Suchen

Predictive Marketing Methoden für zielgerichtete und optimierte Kampagnenplanung

| Autor / Redakteur: Michaela Tiedemann* / Lena Müller

KI im Marketing ist nicht nur in Hinblick auf Marketing Automation und CRM Systeme spannend. Neue Technologien ermöglichen es, die Daten in diesen Systemen noch effizienter zu nutzen. Mithilfe von Machine Learning Algorithmen geben sie wichtige Prognosen für zukünftige Verhaltensmuster sowie Reaktionen auf Kampagnen und ermöglichen so eine um bis zu viermal höhere Antwortquote auf Kundenseite.

Firmen zum Thema

In Zukunft geht es beim modernen, KI-gestützten Marketing nicht mehr nur um automatisierte und beschleunigte Prozesse. Sondern Unternehmen, die in ihren Marketingaktivitäten nicht den Anschluss verlieren wollen, sollten für die kurz- und langfristige Kampagnenplanung auf prädiktive Methoden setzen.
In Zukunft geht es beim modernen, KI-gestützten Marketing nicht mehr nur um automatisierte und beschleunigte Prozesse. Sondern Unternehmen, die in ihren Marketingaktivitäten nicht den Anschluss verlieren wollen, sollten für die kurz- und langfristige Kampagnenplanung auf prädiktive Methoden setzen.
(Bild: gemeinfrei / Unsplash)

Ist von Künstlicher Intelligenz die Rede, denken viele an deren Einsatz im industriellen Bereich. Doch auch in anderen Abteilungen erhalten KI-Technologien und Data Science mehr und mehr Einzug. Denn heutzutage gibt es kaum mehr Geschäftsfelder, in denen keine Daten erhoben werden. Schließlich lassen sich aus datenbasierten Erkenntnissen eine Vielzahl an Prozessen optimieren. Gerade im Marketing spielen deshalb KI-basierte Technologien eine immer entscheidendere Rolle. Gemäß der Studie „Digital Dialog Insights 2019“ der United Internet Media und Hochschule der Medien Stuttgart, prognostizieren drei Viertel der Experten eine hohe Bedeutung von KI für werbetreibende Unternehmen und Agenturen. Jeder Zweite ist davon überzeugt, dass KI-Methoden zukünftig ein wesentlicher Bestandteil der Marketing-Strategie eines Unternehmens sein wird.

Machine Learning für optimiertes Targeting

Diese Studienergebnisse bestätigen, dass das Zusammenspiel aus Daten und Marketing zahlreiche Optimierungsmöglichkeiten bietet. KI-Marketing kann helfen, neue Marktchancen zu ermitteln und realisieren. Insbesondere im Bereich der Kundenzufriedenheit und der Kundenbindung ist das Potenzial groß. Mithilfe von Machine Learning Algorithmen lassen sich Muster in den Daten erkennen und zur Optimierung der Customer Journey nutzbar machen. Diese Methoden bieten deshalb entscheidende Möglichkeiten, um Zielgruppen zu identifizieren und Marketingstrategien an die jeweiligen Gruppen angepasst zu personalisieren.

Ein Schlüsselbegriff in diesem Zusammenhang ist „Predictive Marketing“. Diese Methode geht noch einen Schritt weiter und nutzt Machine Learning und Deep Learning, um das zukünftige Verhalten des Kunden vorherzusagen. Welche Reaktionen sind von ihm zu erwarten, welche Kampagnen und Marketing-Instrumente führen bei ihm zu Erfolg? Anhand von Kunden-, Vertriebs- und historischen Daten lassen sich Voraussagen über die Kundenwünsche, deren Kaufverhalten oder – beispielsweise für den E-Commerce – über Retouren treffen. Predictive Marketing unterscheidet sich deshalb in einem wesentlichen Punkt von klassischen Marketingaktivitäten: Das Budget kann zielgerichteter auf einzelne Gruppen und Segmente angewendet werden und Kosten, die vorher für nicht relevante Zielgruppen aufgewendet wurden, werden eingespart. Bestes Beispiel dafür ist der Fernsehwerbespot. Zwar werden hier hohe finanzielle Ressourcen in Anspruch genommen, doch eine Segmentierung nach Kundengruppen ist nur bis zu einem geringen Grad möglich. Somit ist der Kostenfaktor gerechnet auf die Pro-Kopf-Resonanz sehr hoch, da auch viele nicht-relevante Personen angesprochen werden.

