4. Social Media Marketing

Der geschätzte Digita Ad Spend 2021 (Kemp 2022, S. 282) macht 66,9 % der geschätzten weltweiten Werbeausgaben aus. Im Digital Ad Spend wiederum entfallen allein 23,7 % auf Meta und 33,1 % insgesamt auf die sozialen Medien, zum Vergleich: Auf Google kommt ein Anteil von 28,6 % des Digital Ad Spend 2021.

Laut zweier repräsentativer Studien von Bitkom unter den deutschen Geschäftsführern und Vorständen setzten bereits in den 2010er-Jahren knapp drei von vier Unternehmen die sozialen Medien für ihre interne oder externe Kommunikation ein (Bitkom 2015, 2017). Bei aktuellen Umfragen unter Marketingverantwortlichen rangiert Social Media Marketing einheitlich unter den wichtigsten Marketing-Kanälen. Die seit 2008 halbjährliche Umfrage unter über 2000 US-Marketingverantwortlichen (Moorman 2022) stellt fest, dass inzwischen über 88 % der befragten Unternehmen in Social Media Marketing investieren. Im Durchschnitt geben sie 14,5 % des gesamten Marketing-Budgets für ihre Aktivitäten in den sozialen Medien aus, d. h. knapp mehr als ein Siebtel ihres Gesamtbudgets. Bei B2C-Produkten lag der Anteil sogar bei 18,5 %. Alle Befragten erwarten einen Anstieg der Social Media Budgets in den nächsten Jahren. In einer Erhebung durch Hubspot (2021) stufen 70 % der über 1500 weltweit befragten Marketingverantwortlichen Social Media Marketing als die inzwischen hauptsächliche Marketingaktivität ein, noch weit vor SEO mit 40 %. Auch bei der Betrachtung der wichtigsten Marketing-Kanäle führen die sozialen Medien mit über 80 % noch vor der eigenen Website (knapp 80 %) und E-Mail-Marketing (etwas über 60 %).

Siehe Tuten und Solomon (2018, S. 18) oder Ngai et al. (2015). In Teilen der Literatur tritt auch der Begriff Social CRM (Customer Relationship Management) auf, der Social Media Marketing etwas enger auf die Beziehungen zwischen Organisation und Kunden einschränkt und durch CRM auch sogleich eine bestimmte Methode in den Vordergrund stellt (vgl. Greve 2011a). Für eine Übersicht und Diskussion der unterschiedlichen Dimensionen und Sichtweisen zu Social Media Marketing siehe Felix, Rauschnabel und Hinsch (2017).

Die sozialen Medien werden aufgrund ihrer Vielfältigkeit in der Literatur durchaus unterschiedlich definiert. Kaplan und Haenlein (2010) bieten eine grundlegende und häufig zitierte Definition: „a group of Internet-based applications that build on the ideological and technological foundations of Web 2.0, and that allow the creation and exchange of user-generated content.“ Für eine Abhandlung der unterschiedlichen Diskussionsstränge siehe McCay-Peet und Quan-Haase (2017). Dieses Kapitel beschäftigt sich ausschließlich mit digitalen, Web-basierten sozialen Medien. Für einen Versuch der Strukturierungen der diversen Social-Media-Angebote und einen Überblick über die wichtigsten Fachbegriffe aus Marketingsicht siehe Zhu und Chen (2015).

Hennig-Thurau et al. (2010) beschreiben Social Media Marketing als eine hoch dynamische, nicht-lineare Aufgabe, wohingegen sie traditionelles Marketing als linear und unidirektional bezeichnen. Um die Veränderung deutlich zu machen, nutzen sie den Metaphor des Flipper-Spielens, um zu beschreiben, wie die aktiven und engagierten Social-Media-Nutzer vom Unternehmen verlangen, mit ihnen zu interagieren und kontinuierlich den Kommunikationsaustausch zu moderieren. Für weiterführende Literatur zu allgemeinen Aspekten der Kommunikation in den sozialen Medien siehe Zerfaß und Pleil (2015) und Schmidt und Taddicken (2017).

Smartphonenutzer sind weltweit im Durchschnitt täglich vier Stunden und 48 min (in Deutschland drei Stunden 22 min) an ihren Smartphones, wovon sie 43 % in den sozialen Medien (inkl. Messenger) verbringen (Kemp 2022).

Der Global Web Index (GWI 2022), der jedes Jahr weltweit über 700.000 Internetnutzer im Alter von 16 bis 64 Jahren befragt, ermittelt durchschnittliche Social-Media-Nutzungszeiten für Deutschland von zwischen etwas mehr als einer Stunde bis knapp anderthalb Stunden. In Europa liegen die durchschnittlichen Werte bei ca. zwei Stunden, in Nordamerika hingegen bei über dreieinhalb Stunden.

Die potentielle Reichweite über die sozialen Medien von Zara im Jahr 2021, der meisterwähnten Marke auf Instagram in diesem Jahr, wird auf über zwei Milliarden Menschen geschätzt (Influencer Marketing Hub 2022).

Vergleiche auch Sprout Social (2022) mit einem ähnlichen Ergebnis unter Marketingverantwortlichen in den USA. Schon frühere Studien haben die Schwierigkeiten der Wirkungsmessung in den sozialen Medien hervorgehoben. Die Wichtigkeit eines ROI-orientierten Blicks in der Beurteilung der Wirkung der Marketingaktivitäten hat sich allerdings in den letzten Jahren offensichtlich noch einmal verstärkt, wohingegen sich die Kommunikations-orientierte Messung verbessert hat. Die halbjährlich durchgeführte CMO-Umfrage unter mehr als 2000 Marketingverantwortlichen in den USA zeigt, dass noch 2018 nur etwas weniger als 25 % der Befragten in der Lage waren, die Wirkung ihrer Kommunikationsaktivitäten in den sozialen Medien überhaupt quantitativ zu zeigen (2017: 16 %). Knapp 40 % (2017: 45 %) sahen sich überhaupt nicht in der Lage, die Wirkung einzuschätzen, und etwas mehr als 36 % (2017: 38 %) verließen sich auf einen „guten qualitativen Eindruck“ (Deloitte 2018, S. 43; 2017, S. 46). Die Umfrage im Februar 2016 ergab noch, dass beinahe die Hälfte der Marketingverantwortlichen die Wirkung von Social Media Marketing nicht zeigen konnten, obwohl sie bereits 20 % ihres Budgets in den sozialen Medien ausgaben.

