Predictive Analytics als Tool zur Steigerung der Marketingeffizienz

Die wachsende Fähigkeit, Daten zu sammeln und zu speichern, hat Unternehmen erweiterte Möglichkeiten für retrospektive und Echtzeitanalysen bereitgestellt. Jetzt können wir Muster nachvollziehen und Rückschlüsse auf Fehler ziehen, um nicht auf denselben Rechen zu treten. Oder wir identifizieren die erfolgreichsten Lösungen und wiederholen unseren Erfolg.

Predictive Analytics ist langfristig immer effektiver als retrospektive oder Echtzeit-Analytics, ebenso wie Prävention effektiver ist als dringende medizinische Versorgung. Retrospektive Analysen sind im Wesentlichen eine Autopsie – eine Analyse eines Fehlers, die nicht rückgängig gemacht werden kann. Echtzeit-Analytics ist ein Krankenwagen, der hier und jetzt einsatzbereit ist, und Predictive Analytics ist präventive Medizin, die Sie von vornherein vor der Krankheit bewahrt.

Wie Thomas Davenport sagte, hat niemand die Fähigkeit, Daten aus der Zukunft zu sammeln und zu analysieren. Aber wir haben die Möglichkeit, die Zukunft anhand von Daten aus der Vergangenheit vorherzusagen. Das nennt man Predictive Analytics, und viele Unternehmen setzen es bereits ein. Sie können Daten aus der Vergangenheit verwenden, um:

1. Berechnen Sie den Lifetime Value (CLV) eines Kunden. Dieser Indikator hilft Ihnen zu verstehen, welchen Wert ein Kunde Ihrem Unternehmen während seiner gesamten Lebensdauer bringt, einschließlich zukünftiger Einnahmen.
   
2. Entwickeln Sie optimale Empfehlungen basierend auf Daten zum Nutzerverhalten Ihrer Website.
   
3. vorherzusagen, welche Produkte oder Dienstleistungen ein Kunde wahrscheinlich in Zukunft kaufen wird.
   
4. Kundenabwanderung vorhersagen.
   
5. Entwicklung eines Plans und einer Prognose für den Umsatz im nächsten Quartal / Halbjahr / Jahr.

All dies sind einfache Formen von Predictive Analytics. Schauen wir uns gängige Predictive-Analytics-Methoden an.

Wir können die folgenden Phasen der Vorhersagemodellierung identifizieren:

• Primäre Datenerhebung
• Statistische Modellbildung
• Prognose
• Überprüfung / Überarbeitung des Modells, sobald zusätzliche Daten verfügbar sind

Vorhersagemodelle analysieren das vergangene Verhalten eines Benutzers, um die Wahrscheinlichkeit einzuschätzen, dass er in Zukunft ein bestimmtes Verhalten zeigen wird. Diese Art der Analyse umfasst auch Modelle, die subtile Muster in Daten finden, um beispielsweise Betrug aufzudecken.

Vorhersagemodelle führen häufig sofort Berechnungen durch, wenn ein Benutzer den Konversionstrichter auf dem Weg zur Ausführung einer Konversionsaktion durchläuft – beispielsweise um die Wahrscheinlichkeit zu bewerten, dass ein Benutzer ein Ziel erreicht. Mit genauen Daten zur Wahrscheinlichkeit eines Übergangs von einem Schritt im Trichter zu einem anderen kann ein Unternehmen die Faktoren, die Benutzer daran hindern oder ihnen helfen, den Trichter zu durchlaufen, besser verwalten und die Verhaltensmuster verschiedener Kundenkategorien genauer beschreiben.

Der durchschnittliche Benutzer hat ungefähr 50 Anwendungen auf seinem Smartphone. Jeder von ihnen empfängt, überträgt und erzeugt Daten. Diese Daten werden in verschiedenen Diensten und in verschiedenen Formaten gespeichert. Während dies auf den ersten Blick wie ein positiver Faktor für Vermarkter erscheinen mag, ist die effektive Arbeit mit einer solchen Menge an strukturierten und unstrukturierten Daten ein Problem.

Schauen wir uns einige Beispiele von Unternehmen an, die die Ergebnisse von Predictive Analytics erfolgreich angewendet haben.

… um Nutzern basierend auf ihrem bisherigen Verhalten Produkte und Dienstleistungen zu empfehlen. Einigen Berichten zufolge bringen solche Empfehlungen bis zu 30 % des Umsatzes von Amazon. Darüber hinaus plante Amazon die Entwicklung eines Tools, das auf der Grundlage von Prognosen Produkte in Zonen liefert, in denen Bestellungen erwartet werden, noch bevor diese Bestellungen auf der Website aufgegeben werden, wodurch die Zeit für die Lieferung von Waren an Kunden verkürzt wird.

