaroszewicz, S. (2012). Uplift modeling for clinical trial data. ICML Workshop on Clinical Data Analysis.
Lo, V. S. (2002). The true lift model – A novel data mining approach to response modeling in database marketing. SIGKDD Explorations, 4(2), 78–86.
Moodley, R., Chiclana, F., Caraffini, F., & Carter, J. (2019). A product-centric data mining algorithm for targeted promotions. Journal of Retailing and Consumer Services, 54, 101940.
Radcliffe, N. J. (2007). Using control groups to target on predicted lift: Building and assessing uplift models. Direct Marketing Journal, 1, 14–21.
Radcliffe, N. J., & Surry, P. D. (2011). Real-world uplift modelling with significance-based uplift trees. White Paper TR-2011-1, Stochastic Solutions (S. 1–33).
Rzepakowski, P., & Jaroszewicz, S. (2012). Uplift modeling in direct marketing. Journal of Telecommunications and Information Technology, 2012, 43–50.
Author information
Authors and Affiliations
Corresponding authors
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Goerke, B., Proppe, D. (2020). Uplift von Werbemaßnahmen – Case-Study zur Marketing-Optimierung. In: Boßow-Thies, S., Hofmann-Stölting, C., Jochims, H. (eds) Data-driven Marketing. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-29995-8_6
Download citation
DOI: https://doi.org/10.1007/978-3-658-29995-8_6
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-29994-1
Online ISBN: 978-3-658-29995-8
eBook Packages: Business and Economics (German Language)