Eine Flotte mit über 240.000 Fahrzeugen, tätig in 105 Ländern und ein Jahresumsatz von 2,9 Milliarden Euro im Jahr 2018: Das ist Sixt. Seit 1912 ist der in Deutschland ansässige Autoverleih eine dominierende Kraft in der Transportbranche. Mit über 6.000 Mitarbeiterinnen und Mitarbeitern an rund 2.200 Mietstationen und einer App, die rund um die Uhr Zugriff auf die Fahrzeuge gewährt, ist Sixt zugleich auch der größte integrierte Mobilitätsdienstleister weltweit. Um diese Vorreiterstellung beizubehalten, hat Sixt in den vergangenen zwölf Monaten einen digitalen Transformationsprozess angestoßen und fokussiert sich künftig noch stärker auf die Analyse, Interpretation und Aktivierung von Daten.
Die Sixt SE beweist mit provokativen und mutigen Werbeslogans und -motiven immer wieder aufs Neue, dass sie Werbung versteht. Mit dem Aufbau eines Data Warehouses zur Optimierung und Automatisierung von Paid-Search-Prozessen belegt das Traditionsunternehmen, dass es auch Vorreiter im digitalen Marketing ist. Sixt hat früh erkannt, welche maßgebliche Relevanz die Auswertung und Aktivierung von Daten für die Optimierung von Werbekampagnen besitzt, und die Reise in den immer größer und dichter werdenden Daten-Dschungel gewagt.
Beim Start das Ziel vor Augen: monotone und repetitive Aufgaben automatisieren
Der Job von Yoann Dupé, Senior Marketing Data Project Manager bei Sixt, besteht darin, aktivierbare Insights aus sogenannten Data Lakes, also der Anhäufung interner und externer Daten, zu ziehen. Auch sein Kollege Robin Heinrich, SEA-Manager, arbeitet mit diesen Daten: Er sieht seine Aufgabe vor allem darin, die Sixt-Kunden zu verstehen und herauszuarbeiten, wie man sie mit Paid-Search-Kampagnen bestmöglich erreicht und anspricht. Ihre Datenreise begann damit, ein tieferes Verständnis davon zu bekommen, wie die Sixt-Kunden nach Angeboten suchen.
In Zusammenarbeit mit Google definierten Heinrich und Dupé für Sixt interessante Datenpunkte ‒ basierend auf anonymisierten und für Mietwagen relevanten Google-Suchanfragen, aggregiert auf geografische Einheiten wie zum Beispiel Stadt, Bundesland und Land. Um diese Daten weiter zu untersuchen und für das eigene Sixt-Search-Team zu visualisieren, nutzten die Analysten Google Data Studio. Schnell erkannten die beiden, dass sie Data Studio auch für die Optimierung der rund 60 Google Ads-Accounts nutzen konnten. "Das Arbeiten mit unseren Accounts wurde immer komplexer und zeitaufwendiger. Wir brauchten eine Lösung, um Keywords und Kampagnen abzugleichen, ohne uns durch alle Accounts einzeln durchklicken zu müssen", beschreibt Heinrich die damalige Herausforderung des zwölfköpfigen SEA-Teams. "Konkretes Beispiel: Wir haben über 2.200 Mietstationen weltweit, die in jeder Sprache beworben werden müssen. Dabei ist es schwierig, die große Anzahl an Accounts im Blick zu behalten und sicherzustellen, dass die richtige Kampagne im entsprechenden Account aktiv ist", so Heinrich weiter.
Die Data Studio-Reports haben verdeutlicht, wann und wo das Eingreifen eines Search-Managers nötig war. Dies verringerte den Arbeitsaufwand beim Abgleich von Kampagnen immens. Für Dupé und Heinrich das Signal, noch tiefer in die umfangreichen Optimierungsmöglichkeiten im digitalen Marketing durch Datenaktivierung einzutauchen. Sie setzten sich das Ziel, monotone und repetitive Aufgaben zu automatisieren und zusätzlich die Datenanalyse weiter zu verbessern. Herkömmliche Tools für Reportings stießen bereits aufgrund der enormen Datenmenge und Komplexität bei Sixt an ihre Kapazitätsgrenze. Auch das Data Crunching, also das intensive Analysieren und Interpretieren großer Datensätze, war nur begrenzt möglich und sollte nun verbessert werden.
