Heute sehen wir uns mal den Funnel an, denn der Fokus auf mehr, mehr, mehr Traffic ist falsch. Es geht nicht darum Traffic zu akquirieren, der möglichst günstig ist, sondern um Traffic der möglichst viel Gewinn macht. Das sind 2 grundverschiedene Dinge und es ist erstaunlich, wie häufig der Fokus auf dem ersten Aspekt liegt.
Auf die einfache Frage: “wie sieht’s denn mit dem Marketing Ergebnissen aus?” bekomme ich häufig Antworten wie diese:
“Umm, also Google, die Anzeigen, die laufen gut, und wir bekommen auch eine Menge Traffic durch organische Suche. Und wir haben Facebook getestet, das sieht ganz gut aus. Viele Klicks jedenfalls, wobei generell ist der Umsatz pro User weniger geworden, das kann eventuell am Facebook Traffic liegen, aber ich bin mir nicht ganz sicher.”
OK, wow, ungenauer ging es wohl nicht. Besser wäre gewesen:
“Also, AdWords und organische Suche machen 80 % unserer neuen Sign Ups aus, aber das Wachstum ist momentan stagnierend, und so haben wir Facebook als neuen Kanal ausprobiert. Wir haben einen ersten Test mit 600,00 € gemacht und wir akquirieren Neukunden für die Hälfte unseres bisherigen Ziel-CPA von 2,50 €. Während das positiv ist, geben diese Kunden auch nur die Hälfte aus so das der ROI hier bisher auch ein anderer ist.
Boom. So macht man das!
Die Frage, die ich dann häufig gestellt bekomme ist, woher weiß man das alles? Woher weiß man was wichtig ist, wenn man GA Data durchforstet?
Gute Fragen!
Ich gehe mal davon aus, das Tracking perfekt eingerichtet ist und sämtliche Events, Tags, etc. ohne Probleme zu finden sind – jetzt ist die Frage, ob das Basis-Verständnis für GTA und GA vorhanden ist. Da ich das nicht weiß, machen ich es mir jetzt mal ganz einfach, ich führe dich durch den Prozess:
Der Analyse Prozess
Ich arbeite mit einigen Apps zusammen, so ist dies ein typisches Beispiel wie ich tatsächlich vorgehen könnte, gehen wir einmal davon aus das wir eine App mit 10.000 Usern haben:
Aber, nicht alle User sind gleich, manche sind neu, manche waren schon häufiger da und andere haben schon mal was gekauft, wir sortieren mal die verschiedenen Gruppen:
So, was wir jetzt haben ist ein nach Lebenszyklen geordneter, einfachster Marketing Funnel. Aber was sagt er uns? In diesem Falle akquirieren wir nicht allzu viele Neukunden, die existierenden kommen aber häufig zurück, aber leider werden nicht genug zahlende Kunden. Sie finden unsere App also nicht schlecht, wir geben offensichtlich einen Wert, aber dann doch nicht genug um zu bezahlen.
Nicht ideal, aber definitiv besser als folgendes Szenario:
Das ist ein ziemliches Problem, hier akquirieren wir ohne Ende Neukunden, aber offensichtlich ist der Wert der App nicht wirklich hoch, denn nur wenige kehren zurück und wenige werden zahlende Kunden. Der Unterschied der beiden Grafiken gebt uns schon Hinweise für strategische Optionen: Bei der ersten Option geben wir vielleicht zu viele Features umsonst weg, hier könnte das Featureset überarbeitet werden. Im zweiten Modell scheint es mit den Conversions und der Retention zu haken, definitiv Raum zur Verbesserung hier.
Aber es könnte auch so aussehen:
Das würde uns doch glücklich machen, oder? Hier haben wir ja ganz offensichtlich ein sehr gutes Produkt, die User lieben es und bleiben lange dabei. Aber warum investieren wir denn dann nicht aggressiv in Wachstum? Wir sollten doch definitiv in der Lage sein unser Budget etwas zu erhöhen und unser Wachstum anzutreiben, oder?
Aber bevor wir den Hahn jetzt aufdrehen, wollen wir doch sicherstellen, dass wir unsere Investition auch zurückbekommen. Also teilen wir das hier noch weiter auf:
Der Traum eines jeden Growth Hackers, das Produkt scheint wirklich in bester Form zu sein, die Mehrheit der User zahlen und kaufen mehr als zweimal ein.
