Predictive Analytics im Marketing: Vorausdenken für maximale Ergebnisse

Wie funktionieren Predictive Analytics?

Das Ziel von Predictive Analytics ist es, datenbasierte Prognosemodelle zu entwickeln, mit denen sich zukünftiges Kundenverhalten und -reaktionen vorhersagen lassen. Die Basis dafür bilden große Mengen von Kunden- und Transaktionsdaten, d.h. Daten, die sich bei der Interaktion zwischen einem Kunden und einem Unternehmen sammeln. Dazu gehören z.B. Informationen wie der Name, die Adresse oder das Geburtsdatum eines Kunden, aber auch granulare Informationen, wie die Höhe einzelner Transaktionen, deren Datum und Uhrzeit sowie Produktbezeichnungen und -gruppen. In diesen Daten wird dann nach sich wiederholenden Mustern gesucht, die es ermöglichen, belastbare Prognosen zu liefern.

Was sind die Vorteile von Predictive Analytics?

Predictive Analytics helfen Ihnen dabei, eine individuelle und relevante Kundenkommunikation zu kreieren. Während Sie ohne datenbasierte Erkenntnisse nur darüber spekulieren können, welcher Kunde wie auf eine bestimmte Botschaft oder ein bestimmtes Angebot reagieren wird, erlauben es Predictive Analytics datenbasierte Aussagen über Kundenverhalten zu treffen. Dies stellt enorme Vorteile bei der Planung Ihrer Marketing Aktivitäten dar – nur die Kunden, von denen eine positive Response zu erwarten ist, werden angesprochen und so Streuverluste vermieden. Zugleich können diverse Faktoren, wie z.B. der Versandzeitpunkt oder der Kanal optimiert werden – und das auf kundenindividueller Basis. Zudem lassen sich mithilfe von Predictive Analytics der ROI und die Performance einer Kampagne schon vor deren Abschluss berechnen.

Zwei Use Cases aus der Praxis

Wie sich diese Vorteile in der Praxis nutzen lassen, möchten wir nun anhand von zwei Use Cases verdeutlichen.

#1 Best Next Offer

Je größer das Sortiment, desto schwieriger ist es zu wissen, welches Produkt welchem Kunden angeboten werden soll. Die Predictive Analytics Methode Best Next Offer schafft Abhilfe. Mit ihr lässt sich kundenindividuell zuordnen, mit welcher Wahrscheinlichkeit ein bestimmter Kunde welches Produkt als nächstes kaufen wird. Hierzu werden zwei Parameter innerhalb der gesammelten Transaktionsdaten genauer betrachtet:

- Popularität, d.h. welche Produktkombinationen sind allgemein beliebt?
- Propensität, d.h. welche Neigungen hat der einzelne Kunde?

Je nach Anforderung können diese beiden Parameter bei der Berechnung des Best Next Offers unterschiedlich gewichtet werden. Darüber hinaus können auch Aspekte wie Saisonalitäten, Gewinnmargen oder aktuelle Lagerbestände berücksichtigt werden. Auf diesem Weg schaffen Best Next Offer Angebote einen hohen Personalisierungsgrad. Die dadurch erhöhte Relevanz der Kommunikation und Angebote wirkt sich wiederum nachweislich positiv auf die Kundenzufriedenheit und Umsätze aus. So zeigte zum Beispiel eine Studie des Software-Anbieters Epsilon, dass über 90% der Konsumenten personalisierte Angebote ansprechend finden und über 80% sogar eher bereit sind zu kaufen, wenn sie personalisierte Angebote erhalten.

#2 Churn Prevention - Kundenabwanderung verhindern

Es gibt verschiedene Gründe, weshalb Kunden abwandern. Unzufriedenheit kann ein Grund sein, genauso kann es aber auch passieren, dass Sie eigentlich gar nichts falsch gemacht haben, der Kunde aber schlichtweg woanders ein günstigeres Angebot gesehen hat und wechselt. Vergleichsportale und die dadurch gestiegene Transparenz verschärfen diese Situation zusätzlich. Doch viele Kündigungen sind vermeidbar und genau hier setzt Churn Prevention an. Der Begriff Churn setzt sich aus den zwei englischen Wörtern „change“ und „turn“ zusammen. Churn Prevention beschreibt eine Methode aus dem Bereich der Predictive Analytics, die der Vorbeugung von Kundenabwanderung dient. Dabei werden anhand von verschiedenen Merkmalen diejenigen Kunden identifiziert, bei denen eine Abwanderung als besonders wahrscheinlich eingeschätzt wird. Um der drohenden Kündigung entgegenzuwirken werden dann personalisierte Marketing Maßnahmen eingesetzt.

Und so funktioniert es: Zunächst muss eine geeignete Analysegruppe definiert werden. In unserem Fall sind das die Kunden, die bereits gekündigt haben. Im Anschluss wird ein Profil dieser Personen erstellt. So können die typischen Merkmale identifiziert werden, durch die sich Kündiger auszeichnen. Dieses Profil wird nun mit der Basismenge, das kann z.B. die Gesamtheit der Bestandskunden sein, verglichen und entsprechende Look-a-likes, d.h. Kunden, die der Analysegruppe besonders ähnlich sind, identifiziert. Zur Bewertung wird ein Score vergeben. Je höher der Score, desto ähnlicher ist ein Kunde in der Basismenge der Analysegruppe. Die Kunden mit dem höchsten Score haben hier das höchste Abwanderungsrisiko und sollten besondere Aufmerksamkeit durch das Marketing erhalten.

Voraussetzungen für den Einsatz von Predictive Analytics

Um umfänglich vom Potenzial von Predictive Analytics zu profitieren und damit die bestmöglichen Marketing Ergebnisse zu realisieren, müssen einige Grundvoraussetzungen erfüllt sein.

Dies betrifft zum einen die Datenqualität. Sind die Daten unvollständig, ungenau oder veraltet, ist davon auszugehen, dass falsche Ergebnisse vorhergesagt werden. Daher sollte zu Beginn eines Analytics-Projekts ein entsprechender Daten-Audit vorgenommen werden, bei dem Schwachstellen erkannt und behoben werden.

Darüber hinaus sollten alle zur Verfügung stehenden Datenquellen identifiziert und miteinbezogen werden. Mögliche Datenquellen können zum Beispiel das CRM-System, der Webshop, Web-Analytics, Social Media Plattformen oder auch das Newsletter-Tool sein. Damit diese alle in der Analyse berücksichtigt werden können, ist die Verknüpfung zu einer 360-Grad Kundenansicht zu empfehlen. Hierbei muss jedoch einerseits datenschutzrechtlich berücksichtigt werden, was zusammengebracht werden darf und zugleich aus technischer Sicht, was zusammengebracht werden kann.

Zudem wird entsprechendes Analyse Know-How benötigt. Sofern Sie intern nicht über die entsprechenden Ressourcen verfügen, gibt es zahlreiche externe, spezialisierte Dienstleister, die Sie dabei unterstützen können. Aufgrund der Vielzahl an zur Verfügung stehenden Daten und Datenquellen empfiehlt sich außerdem der Einsatz einer entsprechenden Datenanalyse-Software.

In Anbetracht von immer weiter steigenden Kundenerwartungen, vielfach gesättigten Märkten und steigendem Konkurrenzdruck ist eine hohe Personalisierung entscheidend für den Marketing Erfolg. Predictive Analytics geben Ihnen die notwendigen Insights an die Hand, um hier die nötige Personalisierung zu gewährleisten und so Ihren Konkurrenten einen Schritt voraus zu sein.