Was ist ein Growth Hacker, und wie du echte Wachstumsarbeit von umgelabeltem Marketing unterscheidest

Ein Growth Hacker wird an einer einzigen Zahl gemessen, und diese Zahl heißt Wachstum

Der Begriff ist inzwischen so weit gedehnt, dass er fast jeden umfasst, der Anzeigen schaltet. Deshalb lohnt sich der Blick zurück zu dem Mann, der ihn geprägt hat. Im Juli 2010 schrieb Sean Ellis, hier in meiner Übersetzung: "Ein Growth Hacker ist ein Mensch, dessen Nordstern das Wachstum ist." Alles, was so jemand tut, so Ellis weiter, "wird daraufhin geprüft, wie es sich auf skalierbares Wachstum auswirken könnte."¹ Er beschrieb auch die Methode: Ideen in eine Reihenfolge bringen, testen, die funktionierenden behalten, den Rest streichen und das Ganze so schnell wie möglich wiederholen.¹

Zwei Jahre später nannte Andrew Chen die Rolle, ebenfalls in meiner Übersetzung, "eine Mischung aus Marketer und Coder". Gemeint ist jemand, der die Frage "Wie bekomme ich Kunden für mein Produkt?" mit "A/B Tests, Landingpages, viralem Faktor, Zustellbarkeit von E Mails und Open Graph" beantwortet und nicht mit einem größeren Mediabudget.² 2017 schrieben Ellis und Morgan Brown die Methode im Buch Hacking Growth auf. Der Verlag beschreibt sie als einen Ansatz, der, übersetzt, "bereichsübergreifende Teams und fortlaufendes Testen und Iterieren" umfasst.³

Achte darauf, was alle drei gemeinsam haben. Keiner von ihnen definiert die Rolle über einen Kanal. Nicht über Anzeigen, nicht über E Mail, nicht über Social Media. Die Rolle wird durch ein Ziel bestimmt (Wachstum), durch eine Methode (Testen) und durch eine Reichweite, die über die Grenze zwischen Marketing und Produkt hinausgeht. Die längere Geschichte, woher der Begriff kommt und wie ich mich davon wegbewegt habe, erzähle ich in warum ich von Growth Hacking zu Data Driven eCommerce Growth gewechselt bin. In diesem Artikel geht es um den praktischen Teil: was die Arbeit tatsächlich umfasst und woran du das Echte von einem Marketing Retainer mit neuem Etikett unterscheidest.

Alle Beispiele spielen in einem erfundenen Unternehmen. Das Brennhaus Ottensen ist ein Onlineshop in Hamburg für handgemachte Keramik, geführt von einer ebenso erfundenen Inhaberin namens Hanna, unter brennhausottensen.example. Jede Zahl ist ausgedacht, damit ich jeden Schritt zeigen kann. Niemand davon ist echt.

Beispiel: zwei Stellenanzeigen mit demselben Titel

Hanna will Unterstützung beim Wachstum und schreibt zwei Entwürfe für eine Stellenanzeige, beide mit dem Titel "Growth Hacker".

Der erste Entwurf sucht jemanden, der "unsere Kampagnen auf Meta und Google betreut, unsere Follower auf Instagram steigert und den wöchentlichen Newsletter verschickt". Jede Aufgabe ist ein Kanal. Gemessen würde der Erfolg in Followern, Klicks und Öffnungsraten.

Der zweite Entwurf sucht jemanden, der "den monatlichen Deckungsbeitrag aus Neukunden steigert, herausfindet, warum so viele Menschen bei den Versandoptionen abbrechen, und Änderungen überall testet, von den Anzeigen bis zum Checkout". Das Ziel ist eine einzige Geschäftszahl. Die Methode ist, den Engpass zu finden und zu testen. Die Reichweite schließt den Shop selbst ein.

Nur der zweite Entwurf beschreibt die Rolle, die Ellis gemeint hat. Der erste ist ein völlig sinnvoller Job, der eines Kanalmarketers. Growth Hacking ist es nur eben nicht, und wer für das Etikett bezahlt, ändert damit nichts an der Arbeit.

