Scroll Top
➤ Online Marketing Beratung & Lösungen mit Fokus auf SEO & SEA

Predictive Analytics: Big Data im Online Marketing

smart-4168483_1280

Anabel Walia

In Zusammenhang mit dem E-Commerce Stipendium von matches21 und martin gonev online marketing

 

Predictive Analytics

Big Data hat in den letzten Jahren eine grundlegende Bedeutung im E-Commerce bekommen. Die Analyse von Daten zur Erkenntnisgewinnung ist für Unternehmen aller Art zu einer wertvollen Methode insbesondere im Bereich Marketing und Strategie geworden.

Bisher haben jedoch nur wenige Unternehmen (wie z.B. Netflix und Amazon) es geschafft, Big-Data-Analysen erfolgreich und wertschöpfend einsetzen. Eine aufstrebende Methode zur Analyse von Big Data ist Predictive Analytics, welches auch einige Vorteile für matches21 HOME & HOBBY bieten kann.

 

  1. Über Predictive Analytics

1.1 Definition

Predictive Analytics ist die Anwendung mathematischer Techniken zur Vorhersage des Kundenverhaltens (vgl. Leventhal, 2018, S. 4). Predictive Analytics-Modelle sagen eine binäre oder kategoriale Zielvariable auf Basis von Eingabevariablen voraus, indem sie die verallgemeinerte Beziehung zwischen der Ausgabe- und Eingabevariablen aus einem vorhandenen Datensatz bewerten (vgl. Kotu und Deshpande, 2015, S. 13). Beschreibende Modelle können im Marketing-Bereich ein besseres Verständnis für Kunden oder Kundenverhalten bieten, wohingegen vorhersagende Modelle dazu dienen, eine bestimmte Zielvariable für jeden Kunden vorherzusagen (vgl. Leventhal, 2018, S. 8-9).

 

1.2 Vorhersagemodelle

Nach Leventhal (2018, S. 58) umfassen weit verbreitete Vorhersagemodelle die Entscheidungsbaumanalyse, die Regressionsanalyse und neuronale Netzwerke (vgl. Parr und Grover, o.J.; Mester, 2016; Beck, 2013, siehe Abb. 1).

Die Entscheidungsbaumanalyse wird verwendet, wenn die Zielvariable zwei verschiedene Werte oder Ergebnisse annehmen kann. Es strukturiert die Variablen wie einen Entscheidungsbaum, wobei jede Variable in zwei unterschiedliche Ergebnisse aufgeteilt wird (vgl. Leventhal, 2018, S. 58-59). Indem verschiedene Teilmengen innerhalb von Daten visualisiert werden, werden neue Erkenntnisse gewonnen (vgl. Leventhal, 2018, S. 59-61). Die Entscheidungsbaumanalyse ist am leichtesten zu implementieren und somit ein gutes Werkzeug für Einsteiger, funktioniert jedoch nur mit einer größeren Stichprobe von mehr als 10.000 Fällen am besten (vgl. Leventhal, 2018, S. 61).

 

 

Die Regressionsanalyse hilft bei der Vorhersage einer Zielvariablen in Abhängigkeit von einer oder mehreren erklärenden Variablen und ist eine einfache Methode, um beispielsweise Vorhersagen für zukünftige Kunden zu treffen. Die Entwicklung der Modelle ist jedoch zeitaufwendig; außerdem ist es wichtig, nur statistisch signifikante Prädiktorvariablen zu berücksichtigen, um zuverlässige Ergebnisse zu erhalten (vgl. Leventhal, 2018, S. 63-64). Neuronale Netzwerke erzielen die gleichen Ergebnisse wie die Regressionsanalyse, jedoch mit einem gewissen Automatisierungsgrad und ohne Angabe von Struktur oder Beziehung der Variablen (vgl. Leventhal, 2018, S. 65). In diesem Modell werden die Variablen als Neuronen in Eingabe- und Ausgabeschichten dargestellt und durch verborgene Schichten getrennt, die für die Netzwerkverarbeitung verwendet werden (vgl. Leventhal, 2018, S. 65).

Sie werden genutzt, wenn die Beziehung zwischen Prädiktor- und Zielvariablen komplex und/oder unbekannt ist (vgl. Leventhal, 2018, S. 67). Sie können zwar neue Erkenntnisse liefern, wenn Regressionsmodelle nicht funktionieren, erfordern jedoch ein sorgfältiges Management und einen komplexen Implementierungsprozess (vgl. Leventhal, 2018, S. 66-67).

 

  1. Einfluss von Predictive Analytics auf das (Online-) Marketing

Im Marketing wird Predictive Analytics in der Regel für Bestandskunden angewendet, kann jedoch auch für potenzielle oder verlorene Kunden eingesetzt werden (vgl. Leventhal, 2018, S. 5). Während deskriptive Analysen für strategische Aufgaben wie die Kundensegmentierung, die Ermittlung von Produktaffinitäten und die Abgabe von Empfehlungen verwendet werden können, eignet sich Predictive Analytics für Bereiche wie Kundenbindung, Cross-Selling oder Upselling, Customer Lifecycle Management und Customer Lifetime Value (vgl. Leventhal, 2018, pp 8-9, 11). Nachfolgend werden einige Anwendungsfälle näher erläutert.

