Wie Sie mithilfe von Daten und maschinellem Lernen den Umsatz steigern und den ROI verbessern

Online-Werbealgorithmen leben von einer hohen Anzahl von Signalen. Branchen wie E-Commerce und Mobile Gaming liefern ausreichend Daten, um diese Algorithmen zu trainieren. Daher ermöglichen die Ansätze, die allgemein von Werbeplattformen wie Google und Facebook verwendet werden, eine effiziente Ausrichtung und Einbindung der gewünschten Zielgruppen.

In vielen anderen Branchen, in denen die Anzahl der Signale geringer ist, liegt die Ziel-Conversion-Rate jedoch weit unter den Benchmarks der Kanäle. Wenn Sie sich in dieser Situation befinden, ist es wichtig, den Wechsel vorzunehmen und Ihre Daten mit der Kraft des maschinellen Lernens zu nutzen.

Wir haben uns mit Konstantin Bayandin, dem Gründer des AdTech-Startups Tomi.ai, zusammengetan, um Online-Marketing-Möglichkeiten zu diskutieren, die durch maschinelles Lernen erschlossen werden können.

Als CMO und Head of Data Science & Analytics Department von OZON.ru (Russlands Amazon-Äquivalent) leite ich die Entwicklung des datengesteuerten Marketings im Unternehmen. Im E-Commerce gibt es jede Menge wertvolle Conversions (Käufe) und jede Menge Daten, die es zu zerkleinern gilt. Als ich in die USA zog, um für Compass zu arbeiten, ein Hightech-Immobilienmakler, entdeckte ich ein Problem. Nachdem ich von Online-Werbung und E-Commerce zu Immobilien gewechselt war, war ich schockiert, wie herausfordernd Online-Marketing für diese Branche war. Hauptproblem war die enorm geringe Zahl von Endumbauten, da die Menschen selten Häuser oder Wohnungen kaufen. Um es ins rechte Licht zu rücken: Die USA haben insgesamt nur 5 Millionen Immobilientransaktionen pro Jahr.

Aus diesem Grund sind Konvertierungen äußerst selten. Grob gesagt können Sie sich glücklich schätzen, sogar eine Transaktion pro 10.000 Website-Besucher zu erhalten. Die Umwandlungsrate in Transaktionen beträgt 0,01 % oder weniger. Daher können Immobilienvermarkter kein Smart Bidding einsetzen: die automatisierten Gebotsstrategien, die von den Werbeplattformen von Google und Facebook angeboten werden. Sie müssen entweder die Anzahl der Klicks maximieren oder für Website-Ereignisse in der Mitte des Trichters optimieren (z. B. das Sammeln von Kontakten). Der Wert dieser Conversions ist nicht immer klar, da die Leute ihre Kontaktinformationen oft aus Gründen angeben, die nichts mit dem Kauf zu tun haben.

Da stellt sich die Frage, warum tun sich manche Branchen mit Online-Marketing schwerer? Warum haben sie niedrige Konversionsraten und einen schlechten ROI? Ich glaube, dafür gibt es fünf Hauptgründe:

1. Eine sehr spezifische Zielgruppe: Egal wie viel Aufwand ein Vermarkter betreibt, nur 5 % der angesprochenen Personen werden in den nächsten 12 Monaten Immobilien kaufen oder verkaufen.
2. Offline-Komponenten haben: Beispielsweise müssen Sie einen Immobilienvertrag auf Papier und persönlich unterzeichnen.
3. Lange Verkaufszyklen: Laut Zillow dauert es durchschnittlich mehr als 4,5 Monate, um ein Haus zu kaufen. In der Automobilindustrie hingegen brauchen die Leute normalerweise Wochen oder Monate, um ein Auto auszuwählen, und ein paar weitere Wochen, um die Transaktion abzuschließen.
4. Große Transaktionen: Wie Sie sich vorstellen können, kann das alles ziemlich kostspielig sein. Und je höher der Betrag, um den es geht, desto länger kann natürlich der Entscheidungsprozess dauern.
5. Regulierung: Obwohl dies nicht unbedingt in allen Branchen ein wichtiger Aspekt ist, gilt dies sicherlich für Immobilien und Finanzen. Diese Branchen sind stark reguliert, um einen gleichberechtigten Zugang zu Wohnraum und Krediten zu gewährleisten. Beispielsweise verbietet der Fair Housing Protection Act die Verwendung der meisten Zielgruppen im Immobilienmarketing, wie z. B. Geschlecht, Alter, Rasse und Geolokalisierung.

