Sind wir an Sonnentagen genauso kauffreudig wie an Regentagen? Welche Wettervariablen sind die richtigen, um zwischen gutem und schlechtem Wetter unterscheiden zu können?
MOTIVATION
Hat das Wetter Einfluss auf Retailing?
Lässt sich die Aussteuerung von Werbung wetterbasiert optimieren?
VORGEHEN / MODELLIERUNG
Automatisierter Download von zeitlich und örtlich lokalisierten Wetterinformationen für das gesamte Bundesgebiet.
Methodische Selektion der „relevanten“ Wettervariablen mit Einfluss auf die Einschaltquoten.
Berücksichtigung geographischer, sozioökonomischer und zyklischer Effekte, um Einschaltquote möglichst präzise erklären zu können.
Clustering und Quantifizierung der Wettereinflüsse.
ERGEBNIS
Nicht das absolute Wetter sondern relative Änderungen bzw. Abweichungen vom Erwartungszustand sind treibende Faktoren.
Wird das Werbebudget wetterabhängig optimiert und geographisch neu verteilt, können bis zu 30% Verkaufs-Uplift errreicht werden.
Sind wir an Sonnentagen genauso kauffreudig wie an Regentagen? Welche Wettervariablen sind die richtigen, um zwischen gutem und schlechtem Wetter unterscheiden zu können? Wie können wir die Kenntnis des aktuellen und die Vorhersage des zukünftigen Wetters nutzen, um Werbung optimal auszusteuern? Mit diesen und ähnlichen Fragen beschäftigten wir uns in einem Projekt zusammen mit Wetter.com.
Klassischerweise – und so auch in unserem Wetterprojekt – stellen die Bereitstellung der Daten, die Behebung von Datenfehlern, das Merging von Daten unterschiedlicher Herkunft und die richtige Aggregation der relevanten Informationen die ersten Herausforderungen für uns Analysten dar. Unser erstes Analyseziel bestand darin, die Vielzahl an quantitativen Informationen, die uns über das historische, gegenwärtige und das prognostizierte Wetter aus der umfangreichen Datenbank von Wetter.com zur Verfügung stehen, auf die „wesentlichen“ Faktoren zu reduzieren. Anschließend haben wir geographische, sozioökonomische und zyklische Daten in die Betrachtung aufgenommen, um Kaufraten des Produkts unseres Kunden, welches ausschließlich online angeboten wird, möglichst gut erklären zu können. Entstanden ist ein zeitlich und räumlich explizites, hochaufgelöstes, aber gleichzeitig einfach skalierbares Modell, welches sich mit vergleichsweise geringem Aufwand auf viele weitere Produkte übertragen lässt. Das gefundene Regressionsmodell ist durch seinen hohen Erklärungsgehalt (Bestimmtheitsmaß von 0.98) bestens geeignet, die vielschichtigen Einflüsse auf die Kaufentscheidung bestimmter Produkte zu erklären. Weiterhin fanden wir heraus, dass nicht das absolute Wetter sondern relative Änderungen bzw. Abweichungen vom Erwartungszustand treibende Faktoren sind. Der wesentliche Gewinn des Modells ist allerdings eine präzise Entscheidungsgrundlage für ein wetterbasiertes Targeting von Werbung. Durch wetterabhängige Aussteuerung lassen sich Verkaufszahlen steigern, aber gleichzeitig Kosten für (Online-) Werbung reduzieren – und somit Gewinne steigern.