Predictive Analysis für ein erweitertes Benutzererlebnis

PRÄDIKTIVE ANALYSE

Die für Predictive Analysis in Form von Algorithmen für Machine Learning, Statistik und Data-Mining-Verfahren eingesetzte Technologie ermöglicht Like Reply die Entwicklung von Modellen und Trends aus den gesammelten Daten. 
Mithilfe der prädiktiven Analyse entwickeln sie für das Unternehmen eine Positionierungsstrategie, die Erkenntnisse und Schlussfolgerungen aus Online- und Offline-Faktoren nutzt. 

MULTI-CHANNEL UND KUNDENZENTRIERUNG ZUR ERKENNUNG VORHANDENER BEDÜRFNISSE

Multi-Channel-Strukturen und Kundenzentrierung eröffnen im derzeitigen Wettbewerbsumfeld neue Wege der Datennutzung, um die Bedürfnisse der Kunden bereits im Voraus zu erkennen. 

Unternehmen, die Instrumente zur Erfassung und Auswertung von Daten zur Verfügung haben, können diese als Hilfe bei komplexen Entscheidungen nutzen und so bessere Ergebnisse erzielen: bei der Kundengewinnung, der Kundenbindung und der Gewinnmaximierung. 

UNSER ZIEL

 Like Reply nutzt Predictive Analytics mit dem Ziel, das Erlebnis des Verbrauchers sowie seine Beziehung zur Marke zu optimieren.

Empfehlungssysteme

Empfehlungssysteme sind dafür ausgelegt, die Interessen der Kunden vorherzusehen (was diese kaufen oder ansehen wollen) und ihnen passende Vorschläge zu unterbreiten. Hierfür werden Statistiken und Algorithmen für Machine Learning eingesetzt, mit dem Ziel der Gewinnmaximierung. Wenn ein Kunde ein Produkt kauft oder an diesem Interesse zeigt, präsentiert ihm das System automatisch eine Empfehlung für ein weiteres Produkt oder eine weitere Dienstleitung, die es als besonders relevant für diesen Kunden einstuft. Empfehlungssysteme basieren zum Beispiel auf den Ansätzen des Collaborative Filtering oder Content-based Filtering, das heißt, auf der Möglichkeit, Vorschläge solchen Benutzern zu machen, die aufgrund ihres bisher gezeigten Interesses als ähnlich eingestuft werden. 

Zielgruppe von Marketingkampagnen

Die prädiktive Analyse richtet Kampagnen für digitales Marketing auf den Kunden aus, indem sie individuell zugeschnittene Werbeanzeigen für bestimmte Benutzersegmente mit hohem Potenzial ermöglicht. Das Like Reply Team kann bestehenden Kunden oder Prospects eine Wahrscheinlichkeit der Konversion – ausgehend von zahlreichen Faktoren – zuweisen, die vom prädiktiven Algorithmus analysiert werden (Dauer der Sitzung, Anzahl der betrachteten Seiten, Herkunft des Traffics, Stufe im Einkaufstrichter, gewählte Werbeaktion, CRM-Infos usw.). Durch das Erstellen eines prädiktiven Modells für eine wirksame Kundenklassifizierung – ausgehend von der höchsten Wahrscheinlichkeit der Konversion – kann das Team diese Segmente für Instrumente zur Bereitstellung von Werbekampagnen exportieren und so Investitionsrentabilität, Wirtschaftlichkeit, Konversionsrate und Kundenzufriedenheit steigern. 

