Überholspur statt Sackgasse Data Science im Marketing – 4 erfolgreiche Anwendungen

Autor / Redakteur: Gregory Herbert* / Georgina Bott

Zahlreiche Studien belegen, dass Marketer Künstliche Intelligenz (KI) zunehmend in den Mittelpunkt ihrer Datenstrategien stellen. Viele dieser Projekte scheitern allerdings. Aber worin liegt das Geheimnis erfolgreicher Data Science Projekte im Marketing?

Firma zum Thema

Data Science Projekte erreichen durch funktionierende Kollaboration die Überholspur aus eigener Kraft.
Data Science Projekte erreichen durch funktionierende Kollaboration die Überholspur aus eigener Kraft.
(Bild: gemeinfrei / Unsplash)

Das Ziel von Data Science besteht darin, neue Erkenntnisse aus Daten zu gewinnen. Die erste große Herausforderung: Es liegt auf der Hand, dass das nur möglich ist, wenn eine entsprechend große Datenbasis vorhanden ist, und die Daten korrekt und vollständig sind. Die zweite Herausforderung: Es müssen kausale Zusammenhänge zwischen den vorhandenen Daten hergestellt werden, um diese mithilfe verschiedener Methoden des Data Science konkret auszuwerten und zu quantifizieren. Entscheidend ist dazu die Fachkenntnis der Marketingexperten plus das entsprechende Know-how zu Vorgehensweisen und Methoden von Data Science. An dieser Stelle wird die Luft in vielen Unternehmen und Organisationen dünn. Einerseits sind die Data Science Ressourcen meist nicht oder zumindest nicht in ausreichender Menge vorhanden. Andererseits mangelt es an Tools oder dem entsprechenden Know-how, die den Fachanwendern erlauben, eigene Data Science Projekte durchzuführen.

„Inclusive Analytics“ als Erfolgsmodell

Um von der Sackgasse auf die Überholspur zu gelangen, müssen viele hochwertige Daten an einer zentralen Stelle zusammengeführt werden. Die Datensammlung und -aufbereitung sowie deren Governance müssen zentral organisiert sein. Die effiziente und breitbandige Datennutzung setzt die Demokratisierung von Data Science voraus. Sprich: die Auswertung der Daten liegt nicht mehr länger ausschließlich in den Händen von Datenexperten. Vielmehr erlaubt es eine einfach handhabbare Plattform auch Fachanwendern, Zusammenhänge in den Daten zu erforschen. Data Science wird so von einer exklusiven zu einer inklusiven Anwendung. Die Data Scientists in den Unternehmen begleiten die Projekte weiterhin und stehen für Fragen zur Verfügung. Die Fachanwender, die ihre Herausforderungen am besten kennen, erhalten die Chance, eigenständig aktiv zu werden und die Daten zu nutzen. Wie sehen konkrete Anwendungsbeispiele dazu aus?

Vorreiter auf diesem Gebiet sind aktuell Unternehmen im B2C-Umfeld. Das liegt zum einen daran, dass die Teams in den Marketingabteilungen dort in der Regel größer sind. Zum anderen werden hier meist schon länger größere Datenmengen gesammelt. Entscheidend sind aber die Ziele, die die Teams verfolgen. Hier wird deutlich, dass sich die grundsätzlichen Fragestellungen hinter den Anwendungen kaum von denen aus dem B2B-Umfeld unterscheiden, wie die nachfolgenden Beispiele zeigen.

1. Vierfach schnellere Segmentierung

Eine ganzheitliche Sicht auf die Kundendaten ermöglicht eine zielgenaue Segmentierung.
Eine ganzheitliche Sicht auf die Kundendaten ermöglicht eine zielgenaue Segmentierung.
(Bild: Dataiku)

Erfolgreiche Marketingaktionen sind möglichst individuell auf ein Kundensegment zugeschnitten und nutzen die richtigen Kanäle, um potentielle Kunden tatsächlich zu erreichen. Dentsu Aegis ist ein globales Agenturnetzwerk für Markenkommunikation. Eine wesentliche Komponente bei der Akquise von Neukunden sind Empfehlungen, über welche Kanäle potenzielle Zielgruppen am effizientesten und erfolgreichsten erreicht werden. Sie basieren auf einer aufwendigen Segmentierung, für die bei Dentsu Aegis eine eigene Datenabteilung verantwortlich ist. Zunächst war dies ein zeitraubender Prozess, da für jede Anfrage individuell neuer Code erstellt werden musste. Heute erzeugt das Team Prototypen einer Segmentierung, die dank der kollaborativen Umgebung immer wieder vom gesamten Team genutzt werden. Das Ergebnis: Die Segmentierung erfolgt jetzt viermal schneller, so dass das Vertriebsteam deutlich effizienter arbeitet.