 

2.1 Marketing

2.1.1 Suchmaschinenmarketing

Laut Penn (2017) kann Predictive Analytics das zukünftige organische Suchvolumen vorhersagen, was eine einfachere Ressourcenplanung, Budgetierung und zeitliche Planung ermöglicht. Matches21 könnte somit SEO und SEA optimieren, um leichter und effizienter gefunden zu werden.

 

2.1.2 Online-Werbung

Predictive Advertising ermöglicht matches21 z.B. die automatische Segmentierung von Zielgruppen und die Bereitstellung von (personalisierten) Werbeinhalten, z.B. in Form von Bannern mit bestimmten Produkten, mit denen passende Marketingbotschaften an aktuelle und potenzielle Kunden übermittelt werden können (vgl. Chandrasekar, 2018).

 

2.1.3 E-Mail-Marketing

Grundlegende Anwendungsgebiete von Predictive Analytics wie A/B-Testing sind im Marketing bereits etabliert. Komplexere Analysen wie Multivariate Tests (bei denen mehrere Variablen gleichzeitig getestet werden) oder Regressionsmodelle (bei denen mehrere Prädiktorvariablen pro Antwortvariable verwendet werden) können noch wertvollere Informationen zum Design von E-Mails, wie z.B. dem matches21 Newsletter, liefern (vgl. Smart Insights, 2016).

 

2.1.4 Social Media Marketing

Die Social Network Analyse befasst sich mit Online- und Offline-Beziehungen von Kunden und kann für Empfehlungen zur Ansprache von Bestandskunden und ihren Kontakten verwendet werden (vgl. Leventhal, 2018, S. 197; Hill et al., 2016, zitiert in Leventhal, 2018, S. 202), beispielsweise innerhalb des Online Network Marketings (bezogen auf Standort,

Demografie und Interessenlage) und des Online-Word-Of-Mouth-Marketings (vgl. Leventhal, 2018, S. 204-205).

 

2.2 Strategie

2.2.1 Leadbewertung

Es gibt drei Methoden, mit denen Predictive Analytics Leads qualifizieren und priorisieren kann: Predictive Scoring dient der Priorisierung von Leads, indem die Wahrscheinlichkeit ermittelt wird, dass tatsächlich bestimmte Maßnahmen ergriffen werden (z.B. Klicks, Käufe, etc.). Identifizierungsmodelle identifizieren und gewinnen potenzielle Kunden anhand von Attributen, die denen aktueller Kunden ähneln (vgl. Faggella, 2019). Außerdem kann automatisierte Segmentierung für personalisierte Nachrichten verwendet werden (vgl. Faggella, 2019). Es kann matches21 damit helfen, potenzielle Kunden herauszufiltern und effektiv anzusprechen.

 

2.2.2 Kundenbindung

Vorhersagemodelle geben Einblicke in die Abwanderungsneigung, indem sie die Verhaltensmuster verlorener Kunden analysieren. Sie ermöglichen damit, „Warnsignale“ von Bestandskunden zu erkennen und ihre Abwanderung zu verhindern (vgl. ReachForce, 2019).

 

2.2.3 Kundensegmentierung

Predictive Analytics kann die Verteilung von Inhalten verbessern und den Customer Livetime Value vorhersagen, indem zum Kunden passende Inhaltstypen basierend auf demographischen und Verhaltensdaten analysiert werden, und ähnliche Inhalte automatisch an Leads mit denselben Merkmalen ausgespielt werden (vgl. ReachForce, 2019). Auf diese Weise können ebenfalls Upsell- und Cross-Selling-Chancen identifiziert und das Kundenwachstum prognostiziert werden (vgl. ReachForce, 2019). Matches21 könnte beispielsweise Produkte anzeigen, die die jeweiligen Kunden vielleicht interessieren.

 

2.2.4 Targeting

Durch die Analyse demografischer, verhaltensbezogener und psychographischer Kundendaten kann Verbesserungspotenzial von Produktmerkmalen aufgedeckt werden (vgl. ReachForce,

2019). Die Kampagnenoptimierung wird durch Analysen unterstützt, in denen optimale Kampagnenkanäle, Inhalte, Datum und Uhrzeit für bestimmte Marktsegmente ermittelt werden (vgl. ReachForce, 2019).

 

  1. Chancen von Predictive Analytics

Mit Predictive Analytics lernt matches21 seine Kunden besser kennen, sodass man diesen im Rahmen relevanter Marketingkampagnen zum richtigen Zeitpunkt personalisierte und passende Inhalte zur Verfügung stellen kann (vgl. Leventhal, 2018, S. 5).

