Fünf Möglichkeiten zur Nutzung von Predictive Analytics

Prädiktive Analysen ermöglichen einen Blick in die Zukunft und liefern strategische Erkenntnisse, die neue Chancen eröffnen. Hier sind fünf Anwendungsmöglichkeiten prädiktiver Analysen und wie Sie Ihre Sichtweise auf Daten verändern können.

Qualifizierende Leads

Laut Forrester Research gibt es drei Hauptanwendungsfälle für die Lead-Generierung im Bereich Predictive Analytics. Konkret:

1. Prädiktive Wertung: Diese Methode analysiert, wie potenzielle Kunden auf Ihre Marketingmaßnahmen reagieren und wie wahrscheinlich es ist, dass sie basierend auf diesen Informationen aktiv werden. So können Sie schneller erkennen, auf welche potenziellen Kunden Sie mehr Ressourcen konzentrieren und von welchen Sie Ressourcen abziehen sollten.
2. Identifikationsmodelle: Dieser Anwendungsfall stellt einen Ansatz dar, der Leads mit Kunden vergleicht, die in der Vergangenheit bereits Aktionen durchgeführt haben. Dadurch können Sie Ressourcen auf die vielversprechendsten Leads konzentrieren, basierend auf deren bisherigen Aktionen, und gleichzeitig neue, bisher unbekannte Märkte erschließen.
3. Personalisierung: Parallel zur Vorhersage, welche Leads am ehesten welche Aktionen ausführen werden, lassen sich anhand derselben Daten auch ermitteln, welche Leads am besten auf welche Art von Nachrichten reagieren. Diese fortschrittliche Form der Segmentierung geht weit über die einfache Aufteilung von Leads in Gruppen hinaus – sie ermöglicht es, ihnen deutlich personalisiertere Nachrichten zu senden.

Ein prominentes Beispiel hierfür wurde in der Harvard Business Review vorgestellt. Dort wird detailliert beschrieben, wie ein Harley-Davidson-Händler mithilfe einer KI namens Albert die Anzahl der Verkaufskontakte um 2930 % steigern konnte.

Die KI analysierte CRM-Daten, um Merkmale und Verhaltensweisen früherer Käufer zu identifizieren. Anschließend teilte sie diese anhand dieser Merkmale in Mikrosegmente ein. Für jedes Segment wurden verschiedene Kombinationen aus Überschriften, Bildern und anderen Elementen getestet, um die jeweils effektivsten zu ermitteln.

Der Wert Ihrer Lead-Qualifizierung hängt maßgeblich von der Qualität und Menge Ihrer Daten ab. Selbst die besten statistischen Modelle sind ohne Zugriff auf die notwendigen Kundeninformationen nur sehr begrenzt aussagekräftig.

Im digitalen Bereich – insbesondere wenn Sie kein CRM-System verwenden – ist der beste Ausgangspunkt für prädiktive Analysen mit ziemlicher Sicherheit die Integration von Google Analytics und Google BigQuery.

Modellierung des Kundenverhaltens

Die Qualifizierung und Konvertierung von Leads ist zwar der offensichtlichste Anwendungsfall für Predictive Analytics und wahrscheinlich derjenige, der zuerst untersucht werden sollte, aber längst nicht die einzige Marketinganwendung dieser neuen Technologie. Im Kern basiert jedoch praktisch jede Anwendung auf der Kundenmodellierung.

Die Kundenmodellierung lässt sich in drei grundlegende Typen unterteilen: Clustermodelle, Propensity-Modelle und kollaboratives Filtern.

Clustermodelle

Clustering ist eine Methode, Kunden anhand zahlreicher Variablen in Gruppen einzuteilen. Ein Clustermodell sucht nach Korrelationen zwischen verschiedenen Attributen und identifiziert eine Reihe von Gleichgewichten, in denen sich bestimmte Attributtypen tendenziell häufen. Im Vergleich zur traditionellen Segmentierung zeichnet sich Clustering durch die schiere Anzahl der einbezogenen Variablen aus. Cluster verwenden oft 30 oder mehr Variablen – weit mehr, als bei einer manuellen Kundensegmentierung oder gar bei einer Selbstsegmentierung der Kunden möglich wäre.

