Use Case: Optimierung der B2B-Verkaufsorganisation durch Einsatz eines Recommender-Systems

Der Verkauf von Werbeplätzen im B2B-Geschäft ist ein wesentliches Geschäftsfeld in Medienhäusern. Dementsprechend kritisch ist eine effiziente und erfolgreiche Verkaufsorganisation für deren Gesamtgeschäftserfolg. Recommender-Systeme basierend auf modernen Machine-Learning Ansätzen können dabei helfen, in der Verkaufsorganisation sowohl den Absatz zu erhöhen als auch die Effizienz zu steigern. Im Folgenden diskutieren wir die Erstellung eines Kunden-individuellen Produkte-Rankings als konkrete Einsatzmöglichkeit eines Recommender-Systems in der B2B-Verkaufsorganisation. Eine allgemeine Einführung in die Funktionsweise von Recommender-Systemen, deren Einsatzmöglichkeiten in Medienunternehmen und die Chancen, die sich durch deren Nutzung bieten, finden Sie unter “Andere Kunden kauften auch…” – mehr Umsatz durch Einsatz von Recommender-Systemen im B2C- und B2B-Sales.

Abbildung 1: Welche Produkte sollen dem Kunden angeboten werden? 

Wie werden Entscheidungen in der Verkaufsorganisation getroffen?

Versetzen wir uns zunächst in folgende alltägliche Situation in Verkaufsorganisationen von Medienhäusern: Ein Verkaufsmitarbeiter besucht Firma 1 und bietet ihr Werbeplätze in Zeitung X und Online-Portal X an. Den Werbeplatz in Zeitung X konnte er bereits im letzten Jahr erfolgreich an Firma 1 verkaufen und da Zeitung X und Online-Portal X sehr ähnliche Inhalte haben, entschließt er sich dazu auch einen Werbeplatz bei Online-Portal X anzubieten. Der Verkaufsmitarbeiter stützt sich dabei hauptsächlich auf seine eigenen umfassenden Verkaufserfahrungen. Er weiß jedoch nicht, dass ein anderer Verkaufsmitarbeiter gerade bei der Firma 2, die in der gleichen Branche wie Firma 1 aktiv ist, erfolgreich Werbeplätze in Zeitung X, Zeitung Y und Zeitung Z verkaufen konnte und ein dritter Verkaufsmitarbeiter bei der Firma 3 nicht erfolgreich dabei war, zusätzlich zu Zeitung Z auch Online-Portal Z anzubieten.

Kunde Zeitung X Zeitung Y Zeitung Z Online- Portal X Online- Portal Z
Firma 1 Interessiert ??? ??? ??? ???
Firma 2 Interessiert Interessiert Interessiert
Firma 3 Interessiert Nicht interessiert Nicht interessiert

Tabelle 1: Historische Verkaufsinformationen

Recommender-Systeme können die gesamten in der Organisation angefallen Informationen auswerten und dem Verkaufsmitarbeiter automatisiert vor seinem Termin bei Firma 1 eine Liste mit Produkten erstellen, für die sich Firma 1 mit hoher Wahrscheinlichkeit interessiert. Dabei kann das System sowohl Ähnlichkeiten zwischen Kunden

  • Firma 1 und Firma 2 haben beide Werbeplätze in Zeitung X und Firma 2 zusätzlich Werbeplätze in Zeitung Y und Zeitung Z gekauft, also empfehle Firma 1 auch Zeitung Y und Zeitung Z

und zwischen Produkten

  • Zeitung Y und Zeitung Z sind ebenfalls Print-Medien und wurden mit Zeitung X zusammen gekauft, Online-Portal X enthält ähnliche Inhalte wie Zeitung X, also empfehle auch Zeitung Y, Zeitung Z, Online-Portal X

berücksichtigen.

Wie liefert ein Recommender-System optimierte Produktvorschläge?

Recommender-Systeme automatisieren die obigen Überlegungen im großen Stil. Sie sind in der Lage selbstständig wesentliche Zusammenhänge zwischen Kunden und Produkten zu erkennen und damit zuverlässige Vorhersagen für den Abschlusserfolg zu generieren. Zusätzlich zu den in Tabelle 1 dargestellten historischen Verkäufen und Verkaufsversuchen können beliebige weitere Kunden- und Produktinformationen in die Modellbildung einfließen. Ein Recommender-System bietet hierbei den großen Vorteil, dass es im Gegensatz zum menschlichen Entscheider prinzipiell beliebig große Daten- und Informationsmengen umfassend auswerten kann. Somit kann es auch Muster berücksichtigen, die erst durch die Analyse einer großen Zahl von Datenpunkten sichtbar werden. Zusätzlich trifft das System Vorschlags-Entscheidungen rein basierend auf der Daten-Faktenlage und ist im Gegensatz zum Bauchgefühl der Verkaufsmitarbeiter immun gegenüber kognitiven Verzerrungen. Nichtsdestotrotz liefern die Erfahrung und das Bauchgefühl der Verkaufsmitarbeiter wertvolle Erkenntnisse und können in hybriden Entscheidungssystemen berücksichtigt werden. 

