Themenkategorien & Cluster.
Analytik für Content.

Es ist der Knackpunkt in jeder Marketing- und Kommunikationsabteilung: Der richtige Themen- und Mediensplit, um die Zielgruppen mit relevanten Inhalten genau an der richtigen Stelle zu versorgen. Teil von datengetriebenem Arbeiten muss von daher eine analytische Vorgehensweise für die Planung und Erstellung von Content sein.

Am „Wie“ scheitern indes die meisten. Im Folgenden seien die wesentlichen Punkte für eine datengetriebene Content Strategie aufgezeigt.

Themenkategorien

In all den Jahren, in denen ich intern und extern für die Unternehmens- oder Markenkommunikation diverser Unternehmen gearbeitet habe, lag immer folgendes vor: Eine Liste an strategischen Themen und Key Messages. Das ist nach meiner Erfahrung heute nicht anders. In der klassischen Inside-Out-Denke definieren Unternehmen, was sie den Leuten gerne vorsetzen möchten, welches gerade die wichtigsten Themen sind, mit denen man im Wettbewerbsumfeld punkten möchte. Das ist zunächst auch richtig so, reicht aber nicht aus. Folgende Struktur ist notwendig:

1. Strategische Unternehmens-Themen

Dies sind die oben genannten im Unternehmen definierten großen Strategie-Themen. Die meisten haben dort heute Dinge stehen wie Attraktiver Arbeitgeber, Nachhaltigkeit, Digitalisierung. Wir sprechen wie man sieht vornehmlich über Image-Themen. Dazu kommen meistens Branchen- bzw. Produktthemen.

2. Taktische Themen und Anlässe

Hier wird es konkreter. Die taktischen Themen bilden in der Regel eine Unterkategorie der Strategiethemen. Das muss auch so sein, da im Prinzip jedes taktische Thema auf ein strategisches einzahlen muss, wenn die Planung konsistent sein soll. Daneben gibt es aktuelle Anlässe, die teilweise auch losgelöst von strategischen Themen laufen. Das kann z.B. eine Jahrespressekonferenz sein oder auch Issue Themen wie Umstrukturierungen.

3. Branchenbezogene Hot Topics und Anlässe

Neben den oben genannten Themen aus dem Unternehmen heraus existieren Themen im Markt. Bei diesen kann das Unternehmen eine Rolle spielen, muss aber nicht zwingend. Konkrete Beispiele sind die Energiepreise in der Chemiebranche oder die Transformation in der Automobilindustrie bzw. das konkrete Thema E-Mobility. Hier stellt sich für Unternehmen oder Marken die Frage, inwieweit sie an diesen Themen partizipieren, auch als Share of Voice bekannt.

Cluster

Die bisher genannten Kategorien gehen alle von einer Unternehmens- bzw. Branchenlogik aus. Es ist bekannt, in welchen Themen und in welchem Kontext man sich bewegt. Dementsprechend wird die Kommunikation nach dieser Logik strukturiert.

Eine andere oder besser zusätzliche Herangehensweise bildet das Clustering. Dieses löst sich von zuvor definierten festen Kategorien und setzt vielmehr darauf, Muster zu erkennen ohne Vorgabe. Clustering gibt es bei der Auswertung von Marktforschungs-Ergebnissen ebenso wie bei der Kunden-Segmentierung. Ziel von Clustering ist es, Gemeinsamkeiten bzw. Muster in Datensätzen zu finden.

Konkret: Der Kerngrund für Clustering ist letztlich, dass sich damit Zusammenhänge und Muster erkennen lassen, die menschlich nur schwer zu entdecken sind. "Posts auf LinkedIn --> höhere Impressions" lassen sich noch einfach entdecken, aber "Posts auf LinkedIn, gepostet zwischen 10 und 13 Uhr, zum Thema Umwelt und mit einem Link zur eigenen Webseite --> höhere Impressions" sind dann doch zu spezifisch, um per Hand danach zu suchen.

Wie funktioniert Clustering? 

Für Inhalte und Themen sei dies an einem Beispiel erklärt:

Nachhaltigkeit steht bei nahezu jedem Unternehmen als strategisches Kommunikationsziel auf der Liste. Nachhaltigkeit ist aber ein sehr abstraktes Thema, unter das aufgrund der aktuellen Bedeutung eine enorm hohe Zahl an Beiträgen fällt. Innerhalb des Themas haben Unternehmen für Ihre Branche in der Regel Unterthemen definiert, z.B. Green IT oder Lieferketten. Sämtliche Beiträge werden dieser Struktur zugeordnet. Was ich damit aber nicht sehe, ist die Häufung von Beiträgen nach einem bestimmten Muster. Solche Muster könnten sein:

1. Muster basierend auf Textinhalt: Es wird analysiert, welche Wörter besonders häufig in einem gemeinsamen Kontext vorkommen. Dadurch lassen sich häufige Themengruppen automatisch ermitteln, ohne dass man spezifizieren muss nach welchen Inhalten oder Wörtern gruppiert werden soll.
2. Muster basierend auf weiteren begleitenden Parametern: Zu diesen könnten zum Beispiel Autor, Plattform, Tag, Uhrzeit, Sponsored, Impressionen, Engagement, zugeordnete Themen oder Informationen über die Benutzer (Land, Gerät, Geschlecht, Alter, etc.) sein. Ein möglicher Output von Clustering könnte dann zum Beispiel sein, dass Inhalte zu Green IT  auf LinkedIn vor allem bei männlichen Lesern zwischen 40 und 60 Jahren aus Amerika hohe Impressionen erzeugen.
3. Eine Kombination aus beiden beschriebenen Anwendungsfällen: Wenn man die eigenen Inhalte noch keinen Themen zugeordnet hat, kann man dennoch Clustering verwenden, um sowohl Themen bzw. Kontexte zuzuordnen und diese dann mit den begleitenden Parametern zu verbinden. In diesen verbundenen Daten kann dann wieder mit Clustering nach weiteren Mustern gesucht werden.

So könnte ein Cluster entstehen, dass zeigt, dass Inhalte zu Produktionsbedingungen besonders stark in Verbindung mit dem CEO konsumiert werden, während das Thema Green IT vor allem im Kontext der Arbeitgebermarke eine Rolle spielt – und dies wiederum nur in bestimmten urbanen Regionen.

Diese Cluster kann man bilden unter der Beteiligung des eigenen Unternehmens oder auch bewusst unabhängig davon. Im ersten Fall erkennt man, was FÜR das Unternehmen besonders relevant ist und gut funktioniert. Im zweiten Fall sehe ich, was UNABHÄNGIG vom Unternehmen von Interesse ist. Hier spielt der Datenzugriff eine Rolle. In der Regel sind für unternehmensbezogene Beiträge mehr Daten nutzbar als für nicht-unternehmensbezogene Beiträge (Public Data).