Das Team von Macy's nutzte Predictive Analytics für genaueres Direktmarketing. Innerhalb von drei Monaten steigerte das Unternehmen seine Online-Verkäufe von 8 % auf 12 %, indem es Daten zu den von Benutzern durchsuchten Produktkategorien erfasste und entsprechend personalisierte E-Mails versendete.

… um potenzielle Kunden anzusprechen, Leads zu gewinnen und Geschäfte abzuschließen. Sie identifizieren die wertvollsten potenziellen Kunden, die bereit sind, einen Kauf zu tätigen. Anschließend kontaktiert ein Vertriebsmitarbeiter diese potenziellen Kunden direkt und führt sie durch den Verkaufsprozess, um das am besten geeignete Angebot zu finden.

StitchFix ist ein weiterer Einzelhändler mit einem einzigartigen prognosebasierten Verkaufsmodell.
Bei der Registrierung bei StitchFix füllen Benutzer eine Umfrage zu ihrem Stil aus. Dann werden Predictive-Analytics-Modelle angewendet, um den Kunden die Kleidung anzubieten, die sie am wahrscheinlichsten wollen. Wenn Kunden die erhaltene Kleidung nicht mögen, können sie diese kostenlos zurücksenden.

… und präventiv notwendige Informationen zu deren Beibehaltung bereitstellen. Die KI von Sprint sagt voraus, was Kunden wollen, und macht ihnen Angebote, wenn sie das höchste Risiko haben, das Unternehmen zu verlassen. Seit der Einführung dieses KI-Systems ist die Abwanderungsrate von Sprint gesunken, und die Kunden haben dem Unternehmen hervorragende Bewertungen für personalisierten Service und gezielte Angebote gegeben. Wie Sie sehen können, ist die Prognose der Kundenabwanderung eine praktikable Aufgabe für Predictive Analytics in SaaS- und E-Commerce-Unternehmen.

Hier ist eine Liste der beliebtesten Metriken im Bereich Predictive Analytics:

1. Kundenabflussrate (Abwanderungsrate)
   
2. Verkaufsplanprognose
   
3. Customer Lifetime Value
   

Die Einführung von Predictive Analytics ist ohne die Zusammenarbeit der Marketing- und Analyseabteilungen, das Verständnis der Ziele der Studie und die etablierte Ordnung in den Daten nicht möglich. Die Durchführung von Predictive Analytics läuft wie folgt ab:

1. Definiere deine Hypothese
   
2. Sammeln Sie Daten intern und extern, um ein Modell zu erstellen
   
3. Definieren Sie Metriken, um die Genauigkeit Ihres Modells zu messen
   
4. Verwenden Sie einen vorgefertigten Service oder entwickeln Sie Ihren eigenen:
   1. Erstellen Sie ein MVP
      
   2. Trainieren Sie das Modell in Bezug auf fehlende Genauigkeitsparameter, um eine stabile Arbeitsversion zu erreichen
      
   3. Erstellen Sie eine Schnittstelle oder einen Bericht
      
   4. Aktualisieren oder trainieren Sie das Modell neu, um neue Anforderungen zu erfüllen
      

Stellen Sie in der Phase der Datenerfassung sicher, dass Sie eine End-to-End-Analyse eingerichtet haben, da die Implementierung von Predictive Analytics ohne sie normalerweise ineffektiv ist.

Der Prozentsatz der Geschäftsentscheidungen, die auf Marketinganalysen basieren, erreichte Anfang 2019 (unter Berücksichtigung von Daten aus den letzten sechs Jahren) laut dem CMO Survey: Spring 2019-Bericht von Deloitte einen Höchststand. Laut einer Studie von MarketsandMarkets wird der Markt für Predictive Analytics von 4 Milliarden US-Dollar auf über 12 Milliarden US-Dollar im Jahr 2022 wachsen

Ein Interesse an Marketinganalysen im Allgemeinen – und an Predictive Analytics im Besonderen – ermutigt Unternehmen dazu, benutzerfreundliche Lösungen und Dienste zu entwickeln, die Predictive Analytics für Unternehmen zugänglicher machen.

Hier sind einige dieser Dienste:

• Ein OWOX BI-Produkt, das Unternehmen hilft, Marketingziele zu erreichen und 22 % schneller als der Marktdurchschnitt zu wachsen.
  
• Führend in den Rankings Frühjahr und Sommer 2019 von G2 Crowd in den Kategorien „Marketing Software – Analytics“ und „Software for Analytics in E-Commerce“.
  
