Schnell sein reicht längst nicht mehr. Kunden erwarten, dass man ihnen die Wünsche von den Lippen abliest. Gleich beim allerersten Kontakt. Big Data und Rechenpower machen genau das möglich: Predictive Marketing hilft uns dabei, bessere Entscheidungen zu treffen.
Die Einsatzszenarien für Predictive Marketing sind vielfältig. Doch es gibt einen Haken: Vorhersagen sind nur dann einigermaßen zuverlässig, wenn das Datenvolumen und die Datenqualität stimmen.
Was ist Predictive Marketing?
Wörtlich übersetzt ist Predictive Marketing so etwas wie vorausschauendes Marketing. Tatsächlich handelt es sich hier um keine eigenständige Marketing-Methode, sondern eher um ein Analytics-Konzept im Sinne von datengetriebenen Marketing (Data-Driven Marketing). Der Unterschied zu traditioneller Analytics (“Business Intelligence”) ist der in die Zukunft gerichtete Blick.
Gewonnene Erkenntnisse können Dir dabei helfen, Deine 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 die 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.
Predicitive Analytics für mehr Durchblick im Conversion Funnel
Nicht jeder Lead wird zu einem Kunden. Funnel-Modelle helfen uns dabei, Zielkunden optimal anzusprechen und so die Konversionsrate zu vergrößern. Was ist eigentlich hilfreicher als die Fähigkeit, die Intention von Website-Besuchern und Leads vorhersagen zu können? Predicitive Analytics erlaubt es uns, auf Basis gesammelter Daten solcher Vorhersagen treffen zu können. Zum Beispiel das passendste Content-Upgrade und den optimalen Zeitpunkt der Ausspielung.
Mit Predictive Analytics kannst Du im Laufe der Zeit ein tieferes Verständnis für Deine Zielkunden gewinnen und sie in allen Phasen ihrer Buyer 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
Die erhobenen Daten bringen uns nur etwas, wenn wir sie übersichtlich zusammenzuführen und daraus entsprechende Maßnahmen ableiten können. Bekannte Beispiele aus der Praxis:
- Preiskalkulation bei Ryanair.
- Optimale Verteilung der Fahrzeuge bei Car2Go
- Netflix-Empfehlungen
Nachfolgend beschreiben wir die gängigsten Anwendungsbereiche:
Leadgenerierung
Mithilfe generierter Bewegungsdaten lässt sich die Intention anonymer Website-Besucher ermitteln. Am besten funktioniert das auf Basis von Content. Sogenannte Intent Data hilft bei der personalisierten Ansprache von Zielkunden.
Cross- und Up-Selling
Cross- und Up-Selling-Kampagnen können sehr gut funktionieren, wenn sie für den Kunden auch inhaltlich relevant sind.
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.
Churn Prevention
Nicht nur SaaS– und Telekommunikationsunternehmen sind bestrebt, zur Kündigung neigende Kunden im Voraus 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.
Fazit
Lange Zeit war Predictive Marketing den ganz großen Playern wie Amazon und Google vorbehalten. Inzwischen sind entsprechende Technologien jedoch erschwinglich. Sofern die Daten vorliegen, kann jedes Unternehmen einen Blick in die Zukunft richten, um Wettbewerber auf Abstand zu halten.
Moin aus Hamburg! Mein Name ist Frank und ich beschäftige mich seit über 20 Jahren intensiv mit E-Mail- und Content-Marketing. Mein erstes Content-Projekt war 1997 ein Special über Inline-Skating auf otto.de. Besuche gern mein LinkedIn-Profil.