Schnell sein reicht längst nicht mehr. Kunden erwarten, dass man ihnen die Wünsche von den Lippen abliest. Moderne Technologien machen genau das möglich. Predictive Marketing ist deshalb mehr als bloß ein Hype.
Längst hat Künstliche Intelligenz (KI) Einzug ins Marketing gehalten. Dabei dominieren vor allem zwei Anwendungsfelder: Content Creation (“Generative KI”) und Digital Analytics (“Analytical AI”). Letzteres hilft dir dabei, mehr über die Wünsche und Bedürfnisse deiner Kunden zu erfahren. Dazu wird versucht, Muster in Datensätzen zu erkennen und Vorhersagen abzuleiten. Man spricht hier auch von Advanced Analytics bzw. Big Data Analytics.
Was ist Predictive Marketing?
Wörtlich übersetzt ist Predictive Marketing (aka Predictive Analytics) so etwas wie vorausschauendes Marketing. Tatsächlich handelt es sich hier um keine eigenständige Marketing-Methode, sondern eher um ein Analytics-Konzept im Sinne von Data-Driven Marketing. Der Unterschied zu traditioneller Analytics (“Business Intelligence”) ist der in die Zukunft gerichtete Blick.
Gewonnene Erkenntnisse können dabei helfen, Zielkunden besser zu verstehen und bessere Entscheidungen zu treffen.
Wie funktioniert Predictive Marketing?
Vorausschauendes Marketing – wenn Technologie und Daten verschmelzen. Wie sieht der Prozess aus? Es geht darum, die Menge an Daten, die bereits gesammelt wurden und fortlaufend gesammelt werden, in Beziehung zu deiner Zielgruppe auszuwerten.
- Welcher Kunde neigt zum Kauf?
- Welches Angebot hat beim Kunden die größte Erfolgschance (Next-best Offer)?
- Wie wertvoll ist ein Kunde (CLTV)?
- Welcher Kunde neigt zum Absprung (Churn)?
Die nahezu unheimlich relevanten Produktempfehlungen von Amazon zum Beispiel basieren auf Predictive Marketing bzw. Predictive Analytics. Er ist an unsere in der Vergangenheit getätigten Einkäufe geknüpft und ist so programmiert, dass fortlaufen immer besser eingeschätzt werden kann, was die Käufer als Nächstes kaufen werden.
Der Treibstoff: Big Data
Big Data hat bereits großen Einfluss auf unseren Alltag. Wenn wir unser Smartphone benutzen, fallen massenhaft Daten an. Daten, aus denen man wiederum Schlüsse ziehen kann. Zum Beispiel über unser Mobilitätsverhalten mit Apps, die uns in Echtzeit über Bus- und Bahnabfahrten informieren oder verschiedene Smart-Gadgets wie Smartwatches, die unsere täglichen Aktivitäten tracken – all dies füttert die Festplatten und treibt Big Data.
Im Marketing werden Daten seit jeher angehäuft – das ist kein Geheimnis! Neu ist, dass eine enorme Rechenleistung heutzutage für jedermann bezahlbar ist. Das ermöglicht ganz neue Möglichkeiten. Zum Beispiel die richtige Botschaft zur richtigen Zeit an die richtige Person zu übermitteln.
Hohe Datenvolumina und Rechenleistung sind jedoch wertlos, wenn die Qualität der Daten gering ist. Ungültige, fehlende und doppelte Datensätze führen zu falschen Vorhersagen. Predictive Marketing funktioniert nur bei hoher Datenqualität.
Vorgehensweise bei der Implementierung
Predictive Analytics zu implementieren ist mit viel Arbeit verbunden. Eine typische Vorgehensweise sieht wie folgt aus:
- Datenerfassung und Datenbereinigung
Zuerst müssen die historischen Daten gesammelt werden. Die meisten Daten, die in der prädiktiven Analytik verwendet werden, basieren auf Zeit, also bestimmte Zahlen, die im Laufe der Zeit auftreten. - Transformation und Auswahl
Im zweiten Schritt werden alle verschiedenen Zeitreihen in dasselbe Format transformiert, bevor im Anschluss die sinnvollen Zeitreihen ausgewählt und schließlich kombiniert werden. Es ist sinnvoll, mehrere Zahlen miteinander zu kombinieren, um einen bestimmten Wert vorherzusagen (“Multi-Varianten-Vorhersage”). - Modellauswahl und Training
Anschließend wählt man das beste Modell für die prädiktive Analyse aus. Dies variiert stark von Fall zu Fall und hängt davon ab, wie Deine Daten „aussehen“. - Optimierung
Zum Schluss misst man die Qualität der Vorhersagen und beginnt den Algorithmus zu verbessern oder das Modell anzupassen bzw. zu ersetzen.