Wenn es so wie hier wäre, dann wäre es ein ziemliches Problem:
Hier ist die Konversion definitiv optimiert und die Kommunikation scheint sehr gut zu performen, aber mit der Kundenbindung hapert es signifikant und das ist meistens ein Produktproblem. Hier müssen wir erst das Problem beheben bevor wir in mehr Marketing investieren:
Häufig ist ja noch ein Schritt dazwischen bevor man “echter” Kunde wird, wenn 10 % sich für E-Mails eintragen dann sollte man definitiv eine Drip Kampagne implementieren, um mehr zahlende Kunden zu konvertieren. Wenn es so wie das nächste Modell aussieht, ist eine Drip Kampagne ein No-Brainer:
4000 Emails? Die müssen sofort umgewandelt werden, das Potenzial ist vorhanden und sollte sofort genutzt werden, also ran an den Content und Emails entwickeln die den potenziellen Kunden helfen.
Aber schauen wir uns doch mal an wie wir die Daten noch unterteilen können, um uns noch mehr zu sagen:
Momentan sehen wir uns nur die Lebenszyklen der User an, wir können uns aber eine weitere Dimension hinzuaddieren die uns mehr Aufschluss und Insight gibt, indem wir die Akquisitionskanäle auch in Betracht ziehen:
Ah, neue Insights! Wir sind ziemlich von Facebook abhängig, denn über 70 % unserer Neukunden kommen darüber. Wir sehen auch das AdWords und der AppStore relativ unwichtig in der Akquisition sind.
Wenn man jetzt aus Erfahrung spricht, würde man sagen, dass der AppStore eigentlich mehr Traffic produzieren sollte – oder könnte – so das man darauf vielleicht den Fokus legen sollte, um hier zu optimieren.
Aber es geht noch weiter:
Ach was, die Kanäle Konvertieren ja gar nicht alle gleich gut … selten ist das der Fall, fast nie um ganz ehrlich zu sein. Aber was jetzt interessant ist, ist die Qualität des Traffics, denn der AppStore schickt uns jetzt die gleiche Menge wiederkehrende User wie Twitter, obwohl Twitter die doppelte Menge des initialen Traffics hatte. Und siehe da, obwohl wir immer noch einen Großteil von Facebook bekommen, so ist ein signifikanter drop off der User festzustellen, was meistens die Qualität der User als Ursache hat.
Wollen wir einen Schritt weitergehen?
Oh mei, das sieht ja jetzt komplett anders aus als zuvor, denn obwohl wir von Facebook den Großteil unseres Traffics bekommen, liefert der AppStore fast genauso viele zahlende Kunden bei nur 10 % des FB Traffics. AdWords ist in diesem Beispiel komplett irrelevant und Twitter ist definitiv auf Platz 2 des Kanal Rankings.
Machen wir uns doch den Spaß und addieren ein weiteres Element zur Bewertung hinzu, den Media Spend:
Da wir anfangs noch nicht sicher sind welcher Kanal wie performt, planen wir den identischen Spend über alle Kanäle um zu evaluieren, wo wir den Spend erhöhen werden auf Basis der Resultate. Auf ersten Blick liegen Facebook, Twitter und der AppStore sehr nah beieinander, mit einem CPA zwischen 2,82 € und 3,18 €, aber wie sieht das über die Zeit aus? Wie spielt der LTV hier jetzt mit? Wir hatten das ja schon weiter oben einmal kurz in der generellen Betrachtung mit drin:
Da wir anfangs noch nicht sicher sind welcher Kanal wie performt, planen wir den identischen Spend über alle Kanäle um zu evaluieren, wo wir den Spend erhöhen werden auf Basis der Resultate. Auf ersten Blick liegen Facebook, Twitter und der AppStore sehr nah beieinander, mit einem CPA zwischen 2,82 € und 3,18 €, aber wie sieht das über die Zeit aus? Wie spielt der LTV hier jetzt mit? Wir hatten das ja schon weiter oben einmal kurz in der generellen Betrachtung mit drin:
Jetzt beginnt die Analyse tatsächlich Früchte zu tragen, denn hiermit sehen wir das Twitter, Facebook und der AppStore ähnlich konvertieren, jedoch über 60 % des FB Traffics nach dem ersten Monat aussteigt.