Abbildung 2: Technischer Aufbau eines Recommender-Systems

Das Kernstück des Recommender-Systems ist ein Machine-Learning Modell, das trainiert wird um aus der Eingabe von Kunde und Produkt einschließlich zugehöriger Merkmale einen Score, wie z.B. die Verkaufs-Wahrscheinlichkeit oder den beim Kunden zu generierenden Umsatz mit diesem Produkt, zu berechnen. Basierend auf diesem Modell wird für einen Kunden ein Produkte-Ranking erstellt, indem für diesen Kunden der Score mit jedem Produkt berechnet und die Produkte nach dem Score sortiert werden. Der Output des Recommender-Systems, der dem Verkaufsmitarbeiter als Grundlage für die Vorbereitung des Termins bei Firma 1 dienen kann, könnte dann zum Beispiel wie folgt aussehen:

Rank Produkt Verkaufs-Wahrscheinlichkeit
1 Zeitung X 92%
2 Zeitung Z 63%
3 Zeitung Y 57%
4 Online-Plattform X 23%
5 Online-Plattform Z 8%

Tabelle 2: Ranking-Output des Recommender-Systems

Wie stark automatisiert diese Rankings am Ende in die Prozesse der Verkaufsorganisation eingebunden werden, können das Medienhaus und die Verkaufsmitarbeiter selbst entscheiden. Es kann direkt verwendet werden um zentral zu planen, welche Kunden mit welchen Produkten angesprochen werden, oder aber den Verkaufsmitarbeitern als Ergänzung zu ihren eigenen Einschätzungen bei der Verkaufsplanung dienen.

Welche weiteren Vorteile bietet der Einsatz eines Recommender-Systems?

Zusätzlich dazu, dass ein Recommender-System automatisiert Verkaufs-Wahrscheinlichkeiten liefert, kann es auch dabei helfen das Kaufverhalten der Kunden besser zu verstehen. Anhand des Outputs und der Zwischenergebnisse des Machine-Learning Modells können Kaufmuster aufgedeckt und homogene Kunden- und Produkt-Cluster identifiziert werden. Das folgende Bild zeigt beispielhaft die von einem Neuronalen Netz gelernten Produkt-Vektoren, so dass nahe bei einander liegende Punkte Produkte repräsentieren, die von gleichen Kunden gekauft werden. Dies erlaubt tiefe Einblicke in die Struktur des Produktportfolios rein auf Basis des Kaufverhaltens.

Abbildung 3: Darstellung der gelernten Ähnlichkeiten der Produkte (Farben entsprechen Produktgruppen und Kreisgrößen dem Gesamt-Umsatz mit diesem Produkt)

Darüber hinaus können weitere Daten-Analyse- und Clustering-Methoden genutzt werden, um das Kaufverhalten der Kunden besser zu verstehen. Besonders hervorzuheben ist dabei die Methode der Assoziationsanalyse, bei der automatisiert Regeln der Form „Wenn Zeitung X und Zeitung Y gekauft wurden, wird mit Wahrscheinlichkeit 87% auch Zeitung Z interessant sein“ gelernt werden können. Basierend auf diesen Regeln kann der Algorithmus dann Empfehlungen generieren. Zum Beispiel würde er Kunden, die Zeitung X und Zeitung Y gekauft haben, auch Zeitung Z vorschlagen. Dieser Algorithmus erstellt also nicht nur Empfehlungen “Kaufen Sie Zeitung Z”,  sondern er kann auch zusätzlich Begründungen “Wenn Zeitung X und Zeitung Y gekauft wurden, wurde oft auch Zeitung Z gekauft” für diese Empfehlungen liefern. Somit können tiefe Einblicke in die Kaufmuster gewonnen werden und die Produktempfehlungen sind einfacher zu plausibilisieren.

Recommender-Systeme und Machine-Learning-Tools können über die oben diskutierte Erstellung von Kunden-individuellen Produkte-Rankings hinaus noch weitere Aufgaben in der Steuerung der Verkaufsorganisation übernehmen. So kann zum Beispiel auch vorhergesagt werden, wann welche Kunden kontaktiert werden sollten, mit welcher Frequenz Kunden betreut und über welche Kanäle (Tele-Sales, persönlicher Besuch) optimal angesprochen werden können. Zudem können Kunden-individuell optimierte Preise und Rabatte bestimmt werden. Die Qualität dieser Vorhersagen hängt dabei stark von der vorhandenen Datenlage ab. Solange aber die endgültigen Entscheidungen bei menschlichen Entscheidungsscheidungsträgern liegen und der Output von Recommender-Systemen lediglich bei der Entscheidungsfindung unterstützt, können von Algorithmen aufgedeckte Zusammenhänge die Verkaufsplanung verbessern, ohne dass nicht erkannte Muster, die jedoch den Verkäufern durch ihre Erfahrung bekannt sind, ignoriert werden. Ein großer Vorteil von Machine-Learning Systemen ist auch, dass diese sich mit der Zeit weiterentwickeln, d.h. mit dem Zufluss neuer Daten lernen sie Zusammenhänge immer besser zu erkennen und Vorhersagen immer präziser zu treffen.

“Andere Kunden kauften auch…” – wie Recommender-Systeme zu mehr Umsatz führen

Amazon generiert 35% seines Umsatzes und Netflix 75% der Reichweite seiner Inhalte ausschließlich durch die Nutzung von Recommender-Systemen! Lernen Sie im folgenden Artikel, was Recommender-Systeme sind, was für Einsatzmöglichkeiten sich für Recommender-Systeme in Medienunternehmen bieten und welche Chancen durch ihre Nutzung realisiert werden können.

Was sind Recommender-Systeme?