Wenn Ihr Unternehmen mindestens drei der fünf oben genannten Komponenten aufweist, haben Sie wahrscheinlich eine niedrige Conversion-Rate. In diesem Fall müssen Sie bei der Verwaltung Ihrer Daten sehr vorsichtig sein. Erwägen Sie die Implementierung von maschinellem Lernen zu Ihrem Vorteil: Es kann helfen, die Feedback-Schleife für Ihre zukünftigen Transaktionen zu schließen, indem es sie mit der Nachfrage verknüpft, die oben im Trichter besteht.

Inspiriert von dieser Herausforderung habe ich eine Lösung entwickelt, die die Wahrscheinlichkeit zukünftiger Einkäufe mithilfe von maschinellem Lernen und Verhaltensdaten von Website-Besuchern vorhersagt. Tomi.ai ist eine Plattform, die Online-Vermarktern heute dabei hilft, ihren Werbe-ROI mithilfe von maschinellem Lernen, Verhaltensdaten von Erstanbietern und API-Integrationen mehr als zu verdoppeln. Es eröffnet Möglichkeiten für Branchen, in denen Online-Marketing eine Herausforderung darstellt, wie z. B. Immobilien, Banken, Versicherungen, EdTech und SaaS.

Für unsere Kunden aus komplexen Branchen aktivieren wir Predictive Scores in ihren Werbekonten als benutzerdefinierte Conversions mit einem erwarteten Wertbetrag. Das heißt, wir berechnen das erwartete Einkommen, das von einem Website-Besucher generiert werden könnte, indem wir uns das Niveau seiner Website-Interaktion ansehen. Wir behandeln es als einen abgeschlossenen Kauf und maximieren dann diese Kennzahl. Dadurch können unsere Kunden ihre Anzeigen hochinteressierten Nutzern mit einem hohen erwarteten Lifetime-Wert zeigen.

Maschinelles Lernen ist der Motor des heutigen Online-Marketings. Marketer müssen sich meiner Meinung nach zu Analysten oder Data Scientists entwickeln, denn Marketingprobleme haben häufig mathematische Lösungen. Online-Marketing-Operationen ähneln im Wesentlichen einem mathematischen Optimierungsproblem, bei dem ein bestimmter Parameter (z. B. Umsatz) in einer Situation von Budget-, Kanal- und anderen Einschränkungen erhöht werden muss.

Der ganze Zweck des Einsatzes von maschinellem Lernen im Online-Marketing besteht darin, die Feedback-Schleife von Einkäufen und Top-of-the-Funnel-Events zu schließen.

Es ist möglich, Vorhersagemodelle über alle Trichterstufen hinweg zu erstellen. Wir tun dies, indem wir die Wahrscheinlichkeit einer Conversion basierend auf dem frühen Verhalten der Benutzer vorhersagen. Dann drücken wir es in Bezug auf die Kaufwahrscheinlichkeit und den prognostizierten Wert des Kaufs aus.

Die Herausforderung für Martech-Profis besteht darin, einen Weg zu finden, diese Rückkopplungsschleife zu schließen und auf der Grundlage des von solchen Modellen erzeugten LTV ein wertbasiertes Look-Alike-Publikum zu schaffen. Sie müssen auch einen effizienten Weg finden, um ihre Gebotsentscheidungen für ihre Anzeigenplattform mit frühen Signalen und Mikrokonvertierungen zu informieren, die früh im Prozess stattfinden. Kombinieren Sie sie dann mit maschinellen Lernalgorithmen, um eine einheitliche Metrik für vorhergesagte Conversions und Verkäufe zu erstellen, anstatt endgültige Conversions zu verwenden (die selten vorkommen).

Wenn Google und Facebook bereits maschinelles Lernen auf ihrer Seite haben, warum sollten Marketingspezialisten dann selbst maschinelles Lernen implementieren?

1. Maschinelles Lernen verbreitert das Signal

Typischerweise hat eine Website mit geringer Konversion viele Benutzersitzungen. Beispielsweise hat ein durchschnittliches E-Commerce-Projekt eine Konversionsrate von 2 %, was bedeutet, dass nur 2 von 100 Sitzungen einen Wert ungleich Null haben. Ihre Signalstärke beträgt 100 %.

