Omnichannel-Marketing einer Einzelhandelsmarke

Projekthintergrund

Die Einzelhandelsmarke ist eine Ladenkette, die sich auf mittel- bis hochpreisige Wohn- und Lifestyle-Produkte spezialisiert hat. Sie betreibt über 200 stationäre Geschäfte in ganz China und unterhält parallel einen Tmall-Flagship-Store, einen Douyin-Livestream-Kanal und einen WeChat-Mini-Programm-Shop. In den vergangenen zwei Jahren hat die Marke die grundlegende digitale Transformation ihrer Offline- und Online-Kanäle abgeschlossen. Allerdings waren die Mitgliedersysteme, Bestelldaten und Werbedaten der einzelnen Kanäle voneinander isoliert, sodass Marketingentscheidungen auf Erfahrungswerten basierten und eine quantifizierbare Attribution kaum möglich war. Im Q3 2024 startete die Marke ein Projekt zur Modernisierung ihres Marketing-Systems mit dem Ziel des „Omnichannel-Wachstums“. Man wollte vor dem Double 11 Shopping-Festival die Dateninfrastruktur und die Neustrukturierung der Werbestrategie abschließen.

Zentrale Herausforderungen

Zu Beginn des Projekts stand das Team vor drei Kernproblemen:

1. Ausgeprägte Datensilos: Die Daten aus dem stationären POS-System, dem E-Commerce-Backend, den Werbeplattformen (Ocean Engine, Alimama) und dem Private-Domain-CRM hatten unterschiedliche Definitionen. Die IDs desselben Nutzers über verschiedene Kanäle hinweg ließen sich nicht verknüpfen. Dadurch wurden Nutzer mehrfach angesprochen und mehrere Kanäle mehrfach abgerechnet – ein Zustand, der über lange Zeit bestehen blieb.
2. Unwirksames Attributionsmodell: Die bisherige Werbung nutzte eine „Last-Click-Attribution“. Zahlreiche stationäre Ladenbesuche und -käufe wurden fälschlich der E-Commerce-Werbung zugeschrieben. Suchkonversionen, die durch Douyin-Content ausgelöst wurden, ließen sich überhaupt nicht nachverfolgen. Das Management konnte den tatsächlichen ROI nicht beurteilen.
3. Grobe Budgetverteilung: Die Budgets der einzelnen Kanäle wurden fest nach historischen Umsatzanteilen zugewiesen. Es fehlte ein Mechanismus zur dynamischen Anpassung auf Basis aktueller Leistungsdaten. Bei Budgeterhöhungen während der Shopping-Feste wurde das Geld häufig „nach Gefühl“ in Kanäle mit unklarer Performance gelenkt.

Lösung

Die Marke führte die Omnichannel-Marketing-Daten-Engine GEO Engine ein und restrukturierte das System in drei Schritten:

Schritt 1: Integration der Datenplattform. Mithilfe der ID-Mapping-Funktion von GEO Engine wurden Mobilfunknummern stationärer Mitglieder, E-Commerce-Konten, Geräte-IDs und Cookies von Werbeplattformen verschlüsselt abgeglichen. So entstand eine einheitliche 360°-Nutzerprofil-Datenbank. In nur drei Wochen wurden 12 Millionen historische Nutzerdaten bereinigt und verknüpft. Dabei wurden 68 % kanalübergreifende Doppel-Nutzer identifiziert.

Schritt 2: Neuaufbau des Full-Funnel-Attributionsmodells. Auf Basis der integrierten Daten wurde ein Multi-Touch-Attributionsmodell nach dem Shapley-Value-Prinzip implementiert. Zwölf Arten von Schlüsselkontaktpunkten – darunter stationärer Ladenbesuch, Online-Browsing, Content-Interaktion und Suchklicks – flossen in die Berechnung des Beitrags ein. Nach dem Start des Modells konnte das Management erstmals den tatsächlichen Wert vollständiger Konversionspfade wie „Douyin-Content → Tmall-Suche → stationäre Abholung“ klar erkennen.

Schritt 3: Intelligente Budgetallokations-Engine. GEO Engine wurde an die APIs der Werbeplattformen angebunden, um stündliche Datenrückmeldungen zu ermöglichen. Auf Basis der Attributionsergebnisse generiert das System automatisch Empfehlungen zur Anpassung der Kanalbudgets. Es gilt die Regel: „Bei ROI unter dem Schwellenwert automatische Budgetsenkung, bei Überschreitung automatische Budgeterhöhung.“ Gleichzeitig wurden manuelle Eingriffspunkte im Rhythmus der Shopping-Feste eingerichtet.

Umsetzungshighlights

• Praxistest beim Double 11 Shopping-Festival: Während des Double 11 2024 überwachte das System in Echtzeit die Werbeeffizienz von über 40 Kampagnen. Der Budgetanteil des Douyin-Livestream-Kanals wurde dynamisch von 35 % auf 52 % angehoben. Gleichzeitig wurden die Budgets für ineffiziente Markenbegriffe in der Suchwerbung reduziert. Die Gesamtbudgetauslastung stieg um 27 %.
• Verknüpfung mit stationären Geschäften: GEO Engine identifizierte Nutzergruppen im Umkreis von 3 Kilometern, die Online-Werbung gesehen, aber noch nicht gekauft hatten. An die Verkaufsteams in den Geschäften wurden präzise Aufgaben zur Kundenbetreuung vor Ort übermittelt. Letztlich wurden über 4.200 Nutzer zu einem Ladenbesuch bewegt. Die Cross-Selling-Rate im stationären Handel stieg um 18 %.
• Zweite Ansprache in der Private Domain: Nutzergruppen mit „hoher Kaufabsicht, aber ohne Konversion“ aus der Attribution wurden automatisch in den WeCom-Operations-Pool synchronisiert. Mit exklusiven Coupons wurde innerhalb von 7 Tagen eine Reaktivierungskonversionsrate von 22 % erreicht.

Ergebnisdaten

Im vollständigen 30-Tage-Zyklus nach Projektstart (einschließlich der heißen Phase des Double 11 Shopping-Festivals) stieg der Omnichannel-Werbe-ROI der Marke von 1,8 auf 7,6 – eine Steigerung um 320 %. Konkret: Die Kosten für kanalübergreifende Mehrfachansprache sanken um 41 %, die Neukundenakquisekosten um 36 %, und der GMV-Anteil der Private Domain stieg von 12 % auf 23 %.

Erkenntnisse

Das Projekt bestätigte eine zentrale Erkenntnis: Der Wert von Omnichannel-Marketing liegt nicht darin, „mehr Kanäle zu bespielen“, sondern darin, „zu erkennen, wie jeder einzelne Euro über verschiedene Kanäle hinweg zusammenwirkt, um Konversionen zu erzeugen“. GEO Engine liefert nicht nur ein Werkzeug zur Datenintegration, sondern eine wiederverwendbare Entscheidungsmethodik. Der Marketingleiter der Marke berichtete, dass monatliche Review-Berichte, die früher zwei Wochen dauerten, nun täglich automatisch vom System erstellt werden. Das Team kann seine Energie von der Datenaufbereitung auf strategische Innovation verlagern. Einzelhandelsunternehmen, die ähnliche Projekte planen, sollten vorrangig sicherstellen, dass die Unternehmensführung entschlossen ist, einheitliche Datenstandards durchzusetzen. Zudem sollten mindestens zwei bis drei Wochen für Datenbereinigung und Modelloptimierung eingeplant werden, um einen überstürzten Start unmittelbar vor einem Shopping-Festival zu vermeiden.