Die Erkenntnisse, die mithilfe von Predictive Analytics gewonnen werden, führen zu Effizienzverbesserungen, dem Aufbau von Wettbewerbsvorteilen und Risikominderung (vgl. Sales-i, o.J.). Sie erleichtern auch die Ressourcenplanung und Budgetierung. Insgesamt tragen sie dazu bei, bessere Marketingkampagnen zu erstellen und damit die Erwartungen der Verbraucher zu erfüllen (vgl. Sales-i, kein Datum).

Studien zeigen, dass Predictive Analytics Strategien ermöglicht, die einen größeren Einfluss auf den ganzen Kundenlebenszyklus haben, und zu besseren Geschäftsergebnissen führt (vgl. Faggella, 2019).

 

  1. Voraussetzungen einer effektiven Predictive Analytics Strategie

Laut Davis (2017), müssen vier Säulen berücksichtigt warden, um eine effektive Predictive- Analytics-Strategie aufzubauen:

  1. Zugriff auf ein hohes Datenvolumen aus geeigneten Datenquellen
  2. Daten bieten einen Mehrwert und werden priorisiert
  3. Implementierung von maschinellem Lernen (Personal, Technologien, Unternehmensstruktur)
  4. Betrachtung von Predictive Analytics als langfristiges, management-intensives Werkzeug anstatt als kurzfristige Lösung

 

  1. Fazit

Der Hauptvorteil von Predictive Analytics besteht darin, Einblicke aus Rohdaten zu gewinnen, aus denen sich relevante strategische Maßnahmen ableiten lassen. Mit Predictive Analytics kann matches21 zukünftige Situationen basierend auf aktuellen und vergangenen Daten vorhersagen. Die Hauptanwendungsfälle von Predictive Analytics sind die Automatisierung (z. B. der Segmentierung und der Bereitstellung von Inhalten) und die Personalisierung (z. B. von Inhalten). Zuletzt hinaus kann matches21 mit Predictive Analytics mehr über ihre aktuellen, abgewanderten und potenziellen Kunden erfahren und einen höheren Grad an Kundenbindung erreichen.

 

Literaturverzeichnis

Beck, M. (2013) ‚Visualizing neural networks in R – update‘, R-bloggers. Verfügbar unter: https://www.r-bloggers.com/visualizing-neural-networks-in-r-update/ (Zuletzt aufgerufen: 25 Februar 2019).

Chandrasekar, C. (2018) ‘What Is Predictive Advertising & Why Do You Need It?’, SearchEngine Journal. Verfügbar unter: https://www.searchenginejournal.com/predictive-advertising-need/248427/ (Zuletzt aufgerufen: 16 Februar 2019).

Davis, B. (2017) ‘Predictive Analytics: Four prerequisites of an effective strategy’, Econsultancy. Verfügbar unter:  https://econsultancy.com/predictive-analytics-four- prerequisites-of-an-effective-strategy/ (Accessed 13 Februar 2019).

Faggella, D. (2019) ‘Predictive Analytics for Marketing – What’s Possible and How it

Works’, emerj. Verfügbar unter:  https://emerj.com/ai-sector-overviews/predictive-analytics-for-marketing-whats-possible-and-how-it-works/  (Zuletzt aufgerufen: 13

Februar 2019).

Kotu, V. und Deshpande, B. (2015) Predictive Analytics and Data Mining. Waltham: Elsevier. Dawsonera [Online]. Verfügbar unter: (Accessed 5 Februar 2019). Leventhal, B. (2018) Predictive Analytics For Marketers: Using data mining for business advantage. London: KoganPage.

Mester, T. (2016) ‘Predictive Analytics 101 – Part 2’, data36. Verfügbar unter:

https://data36.com/predictive-analytics-101-part-2/ (Zuletzt aufgerufen: 25 Februar 2019).

Parr, T. und Grover, P. (o.J.) ‘How to visualize decision trees’, explained.ai.

Verfügbar unter: https://explained.ai/decision-tree-viz/ (Zuletzt aufgerufen: 25 Februar 2019).

Penn, C. S. (2017) ‘The Power of Predictive Analytics and SEO Data’, Christopher S. Penn. Verfügbar unter:  https://www.christopherspenn.com/2017/07/the-power-of- predictive-analytics-and-seo-data (Zuletzt aufgerufen: 16 Februar 2019).

ReachForce (2019) ‘8 Use Cases for Predictive Analytics in Marketing in 2019’. Verfügbar unter: https://blog.reachforce.com/blog/8-use-cases-for-predictive- analytics-in-marketing (Zuletzt aufgerufen: 15 Februar 2019).

Sales-i (o.J.) ‘6 Benefits of Predictive Analytics’. Verfügbar unter:  https://www.sales- i.com/6-benefits-of-predictive-analytics (Zuletzt aufgerufen: 13 Februar 2019).

Smart Insights (2016) ‘3 Predictive Analytics Methods That Improve Email Marketing’. Verfügbar unter:  https://www.smartinsights.com/email-marketing/email- marketing-analytics/3-predictive-analytics-methods-improve-email-marketing/ (Zuletzt aufgerufen: 16 Februar 2019).

Beitragsbild: https://pixabay.com/photos/smart-city-communication-network-4168483/ (Autor: Tumisu)

Hinterlasse einen Kommentar