Eine genaue Unterscheidung bzw. Grenze zwischen Social Media Analytics und Intelligence ist nicht definiert. Daher nutzt dieses Kapitel die beiden Begriffe synonym.

Für eine Diskussion und Darstellung unterschiedlicher Verfahrensschritte aus wissenschaftlicher und Praxis-orientierter Sicht siehe Khan (2018, S. 98–103), Tuten und Solomon (2018, S. 348–366), Fan und Gordon (2014), Kerzner (2017), Heijnen et al. (2013), Alberghini et al. (2014) und Altimeier (2011).

Ein Messwert oder eine Metrik ist eine Zahl, die abgelesen oder durch ein Tool bestimmt werden kann. Eine Kennzahl bringt mindestens zwei Messwerte miteinander in ein Verhältnis. Wird die Kennzahl mit einem konkreten Ziel verbunden, entsteht daraus eine Leistungskennzahl (Key Performance Indicator), anhand derer lässt sich ablesen, bis zu welchem Erfüllungsgrad eine Zielvorgabe erreicht wurde (Evertz 2018, S. 50).

Prädiktive Analysen haben zum Ziel, Vorhersagen über mögliche zukünftige Ereignisse zu verbessern, bspw. mittels Regressions- oder Zeitreihenanalysen. Dies unterscheidet sie von präskriptiven Analysen, die versuchen, Entscheidungsvorlagen zu liefern, bspw. mittels Optimierungsmodellen oder Simulationen. Deskriptive Analysen hingegen sind Datenanalysen, die Entscheidungen der Vergangenheit beschreiben und damit beurteilen lassen, bspw. deskriptive Statistik häufig aufbereitet in Form von Reporting oder Visualisierung. Diagnostische Analysen versuchen meist in Verbindung mit statistischen Methoden oder Marktforschung herauszufinden, warum etwas passiert ist bzw. immer wieder passiert (vgl. Drechsler 2021, S. 73).

Engagement wird in diesem Zusammenhang gemäß van Doorn et al. (2010) definiert als die Manifestation des Kundenverhaltens gegenüber einer Marke oder einem Unternehmen über den Kauf hinaus, das aus verschiedenen Motivationstreibern resultiert. Für eine Zusammenstellung der Kennzahlen und eine Diskussion der unterschiedlichen Formen des Engagements siehe Abschn. 4.2.3. Für eine Diskussion der motivationalen Treiber von Engagement siehe Abschn. 12.​1.

Für eine allgemeine Beschreibung von Messmodellen, die aus der klassischen Unternehmenskommunikation kommen, bspw. entlang der Wirkungskette Input – Output – Outcome, siehe Ruisinger (2020, S. 364–9). Für eine Übersicht der bestehenden Kennzahlenmodelle im Social Media Controlling siehe Zerres und Litterst (2021, S. 318–321).

Die Engagement-Rate setzt die Zahl der Interaktionen in Relation zur potentiellen Reichweite, siehe Abschn. 4.2.3.

Siehe auch Abschn. 4.2.2 zur Messung der Publikumsgröße als ersten Schritt des Social Listening und Abschn. 4.2.7 zur Wettbewerbsanalyse.

Als Aufmerksamkeitsökonomie wird ein wirtschaftliches System verstanden, in dem die Aufmerksamkeit der einzelnen Mitglieder einen ökonomischen Wert darstellt. Der Begriff wurde durch Herbert Simon geprägt (Simon 1971). Simon argumentierte, dass Information massenhaft verfügbar, aber die Fähigkeit des Menschen, diese Information aufzunehmen und zu interpretieren, eingeschränkt ist. Je mehr Information vorhanden ist, desto knapper ist die Aufmerksamkeit und desto höher ihr ökonomischer Wert. Das Publikum bzw. dessen Aufmerksamkeit wird somit zu einem monetarisierbaren Produkt. Siehe auch Humphreys (2016, S. 43–44.)

Die Trennung von werblicher (paid) und organischer (owned und earned) Reichweite ist eine grundlegende Herausforderung in der Erfolgs- und Wirkungsmessung von sozialen Medieninhalten, siehe hierzu BVDW (2016, S. 29).

Pahrmann und Kupka (2022, S. 126–138) bieten einen anwendungsorientierten und in den Auflagen jeweils aktualisierten Überblick mit Kurzbeschreibungen der gängigsten Social Media Listening und Analytics Tools.

Das Media Rating Council in den USA (2015, S. 18) rät explizit von der Nutzung einer solchen theoretischen Reichweite ab, die einen Mulitplikator über die potentielle Reichweite hinaus beinhaltet.

Für eine Darstellung der unterschiedlichen Targeting-Methoden in den sozialen Medien bis hin zu psychografischem Micro-Targeting siehe Hopf (2020).

Für eine Diskussion der motivationalen Treiber von Engagement siehe Abschn. 12.​1.

Konversionen werden in diesem Zusammenhang definiert als messbare, im vorhinein festgelegte Zielhandlungen des potentiellen Kunden mit einem zur Verfügung gestellten Kommunikationsinhalt, siehe auch Abschn. 2.​2 und 3.​2.​2.

