Case studies nexoya

nexoya: die Kraft der KI für jeden Marketer

Marco Hochstrasser, Co-Founder & CTO von nexoya, der mit LEXR seinen Mitarbeiterbeteiligungsplan umgesetzt hat, spricht über die Idee hinter nexoya, welche Erkenntnisse sie aus all den analysierten Marketingdaten gewinnen und weshalb der "Slicing Pie" für die Gründer die richtige Methode für ihre Anteilsaufteilung war.

nexoya

Marketer arbeiten heute mit durchschnittlich 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 lassen sich die Daten der Kanäle meist nur auf den jeweiligen Plattformen einsehen. Andererseits werden Budgets oft kanalspezifisch zugeteilt, obwohl die meisten Plattformen extrem dynamisch sind.

Nexoya löst diese Herausforderungen. Wir führen alle Daten an einem Ort zusammen und machen sie leicht 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 Handlungsempfehlungen ab, z. B. dass Budget X zwischen den Kampagnen & Kanälen Y & Z verschoben werden sollte, um den maximalen Ertrag zu erzielen.

Unsere Lösung konnte den Return unserer Kunden innerhalb von 2-3 Monaten um bis zu 72% verbessern, und das ist natürlich für jeden Marketer spannend.

Mein Co-Founder Manuel und ich haben beide Informatik studiert. Manuel war lange Zeit unternehmerisch tätig, und ich habe lange 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. Wir haben den Markt untersucht, um herauszufinden, wo Menschen oder Berufsgruppen zwar über viele Daten verfügen, aber Schwierigkeiten haben, darauf zuzugreifen oder künstliche Intelligenz einfach anzuwenden. Durch Zufall sind wir auf den Bereich Marketing gestoßen: Wir haben festgestellt, dass Marketer zwar alle ihre Daten digital vorliegen haben, aber kaum in der Lage sind, unkompliziert damit zu arbeiten. Einerseits, weil die Daten verteilt und nicht integriert sind, und andererseits, weil ihnen das technische Know-how fehlt, um KI anzuwenden.

Wir haben beide im Bereich großer IT-Systeme (Salesforce & SAP) gearbeitet. Uns war daher die Herausforderung der Datenintegration bestens bekannt. Bei näherer Betrachtung des Themas haben wir festgestellt, dass die meisten Marketer mit Excel arbeiten, um die Daten zusammenzuführen, und das meist einmal im Monat und nicht täglich. Wir haben erkannt, dass der Einsatz 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 Handlungsempfehlungen.

Wir haben das Unternehmen 2018 gegründet und wussten, dass wir zu Beginn nicht beide gleich viel Zeit investieren können würden, aus verschiedenen Gründen (asymmetrischer Zeitaufwand zu Beginn, z. B. Familie usw.). Deshalb haben wir nach einem Weg gesucht, wie wir das Investitionsmodell fair gestalten können. Wir hätten uns für eine einfache Aufteilung entscheiden können, z. B. 40/60, aber wir fanden dieses Modell nicht wirklich ausgewogen. Vor allem, falls sich das anteilige Investment von uns beiden in den kommenden Jahren verändern sollte. Wir wollten ein dynamisches System, das es uns erlaubt, die Verteilung der Anteile anhand des gesamten monetären und zeitlichen Investments über einen bestimmten Zeitraum abzubilden. Von dem 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 passt.

Das Slicing-Pie-Modell hat es uns ermöglicht, unser “Startup-Gründer-Split”-Problem elegant zu lösen. Außerdem hat es uns die Möglichkeit gegeben, neue Mitarbeitende einfach einzubinden. Wenn man ein Unternehmen gründet, hat man nicht immer die Möglichkeit, marktübliche Gehälter zu zahlen, insbesondere nicht in der Schweiz. Mit dem Slicing-Pie-Modell konnten wir Mitarbeitenden von Anfang an Anteile geben und so diese Lücke ausgleichen.

Idealerweise ist jeder Mitarbeitende von Anfang an Anteilseigner des Unternehmens. Wir sind der Meinung, dass Mitarbeitende einen ganz anderen Antrieb haben, wenn sie nicht nur angestellt sind, sondern auch einen Teil des Startups ihr Eigen nennen können. Die Motivation ist eine andere, auch wenn sie nur 1% des Unternehmens besitzen. Als Startup können wir genau das bieten und wollen es als Differenzierungsmerkmal nutzen. Die Möglichkeit, Mitarbeitende zu beteiligen, hilft uns beim Recruiting, und die Mitarbeitenden arbeiten im Grunde für sich selbst.

Wir waren auf der Suche nach einem Partner mit einer ähnlichen Arbeitsweise. Jemand, mit dem wir praxisnahe Themen besprechen können und der spezifische Fragen schnell beantwortet. Ein “as we go”-Modell, anstatt jedes Mal 10 Personen in einen großen Call zu holen. Wir waren auf der Suche nach einem Partner, der dieselbe Denkweise hat wie wir und bereit ist, neue Themen mit einer offenen und begeisterten Haltung anzugehen. Mit LEXR haben wir genau das gefunden. Das Mindset und der Groove von LEXR passen, die Antwort- 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 schlicht falsche Daten liefern. Wir hätten nie gedacht, dass es solche Qualitätsprobleme in einem digitalen Marketingbereich gibt, der es 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 dazu, 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.

Weitere Case Studies

Unverbindliches Erstgespräch buchen