Predictive Analytics im Marketing: Anhand von Daten Kundenverhalten vorhersagen
11 Juni 2019 | von Kristina Boschenriedter
Die richtigen Entscheidungen treffen und das Marketingbudget gewinnbringend einsetzen – im globalen Wettbewerb ist das für Unternehmen überlebenswichtig. Predictive Analytics können Sie dabei entscheidend unterstützen: Durch die Analyse von historischen Transaktionsdaten können Vorhersagen über zukünftiges Kundenverhalten getroffen werden. In diesem Beitrag erläutern wir Ihnen, wie Predictive Analytics funktionieren und welche Chancen die datenbasierten Prognosemodelle für Ihr Marketing bieten.
Was sind Predictive Analytics?
Predictive Analytics stellen einen Teilbereich von Business Intelligence und Data-Mining dar. Um ein fundiertes Verständnis für das Thema zu entwickeln, ist es also nötig, sich auch mit den soeben genannten Begriffen auseinanderzusetzen.
| Business Intelligence | Data-Mining | Predictive Analytics |
| Business Intelligence (BI) beschäftigt sich mit unterschiedlichen Optionen und Prozessen zur Analyse des eigenen Unternehmens. Dazu gehören das Sammeln, Aufbereiten und Auswerten von geschäftsrelevanten Daten. Das Ziel ist es, Erkenntnisse zu gewinnen, die Geschäftsvorgänge unterstützen und zur Entscheidungsfindung beitragen. | Beim Data-Mining werden prozessbezogene Daten gesammelt und in einer entsprechenden Datenbank angelegt. Es umfasst verschiedene statistische Methoden, um in den vorhandenen Datenbeständen Muster, Trends oder Zusammenhänge zu ermitteln – sprich einen Mehrwert zu generieren. | Predictive Analytics ist ein Teilbereich des Data-Minings. Hierbei werden die zuvor gesammelten Daten genutzt, um zu prognostizieren, wie sich ein Modell in einer bestimmten Zeitspanne entwickeln wird. So lässt sich z.B. das vorhandene Budget bestmöglich nutzen, woraus sich ein signifikanter Vorteil gegenüber der Konkurrenz ergibt. |
Wie funktionieren Predictive Analytics?
Wie bereits angedeutet, beschäftigen sich Predictive Analytics mit der Vorhersage von zukünftigem Kundenverhalten und -reaktionen. Durch die Analyse der bisherigen Transaktionsdaten kann ermittelt werden, mit welcher Wahrscheinlichkeit ein zukünftiges Ereignis eintritt. In den bestehenden Datenmengen werden Muster und Abweichungen erkannt. Mittels statistischer Berechnungen und maschinellen Lernens wird so die Wahrscheinlichkeit für den Eintritt eines bestimmten Ereignisses festgestellt.
Predictive Analytics in der Praxis
Angenommen, Sie betreiben einen Onlineshop für Tierbedarf. Ein Kunde hat im vergangenen Jahr größere Mengen Kaninchenfutter bei Ihnen bestellt – jeweils zum Anfang des Monats im Februar, Mai, August und November. Da der Abstand zwischen den Käufen immer drei Monate betrug, können Sie hieraus schließen, dass der Kunde die nächste Bestellung zu Beginn des kommenden Februars tätigen wird. Ihr Ziel ist es nun, über ein reduziertes Kennlernangebot den Kunden, die bislang dieses Trockenfutter bestellt haben, ein höherwertiges und teureres Produkt aus Ihrem Sortiment anzubieten. Der ideale Zeitpunkt hierfür wäre also kurz bevor der Kunde das nächste Mal bestellt. Basierend auf dem bisherigen Kaufmuster kann geschlussfolgert werden, dass dieser Zeitpunkt in den letzten beiden Januarwochen liegt.
| Genau wie Sie hier „manuell“ ein Muster erkannt haben, funktionieren auch Predictive Analytics. Allerdings sind Sie mit Predictive Analytics in der Lage, den richtigen Zeitpunkt für jeden Kunden individuell vollautomatisch zu ermitteln, ohne dass Sie dabei alle Käufe jedes Kunden einzeln betrachten müssen. Gemessen am Beispiel entspräche dies allen Kunden, die regelmäßig dieses bestimmte Kaninchenfutter gekauft haben. Zudem ist das genannte Beispiel aus Veranschaulichungsgründen stark vereinfacht – oftmals ist der Kaufrhythmus von Kunden deutlich unregelmäßiger als hier beschrieben. Predictive Analytics sind in der Lage, auch komplexere Varianzen des Kaufrhythmus abzubilden. |
Die Ermittlung des besten Zeitpunkts für die Kontaktaufnahme zum Kunden (Best Next Time) ist nur einer von vielen Anwendungsfällen von Predictive Analytics im Marketing. Weitere Anwendungsbeispiele sind die frühzeitige Identifikation von abwanderungsgefährdeten Kunden (Churn Prevention) oder von spezifischen Produkten, die am relevantesten für einen bestimmten Kunden sein werden (Best Next Offer).
Was sind die Vorteile von Predictive Analytics?
Wo Sie vorher nur spekulieren konnten, bieten Ihnen Predictive Analytics die Möglichkeit, fundierte datenbasierte Aussagen über die Zukunft zu treffen. Somit stellen sie einen enormen Vorteil bei der Planung Ihrer Marketingaktivitäten dar – wie etwa bei der Festlegung des optimalen Versandzeitpunkts einer Kampagne.
In Kombination mit einem Kampagnen-Automations-Tool können die mit Predictive Analytics gewonnenen Erkenntnisse direkt in Ihre Kampagnen übertragen werden. Bei unserem oben genannten Beispiel würde dies bedeuten, dass der für Januar berechnete Termin als Live-Trigger dient und z.B. am 20. Januar automatisch eine E-Mail an diesen Kunden gesendet wird. Der Einsatz von Predictive Analytics hilft Ihnen somit dabei, Ihre Marketingkommunikation zielgerichteter und zeitlich relevanter zu gestalten und dadurch zusätzliche Umsatz- und Gewinnpotenziale zu realisieren.
Darüber hinaus lassen sich mit Predictive Analytics schon vor Abschluss einer Kampagne deren voraussichtliche Performance und ROI berechnen.
Sie möchten mehr darüber erfahren, wie Predictive Analytics auch Ihrem Marketing Mehrwerte bieten können?
Kein Problem! Kontaktieren Sie uns und wir zeigen Ihnen bei einer unverbindlichen Demo anhand verschiedener Use Cases, was mit Predictive Analytics alles möglich ist!
Diese weiteren Artikel zum Thema könnten auch für Sie interessant sein:
Best Next
Offer - Vorausdenken mit Predictive Analytics
7 Predictive Analytics-Methoden im
Marketing
Predictive
Analytics: Verhindern Sie Newsletter-Abmeldungen, bevor sie
passieren
"Wie"
ist hier die Frage - Prescriptive Analytics in Theorie und
Praxis