Manche Autoren beziehen noch weitere Metriken mit in die Engagement-Messung ein, die das Rezeptionsverhalten messen, aber keine Interaktion mit den Inhalten darstellen, wie zum Beispiel Time on Site oder Bounce Rate (Boelsen 2016). Andere Studien (bspw. Forrester Research 2008) betrachten auch die dargestellte Intimität des Nutzers mit dem Unternehmen und den potentiellen Einfluss des Nutzers als Teil ihrer Engagement-Analyse. Siehe hierzu die Abschnitte zu Sentiment (Abschn. 4.2.4) und Einfluss (Abschn. 4.2.6).

Ein zunehmend wichtiges Beispiel für eine unterschiedliche Gewichtung der Engagement-Niveaus stellt der TikTok Empfehlungsalgorithmus dar, dem sehr stark ansteigende Gewichte von Reaktion über Interaktion zu Amplifikation zur Berechnung der entscheidenden Engagement-Rate zugrunde liegen (vgl. Sbai 2021, S. 108).

Für eine Diskussion über die Unterschiede der einzelnen Interaktionsmöglichkeiten in den sozialen Medien siehe Kim und Yang (2017). Die Frage der Gewichtung der unterschiedlichen Interaktionsarten steht auch in enger Verbindung mir der 5-3-1-Faustregel aus den Anfängen der sozialen Medien, nach der ein erfolgreicher Beitrag Likes, Kommentare und Neue Follower bzw. Shares normalerweise im Verhältnis von 5 zu 3 zu 1 erhält. Die Faustregel wird teilweise immer noch verwendet (Kobilke 2017).

Der Begriff Dark Social geht zurück auf Madrigal (2012). Eine Studie aus dem Jahr 2016, auf die häufig verwiesen wird, die aber inzwischen nicht mehr verfügbar ist, stellte fest, dass aus über zehn Millionen Shares weniger als ein Viertel in den öffentlichen sozialen Medien erfolgte (RadiumOne 2016, S. 7). Über 75 % waren sogenannte Dark Shares in geschlossenen sozialen Netzwerken. Auf der anderen Seite weist die Studie auch auf das Phänomen der Selbst-Teiler (Self-Sharing) hin, die sich die Inhalte zu anderen Zwecken mit sich selbst oder über mehrere eigene Profile hinweg teilen, was das Engagement überzeichnen würde. Eine Studie von BuzzSumo und GetSocial aus dem Jahr 2017, die 100 Mio. Artikel auf 150.000 Social-Media-Seiten untersucht hat, kommt zu dem Schluss, dass 65 % der Weiterleitungen über Messenger, E-Mail und SMS erfolgten (Rayson 2018). Private Chat-Nachrichten erzielen schätzungsweise zum Teil doppelt so hohe Verteilungsraten wie öffentliche Shares in den sozialen Medien, d. h. die Nutzer sind doppelt so bereit, in den privaten Chats etwas zu teilen wie in öffentlichen Social Media Posts (Rayson 2018, S. 8).

Der Sales- oder Marketing-Funnel (Verkaufstrichter) versucht, die einzelnen Stufen des Entscheidungs- und Kaufprozesses des Kunden abzubilden und vom ersten Kundenkontakt bis hin zum Kauf mit Kennzahlen zu hinterlegen, die es dem Unternehmen ermöglichen, seine Marketing- und Vertriebsprozesse möglichst effektiv zu gestalten und die Marketing-Ressourcen möglichst effizient einzusetzen. Unter Influencer-Community versteht man eine Community, die sich um einen Akteur in den sozialen Medien gebildet hat, der von den Mitgliedern der Community als Experte anerkannt wird (vgl. Schach und Lommatzsch 2018).

Es hat sich durchgesetzt, den Share of Voice zu berechnen, indem die Zahl der Nennungen der eigenen Marke nur ins Verhältnis zur Nennung der Konkurrenzmarken gesetzt wird und nicht ins Verhältnis zu allen Erwähnungen, d. h. inkl. der Erwähnung der eigenen Marke, was eigentlich richtig wäre, um den Anteil der eigenen Nennungen in der Gesamtdiskussion zu erhalten (vgl. Zerres und Litterst 2021, S. 323).

In der Literatur wird Sentiment Analyse auch teilweise als Opinion Mining bezeichnet, teilweise wird zwischen Opinion und Sentiment unterschieden (Pang und Lee 2008). Dieses Kapitel fasst alle Disziplinen der Tonalitäts-, Gefühls- und Meinungsermittlung durch die Analyse von Texten und bildlichen Informationen unter Sentiment Analyse zusammen.

Für eine Zusammenfassung der aktuell am häufigsten verwendeten Methoden siehe Medhat et al. (2014) und Devika et al. (2016). Weiterführende Literatur siehe Taboada (2016); Balahur (2013); Taboada et al. (2011) und Pang und Lee (2008).

Alternative Methoden setzen maschinelles Lernen oder einen regelbasierten Ansatz, zum Teil in Verbindung mit einem Lexikon, ein. Ein Lexikon-basierter Ansatz geht immer von der Annahme aus, dass die tonale Polarität eines Textes die Summe aus der Polarität seiner einzelnen Wort-Bestandteile ist. Der Ansatz des maschinellen Lernens nutzt hingegen einen Trainings-Datensatz aus Texten, deren Polarität bereits valide kodiert wurde, und lässt das Programm anhand dieses Trainings-Datensatzes seine eigenen Sentiment-Regeln bzw. Algorithmen zur Ermittlung der Tonalität neuer, noch nicht kodierter Texte festlegen. Die Tonalität einzelner Textbestandteile mag hierbei nur ein mögliches Kriterium sein, das der Algorithmus aufgreift.

