Voraussichtliche Lesedauer: 8 Minuten
Inhaltsverzeichnis
Predictive Analytics
Predictive Analytics und die damit verbundenen Technologien der künstlichen Intelligenz (AI) und des maschinellen Lernens verändern die Art und Weise, wie wir mit Daten umgehen. Die Tools werden zunehmend leichter zugänglich, und die „Big-Data“-Denkweise ist nicht länger nur auf Unternehmen mit Budgets von Milliarden beschränkt.
Predictive Analytics bietet einen Einblick in die Zukunft sowie Zugang zu strategischen Erkenntnissen, die neue Möglichkeiten eröffnen. Im Folgenden finden Sie fünf Möglichkeiten, wie Sie Predictive Analytics verwenden können.
Qualifizierende Leads
Laut Forrester-Forschung hat Predictive Analytics drei hauptsächliche Nutzungsmethoden für den Umgang mit Leads gefunden. Die Rede ist hierbei von: Predictive Scoring: Mit dieser Methode wird analysiert, wie Leads auf Ihre Marketingbemühungen reagieren. Auf diese Weise können Sie schneller erkennen, welche Ressourcen Sie höher und welche weniger gewichten sollten.
Identifizierungs-Modelle:
Diese Modelle konzentrieren sich auf den Vergleich von Leads mit Kunden, die in der Vergangenheit Massnahmen ergriffen haben. Auf diese Weise können Sie die vielversprechendsten Aktionen als solche identifizieren und neue Märkte erforschen, die Ihnen zuvor nicht bekannt waren.
Personalisierung: In Übereinstimmung mit der Vorhersage, können dieselben Daten dafür verwendet werden, um zu ermitteln, welche Leads am besten funktionieren. Diese fortschrittliche Form ermöglicht es, personalisierte Nachrichten zu versenden.
Ein prominentes Beispiel dafür wurde in der Harvard Business Review behandelt. Hier wird beschrieben, wie ein Harley-Davidson-Händler seine Verkaufszahlen um 2930% steigern konnte, indem er die Künstliche Intelligenz «Albert» einsetzte. Albert nutzte CRM-Daten, um Merkmale und Verhaltensweisen früherer Käufer zu identifizieren. daraufhin teile er sie basierend auf diesen Eigenschaften in Mikrosegmente auf. Für jedes Segment wurden verschiedene Kombinationen von Überschriften, visuellen Elementen und anderen Elementen getestet, um zu bestimmen, welche für jedes Segment am ergiebigsten sind.
Der Wert Ihrer Lead-Qualifikation hängt stark vom Wert und der Menge Ihrer Daten ab. Egal, wie gut Ihre statistischen Modelle auch sein mögen, ihre Fähigkeiten sind immer noch sehr begrenzt. Somit können Sie nur wenig über Ihre Kunden erfahren. Im digitalen Bereich bildet(insbesondere wenn Sie kein CRM verwenden) die Integration von Google Analytics und Google BigQuery der beste Ausgangspunkt für die Vorhersageanalyse
Modellierung des Kundenverhaltens
Während die Leadqualifizierung und -konvertierung der naheliegendste Anwendungsfall für Predictive Analytics ist, stellt sie bei Weitem nicht die einzige neue Technologie dar. Nichstdestotrotz wird sie praktisch in Sachen in Kundenmodellierung jedoch im Mittelpunkt stehen. Sie können die Kundenmodellierung in drei grundlegende Typen unterteilen:
- Clustermodelle
- Neigungsmodelle
- Kollaborative Filterung
Clustermodelle
Clustering ist eine Möglichkeit, Kunden basierend auf vielen Variablen in Gruppen zu segmentieren. Ein Clustermodell sucht nach Korrelationen zwischen verschiedenen Attributen und identifiziert eine Anzahl von Komponenten, in denen sich bestimmte Arten von Attributen ansammeln. Was Clustering im Vergleich zur traditionellen Segmentierung besonders macht, ist die grosse Anzahl der beteiligten Variablen. Cluster verwenden häufig 30 oder mehr Variablen. Das sind viel mehr, als bei einer manuellen Segmentierung von Kunden möglich wäre.
Cluster gibt es in drei Formen:
Produktcluster: Dies sind Cluster von Kunden, die nur bestimmte Arten von Produkten kaufen und andere Dinge in Ihrem Katalog komplett ignorieren.
Markencluster: Diese Kunden neigen dazu, von einer bestimmten Markengruppe zu kaufen.
Verhaltenscluster: Dies sind Segmente von Kunden mit einer bestimmten Sammlung von Verhaltensweisen, wie z. B. häufige Käufer, die kleine Bestellungen aufgeben oder auch Kunden, die das Call Center gegenüber dem Checkout-Einkaufswagen bevorzugen.
Bei diesen Clustern ist es wichtig, dass sie Analysen darüber zulassen, welchen Clustern die jeweiligen Menschen angehören. Wenn sie bspw. das Produkt einer bestimmten Marke kaufen, kann Ihr Markencluster vorhersagen, an welchen anderen Marken sie interessiert sein könnten.
Neigungsmodelle
Das Neigungsmodell ermöglicht Vorhersagen über das Kundenverhalten in Korrelationen mit anderen Verhaltensweisen und Attributen. Dies kann durch die Verwendung von Regressionsanalysen oder mittels maschinellem Lernen erreicht werden. Ein Modell mit guter Neigung gewährleistet so viele Variablen wie möglich, so dass Korrelationen identifiziert werden können.
Hier einige Beispiele dazu:
Neigung zur Abwanderung: Dies sind Kunden, die wahrscheinlich weiterziehen, sofern Sie keine Maßnahmen ergreifen.