Kunden oder Nutzer stehen häufig vor einer großen Auswahl an Produkten oder Inhalten. Ihre Kauf- oder Nutzungsentscheidung hängt dann maßgeblich davon ab, dass sie die für sie interessanten Produkte und Inhalte möglichst schnell und mit geringem Aufwand herausfiltern können.  Dabei helfen Recommender-Systeme (dt. Empfehlungsdienste oder Vorschlagssysteme). Das sind algorithmenbasierte Systeme, die für jeden Kunden automatisiert die Produkte auswählen können, die ihn mit hoher Wahrscheinlichkeit interessieren. Die Systeme lernen aus historischen Verkaufsdaten, Kunden- und Produktinformationen, für welche Kunden welche Produkte oder Inhalte besonders interessant sind. Sie erstellen automatisiert für jeden Kunden Rankings und können so den Prozess der optimalen Zuordnung von Kunde und Produkt bzw. Inhalt unterstützen.

Abbildung 1: Prinzipielle Funktionsweise von Recommender-Systemen

Amazon und Co. – die Großen machen es vor

Prominente Unternehmen zeigen, was für ein enormes Potential Recommender-Systeme bieten: Amazon zum Beispiel generiert 35 Prozent seines Umsatzes über Käufe, die durch Produktvorschläge ausgelöst wurden. 75 Prozent der Filme und Serien bei Netflix werden gesehen, weil sie das hauseigene Recommender-System vorgeschlagen hat. Die Online-Werbeeinnahmen von Medienunternehmen skalieren hauptsächlich mit der Reichweite und Nutzungsdauer von Online-Inhalten. So zeigt insbesondere das Netflix-Beispiel, welche Chancen Recommender-Systeme Medienunternehmen bieten, ihre Umsätze zu steigern. Heutzutage nutzen die meisten Menschen täglich Suchmaschinen wie Google. Sie sind im Wesentlichen nichts anderes als riesige Recommender-Systeme, die zu Suchbegriffen passende Webseiten vorschlagen. Die meisten Kunden von Medienhäusern sind zudem mit Vorschlagssystemen aus dem Onlinehandel und von Unterhaltungsplattformen wie Netflix, Youtube und Spotify bestens vertraut – und schätzen deren Vorzüge. Folglich ist das Risiko, dass eigene Systeme wenig oder schlecht angenommen werden, verhältnismäßig gering.

Abbildung 2: Artikelvorschlagssystem von Amazon

Die Einsatzbereiche in Medienhäusern sind vielfältig

Gerade in Medienhäusern ist mit Recommender-Systemen viel möglich: So können zum Beispiel Cookies oder User-Accounts tracken, welche Nutzer welche Inhalte auf Online-Nachrichtenseiten lesen. Basierend auf diesen Informationen können dann automatisiert nutzerspezifische Inhalte vorgeschlagen werden – so dass für den Nutzer beispielsweise am Ende eines Artikels weitere für ihn interessante Artikel verlinkt sind oder individuelle Startseiten für ihn erstellt werden. Weiterhin können Recommender-Systeme dabei helfen, welche Nutzer welche Werbung über Pop-Ups oder Banner zu sehen bekommen. Werbung, die mit hoher Wahrscheinlichkeit für den Nutzer relevant ist, kann die Click-Through-Raten und damit auch die Werbeeinnahmen massiv erhöhen. Im Kundenservice können Recommender-Systeme automatisiert Lösungen für eingehende Anliegen vorschlagen. Sie können dann entweder direkt an den Kunden gesendet werden oder den Service-Mitarbeiter bei der Kundenberatung unterstützen. Weiterhin stehen Mitarbeiter in der Verkaufsorganisation von Medienhäusern täglich vor der Entscheidung, an welche Kunden sie mit welchen Produkten herantreten. Oft entscheiden sie dann basierend auf persönliche Erfahrungen. Ein Recommender-System kann die Erfahrungen aller Mitarbeiter für die gesamte Organisation zugänglich machen, den Mitarbeitern bei der Entscheidung helfen und neue Zusammenhänge aufdecken (Vgl. Christoph Mayer, Künstliche Intelligenz und Maschinelles Lernen: Hintergrund, Anwendungsfälle und Chancen für Medienunternehmen, erschienen in MedienWirtschaft 03/2018).

Immer niedriger: die technischen Hürden

Obwohl man den Einsatz hochentwickelter Machine-Learning-Methoden, wie sie bei Recommender-Systemen verwendet werden, hauptsächlich mit führenden Technologie-Unternehmen aus dem Silicon Valley verbindet, sind die Hürden für die Einführung von Recommender-Systemen überraschend niedrig. Als Datengrundlage reichen bereits einfache Aufzeichnungen darüber, welcher Kunde in der Vergangenheit welche Produkte gekauft bzw. welche Inhalte konsumiert hat. Die Einbeziehung weiterer Kunden- und Produktinformationen kann die Qualität von Recommender-Systemen zusätzlich verbessern. Schickler-interne Untersuchungen basierend auf realen Datensätzen haben aber gezeigt, dass bereits ausschließlich auf der Verkaufshistorie trainierte Systeme sehr gute Ergebnisse liefern können. Zudem können Systeme variabel aufgesetzt werden, so dass neu verfügbare Kunden- und Produktdaten später ergänzt werden können. Zusätzlich dazu, dass die benötigten Daten oft schon vorhanden sind, wird auch das Aufsetzen der Algorithmen immer einfacher. Zum einen gibt es mittlerweile eine sehr hohe Verfügbarkeit von Machine-Learning APIs, die viele vorgefertigte Programmbausteine beinhalten und somit die Entwicklung entsprechender Recommender-Systeme massiv beschleunigen können. Zum anderen stehen Cloud-Services wie Amazon Web Services für einen flexiblen und kostengünstigen Betrieb dieser Systeme zur Verfügung.