Maschinelles Lernen hilft uns, die Wahrscheinlichkeit einer Konversion von frühen Ereignissen in jeder Sitzung zu verstehen und ihr einen Wert ungleich Null zuzuweisen. Wir können 25 % der Website-Besucher identifizieren, deren Signalstärke zwischen 2 % und 10 % variiert. Dieser Ansatz gibt uns ein breiteres Publikum mit einem schwächeren Signal, das für die Segmenterstellung verwendet werden kann.

2. Maschinelles Lernen kann den erwarteten inkrementellen LTV berechnen

So können Sie nachvollziehen, wie gut die Kampagne performt und ob sie ihren Zielwert in Zukunft erreichen wird – noch bevor die eigentlichen Conversions stattfinden.

3. dLTV kann zur Anzeigengebotsoptimierung verwendet werden

Sie können Ihre Gebote mithilfe von maschinellem Lernen mithilfe von Predictive Attribution optimieren, um die erwartete Leistung Ihrer Kampagne zu verstehen.

Nehmen wir an, Sie schalten eine Anzeige bei Google mit vielen Keywords. Sie haben für jedes Keyword einen bestimmten Betrag ausgegeben, eine bestimmte Verkaufszahl erreicht und Ihre Verkäufe durch den ROI geteilt. Sie haben diese Keywords sortiert, indem Sie sie in absteigender Reihenfolge nach ihrem ROI angeordnet haben, dann 100 % der Kosten (kumuliert) auf der X-Achse aufgetragen und alle Geschäftsergebnisse in Form von Umsatz oder Gewinn auf der Y-Achse aufgetragen. Danach erhalten Sie Ihre "Leistungskurve":

Der Zweck der Verwendung von Marketingtechnologie besteht darin, unnötige Kontrollen zu beseitigen. In diesem Fall müssen wir schlechte Keywords entfernen, die sich negativ auf Ihren ROI auswirken. Sie können es sich nicht leisten, in diese Keywords zu investieren, daher können die entsprechenden Budgets gekürzt werden.

Durch den Einsatz neuer und effizienter Methoden können Sie die Leistungskurve selbst verändern. Sie können mit demselben Budget und denselben Keywords eine höhere Leistung erzielen. Um dies zu veranschaulichen, haben wir 2016 bei OZON.ru auf maschinellem Lernen basierende Gebotsmodifikatoren für Suchanzeigen verwendet und so Google und Yandex dabei geholfen, qualitativ hochwertigere wiederkehrende Zielgruppen anzuziehen.

Infolgedessen wächst Ihr Umsatz, Sie erzielen einen höheren marginalen ROI als Ihr Zielwert, und es hilft Ihnen, neue Möglichkeiten zu erschließen. Indem Sie beispielsweise in neue Keywords investieren und die Ausgaben erhöhen, können Sie eine höhere Leistung bei Ihrem ROI-Zielwert erzielen.

Vielleicht sind wir die Pioniere des maschinellen Lernens für Predictive Marketing in Branchen wie Immobilien, Banken und SaaS. Die eigentliche Idee, Benutzer zu bewerten und diese Bewertung zu Optimierungszwecken zu verwenden, stammt aus der Gaming-Branche. Handyspiele sind oft kostenlos, bieten jedoch Optionen zum Kauf im Spiel. „Wale“, wie sie in der Glücksspielbranche genannt werden, sind eine Gruppe von Spielern, die nur 1 % der Spielerpopulation ausmachen, aber dennoch in der Lage sind, die Kosten aller Spieler durch ihre Käufe im Spiel zu bezahlen.

Alle Spiele dieser Art sind darauf ausgelegt, ihren Anteil an zahlungskräftigen Spielern zu erhöhen und vor allem potenzielle zahlungskräftige Spieler zu identifizieren. In der Branche ist seit langem bekannt, dass Produktmanager Daten zur Vorhersage des LTV verwenden, um ihre Entscheidungen zu treffen.

Mobile Gaming-Apps hatten bereits Integrationen mit Google und später mit Facebook, um Online-Ereignisdaten zu übertragen. Um die Wahrscheinlichkeit abzuschätzen, dass ein Spieler ein „Wal“ wird, verwenden Vermarkter Daten aus den ersten Spieltagen eines Spielers. Sie erstellen dann eine synthetische Konvertierung mit „Qualitätsinstallation“, übermitteln dieses Ereignis an die Google UAC und optimieren dann für eine Qualitätsinstallation anstelle einer regulären Installation.

