Machine Learning für Marketing

In den letzten 10 Jahren gab es keinen Bereich, in dem KI konsequenter angewendet wurde als in digital marketing. Das liegt daran, dass Internet-Unternehmen im Vergleich zu anderen Branchen

• Größere, strukturiertere Datensätze gesammelt haben;
• Mehr Datentechniker beschäftigt haben und
• Eine mehr technikorientierte Kultur haben.

Aber auch wenn die Technologie-Giganten (wie Google, Facebook, Amazon usw.) Machine Learning verstärkt zur Optimierung des Marketings nutzen, stehen viele Organisationen noch am Anfang.

Wenn Sie sich fragen, wie Sie Machine Learning/KI im Marketing am besten nutzen können, finden Sie hier eine Übersicht zu den Top-Anwendungen von heute:

1. Predictive Targeting
2. Predictive Lead Scoring
3. Customer Lifetime Value Forecasting
4. Empfehlung
5. Abwanderungsprognose

Predictive Targeting

Wie stellen Sie sicher, dass eine Werbebotschaft nur an die richtigen Nutzer geht?

Predictive Targeting ist eine große Verbesserung gegenüber segmentbezogenem und sogar triggerbasiertem Targeting. Die Hierarchie der Personalisierung im Targeting sieht folgendermaßen aus:

Ebene 0: Marketing ohne Ziel

• Flugblätter auf der Straße verteilen. (Aber wer macht das schon?)

Ebene 1: Segment Targeting

• Identifizieren Sie die Eigenschaften Ihres typischen Kunden und richten Sie Ihr Marketing auf diese  Personaaus.

Ebene 2: Trigger-Targeting

• Verwenden Sie key behaviours, um zu erkennen, wann Ihre Kunden bereit sind zu kaufen – wie zum Beispiel kurz nachdem sie ein Auto gekauft haben. Und richten Sie sich nur auf diese Kunden.

Ebene 3: Predictive Targeting

• Nutzen Sie alle Verhaltens- und demographischen Hinweise, die Sie zu einem Kunden haben, um individuell vorhersagen zu können, wie wahrscheinlich es ist, dass er gerade jetzt kaufen wird.

Beim Trigger-Targeting wählen Sie manuell die Trigger aus, beim Predictive-Targeting verwenden Sie einen Machine Learning-Algorithmus, um automatisch die richtigen Trigger zu lernen.

So können Machine Learning-Modelle viel mehr Komplexität erfassen – und damit die Leistung deutlich verbessern, weil sie ideale Kunden präziser identifizieren.

Ich habe schon erlebt, wie Unternehmen ihre Marketingumsätze um 200–300% steigerten, nachdem sie vom Trigger- zum Predictive-Targeting übergegangen waren.

Predictive Lead Scoring

Leads sind nicht mehr nur Telefonnummern und Namen. Heute können Sie problemlos 50–100 weitere Faktoren an einem Lead erfassen:

• Akquisitionsweg;
• Interaktion mit der Website (jeder Besuch, jeder gelesene Artikel, jeder Download oder jedes besuchte Webinar);
• Informationen zum Konto (Größe, Investitionsrunden, Nachrichten, Mitarbeiterfluktuation).

Jede Information enthält einen Hinweis, ob der Lead so weit ist, zu kaufen. Aber es ist sehr schwierig, diese Informationen effizient zu nutzen, mal abgesehen vom Setzen einiger offensichtlicher Filter.

“Sind Interessenten, die ein Webinar direkt nach dem Download eines Whitepapers gesehen haben, interessierter als Interessenten, die zwischendurch 10 Internetseiten besucht haben?” Schwer zu sagen – und das ist nur eine von Tausenden Fragen, die man sich stellen könnte.

Machine Learning ist das ideale Werkzeug für genau diese Art der Analyse: Aus früheren Verkäufen lernt der Algorithmus die Muster, die einen guten Lead ergeben, und verwendet sie dann, um die genaue Kaufwahrscheinlichkeit für jeden Lead in Ihrer Pipeline vorherzusagen. Und dann weiß Ihr Verkaufsteam viel besser, auf wen es sich konzentrieren muss.

Damit der Algorithmus zuverlässige Muster finden kann, benötigen Sie mindestens ca. 300 Kunden in Ihrem CRM, die bereits gekauft haben, und mindestens ebenso viele, die noch nicht gekauft haben.

Customer Lifetime Value Forecasting

Wie viel ist Ihr Kundenstamm wert? Und wer werden Ihre besten Kunden sein?

Bei der Schätzung des zukünftigen Werts eines komplexen B2C-SaaS-Kundenstamms tappte man immer ein wenig im Dunkeln – in der Regel musste man sich einfach einen Durchschnittswert für jeden Kunden aussuchen.