Die Arbeit ist ein Kreislauf, kein Kanal

Wenn Growth Hacking über eine Methode definiert ist, lohnt es sich, diese Methode ganz zu sehen. Sie ist ein Kreislauf. Du schaust in die Daten, findest den Schritt, an dem die meisten Kundinnen und Kunden abspringen, stellst eine Vermutung auf, warum das so ist, und schreibst diese Vermutung zusammen mit der Zahl auf, die sie bewegen soll. Dann baust du die kleinste Änderung, die die Vermutung prüft, lässt sie laufen, bis du genug Daten für ein Urteil hast, und behältst sie oder verwirfst sie. Was auch passiert, du notierst, was du gelernt hast, und die nächste Runde beginnt genau dort.

Das Diagramm liest sich von oben nach unten. Die ersten fünf Kästen passieren, bevor irgendjemand ein Ergebnis sieht, und genau darum geht es: Frage, Metrik und Datenmenge stehen vorher fest. Der Entscheidungskasten ist die einzige Stelle, an der das Ergebnis gelesen wird. Beide Zweige enden im Log, denn eine verworfene Idee, die aufgeschrieben ist, verhindert, dass die nächste Person dafür bezahlt, sie noch einmal zu testen.

Zwei Dinge machen daraus einen Kreislauf und keine Liste von Taktiken. Erstens wählen die Daten den Schritt, um den man sich kümmert, und nicht das, worin das Team zufällig gut ist. Liegt das Leck im Checkout, schüttet mehr Werbebudget nur mehr Menschen in das Leck. Zweitens hat der Kreislauf ein Gedächtnis. Über das Log lernt ein Unternehmen, besser zu raten.

Beispiel: eine Runde des Kreislaufs im Brennhaus Ottensen

Hannas Shopdaten für Oktober zeigen 18.000 Besuche auf Produktseiten, 1.100 Besuche, die den Checkout erreichen, und 400 Bestellungen. Also starten 1.100 von 18.000, rund 6,1 % der Besucher einer Produktseite, den Checkout, und 400 von 1.100, rund 36,4 %, schließen ihn ab.

Schritt eins, der größte Abbruch. Der meiste Verlust liegt zwischen Produktseite und Checkout. Hanna liest 50 aktuelle Kundenmails und findet immer wieder dieselbe Frage: "Kommt das noch vor dem Wochenende an?"

Schritt zwei, die Hypothese: "Ein voraussichtliches Lieferdatum auf jeder Produktseite hebt den Anteil der Produktseitenbesucher, die bestellen, von 2,2 % auf 2,6 %." Die aktuelle Rate ergibt sich aus 400 Bestellungen bei 18.000 Besuchen, also rund 2,2 %.

Schritt drei, die Einordnung. Es ist eine von vier Ideen auf ihrer Liste, und der nächste Abschnitt zeigt, wie man sie gegeneinander abwägt.

Schritt vier, der Plan. Die Metrik ist Bestellungen pro Produktseitenbesuch. Der kleinste Effekt, der sich lohnt, ist der Sprung auf 2,6 %. Die nötige Stichprobengröße folgt aus der Formel in Grundlagen: Stichprobengröße, und Hanna schreibt sie auf, bevor der Test beginnt.

Schritt fünf, der Bau. Die Lieferprognose braucht die Versandregeln aus dem Lager und eine Zeile Code im Template der Produktseite. Das ist Produkt und Entwicklungsarbeit, kein Marketing, und genau darum geht es in einem späteren Abschnitt.

Schritte sechs und sieben, laufen lassen und entscheiden. Hält der Anstieg bei der geplanten Stichprobe, wird die Änderung ausgerollt. Wenn nicht, landet sie im Log als "Lieferdatum auf der Produktseite: kein messbarer Effekt bei diesem Traffic", und auch das ist wissenswert.

Erst wird gemessen, dann experimentiert

Ein Kreislauf, der mit falschen Zahlen läuft, bringt dich nur schneller zur falschen Antwort. Die erste Aufgabe echter Wachstumsarbeit ist deshalb gar kein Experiment. Sie besteht darin zu prüfen, ob man den Zahlen trauen kann.