Die Lösung: BigQuery und Data Studio
Dupé und Heinrich erkannten, dass der Einsatz von BigQuery in Kombination mit Data Studio die Lösung für die unterschiedlichen Herausforderungen war. BigQuery sollte als Data Warehouse zentrale Sammelstelle für alle Daten werden – egal, ob aus interner oder externer Quelle –, die dann beliebig miteinander in Relation gesetzt und zudem für beispielsweise Automatisierungsprozesse aktiviert werden können. Zusätzlich ermöglichte Data Studio, die gesammelten Daten visuell darzustellen. "BigQuery ist quasi das Daten-Backend, in dem man alle Informationen verwahrt und diese durch Code zum Leben erweckt. Und Data Studio ist das Frontend, das die Daten auch für weniger Technik-affine Kollegen veranschaulicht", beschreibt Dupé die Tools. BigQuery kann über Schnittstellen (APIs) automatisch Daten sammeln und verarbeiten, wie zum Beispiel die Informationen über Kampagnen und Keywords aller Google Ads-Accounts. Bei Google Ads-Daten fängt es aber erst an. Externe als auch interne Daten wie Öffnungszeiten der Mietstationen, Fahrzeugtyp, Mietdauer und -frequenz und In-App-Daten laufen ins Data Warehouse ein und können miteinander kombiniert werden. Eine von Sixts größten Datentabellen ist so inzwischen auf einen Umfang von vier Milliarden Zeilen angewachsen. Eine Größe, die nur durch die unbegrenzt skalierbare Rechenleistung der Google-Infrastruktur ermöglicht wird.
"Es geht natürlich nicht darum, wahllos große Mengen an Daten zu sammeln, sondern zu identifizieren, welche Daten für uns von Bedeutung sind ‒ selbstverständlich immer anonymisiert und keine Klardaten von Nutzern. Konkret geht es um die Aktivierung der Daten im digitalen Marketing, also um eine optimierte und automatisierte Individualansprache des Kunden bei der Kampagnenaussteuerung", beschreibt Dupé den Einsatz von BigQuery. Die Aktivierung der Daten erlaubt es Sixt, Entscheidungen zur Kundenansprache auf einem ganz anderen Level zu treffen, beruhend auf dem fundamentalen Verständnis der Kaufentscheidung und des tatsächlichen Kundenbedürfnisses. "Heute geht es weniger um das Optimieren von Keywords als vielmehr darum, den Kunden hinter dem Keyword zu verstehen, was er wann, wo und wie will", ergänzt Heinrich.
Aller Anfang ist gar nicht mal so schwer
Die Implementation von BigQuery verlief ohne Probleme. "Wir waren überrascht, wie einfach die Einrichtung war. Mit nur ein paar Klicks hatten wir den Datentransfer zwischen Google Ads und BigQuery eingerichtet", beschreibt Heinrich den Projekt-Kick-off. "Google nutzt gängige Open-Source-Technologien, was den Einstieg extrem vereinfacht", so Dupé. Heinrich und Dupé eigneten sich den Umgang mit SQL selbst an, lernten, Schnittstellen einzurichten, Datensätze anzureichern und Daten zu kombinieren und abzugleichen. Die beiden trainierten Kolleginnen und Kollegen, eigene BigQuery-Suchanfragen zu starten, und optimierten zudem die Dashboards in Data Studio. Nun hatte das ganze Team auch ohne Programmiersprachkenntnisse Zugriff auf die Erkenntnisse der umfangreichen Datensätze. Kanalbezogene Entscheidungsprozesse wurden extrem beschleunigt, monotone Reportingaufgaben beinahe komplett hinfällig und die Aussteuerung der Werbekampagnen wurde deutlich verbessert. Ein weiterer Vorteil: Die Mitarbeiter haben mehr Zeit für kreative und strategische Arbeit. Sixt schätzt, dass etwa fünf Wochenstunden pro SEA-Manager für das Quality-Account-Management wegfallen und 50 Prozent weniger Zeit für Performance-Optimierungen anfällt. Dupé und Heinrich planen als nächstes die Implementation von Machine Learning. "Aktuell testen wir, in welchen Bereichen Machine Learning überall zum Einsatz kommen kann. Insbesondere mit AutoML experimentieren wir und sind gespannt, welche Möglichkeiten sich hier ergeben", erklärt Dupé.