Schweidel und Moe (2014) zeigen die Gefahren auf, die sich ergeben können, wenn Unternehmen Sentiment-Daten über mehrere Social-Media-Kanäle hinwegen nur zusammengefasst betrachten oder nur einen einzigen Kanal beobachten. Sie zeigen auch, dass eine differenziert ausgeführte Sentiment-Analyse eine der besten Lead-Indikatoren im Rahmen des Social Media Monitorings ergeben kann.

Der Net Promoter Score (Reichheld 2003) misst die Differenz zwischen dem Anteil der Promotoren und dem Anteil der Kritiker (Detraktoren) in der Kundengruppe eines Unternehmens bzw. eines Produktes (siehe Abschn. 4.2.6).

Laut Facebook werden im FB Messenger täglich im Durchschnitt über 900 Mio. Nachrichten versendet, die nur aus Emojis ohne weiteren Text bestehen. Zum Zeitpunkt des Welt-Emoji-Tages 2018 gibt es über 2800 Emojis, von denen allein innerhalb Facebook 2300 täglich eingesetzt werden, was zu durchschnittlich über 700 Mio. Emojis am Tag auf Facebook führt (Emojipedia 2018).

Siehe auch Unterkapitel „Content Targeting“ (Abschn. 10.​5) zur Frage des Kontexts.

Auf diese Weise können Wortwolken auch als Frühwarnsystem für die Krisenkommunikation eingesetzt werden, siehe auch Abschn. 4.2.8.

Die Literatur zur Netzwerkanalyse weist zusätzlich auf eine dritte, für eine virale Verbreitung von Inhalten in den sozialen Medien potentiell sehr einflussreiche Kategorie von Nutzern hin: die sogenannten Brücken (Bridges) (Hinz et al. 2011). Diese Nutzer verfügen über kein großes eigenes Netzwerk und sind unter Umständen auch nicht sehr aktiv, sitzen aber an strategisch wichtigen Verbindungspunkten in einem Netzwerk, indem sie zwei oder mehrere Teilpopulationen verbinden. Um diese Brücken-Nutzer zu ermitteln, Bedarf es allerdings einer Gesamtsicht auf das soziale Netzwerk, über welche die wenigsten Unternehmen außerhalb der Betreiber der Social-Media-Plattformen verfügen.

Wenn die Datenbasis und die Auswertungskapazitäten entsprechend vorhanden sind, bietet sich auch eine Perzentilbetrachtung an, die pro Post oder Zeitraum die x-Prozent aktivsten Nutzer unter allen Nutzern ermittelt und als Heavy User definiert.

Das Konzept des Net Promoter Score nach Reichheld (2003) geht über die reine Ermittlung der Empfehlungswahrscheinlichkeit einzelner Kunden hinaus: Indem vom Prozentsatz der Promotoren unter allen Befragten der Prozentsatz der Detraktoren abgezogen wird, kann die generelle Kundenzufriedenheit in einer einfachen Kennzahl festgehalten werden. Der Net Promoter Score wird daher auch Promotorenüberhang genannt. Ist der so ermittelte NPS größer als null geht man von einer guten und bei Werten über 50 von einer sehr guten Kundenzufriedenheit aus (vgl. Greve 2010, 2011b; Barker et al. 2017, S. 236–237).

Weinberg und Berger (2011) schlagen eine Erweiterung des Customer Lifetime Value um die abgezinsten Deckungsbeiträge der Empfehlungen des Kunden (Customter Social Media Value CSMV) vor, d. h. sie erhöhen den CLV um den abgezinsten Wert der zu erwartenden Deckungsbeiträge durch die Weiterempfehlungen des Kunden, um in Summe einen Connected Customer Lifetime Value (CCLV) zu erhalten. Der CSMV wird dem CLV hinzugerechnet und stellt de facto einen Multiplikator dar, der den Wert des Kunden um seinen Einfluss in den sozialen Medien erhöht, indem er versucht zu schätzen, welche Deckungsbeiträge durch ihn veranlasst werden könnten. Damit kommt es aber auch dazu, dass die geschätzten Deckungsbeiträge sowohl beim Empfehlenden über den CSMV als auch beim letztendlichen Kunden über dessen CLV in der Gesamtsicht zweimal auftauchen. Konsquenterweise müsste der CSMV von einflussreichen Kunden, vom CLV der nicht einflussreichen Kunden abgezogen werden. Der einflussreiche Kunde erhielte damit über den CSMV einen Bonus, wobei weiniger einflussreiche Kunden einen Malus in ihrer CLV-Wertberechnung erhielten. Damit würden die einflusreichen Kunden im Verhältnis sehr viel attraktiver für die Kundenaqkuise.

Für eine Untersuchung der potentiellen kurz- und langfristigen Auswirkungen von Krisensituationen in den sozialen Medien auf Marken siehe Hansen et al. (2018).

Für Definitionen dieser Kennzahlen siehe die Teilkapitel zu Abschn. 4.2.2, 4.2.3 und 4.2.4.

Die sozialen Medien können auch sehr hilfreiche Erkenntnisse zum Employer Branding, Recruiting oder für die Personalbindung zu Tage fördern. Diese werden aber aufgrund des Schwerpunktes dieser Publikation auf Marketing-Kommunikation hier nicht weitergehend vertieft.

Behavioral (Micro-)Targeting verfolgt das Ziel, durch Daten über das Surfverhalten, Informationen aus Nutzerprofilen und Aktionen der Nutzer in den sozialen Medien, eine Ausspielung von zum Teil psychologisch-profilierter Online-(Massen-)Werbung an eine passgenaue Zielgruppe zu ermöglichen (Hopf 2020; Kielholz 2008, S. 201; vgl. auch Bauer et al. 2011). Marketing Automation setzt zur individuellen Kommunikation automatisierte, softwaregestützte Kampagnenprozesse ein, die zumeist auf der Auswertung von Nutzerprofilen und Nutzerverhalten basieren.

