Die Lösung für Datendiskrepanz im mittleren Funnel für Automotive Brands

Carolin Bornholdt
Carolin Bornholdt
Data Consulting Teamlead
Length
7 min read
Date
8 July 2024

Stellen Sie sich eine Person vor, die ein Auto kauft.

Online wurde sich vorab auf der Website der Automarke das perfekte Auto zusammengestellt – ein Modell ausgewählt, die Innenausstattung ausgesucht und Sonderausstattungen hinzugefügt – nur um dann beim Händler vor Ort festzustellen, dass all diese Daten zur Personalisierung verloren gegangen sind. 


Diese Datendiskrepanz zwischen Mutterunternehmen und Autohäusern wirkt sich nicht nur auf die Konsument:innen aus. Sie unterbricht die Customer Journey und macht damit die Bemühungen der Automobilmarke im Hinblick auf Personalisierung, Attribution und Targeting zunichte. 

Diese Unterbrechung der Personalisierung, Attribution und Zielgruppenansprache ist eine der größten Herausforderungen, denen sich Automobilmarken mit ihrem Middle-of-Funnel-Marketing stellen müssen. In den Hunderten von Händlerdomänen, CRMs und aktiven Kampagnen gibt es viele Gefahren für Datendiskrepanzen..

Genau aus diesem Grund sollte der mittlere Funnel in den Fokus der Data Strategie jeder Automarke gerückt werden. Ein wenig Koordination kann sich hier extrem lohnen.

Beginnen Sie am unteren Ende des Funnels

Der erste Schritt zum Erfolg im mittleren Funnel besteht darin, zu verstehen, warum, wann und wo Konversionen stattfinden. 

Demografie-, Attributions-, Mediennutzungs- und andere Datentypen ergeben zusammen ein Bild der idealen Kund:innen. Sie verraten Ihnen auch die größten verpassten Chancen, wachsende Verbrauchertypen und viele andere interessante Anhaltspunkte. 

Wenn Sie wissen, wie Ihre Kund:innen aussehen und welche Marketing-/Vertriebsaktivitäten heute funktionieren, können Sie sich mit der Einführung neuer Strategien, Technologien und Modelle beschäftigen. 
 
Was Sie unbedingt beachten sollten:

  • Ihre Zielgruppe: Sowohl aktuelle als auch potenzielle Neukund:innen
  • Die Customer Journey Ihrer Kund:innen: Emotionale und rationale Wünsche und Bedürfnisse, welche Medien sie konsumieren, und wie, wann und warum diese Aktivitäten stattfinden.

Sobald Sie ein vollständiges Bild von Ihren Ergebnissen aus dem unteren Funnel haben, können Sie beginnen, daran zu arbeiten. Aber zuerst brauchen Sie eine zukunftsfähige Datenarchitektur.

Etablieren Sie eine moderne Datenarchitektur 

Ihr gesamter Funnel hängt von zuverlässig integrierten Daten von Händlern und dem übergeordneten Hersteller ab. Eine Datenarchitektur beschreibt dabei die Organisationsprinzipien, die bestimmen, wie aus dem Rohmaterial aller Daten ein fertiger Report wird.

Die moderne Datenarchitektur lehnt sich stark an die Automobilherstellung an, das Modell sollte also bekannt sein:

  • Identify where you collect the data for your funnel. Look for 80% or better coverage across dealer CRMs, order management systems, web traffic, etc. Call that your Source layer.
  • Copy as much of that source data (securely!) as possible into a cloud database. Keep those records untouched. Call that your Data Lake layer. 
  • Iteratively refine raw data into a clean lead record in a second cloud instance. Integrate web events, marketing campaigns, products, and anything else valuable in your raw data too. That’s your Master layer.
  • Integrate that clean data into a Funnel record in a third cloud database for final assembly as your funnel report. That’s your Report layer.
  • Integrate that clean data into a Funnel record in a third cloud database for final assembly as your funnel report. That’s your Report layer.

Arbeiten Sie mit den Händlern zusammen, um die Diskrepanzen in Ihren Daten zu schließen, und überwachen Sie die Datenqualität beim Kopieren von einem Ort zum nächsten – genau so wie Sie es auch am Fließband tun würden.

Erstellen Sie ein Lead-Scoring Modell

Während Sie damit beginnen, Daten zu sammeln und zu standardisieren, erstellen Sie ein Lead Scoring Modell, das die Customer Experience optimiert. Dazu benötigen Sie wahrscheinlich die Unterstützung des Händlers, also bitten Sie ihn um Hilfe. Wählen Sie Ihre Prioritäten und trainieren Sie Ihr Lead Scoring Modell, um diese zu erreichen. Vielleicht möchten Sie bestimmte Arten von Kund:innen oder die wahrscheinlichsten Abschlussraten priorisieren. 