Das heißt drei Dinge. Jede Bestellung wird genau einmal gezählt, und zwar dort, wo das Geld tatsächlich eingeht (in der Datenbank des Shops), nicht nur in einem Analysetool. Jeder wichtige Schritt wird mit einem Event erfasst, das zuverlässig auslöst, mit sauber umgesetzter Einwilligung. Und die Herkunft jedes Besuchs wird mit einheitlichen Parametern festgehalten, damit eine Verschiebung im Trafficmix nicht wie eine Verhaltensänderung aussieht. Die Details stehen in Event Tracking und Consent Mode und in UTM Tracking für deine Online Campaigns meistern.

Die alte Fassung dieses Artikels hat das in drei Schritte gefasst: nicht raten, messbar machen, dann handeln. Der Reihenfolge stimme ich immer noch zu.

Beispiel: die 110 Bestellungen, die das Analysetool nicht sah

Hannas Analysetool meldet für Oktober 410 Bestellungen. Die Datenbank ihres Shops verzeichnet im selben Monat 520 bezahlte Bestellungen.

Schritt eins, die Lücke: $520 - 410 = 110$ Bestellungen, also $\frac{110}{520} = 0{,}212$. Rund 21 % der echten Bestellungen sind für das Analysetool unsichtbar. Die Prozentrechnung dazu steht in Grundlagen: Prozente.

Schritt zwei, die Ursachen. Sie findet zwei. Wer Cookies ablehnt, wird vom Analysetool zu Recht nicht erfasst. Und wer auf der eigenen Seite eines Zahlungsanbieters bezahlt, kommt manchmal nicht auf die Dankeseite zurück, sodass das Kaufevent nie auslöst.

Schritt drei, die Folge. Jedes Experiment, das im Analysetool bewertet wird, würde anhand von vier Fünfteln der Bestellungen beurteilt, und zwar nicht anhand zufälliger vier Fünftel. Schickt die neue Produktseite zufällig mehr Menschen über genau den Zahlungsanbieter, bei dem der Rückweg verloren geht, zeigt der Test einen Rückgang, den es nicht gibt.

Die Lösung: das Ergebnis aus der Shopdatenbank zählen und das Analysetool nur für die Schritte vor der Bestellung nutzen. Bis das erledigt ist, ist jedes Testergebnis eine Vermutung mit Nachkommastelle. Wenn du deinen eigenen Zahlen misstraust, führt dich lügt dein Dashboard dich an durch eine Prüfung in zehn Minuten.

Die meisten Ideen scheitern, deshalb liegt der Wert im Programm

Hier ist die Tatsache, die echte Wachstumsarbeit von selbstbewusstem Marketing trennt. Die meisten Ideen funktionieren nicht. Ein Team bei Microsoft, das sehr viele kontrollierte Experimente durchgeführt hat, berichtet, in meiner Übersetzung, dass "nur ein Drittel der bei Microsoft getesteten Ideen die Metrik(en) verbessert hat, die sie verbessern sollten", und dass für Bereiche, die man noch nicht gut versteht, "die Statistik noch viel schlechter aussieht".⁴ Dasselbe Paper zitiert die Zahl von Jim Manzi, nach der Google 2009 rund 12.000 randomisierte Experimente durchgeführt hat, von denen nur etwa 10 % zu geschäftlichen Änderungen führten.⁴

Das sind einige der datenreichsten Unternehmen der Welt. Deine Ideen, und meine, werden sie nicht um viel schlagen. Ein einzelnes Experiment ist also eine Wette, die meistens verloren geht. Der Wert entsteht dadurch, dass du viele davon durchführst, zu Kosten pro Experiment, die niedrig genug sind, dass die Gewinner die Verlierer bezahlen. Das ist eine Rechnung mit dem Erwartungswert.

$$E[V] = N \times (p \times W - c)$$

Dabei ist $E[V]$ der Erwartungswert eines Jahres an Experimenten in Euro Marge, $N$ die Zahl der Experimente im Jahr, $p$ der Anteil der Experimente, die gewinnen, $W$ die Marge, die eine erfolgreiche Änderung über ein Jahr zusätzlich bringt, und $c$ das, was Planung, Bau und Durchführung eines Experiments kosten. Die Klammer ist der Erwartungswert eines einzelnen Experiments: die Chance auf einen Gewinn mal das, was ein Gewinn wert ist, minus das, was jedes Experiment kostet, ob es gewinnt oder nicht. Die Idee wird von Grund auf aufgebaut in Grundlagen: Erwartungswert.