Peters et al. (2013) beispielsweise gruppieren die Wirkung von Inhalten in den sozialen Medien in drei Eigenschaftsgruppen, die durch ein aktives Social Media Monitoring bereits größtenteils erfasst werden: 1) die Qualität der Inhalte (content quality), insb. Interaktivität, Lebendigkeit aber auch die absendende Domain und der narrative Stil 2) Emotionalität und Tonalität (valence) und 3) die erzielte Aufmerksamkeit (volume).

Bendle et al. (2021, S. 58–65) bieten eine Zusammenstellung der unterschiedlichen biometrischen Verfahren bis hin zu Elektroenzephalografie (EEG) und funktionellem Magnetresonanz-Imaging (fMRI), die allerdings außerhalb medizinischer Anwendungsbereiche nur äußerst selten eingesetzt werden. Siehe auch Du et al. (2021, S. 165–7) für eine Diskussion zum Einsatz von biometrischen Daten bei einer zunehmenden Verbreitung von Wearables, die biometrische Daten erheben und sammeln.

Außerhalb der Betrachtung von Videos wird die View-Through-Rate (VTR) als Kennzahl teilweise anders definiert. Sie gibt an, wie viele der Nutzer den angebotenen Inhalt zwar gesehen haben, aber erst später auf die im Inhalt verlinkte Website gegangen sind – siehe Abschn. 2.​2 und 10.​7.

Rival IQ definiert Engagement für die Benchmarking-Studien als die Summe der messbaren Interaktionen aus Likes, Comments, Favorites, Retweets, Shares und Reactions. Die Engagement-Rate wird berechnet aus der Summe dieser Interaktionen geteilt durch die Summe der Fans und Follower (Potentielle Reichweite). Die Erhebung basiert auf einem – laut eigenen Angaben – repräsentativen Sample von 150 zufällig ausgewählten Firmen in jeder der 14 beobachteten Branchen auf Facebook, Instagram und Twitter, mit starkem USA-Schwerpunkt. Insgesamt wurden 2100 Unternehmensprofile mit jeweils mindestens 25.000 Facebook Fans oder 5000 Instagram oder 5000 Twitter Follower im Zeitraum Juni 2021 bis Mai 2022 ausgewertet. Die Angaben für TikTok basieren auf dem Zeitraum Januar bis April 2022, in dem 1200 Handles – mit Schwerpunkt USA – mit insgesamt 73.000 Videos und 20,4 Mrd. Views ausgewertet wurden.

Rival IQ (2022a) weisen darauf hin, dass die Engagement-Raten bei Instagram nochmals deutlich höher liegen, wenn sie pro Impression berechnet werden (5,5 % auf Basis der Impressions anstatt von 0,67 % auf Basis der Follower), da offensichtlich nur ein Teil der Follower den Inhalt (organisch) angezeigt bekommt.

Zwei Fallstudien zeigen exemplarisch den Effekt einer Ausspielung, die nicht auf Reichweite, sondern auf Passgenauigkeit mit eng gesetzten Zielgruppenvorgaben optimiert. Ein zunehmend enges Targeting optimiert auf die Relevanz reduzierte die Kosten pro Resultat (CPR) substantiell bei gleichem Bugdget, aber einer Einschränkung der Breite des potentiellen Zielpublikums von 10 % der Facebook-Nutzer (CPR 6,25) auf 5 % (CPR 4,16) und schließlich auf 1 % (CPR 3,75) (Karlson 2017). Der Einsatz von Lookalike-Audiences auf Facebook, der sich bereits in der Auswahl des Zielpublikums sehr eng an den Charakteristika der vorhandenen Kunden orientiert, ergab eine CTR von 4,53 % vs. 2,8 %, wenn auf Interessen getargeted wurde (Hartman 2018). Google gibt aufgrund eigener Studien an, dass YouTube-Kampagnen, die auf Advanced-Audience-Signalen basieren, wegen der Relevanz für den Nutzer eine bis zu dreimal höhere Aufmerksamkeit erzielen als Kampagnen, die nur demografisches Targeting einsetzen, da sie besser in der Lage sind, dem richtigen Nutzer die für ihn passende Botschaft im richtigen Kontext anzubieten (Präkelt und Borges 2019).

Falls eine Erhebung nicht auf Basis der Unique User möglich ist, ergibt sich die effektive Reichweite auch, indem die Zahl der Impressions in der Zielgruppe durch die Gesamtzahl aller Impressions geteilt wird.

Berechnet man den ROAS für einzelne Kommunikationsmittel und den von den einzelnen Posts jeweils ausgelösten inkrementellen Umsätzen, spricht man auch vom ROAS Lift, im Vergleich zum ROAS für die gesamte Kampagne oder dem durchschnittlichen ROAS aller Online-Marketing- oder Social-Media-Marketing-Aktivitäten. Der ROAS Lift gibt somit an, welche inkrementelle Verkaufswirkung das einzelne Werbemittel erzielt hat.

Profile mit hohen Followerzahlen haben aber dennoch das Potential, absolut gesehen viel mehr Menschen auf externe Webseiten zu ziehen, bspw. ein Profil mit einer Million Follower und einer CTR von 0,8 % lässt durch einen einzigen Post 8000 Menschen auf den Link klicken und auf die entsprechende Webseite gelangen. Bei einem Profil mit 50.000 Follower und einer CTR von 1,3 % sind es hingegen nur 650 Nutzer.