Fazit: Ergreifen Sie die Chancen

Medienhäusern bieten sich durch den Einsatz von Recommender-Systemen vielseitige Möglichkeiten um Umsätze zu erhöhen und Prozesse effizienter zu gestalten. Zusätzlich können dabei die Kundenzufriedenheit durch ein individuelleres und gezielteres Angebot gesteigert und Mitarbeiter in ihrer Arbeit entlastet und unterstützt werden. Die oben genannten Anwendungsbeispiele umfassen nur einen Ausschnitt potentieller Einsatzmöglichkeiten von Recommender-Systemen. Viele weitere Anwendungen insbesondere auch unter Einbeziehung weiterer Data-Science Methoden sind denkbar. Im Zeitalter der Daten sind, zumindest unter der Voraussetzung von entsprechender Datenverfügbarkeit und Integrierbarkeit von automatisierten Lösungen in bestehende Systeme, weiteren Anwendungen kaum Grenzen gesetzt.

Wenn Sie neugierig geworden sind, Fragen haben oder einfach mehr wissen möchten, steht Ihnen das Schickler Data-Science-Team gerne zur Verfügung: datascience@schickler.de

Schickler zeigt auf: Wie die Blockchain deutsche Verlagshäuser unterstützen kann

Sie ist in aller Munde – und dennoch wird sie von den Wenigsten komplett durchdrungen – Blockchain. Im Zuge der Finanzkrise tauchte sie als Pendant zu dem aktuellen Geldsystem in Form der Digitalwährung Bitcoin auf. Über die folgenden Jahre reifte die Blockchain zu einer Plattform, in der Verträge zwischen Nutzern, ohne gegenseitige Vertrauensbasis lückenlos sicher geschlossen werden können. Grund genug sich der Frage zu widmen, was state-of-the-art Projekte der Blockchain für deutsche Verlagshäuser tun können.

Funktionsweise der Blockchain

Der Grundgedanke der Blockchain ist einfach. Eine Transaktion wird auf die zwei wesentlichen Akteure heruntergebrochen, wobei intermediäre Parteien entfallen. Beispielsweise beinhaltet eine einfache Bannerschaltung bei einem Digitalartikel eine Wertschöpfungskette mit Parteien wie Bannerherstellern, Agenturen oder Cyber-Security Firmen, welche alle ihren Teil vom Umsatz haben möchten. Dem Grundgedanken der Blockchain folgend müsste diese Bannerschaltung auf die zwei Protagonisten, namentlich Publisher und Werbeschaltenden, minimiert werden. Somit würden sowohl Transaktionskosten als auch Abwicklungsgeschwindigkeiten signifikant reduziert. Beschließen die zwei Parteien eine Transaktion, bspw. die Entscheidung des Werbetreibenden auf der Seite des Publishers einen Banner zu platzieren, wird sie in ein offenes Kassenbuch eingespeist und von anderen Nutzern verifiziert. Ist dieser Verifizierungsprozess abgeschlossen, wird ein neuer Block an die Datenkette gehängt und kann nicht rückgängig gemacht werden. Soviel zur Theorie, aber wie sieht das Ganze nun in der Praxis aus und was bietet der recht junge Blockchainmarkt aktuell?

Interessante Blockchain Projekte für Verlagshäuser

Blockchain im Werbemarkt

Die Technologie der Blockchain besitzt die Möglichkeit akute Herausforderungen für Online-Publisher zu lösen. Hierzu zählt bspw. die Ungewissheit über die Höhe der Werbeerlöse aus zukünftigen Artikeln. Die New York Interactive Advertising Exchange (NYIAX) ist eine Plattform mit dem Ziel, zukünftige Werbeverträge zu handeln. Das Blockchainbasierte Konzept greift hierzu auf Technologien der Nasdaq Börse zurück. Der Vorteil für Publisher liegt darin, zum aktuellen Zeitpunkt und garantierten Preisen, in Form eines Future-Vertrages, Werbeflächen verkaufen zu können, bei zeitgleicher Minimierung von dritten Profiteuren. Ziel der Plattform, die noch in den Kinderschuhen steckt, ist nach und nach über den Online Werbemarkt hinaus in Bereiche wie Print und Out of Home zu expandieren und eine Handelsbörse für zukünftige Werbeanzeigen auf allen Kanälen zu werden.

Ein weiteres Projekt beschäftigt sich mit der Bekämpfung des Onlinewerbebetrugs, bei dem Bots statt Menschen Traffic auf einem Banner generieren und somit jährliche Schäden von bis zu $16 Mrd. verursachen (Adloox). Die Lösung AdChain widmet sich mit einer eigenen Kryptowährung (sogenannte „coins“) dieser Problematik, indem sie ein Register einführt, bei dem die Teilnehmer incentiviert sind, Publisher auf ihre Legitimität und Reputation zu bewerten und auf einer Whitelist zu vermerken. Jeder Seitenbetreiber kann sich um einen Platz auf dieser Liste bewerben. In einem eigenen Ökosystem haben dann alle Teilnehmer die Möglichkeit, den Bewerber anzuzweifeln, also anzunehmen, dass dieser regelmäßigen Bot-Traffic generiert. In einem demokratischen Abstimmungsverfahren wird anschließend entschieden, welche Meinung überwiegt. Die mehrheitliche Meinung wird nach der Entscheidung in der besagten Kryptowährung vergütet. Im Ergebnis wird ein Whitelisting derer Websites erstellt, welche nach Meinung der Mehrheit seriöse Werbung ausspielen, die von echten Nutzern und keinen Bots angesehen wird.