Predicitive Analytics für mehr Durchblick im Conversion Funnel
Nicht aus jenem Lead wird ein Kunde. Auch Funnel-Modelle helfen uns kaum, Zielkunden optimal anzusprechen. Dafür sind deren Wünsche, Bedürfnisse und Motive viel zu unterschiedlich.
Predictive Analytics hilft uns dabei, das Verhalten potenzieller Kunden vorhersagen zu können. Das ermöglicht dir beispielsweise, ein passendes Content-Upgrade zum optimalen Zeitpunkt auszuspielen.
Mit Predictive Analytics kannst Du im Laufe der Zeit ein tieferes Verständnis für deine Zielkunden gewinnen und sie in allen Phasen ihrer Customer Journey optimal bedienen.
Exkurs: Prädiktoren
Beim traditionellen Lead Scoring muss der Mensch im Vorwege bestimmen, welche Faktoren überhaupt in einem kausalen Zusammenhang mit der Kaufwahrscheinlichkeit stehen und sich für Vorhersagen eignen. Diese Faktoren werden auch Prädiktoren genannt.
Beispiel: Die vorhergesagte Tageshöchsttemperatur ist ein guter Prädiktor zur Kalkulation des Speiseis-Umsatzes.
Mögliche Anwendungsbereiche für Predictive Marketing
Der Zweck und das Ziel von Predictive Analytics ist es, möglichst genau zukünftige Ereignisse vorherzusagen. Zum Beispiel, ob ein Kunde zu einem bestimmten Preis kaufen wird. Hier ein paar bekannte Beispiele aus der Praxis:
- Preiskalkulation bei Ryanair.
- Optimale Verteilung der Fahrzeuge bei Car2Go
- Netflix-Empfehlungen
Hier die wichtigsten Anwendungsbereiche im Überblick:
Next Best Action (NBA)
“Next-Best-Action” (NBA) ist ein Marketingparadigma, bei der basierend auf vorhandenen Kundendaten die optimal nächste Maßnahme ermittelt wird, um den Kunden gezielt anzusprechen. Ziel ist es, eine individuelle und relevante Kundenansprache zu erreichen, die die Bedürfnisse und Interessen des Kunden bestmöglich erfüllt und so die Kundenbindung oder den Verkauf fördert. Dazu gehört zum Beispiel passgenauer Content.
Beispiel: Churn Prevention
Vor allem Anbieter von Abomodelklen (SaaS, Telekommunikation, Zeitungsverlage etc.) sind bestrebt, zu einer Kündigung neigende Kunden rechtzeitig zu identifizieren. Churn Prediction bzw. Churn Prevention ermöglicht es, gezielte Maßnahmen einzuleiten. Versteht ein Kunde ein Produkt nicht, erhält dieser zum Beispiel eine E-Mail mit einem Erklärvideo. Und zwar noch bevor seine Unzufriedenheit in einer handfesten Kündigung mündet.
Next Best Offer (NBO)
“Next-Best-Offer” (NBO) ist eine Sonderform von NBA. Das Ziel von NBO ist es, dem Kunden das Angebot zu unterbreiten, das für ihn im jeweiligen Moment am attraktivsten und relevantesten ist.
NBO-Strategien steigern die Relevanz der Kundenansprache, erhöhen die Conversion-Rate und fördern die Kundenbindung, da sie gezielte, bedarfsgerechte Empfehlungen bieten.
Zum Einsatz kommt es häufig im Rahmen von Cross-Selling- und Upselling-Kampagnen.
Personalisierte Suchergebnisse
Es wird das Klickverhalten und die Kundenhistorie analysiert. Basierend darauf werden Suchempfehlungen in Echtzeit erstellt und angezeigt.
Flexibles Preismodell
Kunden sind in der Lage, online ganz schnell und einfach Preise zu vergleichen. Durch die Analyse von Daten (Wetter, Feiertage etc.) kann der beste Preis für ein Produkt in Echtzeit kalkuliert werden.
Fazit
Lange Zeit war Predictive Marketing den ganz großen Playern wie Amazon und Google vorbehalten. Inzwischen sind entsprechende Technologien jedoch erschwinglich. Sofern dir geeignete Daten vorliegen, kannst auch du einen Blick in die Zukunft richten, um Wettbewerber auf Abstand zu halten.
Ergänzende Artikel
Moin aus Hamburg!
Mein Name ist Frank und ich bin bereits seit Mitte der 1990er in der Digitalbranche unterwegs. Meine Schwerpunkte sind Content-Marketing, E-Mail-Marketing und MarTech.