Unternehmen müssen datengetrieben arbeiten um in einem kompetitiven Umfeld erfolgreich zu sein. Das gilt für Startups genauso wie für traditionelle Unternehmen. Um Dinge systematisch schnell besser zu machen als andere braucht es ein sinnvolles und funktionierendes KPI Framework. Es gibt allerdings Daten wie Sand am Meer und nur begrenzte kognitive Kapazität und Personal. Ein solches Framework muss also die Frage beantworten welche Daten aufgezeichnet und welche Daten zu welchem Zeitpunkt analysiert werden und im Fokus stehen. Lassen Sie uns ein solches Framework skizzieren und darüber sprechen, welche Skills es braucht um es in unternehmerischen Erfolg umzusetzen.

1. Sprechen wir über ein Framework für
datengetriebenes Arbeiten
Prozesse, KPIs, Team Setup

2. Über mich
Background
• Studium Psychologie mit Schwerpunkt Wirtschaftspsychologie & Psychologische
Diagnostik
• Lektor FHWien Studiengänge der WKW - Institut für Unternehmensführung (seit
2012)
• CMO KochAbo GmbH, DACH (2012-2014)
• CMO durchblicker.at (seit 2015)
alexander.leopoldinger.haiden@gmail.com
xing.com/profile/Alexander_LeopoldingerHaiden

3. Agenda
Let‘s see how far we go....
1. Wie sieht ein datengetriebener Prozess aus (Startups, Produkteinführung, etc.)?
2. Welche Daten/Analysen sehe ich mir wann in welchem Detailgrad an?
3. Wie kann ein Team-Setup dafür aussehen?
4. Exkurs: AARRR
5. Warum das GESAMTE MARKETING DATENGETRIEBEN funktionieren soll anhand eines
Beispiels aus der klassischen Werbung.

4. Track and analyze the right KPIs during
different steps over time
Find a framework approach to focus and don‘t lose overall view
Op#mierung: CAC, Traffic, CRV, CLV
€€€€€€€€ €€€€€ €€€ €€ €
t0
(Gründung)
t1
Cash out
CAC
X Euro CLV
X*3 Euro

5. Track and analyze the right KPIs during
different steps over time
Find a framework approach to focus and don‘t lose overall view
Fragen:
• Wer kauJ das Produkt?
• Welche Kanäle funk#onieren?
• Welche WerbemiRel?
• Funk#oniert Website?
KPIs:
• CVR, CAC, CTR, Bounce rate
• Start to collect data! All data!
à Business Analy#cs Approach
• Simples Beispiel: Google Analy#cs vollständig
Launchphase
Ziele:
• Monetarisierung Kundenstamm
• Vorhersagen treffen
• Skalierung in leistungsstärksten und effizientesten
Kanälen
• Detaillierte Op#mierung der KPIs
KPIs:
• Life#me value (CLV), reten#on, cohorts
• Detailed CVR, CAC
Skalierung
€€€€€€€€ €€€€€ €€€ €€ €
t0
(Gründung)
t1
Cash out
Op#mierung: CAC, Traffic, CRV, CLV

6. Welche Daten sammle ich in welcher Struktur
und wann fokussiere ich auf welche Daten?

7. ü Alle Daten sammeln in
guter Struktur, damit sie
analysierbar sind
ü Auf Kennzahlen
fokussieren, die zentral
für Erfolg sind
ü Nicht mit Dingen
beschäftigen, die nicht
wichtig sind

8. Agenda
Let‘s see how far we go....
1. Wie sieht ein datengetriebener Prozess aus (Startups, Produkteinführung, etc.)?
2. Welche Daten/Analysen sehe ich mir wann in welchem Detailgrad an?
3. Wie kann ein Team-Setup dafür aussehen?
4. Exkurs: AARRR
5. Warum das GESAMTE MARKETING DATENGETRIEBEN funktionieren soll anhand eines
Beispiels aus der klassischen Werbung.
✓
✓

9. PR
Datentiefe in zentralen Kanälen,
Integration und Team-Setup
In Tiefe analysieren und in Breite verbinden
Jeder zentrale Kommunikationskanal hat detaillierte KPIs:
• Hoher Detailgrad und Datentiefe für Optimierung notwendig
• Spezialist inhouse für bestimmte Exzellenz notwendig (Monotonie)
Adwords SEO Display TV/OOH/Radio
Affiliate Conversion (CRO) E-Mail
Aktivitäten integriert betrachten und miteinander in Bezug setzen!
Social
etc.
CRM

10. Arbeiten in interdisziplinären Teams
Schnelle und inkrementelle Iteration à Optimierung
Marke1ng Product
IT

11. Arbeiten in interdisziplinären Teams
Schnelle und inkrementelle Iteration à Optimierung
Marke1ng Product
IT
Beispiel
Usability Tes1ng

