Saisonalität im Marketing: Analyse, Kampagnenplanung und Budgetkalender

Bewegliche Feiertage: Warum der türkische Kalender kein Standardmodell verträgt

Das Ramadanfest und das Opferfest richten sich nach dem islamischen Mondkalender und verschieben sich daher jedes Jahr um etwa 11 Tage nach vorn. Ein Modell, das die Vorjahre nach Kalenderwochen übereinanderlegt, setzt den Feiertagseffekt jedes Jahr in die falsche Woche. Wir markieren die Feiertage, den Muttertag und die Rabattperiode im November gesondert als bewegliche Tage und richten die Nachfrage danach aus, wie viele Tage bis zu diesen Terminen verbleiben.

Wir betrachten auch Zyklen innerhalb des Monats. In manchen Kategorien schwankt die Nachfrage auch innerhalb eines Monats; in Ihren eigenen Daten prüfen wir, ob sich Bestellzahl oder durchschnittlicher Warenkorbwert nach den Tagen ändern, an denen sich Gehaltszahlungen häufen. Dieses Muster geht in der Jahreskurve verloren, schlägt sich aber direkt im wöchentlichen Budgetplan nieder.

Mit welchen Daten messen wir Saisonalität?

Eine Saisonanalyse, die nur auf eine Quelle schaut, führt oft in die Irre: Der Website-Traffic kann steigen, während die Verkäufe gleich bleiben, und die Suchanfragen können zunehmen, bevor sich die Klickkosten überhaupt bewegen. Wir führen die Quellen in Ihrem BigQuery-Projekt zusammen und halten vor der Analyse schriftlich fest, was jede Quelle zeigt und was nicht. Die Frage nach dem Timing beantworten Trends und Search Console, die Frage nach der Budgethöhe die Verkaufs- und Kostendaten.

• GA4-Historie: Wöchentliche Sitzungen, Conversions und Umsatz. Da der BigQuery-Export von GA4 nicht rückwirkend arbeitet, sammeln sich umso länger Rohdaten an, je früher die Verknüpfung steht.
• Verkaufsdaten: Der tatsächliche Umsatz einschließlich Marktplatz-, Filial- und Telefonverkäufen. Reine Websitedaten verbergen einen Teil der Nachfrage.
• Google Trends: Das relative Interesse an Kategoriesuchen. Da die Werte relative Punkte zwischen 0 und 100 sind, nutzen wir sie zum Ablesen des Timings, nicht als Suchvolumen.
• Historie der Werbekosten: In welchen Wochen die Kosten pro Klick und pro tausend Impressionen gestiegen sind. Nachfrage und Kosten steigen nicht unbedingt in derselben Woche; die Differenz dazwischen ist das eigentliche Gelegenheitsfenster.
• Search Console: Suchanfragedaten der letzten 16 Monate; sie zeigen, welche Suchen schon vor der Saison zulegen.

Wie setzen wir KI-Modelle in der Saisonanalyse ein, und wie prüfen wir sie?

Wir geben den Modellen von OpenAI und Claude die wöchentlichen Daten der Vorjahre und die Markierungen der beweglichen Tage und lassen beide getrennt Saisonbeginn, Höhepunkt und Rückgangswochen bestimmen. Zeigen die Modelle unterschiedliche Startwochen, geht unser Team zurück zu den Rohdaten und prüft, welches Jahr die Abweichung verursacht. Sind die Verkäufe in einem Jahr wegen Lieferengpässen oder eines Website-Ausfalls eingebrochen, fließt dieses Jahr nicht unbereinigt in die Kurve ein.

• Wie viele Wochen vor dem Höhepunkt beginnen die Kategoriesuchen zu steigen?
• Ziehen die Klickkosten vor oder nach der Nachfrage an?
• Wird Budget, das nach dem letzten Versandtag vor dem Feiertag ausgegeben wird, noch zu Verkäufen?
• Hat zusätzliches Budget in der Woche, in der wir es letztes Jahr erhöht haben, zusätzliche Verkäufe gebracht?

Vom Saisonkalender zum 90-Tage-Plan

Das Ergebnis besteht aus zwei Teilen: einem Saisonkalender, der zeigt, in welcher Woche die Vorbereitung von Kampagnen, Creatives und Lagerbestand beginnen sollte, und einer wöchentlichen Budgetkurve. Die Budgeterhöhung wird nicht auf die Woche des Nachfragehöhepunkts gelegt, sondern einige Wochen davor; Wochen, die in der Kostenhistorie vor der Nachfrage noch günstig waren, sind das beste Fenster, um neue Zielgruppen zu erreichen. Auch die früheren Kampagnenzeiträume der Wettbewerber übernehmen wir aus der Wettbewerbsanalyse in den Kalender.

Der Kalender fließt direkt in die 90-tägige Marketingplanung ein. Während der Saison vergleichen wir die tatsächliche Nachfrage jede Woche mit der Kurve und aktualisieren sie bei größeren Abweichungen. Die Saisonabhängigkeitsanpassungen in Google Ads nutzen wir nur für kurze Kampagnen von 1 bis 7 Tagen; auch Google empfiehlt sie nicht für längere Zeiträume. Nach Saisonende ergänzen wir die tatsächliche Kurve um die Daten für das Folgejahr.

Saisonale Verhaltensanalyse: Wann empfehlen wir es?

So betreuen wir Saisonale Verhaltensanalyse

1. Bewegliche Tage markierenWir markieren die Termine von Feiertagen, Muttertag und Rabattaktionen im November in den Vorjahren und richten die Daten nach der Zahl der verbleibenden Tage bis zu diesen Terminen aus.
2. Problemjahre bereinigenWochen mit Lieferengpässen, Website-Ausfällen oder großen Preisänderungen halten wir fest und übernehmen sie nicht unbereinigt in die Kurve.
3. Nachfrage- und KostenkurveAus Trends, Search Console und Verkäufen ermitteln wir die Wochen steigender Nachfrage, aus der Werbekostenhistorie die Wochen steigender Klick- und Impressionskosten.
4. Timing mit zwei ModellenSaisonbeginn, Höhepunkt und Rückgangswochen lassen wir von zwei Modellen getrennt berechnen und prüfen abweichende Wochen in den Rohdaten.
5. Abweichungen während der Saison verfolgenWir vergleichen die tatsächliche Nachfrage jede Woche mit der Kurve und aktualisieren die Budgetkurve, wenn die Abweichung wächst.

Saisonale Verhaltensanalyse: Kennzahlen und Voraussetzungen

The Brand Move Daten- und KI-Team

Für Informationen zu „Saisonale Verhaltensanalyse“ und weiteren KI-gestützten Analyseleistungen wenden Sie sich direkt an das Daten- und KI-Team von The Brand Move.

Jetzt Kontakt aufnehmen