Was auch immer Ihr Ziel ist, Sie müssen dem Modell auch Top- und Bottom-of-Funnel-Daten zur Verfügung stellen. Bleiben Sie bei dem Modell, und lernen Sie, wie Sie es durch bessere Standardisierung und schärfere Vorhersagen verbessern können.

Dieser kollaborative Prozess der Erstellung von Analysen, die für beide Seiten vorteilhaft sind, führt zu einer positiven Feedbackschleife. Dieser positive Kreislauf macht von Woche zu Woche deutlicher, warum gute Daten für alle von Vorteil sind. 

Außerdem wird Ihr Funnel optimiert, indem qualifizierte Besucher:innen, die es in die Mitte des Funnels schaffen, priorisiert werden, so dass Sie im Laufe der Zeit mehr von Ihren einzigartigen Merkmalen erkennen können. 

Rechnen Sie damit, dass Sie auf dem Weg zu guten Daten auf Probleme mit der Datenqualität stoßen werden. Die wahrscheinlichsten Quellen für Qualitätsprobleme sind idiosynkratische Daten, die in den Autohäusern eingegeben werden, oder Unstimmigkeiten in Ihren Marketingkampagnen. Gehen Sie bei der Dateneingabe bei den Händlern und in Ihren Marketing-Tools mit einigen der Disziplinen vor, die Sie bei der Qualität am Fließband anwenden. Die Standardisierung beginnt mit einer positiven Kommunikation, wird mit regelmäßigen Erinnerungen fortgesetzt und lebt von Anreizen zur Zusammenarbeit. 

Jede Entdeckung eines Datenqualitätsproblems führt zu besseren Daten für alle, also belohnen Sie Ihre Mitarbeiter:innen aktiv, wenn diese Möglichkeiten finden, ihre Dateneingabe zuverlässiger zu machen.

Incentivierung von Händlern und Vertriebsmitarbeiter:innen 

Die Kommunikation zwischen der Automobilmarke und ihren Händlern hilft sowohl den globalen als auch den lokalen Teams, sich zu verbessern. Hier ist ein einfacher Weg, um eine Win-Win-Situation für die Middle-of-Funnel-Sichtbarkeit zu schaffen. 

Fördern Sie zunächst die Zusammenarbeit bei der gemeinsamen Nutzung von Daten und der Entwicklung von Strategien, und erörtern Sie, warum die Standardisierung der Datenerfassung von Vorteil ist. Schaffen Sie klare Kanäle für den Informationsaustausch, um sicherzustellen, dass alle Parteien die gleichen Ziele im Lead-Management verfolgen.

Motivieren Sie die einzelnen Händler, nach jedem closed/lost oder closed/sale standardisierte Lead-Informationen zu liefern. Anerkennen und belohnen Sie ihre Bemühungen, wertvolle Lead Daten zu sammeln und weiterzugeben. 

Durch die Umsetzung dieser Empfehlungen können Automobilunternehmen die Mitte des Funnels nutzen, um die Konversionsraten zu verbessern. Der Einsatz von Analytics, Datenintegration und Personalisierung/AI wird Marken helfen, das Kundenverhalten besser zu verstehen und ein bessere Customer Experience zu bieten.

driving down road

Featured work

Datenumwandlung bei Autobytel 

Vor einiger Zeit unterstützte das Data Team von DEPT® Autobytel bei der unternehmensweiten Umgestaltung des Geschäfts mit einer Analytics Plattform. Wir modernisierten die Datenplattform, unterstützten ein neues standortbasiertes Werbemodell und optimierten das Lead-Management-Produkt für Autohäuser.

Die Lösung fußte auf drei Grundlagen:

  • Eine neue Taxonomie für die Standortanalyse, die Best Practices von Adobe Analytics nutzt, um die Einnahmen aus standortbasierter Werbung zu optimieren
  • Ein Data Warehouse Reboot mit überarbeiteten Kerndatenmodellen und Datenpipelines half dem Unternehmen dabei, von einer reaktiven, berichtsgesteuerten Organisation zu einer Analytics-orientierten Entscheidungsfindung überzugehen
  • Eine überarbeitete Lead-Scoring-Engine, um qualitativ hochwertige Leads zu identifizieren und sie mit den effektivsten Händlern zusammenzubringen

Dank dieser Zusammenarbeit konnte Autobytel seine datengesteuerte Transformation abschließen, neue Einnahmequellen erschließen und die Rentabilität seiner bestehenden Produkte steigern.

Fragen zur Datenanalyse?