Auch im Kampf gegen Adblocker bewegt sich etwas. Eines der führenden Projekte ist Brave: Gegründet von Brendan Eich, ehemaligem COO/CEO von Mozilla, versucht die Webbrowserlösung den Werbemarkt im Internet kundenfreundlicher zu gestalten und der zunehmenden Nutzung von Adblockern entgegenzuwirken. Analog zum Grundgedanken der Blockchain ist der Nutzer bei Brave Herr seiner Daten und wird dementsprechend auch an der Vergütung der Werbeeinahmen beteiligt. Hierbei wird die Kundenaufmerksamkeit quantifiziert und entsprechend aufgeteilt und ausgezahlt.  Im Gegenzug stellt Brave sicher, dass lediglich seriöse Werbung geschaltet wird. Durch diese Incentivierungsstruktur erhält der Kunde einen Anreiz, sich gegen die Nutzung eines Adblockers zu entscheiden, da er an jeder von ihm gesehenen Werbung mitverdient.

Blockchain für effizientere Paid-Content Strategien

Bezahlmodelle in Paid-Content können unterschiedliche Strukturen annehmen – von Jahresabonnements zu Tageszugängen – haben Bezahlschranken ihren Weg in das Portfolio von Medienhäusern gefunden. Insbesondere bei Fixed Fee Modellen gibt es allerdings die Herausforderung, dass mit sinkender Transaktionsgröße die durchschnittlichen Margen abnehmen, da die Transaktionskosten einen größeren Anteil am Gesamtbetrag einnehmen. Hier kann die Blockchain helfen: Durch Micropaymentmodelle, die einen Bruchteil der Kosten bestehender Transaktionskosten ausmachen, können Medienhäuser ihre Produkte noch zielgerichteter, kosteneffizienter und profitabler verkaufen. Ein namhafter Vertreter dieses Ansatzes ist Satoshipay. Hier kann der Publisher die Bezahlstruktur beliebig granular gestalten. Beispielsweise könnte ein Text, der ursprünglich einen Euro kostet, gedrittelt werden und mit einer linearen Steigerung pro Drittel vergütet werden. Oder noch extremer, könnten Paymentmodelle auf Zeilenbasis eingeführt werden. Somit würden jene Leser, die den Artikel wirklich lesen, mehr zahlen und die Leser, die sich zu Beginn des Artikels anders entscheiden, entlastet werden. Darüber hinaus sind die Transaktionskosten, die hierdurch entstehen weitaus geringer als über den herkömmlichen Bankenprozess.

Unsere Empfehlung

Ob die Blockchain ihren Weg in das Tagesgeschäft von Verlagshäusern findet oder nicht, wird die Zeit zeigen. Nichtsdestotrotz zeigt sie uns wieder einmal die gnadenlose Geschwindigkeit, mit der Innovationen im digitalen Zeitalter vorangetrieben werden. Während Medienunternehmen noch vollumfänglich mit der Digitalisierung des eigenen Angebots beschäftigt sind, werden in den Denkzentren dieser Welt schon neue Ideen ausgeklügelt, die disruptiv für bestehende Modelle sein werden. Folglich sind Medienunternehmen gut damit beraten, sich möglichst agil für die Zukunft aufzustellen und mindestens mit einem Auge die aktuellen Entwicklungen weiterzuverfolgen.

Sensible IT-Prozesse außer Haus: NYT lagert E-Mail an Google aus

Die New York Times hat im Juni 2018 ihr komplettes E-Mail-System ausgelagert. Ausgerechnet Google vertraut das renommierte und weltbekannte Medienhaus seine oft sensiblen Daten an. Damit reagiert die New York Times auf massiv zunehmende Hacking-Aktivitäten auf ihre Server – und erhofft sich durch Google eine deutlich höhere IT-Sicherheit. Tatsächlich könnten die Experten von Google den Zugriff auf die sensiblen Daten der Times besser schützen als der Verlag selbst. Die Aufgabe zählt nicht zur Kernkompetenzen eines Medienhauses.

Daten und Fakten

Ein solcher Schritt scheint – zumindest im englischsprachigen Europa – seit Jahren nichts Besonderes zu sein. Die meisten Medienhäuser in Großbritannien haben bereits zu Google oder vergleichbaren Anbietern gewechselt. Allerdings: Die Journalisten verlassen sich bei eigenen kritischen Recherchen nicht ausschließlich auf ihren Provider. Untereinander nutzen sie sichere E-Mail-Alternativen. Kontakte zu Whistleblowern und anderen anonymen Quellen halten sie über andere etablierte Kanäle wie beispielsweise SecureDrop oder .onion

SecureDrop wurde 2013 von der FreedomofPress Foundation ins Leben gerufen. Seitdem erfreut sich das OpenSource „whistleblower submission system” großer Beliebtheit. Medienhäuser auf der ganzen Welt arbeiten damit.

Quelle: Webseite https://securedrop.org/

Alternativ etablierten Verlagen auch eigene Lösungen wie z.B. „heise Investigativ“.