Cluster treten in drei Formen auf:

1. Produktgruppen: Hierbei handelt es sich um Kundengruppen, die tendenziell nur bestimmte Produktarten kaufen und andere Artikel in Ihrem Katalog ignorieren.
2. Markencluster: Diese Kunden neigen dazu, Produkte aus einer bestimmten Auswahl an Marken zu kaufen.
3. Verhaltenscluster: Hierbei handelt es sich um Kundensegmente mit einer bestimmten Sammlung von Verhaltensweisen, wie z. B. häufige Käufer, die kleine Bestellungen aufgeben, oder Kunden, die das Callcenter dem Warenkorb vorziehen.

Das Wichtigste an diesen Clustern ist, dass sie Vorhersagen darüber ermöglichen, welchen Clustern Personen angehören – selbst bei begrenzten Informationen. Wenn sie ein Produkt einer bestimmten Marke kaufen, kann Ihr Markencluster vorhersagen, für welche anderen Marken sie sich interessieren könnten, anstatt ihnen einfach nur Produkte derselben Marke anzubieten.

Neigungsmodelle

Ein Propensity-Score-Modell erstellt Vorhersagen über das zukünftige Kundenverhalten auf Basis von Korrelationen mit anderen Verhaltensweisen und Merkmalen. Dies kann mithilfe von Regressionsanalysen oder maschinellem Lernen erfolgen. Ein gutes Propensity-Score-Modell berücksichtigt so viele Variablen wie möglich, um Korrelationen nicht mit Kausalzusammenhängen zu verwechseln.

Hier einige Beispiele für Propensity-Modelle:

• Abwanderungsneigung: Dies sind Kunden, die wahrscheinlich abwandern, wenn Sie keine Maßnahmen ergreifen, die aber andernfalls einen hohen Wert darstellen könnten.
• Abmeldewahrscheinlichkeit: Ein solches Modell ermöglicht es Ihnen, die geeignete E-Mail-Frequenz zu bestimmen, indem es die Wahrscheinlichkeit einer Abmeldung gegen mögliche positive Ergebnisse abwägt.
• Kundenlebenszeitwert: Die Modellierung des Kundenlebenszeitwerts kann Ihnen bei strategischen Marketingentscheidungen helfen, wenn sie Sie zu Kunden mit einem höheren Kundenlebenszeitwert führt oder zu Verhaltensweisen führt, die den Kundenlebenszeitwert verlängern.

Andere Prognosemodelle beinhalten die Vorhersage, wie weit man im Lebenszeitwert einer Person fortgeschritten ist und wie wahrscheinlich es ist, dass sie konvertiert oder kauft.

Kollaboratives Filtern

Wer Amazons Empfehlungen „Kunden, denen dieses Produkt gefallen hat, mochten auch…“ kennt, weiß, um welches Modell es sich handelt. Auf den ersten Blick mag Collaborative Filtering produktbasierten Clustermodellen ähneln, doch es funktioniert etwas anders. Anstatt Kunden nach den Produkttypen zu gruppieren, die sie wahrscheinlich kaufen werden, basieren Collaborative Filtering auf dem aggregierten Kundenverhalten.

Mit anderen Worten, es geht hier weniger um die Produktpräferenzen des Nutzers, sondern vielmehr um die Verhaltensweisen, die Produkte tendenziell bei den Nutzern hervorrufen.

Es gibt drei Arten von kollaborativen Filtern:

1. Upselling-Empfehlungen. Dies sind Empfehlungen für eine höherwertige Version eines Produkts vor dem eigentlichen Kauf.
2. Empfehlungen für Zusatzprodukte. Diese werden ebenfalls vor dem Kauf angeboten und beinhalten eine Empfehlung für ein Produkt, das häufig gleichzeitig mit dem ursprünglichen Produkt gekauft wird.
3. Folgeempfehlungen. Dies sind Empfehlungen für Produkte, die Menschen tendenziell in einem bestimmten Zeitraum nach dem Kauf eines vorherigen Produkts kaufen, z. B. um ein aufgebrauchtes Produkt zu ersetzen oder Geschirr nach dem Kauf eines Tisches zu kaufen.