Ähnlich wie beim Predictive Targeting und Lead Scoring können Sie aber auch hier Machine Learning verwenden, um den Zusammenhang zwischen dem Verhalten Ihrer Kunden (was und wie viel sie gekauft haben, Logins, etc.) und ihrem gesamten Lifetime Value erfassen.

Wenn Sie genug Kunden haben, genug Daten über diese Kunden, und wenn Ihr Produkt schon länger am Markt ist, dann ist dies eine gute Möglichkeit, um

• Herauszufinden, welche Arten von Kunden zu akquirieren mehr Gewinn verspricht;
• Zu entscheiden, auf welche heutigen Kunden Sie sich richten sollten;
• Den Gesamtwert der Kundenbasis einzuschätzen (für jeden einzelnen Nutzer).

Empfehlung

Wir wollen nicht mehr nur endlos durch Kategorien stöbern. Wir erwarten, dass die relevanteren Filme oder Bücher zuerst gelistet werden. Die Empfehlungsalgorithmen wurden deshalb immer besser – so gut sogar, dass für viele Spotify- oder Netflix-Benutzer automatisierte Empfehlungen die manuelle Suche vollständig ersetzt haben.

Empfehlungsalgorithmen sorgen dafür, dass Ihre Kunden mehr von dem sehen, was sie wollen, und das bedeutet schließlich, dass sie auch mehr kaufen. Aber es gibt viele verschiedene Empfehlungs-Algorithmen – und welchen Sie brauchen, hängt ganz von Ihrer Situation ab. Dies sind die drei wichtigsten Kategorien:

1. Inhaltsbasiert

Inhaltsbasierte Algorithmen empfehlen Ihren Nutzern Dinge, die ähnlich sind wie das, für das sie sich früher schon entschieden haben – zum Beispiel Filme des gleichen Genres oder Hotels der gleichen Preiskategorie.

2. Kollaborativ

Kollaborative Filteralgorithmen finden Nutzer, die einen ähnlichen Geschmack haben, und dann empfehlen sie dem einen, was dem anderen gefällt. Es ist wie eine Empfehlung von all Ihren Freunden mit ähnlichem Geschmack. In gewisser Weise nutzen diese Algorithmen die ganze Intelligenz Ihrer Nutzer und können präzise Empfehlungen geben, ohne zu wissen, was genau sie eigentlich empfehlen.

3. Hybride

Hybride Recommender kombinieren die ersten beiden Ansätze in der einen oder anderen Form. Viele der leistungsfähigsten Algorithmen heute sind Hybride Recommender (z.B. Netflix).

Was der beste Recommender für Ihren speziellen Fall ist, hängt auch davon ab,

• Wie viel Sie über Ihre Nutzer wissen;
• Wie das Verhältnis von neuen gegenüber wiederkehrenden Nutzern ist;
• Wie viele neue Produkte (wie Filme oder Bücher) Sie jeden Monat hinzufügen;
• Wie das Verhältnis von Produkten zu Nutzern ist.

Sobald Sie Ihren Recommender-Algorithmus erstellt haben, können Sie ihn auf viele Arten anwenden:

• Suchergebnisse sortieren;
• Suche nach ähnlichen Produkten (Filme, Hotels, Bücher);
• Persönliche Empfehlungen für jeden Nutzer (wie bei Spotify weekly).

Abwanderungsprognose

Abwanderung (Churn) ist tödlich. Zu wissen, welche Kunden ihre Mitgliedschaft bald kündigen werden, warum sie planen zu gehen, und dann Änderungen vorzunehmen, um sie zu halten, kann ein Unternehmen retten. Aber oft gibt es keinen klaren Grund für die Abwanderung. Vielmehr handelt es sich um eine Kombination vieler verschiedener Gründe.

Eine einfache Analyse gibt Ihnen eine einfache Antwort – und dann werden Sie von vielen eigentlich zufriedenen Kunden denken, dass sie sich mit Abwanderungsgedanken tragen. Das kostet Sie Umsatz, denn Sie gewähren den falschen Kunden Rabatte.

Auch hier ist das Machine Learning das ideale Werkzeug, um fein säuberlich zwischen Nutzern zu unterscheiden, die potenzielle Abwanderer sind, und solchen, die es nicht sind. Es findet die ganze Komplexität von Mustern, die sich im Nutzerverhalten verbergen.

Mit einem gut abgestimmten Modell können Sie die Nutzer von der höchsten bis zur geringsten Abwanderungswahrscheinlichkeit sortieren und sich dann auf diejenigen konzentrieren, die die meiste Aufmerksamkeit benötigen.

Churn-Modelle können Ihnen auch beim Verständnis der Faktoren helfen, die zur Abwanderung führen – sodass Sie Ihr Produkt bei Bedarf anzupassen können.