Quelle: Webseite https://www.heise.de/investigativ/

Die Dienstleistungen, die die New York Times von Google nutzt, gehören zur G Suite. Das ist ein Paket mit verschiedenen Angeboten: Unternehmen wickeln damit ihren E-Mail-Verkehr ab, nutzen weitere Kommunikationslösungen oder können Daten in der Cloud speichern. Die Dienste sind also nicht gleichzusetzen mit dem kostenlosen Gmail-Service von Google.

Laut GoogleWatchBlog haben im Laufe der Jahre hunderttausende – vor allem kleinere Unternehmen – zu Googles G Suite-Angebot gewechselt. Damit haben sie ihre IT-Infrastruktur auf die Server des Unternehmens ausgelagert. Bis heute ist kein einziger erfolgreicher Hacker-Angriff auf Gmail- bzw. Google-Server bekannt.

Weltweite Diskussion auf Twitter

IT-Sicherheitsexperten diskutieren rege über die Entscheidung der New York Times und über mögliche Vor- und Nachteile.

Angeblich war der endgültige Auslöser für den Schritt das erfolgreiche Eindringen der chinesischen Regierung in das E-Mail-System der Times. Nach langer Diskussion mit der Rechtsabteilung und aufgrund von Kostenerwägungen sei die Entscheidung für Google gefallen (@mattyrosen).

Es sei unmöglich, ein auch nur halb so gutes 24/7 Sicherheitsteam wie bei Google bereit zu halten. Auf der anderen Seite hätte Google in der Vergangenheit immer wieder nicht den Anordnungen von US Regierungsorganisationen wie beispielsweise der NSA standhalten können (@bartongellman).

Andere führen auf, dass Google mittlerweile verstanden hätte, wie wichtig es sei, Journalismus von außen zu schützen und auch ungerechtfertigte Regierungsanfragen abzuwehren. Für die Times sei die Gefahr gehackt zu werden größer als Daten an die US Regierung geben zu müssen (@kevinchen).

Was offen bleibt: Hat Google unter geltendem US-Recht wirklich die gleichen Möglichkeiten wie ein Zeitungsverlag, Durchsuchungsbeschlüssen von Regierungsorganen zu widerstehen? Sollten die Journalisten einmal investigativ gegen Google selbst recherchieren: der Dienstleister bleibt in der Versuchung, einen Blick auf seine Server zu werfen.

Allerdings: Microsoft hat mit Office 365 sowohl in den USA als auch in Europa einen deutlich höheren Marktanteil bei der E-Mail-Auslagerung für Unternehmen als Google.

Diskussionen in Deutschland

Wie so oft sind die Kommentare im deutschsprachigen Raum dazu etwas anders gelagert. Hier stehen Themen wie Datenschutz/DSGVO, „Google = Datenkrake“, mögliche Alternativen etc. vorne an. Zudem wird beispielsweise bezweifelt, dass die Notebooks und Desktops der Redakteure jemals so sicher gegen Angriffe von außen gemacht werden können wie das eigene E-Mail-System.

Alle US-Unternehmen unterliegen dem Cloud Act und sind damit nicht DSGVO-konform. Einzig die Cloud von Microsoft für deutsche Office 365-Kunden liegt bei der Deutschen Telekom auf nationalen Servern. Weitere Beispiele für sichere dedizierte Mailserver in Deutschland bzw. in der Schweiz: Posteo.de, mailbox.org und ProtonMail. Ihre Größe ist allerdings nicht mit der von Google oder Microsoft vergleichbar.

Quelle: Webseite https://mailbox.org/

Quelle: Webseite https://posteo.de/

Quelle: Webseite https://protonmail.com/

Google wird hierzulande nachgesagt, alle E-Mails mit den neusten KI Routinen zu scannen – also auch die geschäftlicher Accounts. Wenn es um vertrauliche Mail-Inhalte geht, schützt dagegen eine up-to-date E-Mail-Verschlüsselung. Die Metadaten der E-Mails – also wer, wem, wann schreibt – kann jeder Betreiber der Mailserver weiterhin abgreifen. Damit bleiben E-Mails auch künftig ungeeignet für Whistleblower und anonyme Informanten.

Laut Erfahrungsberichten funktioniert die Google G Suite gut. Einzig ein zu häufiges Blacklisten der eigenen E-Mail-Accounts scheint noch ein Thema zu sein. Hier wendet Google offenbar die gleichen Algorithmen wie bei Gmail an: das Consumer Produkt muss mit viel mehr Spam zurechtkommen und markiert dadurch lieber zu viel als zu wenig Spam.

Fazit

Dedizierte kommerzielle Mailprovider verfügen über ein wesentlich höheres IT-Sicherheits-Know-how als es die IT-Abteilungen von Medienhäusern je wirtschaftlich darstellen können. Deshalb sind abseits der Kernkompetenz – also nicht nur bei E-Mail, sondern auch anderen kritischen IT-Prozessen – professionelle Partner immer vorzuziehen. Ob für Medienhäuser dafür US-Giganten wie Google oder Microsoft in Frage kommen, muss jedes Unternehmen selbst entscheiden. Ein etwas lockererer Umgang mit Datenschutz ist bei diesen Firmen zumindest in ihrer Heimat offensichtlich. Jedoch: Es gibt Alternativen in Europa und Deutschland, bei denen sowohl die Größe als auch die DNA deutlich näher an der von deutschen Verlagen liegen.

Können Medienanbieter durch Content Verticals neue Erlösquellen erschließen?