Folgende Standardintegrationen realisieren wir für unsere Kunden:

1. Tomi.ai-Pixel: Sie müssen ein Tomi.ai-Pixel auf Ihrer Website installieren, um Verhaltensdaten zu sammeln: wie von Benutzern besuchte Seiten, Verweildauer auf bestimmten Seiten und Klicks. Der maschinelle Lernalgorithmus sortiert all diese Signale, um diejenigen zu finden, die die genauesten Vorhersagen über zukünftige Conversions liefern. Wer zum Beispiel wirklich ein Haus kaufen will, nutzt einen Hypothekenrechner und sucht nach Schulen in der Nähe. Diese Faktoren ergeben die Variablen, die vom maschinellen Lernen verwendet werden, um die Wahrscheinlichkeit einer Umwandlung in einen Kauf vorherzusagen.
2. CRM-Integration: Wir bitten Kunden, ihre abgeschlossenen Transaktionsfeeds (historische Daten) bereitzustellen. Durch die Verwendung von gehashten E-Mails und Telefonnummern, die auf der Website als anonyme Identifikatoren übermittelt werden, können wir Offline-Transaktionen mit den Online-Aktivitäten von Personen verknüpfen. Wir verwenden eine einmonatige (oder längere) historische Datenstichprobe, um unsere Modelle auf das Verhalten der Menschen und die Wahrscheinlichkeit nachfolgender Käufe zu trainieren.
3. API-Integration: Abschließend speisen wir diese Daten wieder in die Werbekonten ein. Wir fordern Zugriff auf Marketing-APIs an, damit wir synthetische Conversions und prädiktive Zielgruppendaten mit Google und Facebook verbinden und hochladen können.

Der wichtigste Faktor für maschinelles Lernen ist die Anzahl der positiven Ergebnisse, die stattgefunden haben – wie viele Conversions wir erfassen konnten. Theoretisch reichen 20 Käufe aus, aber praktisch versuchen wir, mindestens 100 Käufe zu lokalisieren, die wir mit dem Online-Verhalten in Verbindung bringen können. Im Allgemeinen streben wir an, das Modell mit mehreren hundert oder tausend Käufen zu trainieren. Es ist wichtig, dass wir mindestens die ersten 100 positiven Ergebnisse während unseres Datenerhebungszeitraums erzielen, der normalerweise im ersten Arbeitsmonat auftritt (oder länger, wenn die Conversions gering sind).

Aus unserer Erfahrung ist das Hauptkriterium für die Datenqualität der Anteil der Offline-Bestellungen, die wir mit der Online-Aktivität der Kunden verknüpfen können. Die Hauptidee besteht nicht nur darin, die Website und das CRM-System zu integrieren, sondern auch anonymisierte Cookie-Identifikatoren zu sammeln. Hierfür wird in der Regel die Google Analytics ID verwendet. Sie müssen die Google Analytics-IDs der Benutzer erfassen und diese Kennung dann in allen nachfolgenden Phasen in das CRM einfügen: Lead-Qualifizierung, Verkaufsunterstützung, Vertragsausführung usw.

Der Wert des maschinellen Lernens liegt nicht in den Daten, die in einer einzigen Tabelle enthalten sind. Sie liegt in der Qualität der Verbindung zwischen mehreren Tabellen.

Der Wert von Daten liegt nicht in den Daten, sondern zwischen den Daten.

Das bedeutet, dass der Wert nicht darin besteht, nur die Tische zu haben, sondern mehrere Tische miteinander zu verbinden, um zusätzlichen Wert freizusetzen. Die Möglichkeit, diese Online-Verhaltenstabellen mit Auftragstabellen zu verknüpfen, ist für Vermarkter äußerst wichtig.

Wenn Werbekampagnen nie über die Lernphase hinauskommen (und das kann bei extrem seltenen Conversions der Fall sein), können Sie mit der Kraft des maschinellen Lernens etwas dagegen tun.

Wenn Sie die Anzahl der Klicks auf der Website noch maximieren, sind Sie bereits im Rückstand. Wenn Sie Ihre Anzeigen für die Kontakterfassung optimieren und diese Kontakte von schlechter Qualität sind (nur 5-10 % der Kontakte wurden in einen Verkauf umgewandelt), kann maschinelles Lernen dies höchstwahrscheinlich verbessern.

Ich möchte betonen, dass Sie kein Data Scientist sein müssen, um loszulegen. Holen Sie sich nasse Füße und sehen Sie, was maschinelles Lernen für Ihre Marketingkampagnen leisten kann. Da die Branchen immer stärker vernetzt werden, ist es jetzt an der Zeit, neue technische Innovationen in Ihr Toolkit aufzunehmen.