Neigung zum Abbestellen: Mit einem solchen Modell können Sie die geeignete E-Mail-Häufigkeit bestimmen und dabei die Wahrscheinlichkeit bezüglich der Abmeldung eines Empfängers abwägen.
Lifetime-Wert: Die Modellierung des Lifetime-Werts eines Kundens kann Ihnen dabei helfen, strategische Marketingentscheidungen zu treffen.
Kollaborative Filterung
Wenn Sie sich Amazons „Kunden, die dieses Produkt mochten, mochte auch …- Empfehlungen ansehen, wissen Sie, welche Art von Modell das ist. Auf den ersten Blick klingt «Kollaborative Filtering» ähnlich wie Produkt-basierte Cluster-Modelle. Trotzdem handelt es sich bei kollaborativer Filterung um etwas anders. Anstatt die Kunden nach den Arten von Produkten, die sie wahrscheinlich kaufen, zu gruppieren, geben kollaborative Filter Empfehlungen auf Basis des aggregierten Verhaltens ab.
Mit anderen Worten: Es geht weniger um die Produktpräferenzen des Benutzers als vielmehr um die Verhaltensweisen die ein Benutzer aufweist.
Es gibt drei Arten von kollaborativen Filtern:
Up-sell Empfehlungen: Dies sind Empfehlungen für eine weitere Version eines Produkts, die noch vor dem Kauf angezeigt werden.
Cross-Selling-Empfehlungen. Auch diese Empfehlung wird vor dem Verkauf angeboten und verweist auf ein Produkt, das oft gleichzeitig gekauft wird.
Follow-up-Empfehlungen. Dies sind Empfehlungen für Produkte, die Menschen nach dem Kauf eines früheren Produkts früher oder später kaufen werden wie z. B. Ersatzteile für ein Produkt.
Verbinden Sie das richtige Produkt mit dem richtigen Markt: Wenn Sie ohne Kundenmodellierung arbeiten, ist es möglich, Märkte für Ihre Produkte zu identifizieren, von denen Sie vielleicht gar nichts wussten. Hier einige Beispiele:
Integrieren Sie Quellen Ihrer Clustermodelle. Auf diese Weise können Sie ermitteln, welche Zugriffsquellen mit welchen Arten von Produkten, Marken oder Verhaltensweisen korrelieren. Dadurch können Sie einen neuen Markt für diese Produkte oder Marken feststellen.
Integrieren Sie Überweisungsquellen in Ihre Lifetime-Modellen. Dies hilft Ihnen herauszufinden, an welchen Standorten Sie mehr Ihrer Marketingressourcen investieren möchten und die Rentabilität zu ermitteln.
Suchen Sie nach Zusammenhängen zwischen Zugriffsquellen und dem Erfolg von Up-Sells, Cross-Selling- und Follow-up-Empfehlungen
Überprüfen Sie die Übereinstimmungen zwischen Keywords und Ihren Kundenmodellen
Analysieren Sie die Attribute, die starke Prädiktoren für den Kauf bestimmter Produkttypen darstellen und entwickeln Sie dadurch neue Ideen für andere Märkte.
Untersuchen Sie hochleistungsfähige Ausreisser, bei denen nur begrenzt Daten verfügbar sind und prüfen Sie, ob eine Expansion in diesen Märkten eine gute Option ist.
Verbinden der richtigen Benutzer mit dem richtigen Inhalt
Es gibt eine Reihe von Möglichkeiten, mit denen Sie Ihre Kundenmodelle optimieren können von denen einige offensichtlicher und andere weniger offensichtlich sind. Hier einige:
Passende Inhalte zu Produkten oder Marken basierend auf den entsprechenden Clustern.
Empfehlen von Inhalten gegenüber Benutzern, die mit grosser Wahrscheinlichkeit positiv auf ein Up- oder Cross-Selling reagieren.
Zuordnen von Zugriffsquellen zu Inhalten, die tendenziell hohe Neigungswerte erzeugen.
Entdecken Sie strategische Marketing-Erkenntnisse
Während einige Predictive Analytics Tools Ihren Marketingprozess automatisch optimieren und bessere Ergebnisse generieren können (wie Albert für Harley Davidson), gilt es zu bedenken, dass menschliche Entscheidungen immer noch eine sehr wichtige Rolle in diesem Prozess spielen.
Predictive Analytics und verwandte AI-Tools neigen oft dazu , die Daten zu „überanpassen“. Wenn Sie dies vermeiden möchten, sollten auf andere Tools ausweichen und strategische Erkenntnisse aus Ihren prädiktiven Analysemodellen ableiten.
Angenommen Sie entdecken, dass ein bestimmter Inhalt die Tendenz hat, die Neigungswerte Ihrer potenziellen Kunden zu erhöhen. In diesem Fall kann jede Automatisierung, die Sie implementiert haben, angewendet werden, um die Art und Weise anzupassen, in der Ihre Produkte vermarktet werden. Was Ihnen Predictive Analytics jedoch nicht sagen kann, ist, ob es andere geeignete Traffic-Quellen geben könnte, die Sie noch nicht ausprobiert haben. Mithilfe Ihrer eigenen Erfahrungen haben Sie die Möglichkeit andere potenzielle Märkte für diese Inhalte zu identifizieren, diese in Ihr Modell einzubinden und zu abzuwarten, was passiert.
Ihr Ziel bei der Arbeit mit solchen Modellen sollte immer der Gewinn von Erkenntnissen sein. Wenn Ihr Modell auf Autopilot läuft, wird es keine neuen Möglichkeiten entdecken.