Für Medienunternehmen stellt sich im digitalen Zeitalter immer wieder die Frage nach wirtschaftlich erfolgreichen Geschäftsmodellen. An großen Playern wie Google und Facebook kommt dabei kaum einer vorbei – denken wir an Themen wie Refinanzierung durch digitale Werbeerlöse. Zudem befinden sich die digitalen TKPs in weiter Ferne von denen im analogen Bereich. Die immer größere Bedeutung von Programmatic übt nur weiteren Druck auf sie aus.

Dabei sind Medien und besonders ihre Medienmarken in einer sehr privilegierten Situation: Sie entwickeln und vertreiben Content mit hoher Kompetenz, Relevanz und Glaubwürdigkeit. Dazu bringen sie jede Menge Prozessknowhow mit, entsprechende Systemlandschaften und redaktionelle Kapazitäten. Ein weiteres Pfund: massenhaft Reichweite auf digitalen Plattformen. Keine schlechten Voraussetzungen also.

Schauen wir uns die derzeitigen Online-Angebote an, fällt auf: Hier tummeln sich immer mehr sogenannter Verticals – ausgerichtet auf spezielle Zielgruppen, Lebenssituationen oder Themen. Die Guten und Relevanten können sich neben großen Plattformen durchaus profitabel entwickeln. Dank inhaltlicher Tiefe und entsprechender Service-Angebote rekrutieren und binden sie eine sehr loyale und engagierte Leser- bzw. User-Basis. Eine Monetarisierung über primär transaktional orientierte Modelle kann dann folgen. Das Ergebnis: Ein Trend weg von immer unattraktiveren CPM-Modellen hin zu CPL/CPA und im Idealfall CPO-Modellen. Zudem steigt das Potenzial für Content Marketing.

Einige Beispiele für Verticals im deutschsprachigen Raum: pflege.de (Leben & Wohnen im Alter), urbia.de (Familie), onmeda (Gesundheit) oder Travelbook (Reisen). Auch eine Verlängerung in analoge Medien ist bereits Realität, z.B. bei chefkoch.de. In reinen B2B-Segmenten sind Verticals ebenfalls weit verbreitet, z.B. chemie.de.

Das primäre Ziel der Verticals: Zentraler Anziehungspunkt für das jeweilige Thema, die entsprechende Zielgruppe oder Lebenssituation werden. Die Monetarisierung, z.B. durch transaktionale Geschäftsmodelle erfolgt dann im nächsten Schritt.

Ob ein Vertical ausreichend Potenzial hat und ob es sich lohnt, in den Aufbau zu investieren, gilt es genau unter die Lupe zu nehmen. Dabei können u.a. folgende Fragen helfen:

  • Welche erfolgreichen Player sind in dem Segment bereits unterwegs?
  • Ist das Monetarisierungspotenzial begrenzt?
  • Sind regulatorische Hürden zu berücksichtigen?
  • Kann das Medienunternehmen mit vertretbarem Aufwand ausreichend Kompetenz aufbauen?

Attraktive Verticals richtig abzugrenzen, ist erfolgsentscheidend und anspruchsvoll. Erfolgreiche Beispiele aus anderen Ländern oder Regionen können hier helfen. Doch Vorsicht: Nicht alle Modelle aus dem Ausland stoßen auch auf Interesse im eigenen Land. Analysen zu Kaufverhalten in spezifischen Zielgruppen, Branchensegmenten, Nischen oder Themen sind hier hilfreich. Einige Beispiele:

  • Mobilität
  • Altersversorgung
  • Reisen
  • Beziehungen
  • Technologie / Wissenschaft
  • Zuhause (inkl. Themen wie Haustiere, Garten, Inneneinrichtung, …)

Auch wenn Content Verticals nicht das alleinige Heilmittel für Medienunternehmen im digitalen Raum darstellen können: sie bieten eine attraktive und fast unbegrenzte Angebotspalette. Allerdings braucht der rentable Aufbau seine Zeit und ein Vertical allein wird es nicht tun: Einige werden fliegen, andere werden scheitern. Interessant ist jedoch, dass sich Erfahrungswerte und Infrastruktur (Technik, Prozesse, Skills, Conversion-Hebel) von einem Vertical zum anderen häufig übertragen lassen.

Darauf wird irgendwann die Frage folgen, ob eine Verlängerung der Wertschöpfung der Verticals hin zu eigenen e-commerce-Aktivitäten sinnvoll wäre oder eine enge Kooperation mit externen Shops. Je stärker das Vertical ein Segment dominiert und sich dort zur #1-Plattform für Information, Kommunikation und Dienstleistung entwickelt, umso mehr Möglichkeiten bieten sich zur Monetarisierung jenseits des klassischen Werbemarktes. Aber das ist erst der nächste Schritt.

Fairfax Media oder was deutsche Verlage aus Down Under lernen können

Denken Sie an einen Verlag, der erfolgreich am digitalen Wandel partizipiert. Vermutlich kommt Ihnen einer der großen deutschen Player in den Sinn – Axel Springer oder Burda. Doch was passiert eigentlich außerhalb des eigenen Umfelds, bspw. in Ländern fernab des atlantischen Ozeans?

Mit Blick nach Australien und Neuseeland würde Ihnen ziemlich sicher Fairfax Media über den Weg laufen. Es ist das zweitgrößte australische Medienunternehmen direkt nach Murdochs News Corp Australia. Im Grunde hat Fairfax Media viel mit deutschen Verlagen gemein: sinkende Erlöse aus dem klassischen Verlagsgeschäft setzen eine hohe Kostendisziplin voraus und haben in den letzten Jahren zu schmerzhaften Einschnitten geführt. Im Fall von Fairfax Media sind auch die Aktionäre betroffen: der Preis pro Aktie fiel von seinem Hoch im Jahr 2000 mit 6,10 AU$ um über 95% bis 2012 und pendelte sich seitdem bei etwa 0,8 AU$ ein. Das Platzen der Blase Anfang der 2000er Jahre hat Spuren hinterlassen – auch das kennt man aus Deutschland.