Beispiel: lohnt sich ein Jahr voller Experimente für das Brennhaus Ottensen

Nimm für dieses Beispiel an, dass das Brennhaus Ottensen 720.000 € im Jahr umsetzt, bei einer Margenquote von 40 %, und dass eine typische erfolgreiche Änderung die Conversion im ganzen Shop um 3 % ihres aktuellen Niveaus hebt. Das sind die Annahmen des Beispiels, bewusst bescheiden gewählt.

Schritt eins, was ein Gewinn wert ist. 3 % mehr auf 720.000 € sind $720.000 \times 0{,}03 = 21.600$ € zusätzlicher Umsatz, und bei 40 % Marge sind das $21.600 \times 0{,}40 = 8.640$ € Marge im Jahr. Also $W = 8.640$. Ich zähle nur das erste Jahr, das ist vorsichtig gerechnet.

Schritt zwei, was ein Experiment kostet. Nimm 1.000 € für Zeit und Werkzeuge pro Experiment an, also $c = 1.000$.

Schritt drei, ein Experiment bei drei verschiedenen Gewinnquoten, aus der Spanne im Microsoft Paper.

Bei 10 % Gewinnquote: $0{,}10 \times 8.640 - 1.000 = 864 - 1.000 = -136$ €. Im Schnitt verliert jedes Experiment Geld.

Bei 20 % Gewinnquote: $0{,}20 \times 8.640 - 1.000 = 1.728 - 1.000 = 728$ €.

Bei einem Drittel: $\frac{1}{3} \times 8.640 - 1.000 = 2.880 - 1.000 = 1.880$ €.

Schritt vier, das Programm. Nimm den mittleren Fall, 20 %, und 24 Experimente im Jahr, also zwei im Monat: $E[V] = 24 \times 728 = 17.472$ € erwartete Marge.

In diesen Zahlen stecken zwei Lehren. Sind deine Ideen schwach oder deine Experimente teuer, verliert das Programm Geld, egal wie hart alle arbeiten. Und der Erwartungswert hängt stark von zwei Dingen ab, die mit Anzeigentexten nichts zu tun haben: wie wenig ein Experiment im Bau kostet und wie viele sich in einem Jahr durchführen lassen. Beides hängt am Zugang, und darum geht es im nächsten Abschnitt.

Über die Streuung sagt der Erwartungswert übrigens nichts. In einem Jahr mit 24 Experimenten bei 20 % Gewinnquote erwartest du etwa fünf Gewinner, aber 15 Verlierer am Stück sind durchaus möglich. Wenn ein schlechtes Quartal das Unternehmen versenken würde, muss das Programm kleiner werden, nicht mutiger. Diese Falle erkläre ich in Entscheidungstheorie für Gründer.

Ohne Zugang zu Produkt und Entwicklung gibt es keinen Kreislauf

Schau noch einmal auf die Idee mit dem Lieferdatum. Das Werbekonto konnte sie nicht testen. Das Mailtool auch nicht. Gebraucht wurden das Template der Produktseite, die Versandregeln und jemand, der beides sicher ändern kann. Dasselbe gilt für die meisten Ideen mit einer echten Chance, die Zahl zu bewegen: ein kürzerer Checkout, ein klareres Lieferversprechen, eine bessere Suche im Shop, ein Empfehlungsangebot direkt in der Bestellbestätigung, die Reparatur eines Formulars, das in einem Browser versagt.