Das richtige Produkt mit dem richtigen Markt verbinden

Ausgehend von der Kundenmodellierung lassen sich Märkte für Ihre Produkte identifizieren, die Ihnen bisher möglicherweise entgangen sind. Hier einige Beispiele, wie dieser Anwendungsfall aussehen kann:

• Integrieren Sie Verweisquellen in Ihre Clustermodelle. Dadurch können Sie erkennen, welche Trafficquellen mit welchen Produktarten, Marken oder Verhaltensweisen korrelieren. So können Sie direkt einen neuen Markt für diese Produkte oder Marken identifizieren.
• Integrieren Sie Empfehlungsquellen in Ihre Lifetime-Value-Propensity-Modelle. Dadurch können Sie bestimmen, in welche Standorte Sie mehr Marketingressourcen investieren sollten, da Sie den zu erwartenden ROI ungefähr kennen.
• Suchen Sie nach Zusammenhängen zwischen Trafficquellen und dem Erfolg von Upselling, Cross-Selling und Folgeempfehlungen.
• Suchen Sie nach Korrelationen zwischen Schlüsselwörtern und Ihren Kundenmodellen.
• Analysieren Sie die Merkmale, die starke Indikatoren für den Kauf bestimmter Produkttypen sind, und überlegen Sie, welche anderen Märkte diese Merkmale möglicherweise aufweisen und die Sie bisher noch nicht im Visier hatten.
• Untersuchen Sie besonders leistungsstarke Ausreißer, für die nur begrenzte Daten verfügbar sind, und prüfen Sie, ob eine Expansion in diese Märkte eine gute Option darstellt.

Die richtigen Nutzer mit den richtigen Inhalten verbinden

Es gibt verschiedene Möglichkeiten, Ihre Kundenmodelle zu nutzen, um Interessenten mit Inhalten zu verbinden, die Sie Ihren Zielen näherbringen – manche davon sind offensichtlicher als andere. Hier einige Beispiele:

• Passende Inhalte zu Produkten oder Marken basierend auf den entsprechenden Clustern
• Nutzer werden dann mit Conversion-Texten abgeglichen, wenn Prognosemodelle vorhersagen, dass sie am ehesten kaufen werden.
• Nutzern Inhalte empfehlen, die ihre Propensity Scores verbessern
• Nutzern Inhalte empfehlen, die die Wahrscheinlichkeit erhöhen, dass sie positiv auf ein Upselling- oder Cross-Selling-Angebot reagieren.
• Zuordnung der Trafficquellen zu den Inhalten, die tendenziell hohe Wahrscheinlichkeitswerte für die jeweilige Trafficquelle erzeugen.

Wie Sie sehen, wächst die Anzahl der möglichen Vorgehensweisen hier recht schnell. Überlegen Sie strategisch, wie Sie Ihre Modelle am besten einsetzen und optimal nutzen können.

Strategische Marketingeinblicke entdecken

Während einige prädiktive Analysetools Ihren Marketingprozess automatisch optimieren und Ergebnisse generieren können (wie Albert es für Harley Davidson tat), ist es wichtig zu bedenken, dass menschliche Entscheidungen in diesem Prozess immer noch eine sehr wichtige Rolle spielen.

Die Schwäche von prädiktiven Analysen und verwandten KI-Werkzeugen liegt oft in ihrer Neigung zur Überanpassung an die Daten. Sie können in lokalen Maxima und Minima verharren und sind nicht in der Lage, neue Erkenntnisse zu gewinnen.

Um solchen Fallen zu entkommen und diese Tools generell optimal zu nutzen, müssen Sie strategische Erkenntnisse aus Ihren prädiktiven Analysemodellen gewinnen.

Angenommen, Sie stellen fest, dass ein bestimmter Inhalt die Kaufwahrscheinlichkeit Ihrer potenziellen Kunden tendenziell erhöht. Ihre bestehenden Automatisierungslösungen können Sie nutzen, um Ihre Nutzer gezielt anzusprechen und sie zu diesem Inhalt zu lenken. Was prädiktive Analysen jedoch nicht aufzeigen können, ist, ob es weitere, bisher ungenutzte Traffic-Quellen gibt, die gut zu diesem Inhalt passen würden. Mithilfe Ihrer Erfahrung und Ihres Brainstormings können Sie weitere potenzielle Märkte für diesen Inhalt identifizieren, diese in Ihr Modell einfließen lassen und die Auswirkungen der erhöhten Reichweite beobachten.

Ihr Ziel bei der Arbeit mit solchen Modellen muss stets darin bestehen, solche Erkenntnisse zu gewinnen und sie zu testen, um festzustellen, ob die Ergebnisse den Erwartungen entsprechen. Läuft Ihr Modell im Autopilotmodus, wird es keine neuen Möglichkeiten von selbst entdecken.

_____

by Manish Dudharejia

Quelle: searchenginewatch.com