Umso konsequenter hat Fairfax Media auf die digitale Transformation reagiert und seinen Weg bereits früh auf „digital first, print second“ ausgerichtet. Auch wenn realistisch betrachtet Print-Umsätze auch in den nächsten Jahren noch einen hohen Stellenwert einnehmen, ist die Handschrift der Neuausrichtung klar erkennbar. Bis 2016/2017 konnte der Anteil der digitalen Umsätze bei einem Gesamtumsatz von 1,7 Mrd. AU$ auf 25% gesteigert werden – zudem lieferte das Digitalgeschäft im Geschäftsjahr 2015/2016 bereits rund 40% des EBITDA-Beitrags. Die 2013 eingeführte Paywall bei den hauseigenen Flaggschiffen The Sydney Morning Herald, The Age und The Australien Financial Review hatte hierbei maßgeblich Einfluss auf die Entwicklung der digitalen Erlöse. Mit insgesamt rund 236 Tsd. Digital-Abos der drei größten nationalen Zeitungen im Portfolio konnte das starke Wachstum der letzten Jahre beibehalten werden (in 2016/2017: +21%).

Schaut man sich jedoch einmal die verschiedenen Aktivitäten von Fairfax Media an, ist zu erkennen, dass die Summe der digitalen Aktivitäten ausschlaggebend für einen nachhaltigen Erfolg ist. Das Portfolio von Fairfax Media umfasst heute Aktivitäten in den Bereichen „Information / Publishing“, „Marketplaces“ und „Entertainment / Digital“. Treibende Kraft hierbei ist das Netzwerk der Online-Immobilienplattformen unter dem Dach der Domain Group (Bereich: Marketplaces). Alleine in den letzten drei Jahren investierte Fairfax Media 175 Mio. AU$ in das Wachstum der Gruppe. Heute reiht sie sich hinter der REA Group als zweitgrößtes Immobiliennetzwerk Australiens ein. Um mit frischem Kapital weiter zu expandieren plant Fairfax Media einen spin-off der Domain Group, bei dem sie weiterhin mehrheitlich beteiligt bleiben. Mit rund 20% Umsatzanteil bzw. 40% EBIT-Anteil nimmt die Domain Group bereits heute innerhalb von Fairfax Media eine bedeutende Stellung ein.

Insgesamt operiert Fairfax Media mit über 36 digitalen Geschäftsmodellen am Markt – die meisten hiervon gebündelt in der Fairfax Media Digital Ventures. Schwerpunkte sind hierbei Content-und Immobilien-Portale sowie Investitionen im Bereich e-health, Online-Bildung und Wetter-Service. Als Herzstück dieser Digitalisierungsbemühungen sieht Fairfax Media jedoch ihre „subscription video on demand“ (SVOD) Plattform Stan, die als Joint Venture betrieben wird. Im Jahr 2015 startete man sein Programm wenige Monate vor Netflix. Mit aktuell knapp einer Millionen Abonnenten erfreute sich der SVOD-Dienst an einem starken Umsatzwachstum (+150%). Fairfax Media baut auf die Vorteile ihres frühen Markteintritts, exklusiven Deals mit amerikanischen Studios (bspw. Showtime) und setzt in hohem Maße auf australische Eigenproduktionen.

Die unterschiedlichen Aktivitäten unterstreichen, dass Fairfax Media sich bereits auf der zweiten Welle der digitalen Transformation befindet: die Grundlagen im Publishing-Bereich sind gelegt und man versteht sich als digitales Powerhouse, das weiterhin auf seine Kernkompetenzen setzt und gezielt mit diversifizierten Geschäftsmodellen in neue Marktlücken vorstoßen möchte. Hierbei werden in allen Segmenten attraktive EBITDA-Margen erzielt (siehe Abbildung 1).

Abbildung 1: Übersicht EBITDA-Marge Fairfax Media Portfolio-Segmente im Geschäftsjahr 2016/2017; eigene Darstellung

 

Was können deutsche Verlage von Fairfax lernen?

Die strukturellen Herausforderungen sind in Australien im Vergleich zum deutschen Markt ähnlich und erfordern, dass traditionelle Geschäftsmodelle neu gedacht werden müssen. Am Beispiel von Fairfax Media zeigt sich, dass die digitale Transformation kein einmaliger Prozess ist, sondern iterative, nicht abschließende Anstrengungen erfordert und dabei das Kerngeschäft nicht vernachlässigt werden sollte. Durch die konsequente digitale Transformation des Publishing-Bereichs hat sich Fairfax Media in einem schwierigen Marktumfeld neue Spielräume für die weitergehende Diversifizierung erarbeitet. Gleichzeitig wird durch ein aktives Portfolio-Management nachhaltiger Wert geschaffen. Durch vielschichtige Investitionen sowohl horizontal als auch vertikal erscheint Fairfax Media heute breiter aufgestellt denn je. Ob dies reicht, um in einigen Bereichen die Vorreiterrolle bei digitalen Geschäftsmodellen durch neue Aktivitäten auszubauen wird sich zeigen. Die Basis hierzu hat Fairfax Media jedoch gelegt.