Deshalb ist Chens "Mischung aus Marketer und Coder" wichtiger, als es klingt.² Wer nur an die Anzeigen herankommt, kann nur Anzeigen testen. Wer die Daten des Shops lesen, seine Seiten ändern und die Änderung über ein ordentliches Release ausliefern kann, kann die ganze Strecke testen. Die alte Fassung dieses Artikels hat die Bereiche aufgezählt: das Produkt (Onboarding, Empfehlungsschleifen, Auslöser für Wiederkäufe), die Entwicklung (APIs, Webhooks, Automatisierung), das Marketing (Kampagnen, Targeting, Testrhythmus), die Daten (Tracking, Attribution, Kohorten) und die Verhaltenspsychologie (Reibung, Gewohnheit, Belohnung). Wenige Menschen sind in allen fünf stark. Meiner Ansicht nach, wie ich damals schrieb, braucht es dafür Jahre echter Arbeit in allen diesen Bereichen, keinen Kurs, und genau das macht die Rolle selten.

Es erklärt auch das Tempo. Jede Übergabe ist eine Verzögerung. Braucht ein Test ein Ticket an einen Entwickler, einen freien Termin im Kalender einer Designerin und ein Meeting, um den Text abzustimmen, dauert es Wochen, bis er startet, und die Gelegenheit ist bis dahin vielleicht weitergezogen. Eine Behauptung aus der alten Fassung habe ich gestrichen, nämlich dass ein Growth Hacker all das "in Stunden, nicht in Wochen" erledigt. Manche Änderungen dauern tatsächlich Stunden. Eine sorgfältige Änderung am Checkout, getestet und sicher ausgeliefert, dauert länger, und ich würde auch nicht wollen, dass es anders ist.

Beispiel: dieselben Ideen mit und ohne Zugang

Hanna vergleicht zwei Arten, das Programm aus dem vorigen Abschnitt zu betreiben, bei derselben Gewinnquote von 20 % und denselben 8.640 € für einen Gewinn.

Mit Zugang. Wer den Kreislauf betreibt, kann den Shop direkt ändern, über ein getestetes Release. Nimm an, jedes Experiment kostet 1.000 € und zwei laufen pro Monat, also $N = 24$ und $c = 1.000$. Der Erwartungswert ist $24 \times (0{,}20 \times 8.640 - 1.000) = 24 \times 728 = 17.472$ €.

Ohne Zugang. Jede Änderung landet in der Warteschlange einer separaten Entwicklungsagentur, mit eigenem Angebot und eigenem Releasetermin. Nimm an, jedes Experiment kostet dann 1.600 €, sobald die Zeit der Agentur dazukommt, und nur acht passen ins Jahr. Also $N = 8$ und $c = 1.600$. Der Erwartungswert ist $8 \times (0{,}20 \times 8.640 - 1.600) = 8 \times (1.728 - 1.600) = 8 \times 128 = 1.024$ €.

Die senkrechte Achse zeigt die erwartete Marge aus einem Jahr an Experimenten, in Euro. Jeder Balken steht für eine Art, dasselbe Programm zu betreiben, mit denselben Ideen und derselben Gewinnchance. Die Erkenntnis: Der Unterschied liegt nicht in Talent oder Kreativität. Er liegt in der Zahl der Experimente und ihren Kosten, und beides bestimmt, wer das Produkt ändern darf. Fast dieselben Ideen sind siebzehnmal so viel wert, wenn sie sich schnell testen lassen.

Das System sehen, nicht das Symptom

Die zweite Fähigkeit ist die Diagnose. Eine Kampagne, die nicht mehr funktioniert, ist ein Symptom. Die Ursache kann überall sitzen: im Targeting, im Tracking, auf der Seite, im Checkout, in der Marge. Die alte Fassung dieses Artikels hat die Fragen gut gestellt, und ich stelle sie bis heute. Wurde die falsche Absicht angesprochen? Werden die Daten richtig erfasst? Versagt das Formular in einem bestimmten Browser? Ist der Call to Action auf kleinen Bildschirmen nicht zu sehen? Lässt eine Annahme zum Kundenwert das Werbebudget besser aussehen, als es ist?