• Sendet Prognosen über die Umsetzung Ihres Marketingplans direkt an Ihre E-Mail.
  

OWOXBI:

• Kombiniert Marketingdaten aus verschiedenen Quellen und stellt sie für die Analyse in Google BigQuery zur Verfügung.
  
• Bestimmt den Wert des Schritts jedes Benutzers mithilfe eines eigenen trichterbasierten Attributionsmodells.
  
• Erstellt automatisch Berichte zur Analyse der Marketingeffektivität.
  
• Zeigt, wie Ihr Verkaufsplan umgesetzt wird, was Ihre Wachstumsbereiche und Schwächen sind und wie sich Ihr Marktanteil verändert.
  

Sie können OWOX BI jetzt im kostenlosen Testzeitraum ausprobieren:

Mehr über OWOX BI erfahren Sie in unserem Artikel zur Vorhersage von Wachstumsfeldern und Risiken in einem Marketingplan basierend auf Daten.

Die von Infer angebotenen Vorhersagemodelle helfen Ihnen, alle Ihre Datenquellen zu kombinieren, um ein vollständiges Bild der Position Ihrer Leads im Verkaufstrichter zu erhalten. Infer verfolgt Signale aus Online-Quellen und öffentlichen Datenbanken und erstellt dann Vorhersagemodelle auf der Grundlage früherer Hauptkonten und der von Ihnen festgelegten Regeln. Die von Infer gewonnenen Daten werden Marketingfachleuten und Vertriebsspezialisten sowohl dabei helfen, Leads zu finden, die wahrscheinlich in Zukunft zu Kunden werden, als auch den Verkaufstrichter insgesamt zu optimieren.

Radius bietet verschiedene Datenanalysedienste mit Schwerpunkt auf vorausschauendem B2B-Marketing an. Zu den Hauptmerkmalen gehören:

• Radius Customer Exchange (RCX), der Ihr Unternehmensprofil mit dem anderer Unternehmen vergleicht, die dieselbe Zielgruppe haben, und Ihnen die Möglichkeit gibt, zusammenzuarbeiten und Ihre eigenen Marketinglisten zu erstellen.
  
• Radius Connect: Senden Sie Vorhersagedaten an Salesforce.
  

Die Radius-Plattform hilft Marketern auch dabei, Daten zwischen Abteilungen auszutauschen und neue Accounts in internen Datenbanken zu finden. Wie Infer ist Radius ein Cloud-basiertes System.

Basierend auf den Regeln der Vorhersagemodellierung arbeitet BOARD in einer adaptiven Oberfläche mit Echtzeit-Dashboards.

So können Sie verschiedene Szenarien modellieren und die möglichen Ergebnisse analysieren, ohne jedes Mal ein neues Modell erstellen zu müssen.

BOARD wird mit mehreren integrierten Konnektoren geliefert, sodass Sie Daten aus fast jeder Quelle extrahieren können – Ihrem ERP-System, Ihrer Cloud-Datenbank, Ihrem OLAP-Cube und sogar Flatfiles. Mit den Tools von BOARD können Sie Ihre Prognosen auch in benutzerdefinierte Anwendungen umwandeln.

TIBCO Data Science ist ein relativ neues Produkt, das im September 2018 angekündigt wurde. TIBCO Data Science wurde als eine einzige Plattform entwickelt und kombiniert die Fähigkeiten früherer Generationen von Diensten von TIBCO: TIBCO Statistica, Spotfire Data Science, Spotfire Statistics Services und TERR.

Der Data-Science-Service hilft Unternehmen, schneller innovativ zu sein und komplexe Probleme zu lösen, indem Prognosen schnell in optimale Lösungen umgewandelt werden.

SAS hat einen Anteil von 33 % am Predictive-Analytics-Markt und 40 Jahre Erfahrung; Sie bieten Benutzern erweiterte Datenanalysefunktionen, die auf vielen visuellen Editoren basieren. Die Hauptfunktionalität von SAS Advanced Analytics basiert auf Diagrammen, einer automatischen Prozesskarte, eingebettetem Code und automatischen Zeitregeln.

Laut Benutzerbewertungen leistet SAS Advanced Analytics hervorragende Arbeit bei der Vorhersage und Analyse der Gesamtbewegung und kann große Datensätze relativ schnell verarbeiten. SAS bietet kostenlose Demos seiner Produkte und eine Wissensdatenbank, um Ihnen den Einstieg in die Arbeit mit ihnen zu erleichtern.