12. Agenda
Let‘s see how far we go....
1. Wie sieht ein datengetriebener Prozess aus (Startups, Produkteinführung, etc.)?
2. Welche Daten/Analysen sehe ich mir wann in welchem Detailgrad an?
3. Wie kann ein Team-Setup dafür aussehen?
4. Exkurs: AARRR
5. Warum das GESAMTE MARKETING DATENGETRIEBEN funktionieren soll anhand eines
Beispiels aus der klassischen Werbung.
✓
✓
✓

13. Track and analyze the right KPIs during
different steps over time
Find a framework approach to focus and don‘t lose overall view
Fragen:
• Wer kauJ das Produkt?
• Welche Kanäle funk#onieren?
• Welche WerbemiRel?
• Funk#oniert Website?
KPIs:
• CVR, CAC, CTR, Bounce rate
• Start to collect data! All data! à Business
Analy#cs Approach
Launchphase
Ziele:
• Monetarisierung Kundenstamm
• Vorhersagen treffen
• Skalierung in leistungsstärksten und effizientesten
Kanälen
• Detaillierte Op#mierung der KPIs
KPIs:
• Life#me value (CLV), reten#on, cohorts
• Detailed CVR, CAC
Skalierung
€€€€€€€€ €€€€€ €€€ €€ €
t0
(Gründung)
t1
Cash out
Op#mierung: CAC, Traffic, CRV, CLV
Example
Startup
metrics:
AARRR!!

14. AARRR Startup Metrics Model
1) Acquisition
2) Activation
3) Retention
4) Revenue
5) Referral
Tribute to:
• Dave McClure (500 Startups)
• Nico from tourradar.com

15. AARRR Startup Metrics Model
1) Acquisition
2) Activation
3) Retention
4) Revenue
5) Referral

16. AARRR Startup Metrics Model
1) Acquisition
2) Activation
3) Retention
4) Revenue
5) Referral

17. AARRR Startup Metrics Model
1) Acquisition
2) Activation
3) Retention
4) Revenue
5) Referral

18. AARRR Startup Metrics Model
1) Acquisition User comes to website
from various channels
2) Activation
The user uses the
product, indicating a
happy first visit
3) Retention
The user comes back,
indicating they like the
product
4) Revenue
The user conduct some
monetization behavior.
Yay!
5) Referral
The user likes the
product so much, he
refers other users
• Time on site
• Bounce rate
• Pages per visit
• Conversion to email / leads
• Social media shares
• Repeat visitors / Returning
customers
• Cohort Analysis
• CVR
Success
metrics

19. Agenda
Let‘s see how far we go....
1. Wie sieht ein datengetriebener Prozess aus (Startups, Produkteinführung, etc.)?
2. Welche Daten/Analysen sehe ich mir wann in welchem Detailgrad an?
3. Wie kann ein Team-Setup dafür aussehen?
4. Exkurs: AARRR
5. Warum das GESAMTE MARKETING DATENGETRIEBEN funktionieren soll anhand eines
Beispiels aus der klassischen Werbung.
✓
✓
✓
✓

20. Datengetriebene Klassik

21. Richtige Dateninterpretation
Beispiel Conversion zu Kampagnenstart
Kampagnenstart

22. Richtige Dateninterpretation
Beispiel Conversion zu Kampagnenstart
Entscheidungsphase

23. Klassische Werbekampagne
MaFo, Kreation, begleitende Evaluation
Wünsche & Verhalten:
Konsumenten
Ausgangspunkt
Marktforschung Marketingplan
Mittel Ziel
Wachstum durch
effiziente & smarte
Kundengewinnung

24. Identifikation der Potenziale
entlang der Werbewirkungskette
KNOWLEDGE LIKING
IMAGE /
POSITIONING
AWARENESS
CONVICTION /
PURCHASE
Bekanntheit
Gestützt/ungestützt
Produktwissen
Was wird angeboten?
Wie beliebt ist die
Marke?
Wie wird die Marke
wahrgenommen,
wofür steht sie?
Kaufentscheidung
Vergleichspla`orm
vs
Abschluss

25. Systematische Evaluation
Überprüfung der Zielerreichung je Stufe
• Mediaplanung
– Überlegungen zu Mediaplan KPIs (effektive Reichweiten, Kampagnen-
Aufbau, Saisonen, Konkurrenz)
• Definition der Ziele/Benchmarks
– Awareness (gestützt/ungestützt)
– Produktwissen (Autoversicherung, etc.)
– Image/Liking
– Positionierung (Abschluss möglich)
– Traffic (Website)
– Sales (Abschlüsse)
• Pretest vor Produktion & Launch
• Posttest nach Initialphase
– Höchster Werbedruck in den ersten 4 Wochen
– Danach Prüfung der Zielerreichung
• Posttest nach Werbepause
– 4 Wochen offAir im Dezember
– Danach Prüfung der Zielerreichung und Veränderung der Werte

26. ü Vielen Dank!
ü Mille grazie!
ü Thank you!