Predictive Analytics richtig einsetzen

Vasudha Khandeparkar | Head of Insight

Predictive Analytics spielt im datengetriebenen Marketing eine zunehmend wichtigere Rolle. Denn Prognosemodelle sind erprobte Marketing-Tools und wirken sich – richtig eingesetzt - unmittelbar positiv auf die Kaufentscheidungen der Kunden aus. In Kombination mit Marketing-Automation sind Prognosemodelle ein äußerst mächtiges Instrument für Shopbetreiber. Aber: Die Sache ist kein Selbstläufer. Lassen Sie uns gemeinsam die fünf wichtigsten Fragen durchgehen, die im Zuge der Implementierung von Predictive Analytics zu berücksichtigen sind.

Habe ich das richtige Prognosemodell?


Mit Prognosemodellen ist es so wie mit Kampagnen auch: Sie sollten um den Geschäftsfall herum konzipiert werden, nicht der Geschäftsfall um sie. Beispiel: Ein Unternehmen wollte die Interessenten mit dem geringsten Kundenwert in seiner Datenbank gezielt ansprechen. Anstatt also nur das Prognosemodell zur Konvertierung von Interessenten einzusetzen, kombinierten wir es mit unserem Lifetime Value-Tracker (LTV-Tracker). Dieses Tool sagt den voraussichtlichen Kundenwert eines Interessenten voraus, indem er dessen Daten mit ähnlichen Kundenprofilen vergleicht. Dank dieser Verknüpfung war es ein Kinderspiel, alle Interessenten mit einem unterdurchschnittlichen LTV zu isolieren. Zusätzlich zogen wir das Prognosemodell heran, dass die Konvertierungswahrscheinlichkeit der Interessenten beurteilt. So erhielten wir schließlich feine, nach Preisbereitschaft und Kaufwahrscheinlichkeit unterschiedene Segmente und verdoppelten deren Wert durch maßgeschneiderte Botschaften.

Sollte ich Prognosemodelle testen?

 
Denken wir uns ein Prognosemodell, das Ihre Interessenten nach Kaufwahrscheinlichkeit in den nächsten 30 Tagen einschätzt. Dieses Modell liefert Ihnen ausschließlich die Antwort auf die Frage, mit welcher Wahrscheinlichkeit ein Kunde im genannten Zeitraum einen Kauf tätigen wird. Mehr nicht. Dieses Modell verrät nicht, inwiefern zusätzliche Marketing-E-Mails oder –SMS, ein Incentive und/oder ein paar Posts über Ihre Social-Profile das Ziel des Kaufs unterstützen würden. Um diese Fragen zu klären, gibt es zwei Möglichkeiten: Entweder legt man weitere Prognosemodelle an, die die Wahrscheinlichkeit voraussagen, mit der die Empfänger auf zusätzliche Impulse (via E-Mail, SMS, Social Media etc.) reagieren. Oder man testet einfach.

Wie groß sollte mein Segment sein?

 
Über der optimalen Anzahl von Empfängern einer Kampagne entbrennt nicht selten eine Diskussion, insbesondere dann, wenn es um die Größe einer Kontrollgruppe zu Testzwecken geht. Wie dem auch sei: Tests helfen dabei, Kampagnen zu optimieren und die besten unter ihnen zu identifizieren. Der potenzielle Umsatzverlust aufgrund einer ungetesteten Änderung oder der Implementierung falscher Prognosemodelle ist viel größer als der Schaden, der dadurch entsteht, dass die Kampagne nicht an die Kontrollgruppe gesendet wird.
 
Wenn es ans Splitten des Empfängersegments geht, gilt folgender Rat: Teilen Sie Ihren Topf bei kleinen Volumina (weniger als 50.000 Adressen) in zwei gleich große Gruppen auf: 50% Testgruppe, 50% Kontrollgruppe. So arbeiten Sie erfahrungsgemäß einen signifikanten Unterschied heraus. Bei größeren Segmenten können Sie die Kontrollgruppe kleiner machen. Setzen Sie im Zweifel einen Signifikanzrechner ein, um die optimale Aufteilung für aussagekräftige Ergebnisse zu kalkulieren.

Wie muss ich meine Prognosemodelle mit der Zeit anpassen?

 
Zunächst einmal gilt, dass kein Prognosemodell während des gesamten Lebenszyklus eines Kunden „zuständig“ ist. Wenn ein Interessent einen Kauf tätigt, wird er zum Kunden und rückt im Kundenlebenszyklus voran. Damit ändern sich auch die angewendeten Prognosemodelle. Der Shopbetreiber möchte nicht mehr wissen, ob und wann dieser Kunde den Erstkauf vornimmt – der ist ja schon passiert. Er möchte dann z. B. wissen, wann der Folgekauf kommt.
 
Aber auch Prognosemodelle selbst sollten zunehmend differenzierter werden. So interagieren Kunden mit ein und derselben Botschaft zu verschiedenen Zeiten anders. Man nehme nur Reisebuchungen, die starken saisonalen Schwankungen unterliegen. Entsprechend sollte auch die Bewertung des Userverhaltens nicht statisch erfolgen, sondern sich dynamisch den jeweiligen Rahmenbedingungen anpassen. Je smarter das Bewertungssystem des Prognosemodells wird, desto höhere Qualität haben auch die Vorhersagen.

In welchen Fällen sollte ich kein Prognosemodell einsetzen?

 
Predictive Marketing heißt: Wir setzen Prognosemodelle ein, um die Performance von Marketingkampagnen zu steigern. Unter bestimmten Umständen sollte man diese Prognosemodelle aber nicht einsetzen. Beispielsweise verzerren absehbare Absatzspitzen die Ergebnisse. So schalten viele Shopbetreiber im Vorfeld zu Black Friday eigene Microsites, auf denen sich die Kunden für spezielle Super-Angebots-Newsletter anmelden können. Erfahrungsgemäß sind die Abmelderaten nach Black Friday enorm, manchmal doppelt so hoch wie beim Standard-Newsletter. Das Prognosemodell würde genau das voraussehen und daraufhin den Versand des normalen Newsletters unterbinden, um diese Empfänger nicht zu strapazieren und die Abmelderate zu verringern. Diese Kunden erhalten dann also nicht die E-Mail, für die sie sich angemeldet haben.
 
Sie möchten mehr über Predictive Analytics erfahren? Dann holen Sie sich doch einfach das kostenlose Whitepaper über Prognosemodelle. Darin finden Sie aktuelle Fallstudien zum erfolgreichen Einsatz von Predictive Analytics in Kombination mit Marketing-Automation. Und wenn Sie dann noch Fragen haben: Melden Sie sich einfach bei uns.

Share:

RedEyeUK @RedEye UK

Cookies


Wir verwenden Cookies. Indem wir das Verhalten unserer Besucher erfassen, können wir unseren Service verbessern.
Mehr darüber erfahren Sie in unserer Cookie-Richtlinie.

OK, VERSTANDEN