Attribution von Online- und Offline-Marketingkanälen

Die Analyse der Zuordnung von Gewinnen und Konversionsraten zu den Medienkanälen stößt mit herkömmlichen deterministischen Modellen an ihre Grenzen (insbesondere in Hinblick auf den Last Click). Diese Modelle ermöglichen oft keine Analyse des effektiven Beitrags, da die Konversionspfade der Benutzer sehr verzweigt sind und verschiedene Phasen im Einkaufstrichter umfassen. Die Anwendung dieser Modelle kann daher einen zu kurzsichtigen Ansatz zur Folge haben, der dazu tendiert, bestimmte Konversionspunkte außen vor zu lassen, wobei man hier von den Medienkanälen nicht erwartet, dass sie eine entscheidende Rolle spielen. Außerdem berücksichtigen diese Modelle nicht das Multi-Device-Erlebnis und auch nicht die Wirkung von mit digitalen Kanälen integrierten traditionellen Marketingkanälen (TV, Presse, Radio usw.). Like Reply bietet einen strukturierten Ansatz für den Übergang von einem deterministischen Modell zu einem prädiktiven Modell, das die Medienbudgets optimiert und die Gewinne maximiert. Die Attributionsmethode beruht auf der Anwendung ausgefeilter Algorithmen bezüglich der gesammelten Datensätze, die einen partiellen Konversionswert für diejenigen Marketing-Touchpoints zuweisen, die effektiv zur Konversion beitragen, unabhängig von deren Position im Einkaufstrichter. 

Customer Lifetime Value

Der Customer Lifetime Value (LTV) ist ein auf dem prädiktiven Modell basierender Indikator, der zeigt, wie lohnend die Fortsetzung einer Beziehung zu einem bestimmten Kunden auf lange Sicht ist. Er gibt den Wert des zukünftigen Gewinns an, der sich bei einer Fortsetzung der Beziehung mit dem Kunden erzielen lässt. Er ist eine wichtige Kennzahl, die aufwendig zu berechnen ist, da sie verschiedene Variablen berücksichtigt, darunter die Kosten für die Kundengewinnung (Customer Acquisition Cost, CAC), die Kundenbindungsrate, die Abwanderungsrate, wiederholte Einkäufe usw. Mithilfe des Customer Lifetime Value können der Geschäftsverlauf überwacht und wichtige Entscheidungen getroffen werden. So ist es oft für ein Unternehmen vorteilhafter, seine Marketingmaßnahmen auf bereits gewonnene Kundensegmente zu konzentrieren, die auf lange Sicht profitabel sein können, anstatt neue Kunden zu gewinnen, mit denen nur kurz- oder mittelfristige Ziele erreicht werden können. 

Alerting-Systeme

Alerting-Systeme erkennen frühzeitig ungewöhnliche Abweichungen eines bestimmten KPI, sowohl in Bezug auf die Technik als auch für die Business Intelligence. Der herkömmliche Ansatz erforderte eine vorab durchgeführte Festlegung von Zielwerten, für die diese Warnmeldungen erfolgen sollten. Durch Anwendung des prädiktiven Ansatzes kann Like Reply gleichzeitig zahlreiche KPIs analysieren und in Echtzeit bedeutende Variationen gegenüber dem vorgesehenen Wert mitteilen. 

Personalisierung und Optimierung der Customer Journey

Nachdem das Unternehmen ausreichende Daten über die Aktionen seiner Kunden gesammelt hat, ermöglicht die prädiktive Analyse die Erkennung von Mustern im Verhalten der Benutzer, so dass deren Erlebnis im Hinblick auf die angebotenen Inhalte sowie auf die Anpassung der digitalen Schnittstellen, die der Benutzer verwendet, personalisiert werden kann. 

Die prädiktive Analyse fügt einen weiteren Layer zu dem vom CRO eingesetzten Verfahren hinzu, die Methodologie der experimentellen Forschung, die eine Optimierung der Konversionsrate digitaler Anwendungen ermöglicht. Im Rahmen der prädiktiven Analyse wertet das Like Reply Team alle Pfade aus, die die Benutzer auf einer digitalen Plattform nutzen, um so zu ermitteln, welche Inhalte die Benutzer am häufigsten besuchen, bevor sie eine bestimmte Konversion tätigen (z.B. Anmeldung, Lead, Kauf). Diese Auswertung wäre mit den Instrumenten der deskriptiven Analyse nicht möglich, da die Möglichkeiten, die Reihenfolge sowie die Art und Weise, wie der Benutzer mit einer Plattform interagieren kann, extrem vielfältig sein können, weshalb sie sich kaum vorhersagen lassen.