Case studies nexoya
Mit nexoya kann jeder Marketer 30% mehr herausholen aus seinen Werbeausgaben & jedem Mitarbeitenden gehört ein Teil der Firma
Marketer arbeiten heute im Durchschnitt mit 10-15 bezahlten und organischen digitalen Marketingkanälen. Über 90% von ihnen optimieren ihr Marketing nicht kanalübergreifend, das heisst, jeder Kanal wird einzeln optimiert. Dadurch verliert man jeden Monat bis zu 30% an Effizienz. Dafür gibt es verschiedene Gründe. Einerseits können die Daten der Kanäle meist nur auf spezifischen Plattformen eingesehen werden. Andererseits werden Budgets oft kanalspezifisch zugeteilt, unabhängig davon, dass die meisten Plattformen äusserst dynamisch sind.
Nexoya löst diese Herausforderungen. Wir aggregieren alle Daten an einem Ort und machen sie einfach zugänglich. Dazu gehören zum Beispiel Daten zu Website-Besuchen, Klicks, abgeschlossenen Verkäufen, aber auch exogene Faktoren wie das Wetter und vieles mehr. Anschliessend setzen wir künstliche Intelligenz ein, um diese Daten zu analysieren und die zukünftige Performance der jeweiligen Kampagnen & Kanäle vorherzusagen. Danach leiten wir Empfehlungen ab, was als Nächstes zu tun ist, z.B. sollte Budget X zwischen den Kampagnen & Kanälen Y & Z verschoben werden, um die maximale Rendite zu erzielen.
Unsere Lösung konnte die Rendite unserer Kunden innerhalb von 2-3 Monaten um bis zu 72% verbessern, und das ist natürlich für jeden Marketer spannend.
Mein Mitgründer Manuel und ich haben beide Informatik studiert. Manuel war lange Zeit unternehmerisch tätig, und ich habe eine ganze Weile bei Swisscom gearbeitet. Vor einigen Jahren haben wir erkannt, dass die neu verfügbare Rechenleistung und Technologien, insbesondere im Bereich der künstlichen Intelligenz, deutlich mehr Anwendungsfälle ermöglichen als bisher möglich war. Wir haben den Markt untersucht, um herauszufinden, wo Personen oder Berufsgruppen über viele Daten verfügen, aber Schwierigkeiten haben, darauf zuzugreifen oder künstliche Intelligenz einfach anzuwenden. Durch Zufall sind wir auf das Feld des Marketings gestossen: Wir haben festgestellt, dass Marketer all ihre Daten digital verfügbar haben, aber kaum in der Lage sind, einfach damit zu arbeiten. Einerseits, weil die Daten verteilt und nicht integriert sind, und andererseits, weil ihnen das technische Fachwissen fehlt, um KI anzuwenden.
Wir haben beide im Bereich grosser IT-Systeme (Salesforce & SAP) gearbeitet. Daher waren wir uns der Herausforderung der Datenintegration sehr bewusst. Als wir das Thema genauer betrachteten, haben wir festgestellt, dass die meisten Marketer Excel verwenden, um die Daten zusammenzuführen, und das meist einmal im Monat und nicht täglich. Uns wurde klar, dass die Anwendung künstlicher Intelligenz für die meisten von ihnen ausser Reichweite lag. Deshalb haben wir uns entschieden, das Problem end-to-end anzugehen, von der Datenerfassung und -darstellung bis hin zur intelligenten Analyse und den Empfehlungen.
Wir haben das Unternehmen 2018 gegründet und wussten, dass wir zu Beginn aufgrund verschiedener Umstände (asymmetrischer Zeiteinsatz zu Beginn, z.B. Familie usw.) nicht die gleiche Zeit investieren können. Deshalb haben wir nach einem Weg gesucht, das Investitionsmodell fair zu gestalten. Wir hätten uns für eine einfache Aufteilung entscheiden können, z.B. 40/60, aber wir fanden das Modell nicht vollständig ausgewogen. Insbesondere, wenn sich der proportionale Einsatz von uns beiden in den kommenden Jahren ändert. Wir wollten ein dynamisches System, das es uns erlaubt, die Aufteilung der Anteile anhand des gesamten monetären und zeitlichen Einsatzes über einen bestimmten Zeitraum abzubilden. Vom Slicing-Pie-Modell habe ich zum ersten Mal über meine Silicon-Valley-Kontakte gehört – ein etwas komplexes, aber dynamisches Programm zur Verteilung von Unternehmensanteilen. Nach einigen Gesprächen mit US-Kollegen wurde klar, dass das System sehr gut zu uns passte.
Das Slicing-Pie-Modell hat es uns ermöglicht, unser Problem der “Startup-Gründer-Aufteilung” elegant zu lösen. Ausserdem hat es uns die Möglichkeit gegeben, neue Mitarbeitende einfach einzubeziehen. Wenn man ein Unternehmen gründet, hat man nicht immer die Möglichkeit, marktübliche Gehälter zu zahlen, besonders nicht in der Schweiz. Mit dem Slicing-Pie-Modell konnten wir Mitarbeitenden von Anfang an Anteile geben und diese Lücke ausgleichen.
Idealerweise ist jeder Mitarbeitende von Anfang an Anteilseigner des Unternehmens. Wir glauben, dass Mitarbeitende einen völlig anderen Antrieb haben, wenn sie nicht nur angestellt sind, sondern auch einen Teil des Startups ihr Eigen nennen können. Die Motivation ist eine andere, selbst wenn sie nur 1% des Unternehmens besitzen. Als Startup können wir genau das bieten und möchten es als Differenzierungsmerkmal nutzen. Die Möglichkeit, Mitarbeitende zu beteiligen, hilft uns beim Rekrutieren, und die Mitarbeitenden arbeiten im Grunde für sich selbst.
Wir waren auf der Suche nach einem Partner mit einer ähnlichen Arbeitsweise. Jemandem, der mit uns praxisnahe Themen besprechen kann und konkrete Fragen schnell beantwortet. Ein “as we go”-Modell, anstatt jedes Mal 10 Personen in einem grossen Call zu haben. Wir suchten einen Partner mit derselben Denkweise wie wir, der bereit ist, neue Themen offen und mit Begeisterung anzugehen. Mit LEXR haben wir genau das gefunden. Die Denkweise und der Groove von LEXR passen, die Reaktions- und Bearbeitungszeiten sind hervorragend, und wenn wir schnell Hilfe brauchen, machen sie das immer möglich.
Die grösste Überraschung für uns war, dass die grossen Plattformen, einschliesslich Paid Media, manchmal einfach falsche Daten liefern. Wir hätten nie gedacht, dass es solche Qualitätsprobleme in einem digitalen Marketingbereich gibt, der es schon seit 10-20 Jahren gibt und der für viele Unternehmen bereits so wichtig ist.
Die Korrektur von Datenpunkten erfolgt manchmal erst Wochen später. Zum Beispiel Daten darüber, wie viel ausgegeben wurde oder wie oft etwas geöffnet wurde usw. Zu diesem Zeitpunkt ist es für den Marketer, der bereits Investitionsentscheidungen auf Basis der Daten getroffen hat, zu spät, um zu reagieren. Natürlich ist die korrekte Lieferung der Daten komplex. Dennoch hat es uns erstaunt, dass es in einem Markt mit dieser Erfahrung und Reife solche Qualitätsunterschiede gibt.