Predictive Marketing in der Praxis

Die Alexander Thamm GmbH arbeitet für verschiedene Kunden an passenden Predictive Marketing Strategien. So stellte sich für einen B2B-Händler die Frage, ob der Versand von Printkatalogen noch eine sinnvolle Maßnahme darstellt. Jährlich verschickte dieses Unternehmen einen Gesamtkatalog an seine Kunden, konnte jedoch nicht nachvollziehen, inwieweit die Kaufentscheidung eines Kunden mit dieser Aktivität in Zusammenhang steht. Da aber die Kosten für die Aussendung verhältnismäßig hoch sind, sollte überprüft werden, bei welchen Kunden sich diese Aktivität tatsächlich auf das Kaufverhalten auswirkt. Dafür wurde ein statistisches Modell errechnet, welches die Einflussgröße der Mailing Aktionen bewertet. Diese Bewertung diente dazu, Handlungsempfehlungen zur Optimierung des Mailing Versands abzuleiten. Weiterführend konnte das Modell genutzt werden, um Marketing- und Vertriebsmaßnahmen zielgerichtet auf einzelne Kundensegmente zu bestimmen. Die Einblicke, die daraus über die Kunden gewonnen wurden, und die daraus abgeleiteten Maßnahmen halfen dabei, das Budget zielgerichtet zu nutzen und den Ertrag der Aktivitäten zu optimieren.

In einem weiteren Projekt sollten durch Next-Best-Action Marketing Online-Aktivitäten und Klickraten optimiert werden. Dafür wurde ein Data Science Framework entwickelt, um ein Modell für die Vorhersage von Antwort- und Reaktionsmöglichkeiten zu erhalten. Es besteht aus einem Datenverarbeitungs- und einem maschinellen Lernteil, in dem verschiedene interne und externe Datenquellen, wie historische Kundeninteraktionen, einbezogen werden. Dabei wurden unterschiedliche Kundengruppen beziehungsweise -ebenen sowie die potenziellen Marketinginstrumente beziehungsweise Kampagnen berücksichtigt. Der daraus entstandene Algorithmus berechnete die Wahrscheinlichkeit für jede Kundenreaktion als Folge der Marketingmethode. Welche Werbung ruft die gewünschte Reaktion bei Kunde A hervor? Wie wird Kunde B aktiv und kaufinteressiert? Durch Predictive Marketing können die relevanten Kunden je nach Zielkampagne ausgewählt werden, wodurch sich der Anteil derer reduziert, die auf eine Maßnahme nicht reagieren. So wurden der Aufwand und die Kosten reduziert, ohne das Ergebnis der Marketingkampagne zu verschlechtern. Diese Methodik wird zum Beispiel auch auf personalisierte E-Mail-Kampagnen angewendet und erhöht die Klickrate um den Faktor 4.

Fazit

Es gibt eine Vielzahl an Möglichkeiten, wie Künstliche Intelligenz das Marketing von heute bereits beeinflusst und optimiert. Gerade in Sachen Kundenkommunikation und CRM-Automatisierung finden neue Tools und Technologien schon in vielen Marketingabteilungen Anklang. Doch das Marketing von morgen geht noch weiter. In Zukunft geht es beim modernen, KI-gestützten Marketing nicht mehr nur um automatisierte und beschleunigte Prozesse. Sondern Unternehmen, die in ihren Marketingaktivitäten nicht den Anschluss verlieren wollen, sollten für die kurz- und langfristige Kampagnenplanung auf prädiktive Methoden setzen. Damit sparen sie Budget und verbessern die Kundenbindung nachhaltig.

*Michaela Tiedemann ist Chief Marketing Officer bei der Alexander Thamm GmbH.

(ID:46664330)