2. Churn Prediction mit 77 Prozent Wahrscheinlichkeit

Neue Kunden zu gewinnen, ist bekannterweise deutlich teurer als einen bestehenden Kunden zu halten – zum Teil liegen die Kosten bis zu 15-mal höher. Dieser Fakt gilt im B2B ebenso wie für Kunden im B2C-Umfeld und liefert das Hauptargument für die Churn Prediction. Es geht dabei darum, eine Abwanderung von Kunden rechtzeitig zu erkennen und durch individuelle Maßnahmen zu verhindern.

Showroom Privé, ein erfolgreiches französisches E-Commerce Unternehmen, setzt auf „Inclusive Analytics“ und nutzt Dataiku als zentrale Data Science Plattform. Ein fachübergreifendes Team aus Datenexperten und Marketingspezialisten ermittelt mit Data Science, welche Kunden zukünftig mit hoher Wahrscheinlichkeit nicht mehr über die Webseite einkaufen. Diesen werden spezielle Angebote unterbreitet, um die Kundenloyalität zu steigern. Basierend auf Datenquellen wie Web Logs, Kaufhistorie und ähnlichen Daten, die auf der zentralen Plattform zur Verfügung stehen, definierte das Team knapp 700 Features, um die Vorhersage zu treffen. Das Ergebnis: Potentielle Churner werden mit einer Wahrscheinlichkeit von 77 Prozent erkannt.

3. Betrügerische Online-Transaktionen erkennen

Auch das gehört heute zur Realität: Betreiber von Online-Shops – auch im B2B-Umfeld – werden häufig Ziel von Kriminellen. Bots, Phishing Attacken und Scamming zählen leider zum Alltag. Data Science lässt sich auch hier einsetzen, um solche Attacken zu erkennen und zu verhindern. Das zeigt das Beispiel von SendinBlue. 2012 ging das Unternehmen mit dem ehrgeizigen Ziel an den Start, die einfachste, zuverlässigste und kosteneffizienteste Marketingplattform zu werden. Tatsächlich nutzen heute mehr als 50.000 Unternehmen die Services für ihr Beziehungsmanagement. Da das Herzstück der Lösung darin besteht, die Mails der Kunden erfolgreich zuzustellen, gilt es hohe Zustell- und Öffnungsraten zu erzielen. Keinesfalls dürfen gestohlene, falsche oder gekaufte Mailadressen in den Datenbanken auftauchen.

Diese Prüfungen wurden zunächst stichprobenartig manuell durchgeführt, heute übernimmt dies ein Algorithmus erstellt mit Dataiku. Sobald ein Kundenunternehmen seine Datenbank hochlädt, wird diese automatisiert geprüft, die Adressdaten werden klassifiziert und die Glaubwürdigkeit des Unternehmens auf diesem Weg getestet. Im Zweifel erfolgt eine manuelle Zusatzprüfung. Bei klaren Verstößen wird das Unternehmen direkt für weitere Aussendungen gesperrt.

4. Optimierte Recommendation Engine

Ein häufig genutztes Instrument, um Umsätze und idealerweise auch die Kundenzufriedenheit bei Online-Käufen zu erhöhen, sind Empfehlungen. Entscheidend für den Erfolg dieser Data Science Anwendung ist deren „Trefferquote“. Die Bazaarvoice Consumers Studie von 2018 ermittelte, dass 38 Prozent der Kunden bei nicht passenden Empfehlungen diese Webseiten zukünftig meiden. Levi’s als bekannter Markenhersteller durchlief eine Evolution beim Aufbau einer Recommendation Engine. Der aktuelle cloud-basierte Prozess nutzt die Dataiku Platform zum Aufbau und der Optimierung der Algorithmen. Das Ergebnis: Die Customer Journey konnte durch die optimierten Empfehlungen deutlich verbessert werden.

Funktionierende Kollaboration

Erfolgreiche Data Science Projekte im Marketing sind echte Teamerfolge von Datenexperten und Fachanwendern. Sobald eine funktionierende, intuitiv verwendbare Plattform vorhanden ist, die die für alle unterschiedlichen Zielgruppen die notwendigen Data Science Tools und Daten zur Verfügung stellt, steigt die Effizienz und der Erfolg. In den USA kennt man dieses Prinzip aus dem Straßenverkehr: Autos mit mehr als drei Personen dürfen eine eigene Spur befahren. Data Science Projekte erreichen durch funktionierende Kollaboration die Überholspur aus eigener Kraft.

* Gregory Herbert ist SVP EMEA bei Dataiku.

(ID:47052110)