Ein Kanalmarketer, der nur auf das Werbekonto schaut, kann auch nur ändern, was im Werbekonto steckt: die Überschrift, das Bild, das Gebot. Das ist keine Kritik an der Person. Es ist eine Grenze des Blickfelds. Die Wachstumsversion des Jobs besteht darin, der Zahl durch jede Schicht nach unten zu folgen, bis sie keinen Sinn mehr ergibt, und genau dort anzusetzen. Das Framework, mit dem ich die Schicht finde, steht in dem Pirate Metrics Framework (AARRR), und wie Features und Funnels einander speisen, in wo Produkt endet und Growth beginnt.

Beispiel: die Überschrift, die nie das Problem war

Hannas Kampagne auf Meta schickt jeden Monat 10.000 Klicks in den Shop. Im September fällt ihre Conversion Rate von 2,4 % auf 1,6 %. Der naheliegende Schritt wäre eine neue Überschrift.

Schritt eins, nach Gerät und Browser aufteilen. Die Hälfte der Klicks kommt von Safari auf dem iPhone, die andere Hälfte von allem anderen.

Vor September konvertierte Safari mit 2,2 % und der Rest mit 2,6 %. Das ergibt $5.000 \times 0{,}022 + 5.000 \times 0{,}026 = 110 + 130 = 240$ Bestellungen, also 2,4 % von 10.000.

Im September konvertiert der Rest weiter mit 2,6 %, 130 Bestellungen. Safari ist auf 0,6 % gefallen, $5.000 \times 0{,}006 = 30$ Bestellungen. Zusammen 160, also 1,6 %.

Schritt zwei, die Ursache finden. Der Rückgang beginnt an dem Tag, an dem ein Theme Update live ging. In Safari füllt die Adresssuche im Checkout das Formular nicht mehr aus, und die Kundschaft gibt auf.

Schritt drei, den Schaden beziffern. Die Kampagne hat $240 - 160 = 80$ Bestellungen im Monat verloren. Bei einem durchschnittlichen Bestellwert von 45 € und 40 % Marge sind das $80 \times 45 \times 0{,}40 = 1.440$ € Marge im Monat.

Eine neue Überschrift hätte nichts geändert, und ihr Test hätte ausgesehen, als sei die Anzeige gescheitert. Die Lösung war eine Zeile im Checkout. Um sie zu finden, brauchte es Zugriff auf die Auswertung nach Browser, auf die Releasehistorie und auf den Code des Checkouts. Das ist das System, nicht das Symptom.

Woran du echte Wachstumsarbeit von umgelabeltem Marketing unterscheidest

Als ich diesen Artikel zum ersten Mal geschrieben habe, sagte ich, dass die meisten Agenturen, die sich das Etikett Growth Hacking anheften, im Kern immer noch Digitalmarketing Agenturen mit lauterem Auftritt sind. Das ist meine Ansicht, aus dem, was ich gesehen habe, keine Statistik, und ich nenne keine Namen. Du musst meiner Ansicht auch nicht trauen. Der Unterschied zeigt sich in den Antworten auf ein paar Fragen und darin, ob es die Belege hinter diesen Antworten gibt.

Hier sind die Fragen, die ich stellen würde, und was eine gute Antwort enthält.

