Mit Predictive Marketing die Kunden von morgen kennenlernen.

Mit Predictive Marketing die Kunden von morgen kennenlernen.

Schnell sein reicht längst nicht mehr. Kunden erwarten, dass man ihnen die Wünsche von den Lippen abliest. Gleich beim allerersten Kontakt. Moderne Verfahren der Datenanalyse machen genau das möglich. In diesem Artikel beschäftigen wir uns deshalb mit Predictive Marketing.

Längst hat Künstliche Intelligenz (KI) Einzug ins Marketing gehalten. Dabei dominieren vor allem zwei Anwendungsfelder: Content Creation (Stichwort ChatGPT) und Digital Analytics. Letzteres hilft dabei, mehr über die Wünsche und Bedürfnisse von Kunden zu erfahren. Dazu wird versucht, Muster in Datensätzen zu erkennen und auf diser Basis Vorhersagen treffen. 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.

marketing-analytics

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)?
predictive-marketing

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.

datenvolumen

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.

Datenqualität

Vorgehensweise bei der Implementierung

Predictive Analytics zu implementieren ist mit viel Arbeit verbunden. Eine typische Vorgehensweise sieht wie folgt aus:

  1. 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. 
  2. 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”).
  3. 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“.
  4. 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 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

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:

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. 

Content Engagement

Cross- und Up-Selling

Cross-Selling- und Upselling-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 Analytics 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. Sofern entsprechendes Know-how vorliegt und sich geeignete Modelle für Predictive Marketing entwickeln lassen.

Über den Autor
Über den Autor

Moin aus Hamburg!
Mein Name ist Frank und ich bin bereits seit 1996 in der Digitalbranche unterwegs. Du benötigst Hilfe bei der Auswahl und Einführung von Tools oder einer Marketing Cloud? Gern bin ich dein unabhängiger MarTech-Berater!

Ergänzende Artikel