Eine Auswertung nach Altersgruppen für das Jahr 2017 ergab, dass Nutzer, die 65 Jahre oder älter sind, mit einem durchschnittlichen CPC von über 0,70 US$ am teuersten zu erreichen waren. Im Vergleich: Der günstigste CPC wurde mit 0,11 US$ bei Teenagern zwischen 13 und 17 Jahren im ersten Quartal 2017 erzielt. Eine gezielte Ansprache von Frauen war 2017 im Durchschnitt 15 Cent teurer, als Männer anzusprechen. Die CPC-Spanne über das Jahr lag bei Frauen bei zwischen 47 und 64 Cent und für Männer bei zwischen 37 und 50 Cent. Diese Teilung spiegelt sich auch in einer Auswertung der Cost per Likes wieder: Ein Page Like von Männern war in einer CPC-Spanne von zwischen 8 und 12 Cent und bei Frauen von 13 bis 18 Cent zu erhalten.

Für die Zusammenfassung der Adstage Benchmarks aus dem Jahr 2018 und weiterer Benchmark-Studien aus den Jahren 2016–2018 siehe die erste Auflage dieses Buches, Ahrholdt, Greve und Hopf (2019, S. 127–136).

Die Customer Journey (Kundenreise), manchmal auch Buyer’s Journey oder Users Journey genannt, beschreibt die einzelnen Schritte, die ein Kunde hin zu seiner Kaufentscheidung und darüber hinaus durchläuft.

Für die Verwendung eines vier-stufigen Ansatzes siehe Rogers (1995) oder De Haan et al. (2016). Struktur und Benennung der einzelnen Stufen sind in Literatur und Praxis leicht unterschiedlich. Es gibt detaillierte Modelle mit sieben Stufen, die sowohl die anfängliche Awareness-Phase als auch die After-Sales-Phase in weitere Einzelschritte unterteilen. In der praktischen kommunikativen Umsetzung überlappen die einzelnen Schritte dieser detaillierten Modelle allerdings. In der Praxis wird daher mitunter nur zwischen early-stage (top of funnel, ToFu, Bekanntheit oder Aufmerksamkeit), middle-stage (middle of funnel, MoFu, Erwägung) und late-stage (bottom of funnel, BoFu, Handlung) unterschieden. Weiter untergliederte Schritte lassen sich in der Umsetzung schwer voneinander trennen. Darüber hinaus geht der Kunde zumeist auch nicht so linear vor, wie ein viel-stufiges Modell suggeriert, sondern springt vielmehr zwischen den einzelnen Schritten seiner Entscheidungsfindung wiederholt hin und her.

In der in der Tradition der Kommunikation in den sozialen Medien wichtigen Groundswell Theorie spricht man analog von Talk, Energize und Support (Siehe Bernoff und Li 2011).

Als Nebeneffekt der Aktivitäten zur Steigerung des Engagements für diese Phase der Entscheidungsfindung des Kunden kann ein höheres Engagement auch den positiven Nebeneffekt haben, die Wirkung der Aktivitäten zur Aufmerksamkeitssteigerung zu fördern. Ein hohe Engagement-Rate führt zu einer positiveren Bewertung der angebotenen Inhalte durch den Plattform-Algorithmus und somit zu mehr organischer Sichtbarkeit und unter Umständen auch zu einem geringeren Bedarf an Werbegeldern, um die Verbreitung der Inhalte zu unterstützen.

Siehe bspw. Abschn. 4.3.2 zu fortschreitender Marketingautomation bei Facebook mittels eines vorgegebenen Mindest-ROAS.

Für eine Analyse der Wichtigkeit von Emotion in der Kommunikation mit dem Ziel einen höheren Delight-Faktor und folglich eine stärkere Kundenbindung zu erreichen siehe Ahrholdt et al. (2017, 2019).

Im Groundswell-Ansatz für die sozialen Medien spricht man von Support (Unterstützung bieten und eigene Kanäle bereitstellen) sowie Embrace (Integration der Nutzer in die Wertschöpfungskette).

Für eine ausführliche Diskussion des Begriffs, der unterschiedlichen Sichtweisen und Kategorisierungen siehe Kost und Seeger (2020, S. 35–52).

Der Einfluss von Meinungsführern (Opinion Leader) auf die Meinungsbildung wurde zum ersten Mal anhand der US-Präsidentschaftswahlen im Jahr 1940 untersucht (Lazarsfeld et al. 1948). In der Studie wurden Meinungsführer als Informationsbrücke zwischen den Massenmedien und den Wählern verstanden.

Viele wissenschafltiche Studien haben gezeigt, dass der Einsatz prominenter Markenbotschafter die Werbewirkung signifikant steigern kann, siehe Erdogan (1999); Amos, Holmes und Strutton (2008); Babic et al. (2015) oder Bergkvist und Zhou (2016).

Für eine Übersicht der frühen Definitionsversuche von Influencer Marketing in den 2010er-Jahren siehe Tabellion (2019, S. 11–19 und 247). Für eine Diskussion und ausführliche Abgrenzung des Begriffs siehe Kost und Seeger (2020, S. 53–71). In Abgrenzung zu Influencer Marketing verfolgt Influencer Relations das Ziel, mit ausgewählten Influencern ähnlich wie im Rahmen der Public Relations langfristig und unentgeltlich zusammenzuarbeiten. Für eine differenzierte Diskussion der Abgrenzung der beiden Begriffe siehe Lommatzsch (2018).

In der Umfrage von Meltwater (2022) wurden als wichtigste Ziele für Influencer Marketing die Steigerung der Markenbekanntheit (62 %), Neukundengewinnung (49 %) und die Steigerung des Brand Engagements (49 %) genannt.

Die Teilnehmer der Umfrage des Bundesverbands Digitale Wirtschaft (BVDW 2021) nannten mit Blick auf die Vorteile gegenüber klassischem Marketing die Generierung von Content, der bessere Zugang zur Zielgruppe und mehr Authentizität.