Was heißt das für dich?
Das wir die Bildchen jetzt hinter uns lassen und etwas tiefer in die Terminologien und Formeln einsteigen, die man braucht, um Wachstum richtig planen zu können. Um ROI zu bemessen müssen wir erst einmal herausfinden, was denn eine Bestellung überhaupt wert ist und inwieweit die unterschiedlichen Elemente zusammenhängen, denn sonst wissen wir ja nicht, an welcher Schraube wir drehen müssen, um Wachstum zu generieren oder eine Kampagne zu optimieren.
Also, das kann dann auf Basis unserer Daten auf Facebook so aussehen:
So, dann können wir ein paar Kern Daten errechnen die es uns erlauben dann die nächsten Schritte auf Basis von Daten zu entscheiden.
Customer Lifetime Value (LTV) = da kommen wir gleich zu.
Cost Per Acquisition (CPA) = $1,000 / 350 = $2.85
Daraus ergeben sich dann auch die Kosten der Kampagne und den zu erwartenden Umsatz:
Cost per Click (CPC) = $1000 / 5000 = $0.20
Revenue per Click (RPC) = $10 x 28 % = $02.80
Und wir können den ROI errechnen den wir mit unseren Marketing-Massnahmen eingefahren haben.
Return on Investment (ROI) = $1000 / $3500 = 350 %
Und zum Kopieren hier nochmal die Formeln die wir hier benutzt haben, um die Werte zu berechnen:
• LTV (lifetime value) = Umsatz / Anzahl Bestellungen
• CPA (cost per acquisition) = Budget / Anzahl Bestellungen
• CPC (cost per click) = Budget / Clicks
• RPC (revenue per click) = Durchschnittlicher Warenkorb x Konversions Rate
• ROI (return on investment) = Budget / Revenue
So, die Basis haben wir jetzt geschaffen, jetzt müssen wir die Frage des LTV beantworten, denn wir wissen ja das aus den 354 zahlenden Kunden 261 nur einen Monat dabei waren und 93 für 2 oder mehr Monate dabei sind. Das ist aber nicht genau genug, denn wir müssen ja genau wissen, wie sich der LTV darstellt, und nicht nur ungefähr, und so sehen wir uns das ganze als Kohorte an:
350 Zahlende User wurden im ersten Monat akquiriert, 93 davon waren im Zweiten noch dabei, 42 waren im Dritten noch dabei, 16 im Vierten und 4 im Fünften. Danach war die Gruppe (Kohorte) der im ersten Monat akquirierten User “leer”. Insgesamt haben die 350 zahlenden User 505 Bestellungen getätigt und der LTV war somit bei 1,4 (was ziemlich gering ist). Sehen wir uns das doch mal für die anderen Kanäle an:
Und jetzt das jetzt auch mal als Kohorte:
So, jetzt kommt endlich Musik in die Bude:
Während die FB User nach 4 Monaten die App hinter sich gelassen haben, sind die Twitter User noch aktiv, aber verblassen im Vergleich zu den AppStore Usern. Sage und Schreibe 88 User sind von der initial Kohorte noch dabei. Der gesamt LTV hat sich auf 3.4 erhöht, aber der AppStore LTV liegt bei 5.8 – das ist schon gravierend, wenn man dies nun mit den 1.4 von FB vergleicht.
OK, und nu?
Jetzt gibt es diverse Hausaufgaben die anstehen: Zum einen muss der AppStore Traffic nach oben gehen, denn dies scheint ein vielversprechender Kanal zu sein. Aber nicht vergessen das dies andauernd beobachtet werden muss damit man nicht überinvestiert und die Kampagne Geld verliert – wobei dies bei dem LTV ziemlich schwierig wird. Selbiges gilt für Twitter.
Facebook muss allerdings im Vergleich auf die anderen beiden signifikant optimiert werden, denn die Kunden haben nicht ansatzweise eine ähnliche Qualität wie die der anderen Plattformen. Aber – und das wissen wir erst jetzt – wir können jetzt mit großer Gewissheit sagen, dass wir ruhig mehr für die Akquisition eines Kunden auf FB ausgeben können, wenn sich dadurch auch die Qualität erhöht und der LTV länger wird. Dies muss natürlich über die nächsten Monate getestet werden, aber der Ansatz ist da.