Mit dieser Software können Sie die Erstellung von Berichten basierend auf Zeitintervallen automatisieren. Dank mehr als 60 integrierten Integrationen können Sie Ihre eigenen Datensätze importieren und in andere Programme exportieren.

Erweiterungen bieten mehr Flexibilität (Anomalieerkennung, Textverarbeitung, Web-Mining), sind jedoch möglicherweise nicht im Grundpreis des Abonnements enthalten

Obwohl RapidMiner für Data Scientists entwickelt wurde, ist es einfach zu installieren und loszulegen.

IBM SPSS verwendet Datenmodellierung und -analyse auf der Grundlage von Statistiken. Diese Software arbeitet mit strukturierten und unstrukturierten Daten. Es ist in der Cloud, lokal oder über eine hybride Bereitstellung verfügbar, um alle Sicherheits- und Mobilitätsanforderungen zu erfüllen.

Sie können Ihre vorhandenen Daten verwenden, um Vorhersagemodelle im visuellen Editor von SPSS und Modellierungs-Dashboards zu erstellen. Die Premium-Unterstützung für unstrukturierte Daten umfasst Sprachtechnologie und Verarbeitung natürlicher Sprache, sodass Sie Daten aus sozialen Netzwerken und anderen textbasierten Quellen in Ihre Modelle einbeziehen können.

SAP HANA stellt Datenbanken und Anwendungen lokal oder in der Cloud bereit. Diese Software reduziert den Zeitaufwand für die Erstellung von Modellen mit zusätzlichen Konnektoren für große externe Datensätze und intuitive Visualisierungen.

Sie können auch Predictive Analytics Libraries (PALs) mit SAP HANA verbinden, um zusätzliche Erkenntnisse aus großen Datensätzen zu gewinnen. Für kundenorientierte Branchen bietet diese Software Text- und Social-Media-Datenanalysen, um das zukünftige Kundenverhalten vorherzusagen und Produkte auf der Grundlage des vergangenen Verhaltens zu empfehlen.

SAP HANA ist mit der Programmiersprache R kompatibel, sodass Sie keine neue Sprache lernen müssen, um Ihre Abfragen zu konfigurieren. Wenn Ihr System genügend interne Daten integriert, liefern Vorhersagemodelle automatisch neue Erkenntnisse.

Predictive Analytics im Marketing ist ein leistungsstarkes Data-Science-Tool, dessen Fähigkeiten nicht in einem Artikel behandelt werden können. Teilen Sie uns in den Kommentaren mit, über welche Aspekte von Predictive Analytics Sie in unseren nächsten Artikeln mehr erfahren möchten.

Zur Erinnerung, hier sind die drei Gebote der Predictive Analytics:

• Beginnen Sie mit den Grundlagen: Überprüfen Sie die Qualität Ihrer Daten und erfassen Sie sie automatisch, um menschliche Fehler auszuschließen. Die Qualität Ihres trainierten Modells hängt von der Qualität Ihrer Trainingsdaten ab.
  
• Entferne dich nie weit vom Ziel deiner Forschung, denn es kommt nicht auf den Prozess an, sondern auf das Ergebnis.
  
• Genauigkeitsanforderungen beachten. Denken Sie daran, dass die Ergebnisse Ihrer Prognose nur validiert werden können, indem gemessen wird, wie genau das bewährte Modell auf Ihre Daten angewendet wird.
  

Vorhersagemodellierung
Die Bedeutung von Predictive Analytics für E-Commerce-Shops
Ein umfassender Leitfaden für Predictive Analytics
Top 10 Predictive Analytics Tools, nach Kategorie
Umsatzprognose mit Predictive Analytics: Eine interaktive Fallstudie
Eine Einführung in Predictive Analytics
TOP 24 KOSTENLOSE SOFTWARE FÜR VORHERSAGENDE ANALYSEN
20 beste prädiktive Analysesoftware von 2019
Predictive-Analytics-Tools
Predictive-Analytics-Software
Vorhersagemodellierung
Predictive-Analytics-Tools
Insights to Action – diesmal wirklich
7 Wege, wie Amazon Big Data nutzt, um Sie zu stalken (AMZN)
Amazon will Predictive Analytics nutzen, um vorausschauenden Versand anzubieten
Kundenbindung: Macy's nutzt Predictive Analytics zur Steigerung der Kundenausgaben
Predictive Analytics im Jahr 2019: Was ist möglich, wer macht es und wie
So verwenden Sie Predictive Analytics für eine bessere Marketingleistung
Umsatzprognose mit Predictive Analytics: Eine interaktive Fallstudie
Predictive Analytics entmystifizieren