1. An welcher Zahl wirst du gemessen? Eine gute Antwort ist eine einzige Geschäftszahl, am besten in Marge, schriftlich vereinbart. Eine schwache Antwort ist eine Liste von Kanalkennzahlen: Reichweite, Klicks, Follower.
2. Kann ich dein Experimentlog sehen? Eine gute Antwort ist ein echtes Log, wenn nötig anonymisiert, mit Hypothese, geplanter Stichprobe, Ergebnis und Entscheidung für jeden Test. Es sollte weit mehr Verlierer als Gewinner enthalten, denn so sieht ehrliches Testen aus.⁴
3. Wie entscheidest du, wann ein Test fertig ist? Eine gute Antwort ist eine Stichprobengröße, die vor dem Start feststeht. Eine schwache Antwort ist "wenn er signifikant wird". Wer jeden Tag nachschaut und beim ersten guten Ergebnis aufhört, bläht die Zahl der falsch positiven Ergebnisse stark auf. In einem durchgerechneten Beispiel zeigt Evan Miller, dass eine Änderung, die nichts bewirkt, in 26,1 % der Fälle zum Gewinner erklärt wird, mehr als fünfmal so oft wie die 5 %, die die testende Person glaubte zu akzeptieren.⁵
4. Welchen Zugang brauchst du? Eine gute Antwort umfasst die Daten des Shops und die Möglichkeit, Seiten über ein sicheres Release zu ändern, oder einen klaren Plan mit denen, die beides in der Hand haben. Eine schwache Antwort ist Zugang nur zu den Werbekonten, womit jeder Test auf die Anzeigen beschränkt bleibt.
5. Erzähl mir von einem Test, der gescheitert ist, und was du daraus gelernt hast. Eine gute Antwort ist konkret, mit Zahlen. Eine schwache Antwort ist die Geschichte einer Kampagne, die gut lief.

Keine dieser Fragen braucht ein Abzeichen oder ein Zertifikat, und ein Abzeichen beantwortet keine davon. Die umfassendere Checkliste für die Wahl externer Hilfe, mit Verträgen, Eigentum an den Konten und Berichten, die du selbst prüfen kannst, steht in dem Guide zur Auswahl der richtigen Growth oder Digital Marketing Agentur. Wie die Art, wie du jemanden bezahlst, bestimmt, worauf er optimiert, steht in Prinzipal Agent Theorie in Agenturen und Retainern.

Beispiel: Hanna stellt zwei Angeboten dieselben fünf Fragen

Hanna hat zwei Angebote vor sich, beide mit "Growth" überschrieben. Sie stellt jedem die fünf Fragen und wertet eine Antwort nur dann als bestanden, wenn ein Beleg dabei ist.

Angebot A will an "Return on Ad Spend und Wachstum der Zielgruppe" gemessen werden. Es behauptet, "alles per A/B Test zu prüfen", kann aber kein Log zeigen. Es beendet Tests, "sobald die Plattform einen Gewinner anzeigt". Es verlangt Adminrechte für die Werbekonten und sonst nichts. Seine Geschichte vom Scheitern handelt von einer Kampagne, die "nicht so schnell skaliert hat wie erhofft". Das sind null von fünf bestandenen Fragen.

Angebot B schlägt vor, am Deckungsbeitrag aus Neukunden gemessen zu werden. Es zeigt ein Log mit 30 früheren Tests aus anderen Shops, anonymisiert, sieben davon behalten und 23 verworfen. Es erklärt seine Berechnung der Stichprobengröße und nennt die Abbruchregel im Angebot. Es verlangt Lesezugriff auf die Shopdatenbank und einen Releaseprozess für kleine Änderungen am Shop. Seine Geschichte vom Scheitern handelt von einer Schwelle für kostenlosen Versand, die mehr Bestellungen brachte, aber die Marge senkte, mit den Zahlen. Fünf von fünf bestanden.

Schritt eins, die Gewinnquote im Log von B: $\frac{7}{30} = 0{,}233$, rund 23 %. Das liegt innerhalb der Spanne, die das Microsoft Paper beschreibt, und ist ein Zeichen von Ehrlichkeit, nicht von Schwäche.⁴

Schritt zwei, die Entscheidung. Angebot A schaltet vielleicht wirklich gute Anzeigen. Es ist ein Angebot für Kanalmarketing, und Hanna kann es als genau das einkaufen, zum Preis von Kanalmarketing. Angebot B ist die Arbeit, die Ellis beschrieben hat. Hanna muss niemandes Charakter beurteilen. Das haben die Belege für sie erledigt.

Was Wachstumsarbeit nicht für dich leisten kann

Drei Grenzen solltest du kennen, bevor du jemanden dafür beauftragst.