Es ist auch nichts Überraschendes das manche Kanäle einfach besser performen als andere – siehe AdWords hier – die Herausforderung ist allerdings sämtliche Kanäle ständig zu optimieren, um Wachstum zu generieren, denn ansonsten ist das Plateau schnell erreicht und plötzlich wird das Wachstum stagnierend, bzw. es kostet wesentlich mehr als geplant und der Gewinn wird weniger. Das kann allerdings auch Wachstumsstrategie sein, das das StartUp dann auf ROI = 0 operiert und das Ziel nicht Gewinn, sondern Scale ist und der Gewinn “später” in den Fokus kommt, man möchte halt der Platzhirsch sein und später die Marge optimieren.
Welchen Wert hat denn nun eigentlich eine Transaktion? Eine einzige Transaktion liegt bei $10, aber da wir im Durchschnitt auf Basis der obigen Daten von einem LTV von 3,4 Monaten ausgehen, kommen wir auf einen Wert von $34,00 – das ist deshalb wichtig, weil wir jetzt jedem Funnel Schritt einen Wert zuordnen können, und das sieht dann so aus:
Auf Basis der bisher generierten Daten können wir mit ziemlicher Sicherheit sagen, dass die Werte sich so darstellen und das hilft uns dann wiederum in der Planung, denn wir haben jetzt nicht nur ein Bauchgefühl, sondern echte Daten. Wenn man diese Daten gar nicht hat, woher will man denn wissen, ob die Kampagne die grade läuft, im Anfangsstadium gut aussieht oder eher nicht?
Wenn ich die Daten nicht kenne, woher will ich denn dann wissen wie ein neuer Kanal dasteht? Oder wie die Retention der User dieses neuen Kanals mit unserem Vergleichswert aussieht?
Nur wenn man kontinuierlich die erhältlichen Daten aufbricht und differenziert betrachtet, hat man überhaupt ein Gefühl für den Erfolg oder Misserfolg einer Initiative oder Kampagne, und bevor man sich versieht, hat man die Daten verinnerlicht und weiß ohne erst nachsehen zu müssen, wie es eigentlich aussieht.
Und auf Basis dieser Daten kann man nun beginnen mehr Datensätze zu generieren die das Business von allen weiteren Ecken transparenter macht. Denn mehr Transparenz ermöglicht weitere Optimierung in Bereichen, die vorher möglicherweise vernachlässigt wurden. Wenn man zB weiß, dass der SignUp mit E-Mail und Passwort Abfrage mit 2 % konvertiert, aber der SignUp wo nur das E-Mail erforderlich ist, mit 8 % konvertiert, dann man kann entscheiden, ob das Passwort tatsächlich nötig ist, wenn es um den Signup geht.
Kann das Passwort eventuell in einen zweiten Schritt abgefragt werden? Kann das Feld sich eventuell ‘entwickeln’? Wie viele User haben ihr Passwort vergessen, wenn sie bezahlende User werden wollen. Etc., etc.
Zusammenfassung: Wie du weißt {{ subscriber.first_name }}, hört der Prozess mehr Wachstum zu generieren nie auf. Indem jeder Schritt genauer verstanden wird, wir mehr und mehr Datensätze haben, die Details mehr und mehr Informationen zu dem Verhalten unserer Nutzer hevorbringen, sind wir in der Lage die kleinsten Elemente anzusehen und zu optimieren.
Aber die Daten und das Verständnis der Daten sind die Grundlage für alles das wir tun. Wenn wir diese Daten nicht verstehen, oder aber nicht weit genug untersuchen, werden wir die falschen Entscheidungen treffen.
Was die Besten Growth Hacker auszeichnet, ist deren Fokus auf Daten, nicht Gefühle, oder Meinungen. Daten informieren uns, ob ein Experiment etwas verbessert oder verschlechtert hat, Daten sagen uns was wir danach probieren müssen, Daten bringen uns in unserem Unternehmen nach vorne.
Du mußt Daten zu deinem besten Freund machen, dann wirst du die größten Erfolge einsammeln.