Bereits in einer Erhebung des BVDW aus dem Jahr 2017 unter mehr als 1000 Internetnutzern in Deutschland gab jeder sechste Internetnutzer an, dass er bei der Suche nach Informationen über Produkte und Dienstleistungen online bei Influencern fündig wurde. Unter den 14- bis 29-jährigen Internetnutzern haben 16 % auch bereits ein Produkt später gekauft, das von einem Influencer beworben wurde. Unter den Social-Media-Nutzern steigt diese Zahl auf 22 %, und schaut man nur auf die Influencer-affinen Internetnutzer, steigt dieser Anteil auf 31 %, bei den 14- bis 29-jährigen Influencer-affinen Internetnutzern sogar auf 43 %. Nach Empfehlungen von Freunden und Bekannten sowie Bewertungen von Kunden auf Produktseiten wurden die Produktvorstellungen von Influencern als am glaubwürdigsten eingestuft, noch vor Artikeln in Zeitungen und Zeitschriften Goldmedia (2017).

Basierend auf ihren Studien schätzt der Influencer Marketing Hub (2022), dass bis 2025 17 % des E-Commerce-Umsatzes im Social Commerce erfolgen wird, und verweisen insbesondere auf die Erfolge der Live-Streamer in China, wo Li Jiaqi und Viya in nur einem Tag im Oktober 2021 3 Mrd. US$ Umsatz erzielt haben sollen.

In Literatur und Praxis finden sich auch andere Größeneinteilungen, häufig bedingt durch unterschiedliche Größen des jeweils betrachteten geographischen Marktes. Noch hat sich kein Ordnungssystem final durchgesetzt. Tabellion (2019, S. 28) spricht beispielsweise von Mikro-Influencern bei einer potentielen Reichweite von 1000 bis 25.000, von Mid-Level-Influencern bei 25.000 bis 100.000 Follower und von Makro-Influencern bei einer Reichweite von über 100.000. Jahnke (2021, S. 15–17) sieht Nano-Influencer bei weniger als 10.000 Follower, Mikro-Influencer bei 10.000 bis 50.000 und Makro-Influencer ab 50.000 Follower.

Laut Influencer Marketing Hub (2022) ist die Konversionsrate der am häufigsten eingesetzte KPI zur Erfolgsmessung von Influencer-Kampagnen, gefolgt von Engagementrate und Reichweite (Views, Impressions oder Reach). 71 % der befragten Marketingverantwortlichen messen die im Rahmen von Influencer-Kampagenen erzielten Verkäufe, 70 % den ROI. Bei der Entscheidung für Influencer ist die Beziehung zum Publikum das wichtigste Kriterium, gefolgt vom erzielten User-Generated-Content und der Möglichkeit zur Verbreitung der Unternehmensinhalte in der Zielgruppe. Als wichtigste KPIs zur Auswahl der Influencer wurden entsprechend die Engagementrate, die Beurteilung des Inhalts sowie die Reichweite angegeben. Der Bundesverband Digitale Wirtschaft (2021) hat unter über 100 Marketingverantwortlichen in Unternehmen in Deutschland mit Bezug auf das Jahr 2020 ebenfalls Engagementrate, Views, Reach, Klicks auf die Landing Page und Konversionen als die fünf meist genutzten Messgrößen (in absteigender Wichtigkeit) für die Beurteilung von Influencer-Marketing-Kampagnen ermittelt. Wichtigstes Entscheidungskriterium für die Auswahl der Influencer war die Zielgruppenrelevanz.

Laut Kamps und Schetter (2018, S. 144–147) gilt auf Instagram als Faustformel, „dass die Interaktionsrate bei knapp fünf Prozent liegen sollte. Verfügt der Influencer über eine sehr große Follower-Anzahl, kann die Interaktionsrate auch etwas niedriger liegen. 2,5 % darf sie aber auf keinen Fall unterschreiten.“ Auf YouTube sollte sie die 5 %-Marke nie unterschreiten. Siehe auch Abschn. 4.3.1.5 zu Egnagement Benchmarks.

Gärtner (2019) veröffentlicht Benchmarks für die allgemeine Aktivierungsleistung von Influencern auf Basis einer Befragung von 4576 Follower im deutschsprachigen Raum durch mehrere Influencer- und Media-Agenturen, nach der sich durchschnittlich 53 % der befragten Follower vorstellen könnten, ein vom jeweiligen Influencer beworbenes Produkt zu kaufen oder auszuprobieren und 35 % dies auch bereits mindestens einmal getan haben. Die Studie weist aber ausdrücklich auf starke Unterschiede dieser Werte für die verschiedenen Influencer hin.

Valsesia et al. (2020) schlagen als Indikator für wahrgenommenen Einfluss eine Kennzahl aus der Netzwerkstruktur vor, die man ohne proprietären Zugang zum Netzwerk erheben kann: das Verhältnis der Zahl derjenigen, denen der Influencer selbst folgt (Followed), zur Zahl seiner Follower. Je weniger der Influencer selbst folgt in Relation zur Zahl seiner Follower, umso vermeintlich höher ist der Einfluss des Influencers.

Mäder (2004) bietet einen umfangreichen Fragenkatalog, der insbesondere die Attraktivität eines Prominenten für Testimonials untersucht anhand von fünf Persönlichkeits-Dimensionen, mit denen man den Brand-Fit evaluieren kann. Spry et al. (2011) bietet eine spezialisierte „Endorser-Brand Congruence“-Skala. Siehe Menon und Kahn (2003); Martínez-López et al. (2020); Kim und Kim (2020) oder von Mettenheim und Wiedmann (2021) für Anwendungen in der Literatur. Swaminathan et al. (2016) gehen einen anderen Weg indem sie die Häufigkeit bestimmter Worte, die aus Sicht des Unternehmes eine Nähe zum Produkt oder der Marke ausdrücken, in der Kommunikation des Influencers oder dessen Follower ermitteln. Kost und Seeger (2020, S. 150–160) schlagen eine Bewertung des Fit eines Influencers entlang eines Sechs-Säulen-Modells vor mit den Attributen: Reichweite, Reputations, Relevanz, Interaktion, Kooperation und Qualität.