Sie kann nicht testen, was dein Traffic nicht messen kann. Ein kleiner Shop braucht unter Umständen viele Wochen, um einen bescheidenen Anstieg zu erkennen, und manche Fragen lassen sich bei geringem Volumen schlicht nicht beantworten. Ehrlich ist es dann, mutigere Änderungen zu testen oder nach Urteilsvermögen zu entscheiden und das auch so zu sagen. Die Zahlen für deinen eigenen Traffic stehen in wie viele Daten brauchst du wirklich, und die Seite der Signifikanz in statistischer Signifikanz und Fehlermargen.

Sie kann kein Produkt retten, das die Leute nicht wollen. Der Kreislauf findet Reibung und beseitigt sie. Wenn Kundinnen und Kunden etwas einmal ausprobieren und nie wiederkommen, liegt die Aufgabe beim Produkt, nicht im Funnel.

Und sie ersetzt nicht die Menschen, die das Unternehmen führen. Ein Kreislauf braucht jemanden, der festlegt, welche Zahl zählt, der die Verlierer akzeptiert und mit den Gewinnern lebt. Diese Person bist meistens du.

Beispiel: wann das Brennhaus Ottensen nicht testen sollte

Hannas Seite für Wiederverkäufer bekommt rund 600 Besuche im Monat und bringt vier Händleranfragen. Sie will ein neues Layout testen.

Schritt eins, die Rate: $\frac{4}{600} = 0{,}0067$, rund 0,67 %.

Schritt zwei, das Volumen. Selbst ein großer Anstieg, sagen wir auf 1,0 %, hieße etwa sechs Anfragen im Monat statt vier. Ein Unterschied von zwei Anfragen im Monat liegt locker innerhalb der normalen Schwankung so kleiner Zahlen, wie Grundlagen: Stichproben erklärt, und die Formel für die Stichprobengröße würde weit mehr Besuche verlangen, als die Seite in einem Jahr bekommt.

Schritt drei, die Entscheidung. Sie testet nicht. Sie ruft fünf Händlerkunden an, fragt, was sie beinahe von einer Anfrage abgehalten hätte, ändert die Seite auf dieser Grundlage und beobachtet die Anfragen im nächsten Quartal. Auch das ist Wachstumsarbeit. Sie ist nur ehrlich darüber, was die Daten ihr sagen können und was nicht.

Die kurze Fassung

Ein Growth Hacker im ursprünglichen Sinn wird am Wachstum gemessen, arbeitet in einem Kreislauf gemessener Experimente und reicht über die Werbekonten hinaus bis ins Produkt und in die Daten. Die Fähigkeiten sind Diagnose über alle Schichten, Messung, der man trauen kann, und der Zugang und das Tempo, um viele Ideen zu niedrigen Kosten pro Stück zu testen. Die meisten Ideen scheitern, also liegt der Wert im Programm, und ein Programm zahlt sich nur aus, wenn Experimente wenig kosten und oft laufen.

Um das Echte von umgelabeltem Marketing zu unterscheiden, frag nach der Zahl, dem Log, der Abbruchregel, dem Zugang und einem Fehlschlag. Die Antworten, und die Belege dahinter, sagen dir mehr als jeder Titel auf einem Angebot.

Footnotes

1. Sean Ellis, Find a Growth Hacker for Your Startup, Startup Marketing Blog, 26. Juli 2010, https://www.startup-marketing.com/where-are-all-the-growth-hackers/

2. Andrew Chen, Growth Hacker is the new VP Marketing, andrewchen.com, 2012, https://andrewchen.com/how-to-be-a-growth-hacker-an-airbnbcraigslist-case-study/

3. Sean Ellis und Morgan Brown, Hacking Growth, Virgin Digital (Penguin Random House), 2017, Beschreibung des Verlags, https://www.penguin.com.au/books/hacking-growth-9780753545386

4. Ron Kohavi, Alex Deng, Brian Frasca, Roger Longbotham, Toby Walker und Ya Xu, Trustworthy Online Controlled Experiments: Five Puzzling Outcomes Explained, KDD 2012, Microsoft, 2012, https://www.exp-platform.com/Documents/puzzlingOutcomesInControlledExperiments.pdf

5. Evan Miller, How Not To Run an A/B Test, evanmiller.org, 18. April 2010, https://www.evanmiller.org/how-not-to-run-an-ab-test.html