Happe (2016) nennt die Kennzahl zwar den ROI of Community Engagement, vernachlässigt allerdings andere Returns einer Brand-Community außerhalb des Kundendiensts, angefangen von einer erhöhten Awareness oder einem besseren Ranking bei den Suchmaschinen bis hin zu generierten Leads oder auch direkten Verkäufen (inkl. Up- und Cross-Selling) über die Community. Zu Kennzahlen zum Community-Management siehe den folgenden Abschn. 4.3.6.

Der Community Roundtable (2022) hat in seinen regelmäßigen Studien in den USA festgestellt, dass die Wertschätzung für Online-Communities im Management von Unternehmen in den letzten Jahren zugenommen hat. In der Studie aus dem Jahr 2022 stuften 88 % der befragten Führungskräfte die Wirkung der (externen) Online-Communities ihrer Unternehmen als positiv oder sehr positiv ein. Fünf Jahre früher, in der Studie aus dem Jahr 2017, lag dieser Wert noch bei 56 %. Die Studie ergab auch, dass die Community-Manager immer besser in der Lage sind, das Engagement in der Community mit konkreten Unternehmenszielen zu verbinden, bspw. gaben 61 % der Community-Manager an, inzwischen vertriebliche Erfolgskennzahlen direkt der Community zuordnen zu können, im Jahr 2020 lag dieser Wert noch bei 49 %.

Für eine Übersicht über die diversen Theorieaspekte zu Brand-Communities und über die Motivatoren zur aktiven Teilnahme siehe Zaglia (2013). Für eine Literaturzusammenfassung samt sich ergebender Managementimplikationen siehe Brogi (2014).

Der Studie des Community Roundtable aus dem Jahr 2016 unter 339 Online-Communities in den USA zufolge hatten gut geführte Communites im Durchschnitt eine Verteilung von 50 % Lurkers, 23 % Contributors und 27 % Creators (Community Roundtable 2016). Vgl. auch Solis (2011, S. 253) und Clement und Schreiber (2013, S. 432). Für einen Überblick der Anwendbarkeit der 90-9-1-Regel im Rahmen von medizinischen Online-Selbsthilfegruppen siehe Carron-Arthur et al. (2014).

In der Umfrage des Community Roundtables (2022) gaben die Unternehmen als wichtigste Ziele für ihre externen Communties an: Kundenbindung (customer loyalty/retention 68 %), Markenwahrnehmung (awareness/branding 60 %), Produkteinsatz (product usage 45 %) und Umsatzwachstum (revenue growth 40 %). Für ihre internen Mitarbeiter-Communties waren die meistgenannten Ziele: Mitarbeiterbindung (employee retention 65 %), Kulturwandel (culture change 57 %) und Kommunikationseffizienz (communication efficiency 52 %).

Für eine Zusammenfassung der Kennzahlen zur Nutzung einer Community für den Kundendienst und damit auch für eine ROI-Sicht auf Community-Management siehe Abschn. 4.3.5.

Lithium, ein Anbieter von „Social Customer Solutions“ und inzwischen ein Teil von Khoros, schlug 2011 ein Kennzahlensystem vor, den Community Health Index (CHI), der sich aus unterschiedlichen Kennzahlen zusammensetzt und somit einen Gesamtüberblick geben will. Als Kennzahlensystem erlaubt er aber auch, in einzelne Aspekte tiefer einzusteigen (Lithium 2011). In den Index verbunden werden Messwerte zu Mitgliederwachstum, Views als Messzahl für die Qualität des angebotenen Inhalts bereinigt um Crawler und Bot-Visits, Anzahl neuer Posts pro Tag, Response-Time, aber nicht nur die gemessenen Minuten bis zur ersten Antwort, sondern auch die durchschnittliche Antwortzeit zwischen den weiteren sich anschließenden Antworten (durchschnittliche Intervallzeiten zwischen Antworten), die durchschnittliche Zahl von Antworten pro Konversation (Thread Depth) und die Anzahl der aktiven Community-Mitglieder (Unique Contributors) sowie eine Kennzahl für die Lebendigkeit (Liveliness) der Community gemessen an der Zahl der Posts pro Tag in den einzelnen Community-Segmenten. Die einzelnen Metriken werden in sechs Dimensionen geordnet. Die drei Dimensionen ‚Members‘, ‚Content‘ und ‚Traffic‘ werden als diagnotische Dimensionen bezeichnet. ‚Liveliness‘, ‚Interaction‘ und ‚Responsiveness‘ als prädiktive Dimensionen. Die einzelnen Werte werden in einer komplexen Formel zusammengefasst, die für unterschiedliche Einflüsse normalisiert, starke Ausschläge einzelner Metriken im Index dämpft und am Ende einen Community-Health-Index-Wert (CHI) zwischen 0 und 1000 ausgibt.

Die Churn-Rate (Abwanderungsrate oder -quote) misst die über einen bestimmten Zeitraum verzeichnete Anzahl der Kunden oder Teilnehmer, die den Dienst nicht weiter nutzen, und setzt sie ins Verhältnis zur Anzahl der Gesamtkunden zu Beginn des Beobachtungszeitraums. Sie gibt somit einen Eindruck über die Kundenfluktuation und indirekt über die durchschnittliche Länge der Kundenbindung bzw. Teilnahme am Dienst und somit über die Kundenzufriedenheit.