Die meiste Arbeit im Bereich Predictive Analytics im Marketing produziert Zahlen, die niemand verwendet. Ein Churn-Score erscheint im CRM, ein Propensity-Modell läuft jede Nacht, ein Dashboard zeigt ein Prognoseband für das nächste Quartal, und das Team trifft weiterhin dieselben Entscheidungen wie zuvor. Bevor man irgendetwas aufbaut, ist die Frage, über die es sich zu streiten lohnt: Welche Entscheidung ändert sich, wenn die Prognose hoch oder niedrig ausfällt, und wer hat die Befugnis, diese Änderung vorzunehmen? Wenn Sie beide Teile nicht beantworten können, ist das Projekt eine Berichtsübung im Data-Science-Kostüm.
Die gute Nachricht ist, dass nützliche Vorhersagen im Marketing selten komplex sind. Die Modelle, die sich in unseren Konten bewähren, sind unspektakulär: eine Schätzung des Customer Lifetime Value, die genau genug ist, um eine Obergrenze für Akquisitionsgebote festzulegen, eine Churn-Wahrscheinlichkeit, die genau genug ist, um eine Liste für Kundenrückgewinnung zu priorisieren. Nichts davon muss präzise sein. Sie müssen richtungsweisend korrekt sein und vor der Entscheidungsfrist verfügbar sein, was eine viel niedrigere Hürde ist, als die meisten Teams annehmen, und operativ viel schwerer zu erreichen.
Vier Prognosen, die Ihr Handeln verändern
Beginnen Sie mit dem prognostizierten Kundenwert bei der Akquise, denn dies behebt den häufigsten Fehler im Paid Media: für jede Conversion den gleichen Betrag zu bieten. Wenn frühe Signale einen Kunden, der wahrscheinlich dreimal kauft, von einem unterscheiden, der wahrscheinlich nur einmal kauft, können Sie es sich leisten, für den ersten mehr zu zahlen und sollten sich weigern, für den zweiten viel zu zahlen. Diese einzelne Änderung verbessert die gemischte Effizienz in der Regel mehr als jede begleitende Zielgruppen- oder Kreativarbeit.
- Prognostizierter Lifetime Value bei der Anmeldung, verwendet zur Festlegung von Gebotsobergrenzen und der Tiefe der Willkommensreise.
- Churn- oder Abwanderungswahrscheinlichkeit, verwendet, um eine begrenzte Liste für Rückgewinnungsmaßnahmen zu priorisieren, anstatt jeden anzuschreiben.
- Nächstbeste Kategorie, verwendet, um zu entscheiden, welche von drei E-Mails gesendet werden soll, nicht um den Text zu schreiben.
- Nachfrage nach SKU und Region, verwendet, um Ausgaben für Linien zu pausieren, die diese Woche ausverkauft sein werden.
- Erwartete Reaktion auf einen Rabatt, verwendet, um Angebote von Kunden zurückzuhalten, die ohnehin gekauft hätten.
Letzteres verdient mehr Aufmerksamkeit, als es bekommt. Gewöhnliche Propensity-Modelle identifizieren, wer wahrscheinlich kauft, was dazu führt, dass Teams Rabatte genau an die Leute senden, die keinen Rabatt brauchten. Was Sie eigentlich wollen, ist Uplift: den Unterschied, den eine Maßnahme bewirkt. Es erfordert Kontrollgruppen und etwas mehr Sorgfalt, und es ist der Unterschied zwischen einer Werbeaktion, die die Marge erhöht, und einer, die sie stillschweigend verschenkt.
Welche Daten Sie tatsächlich benötigen
Weniger als Anbieter vermuten lassen und sauberer als das, was Sie haben. Für die meisten Konsumgüterunternehmen liefern Transaktionshistorien mit Daten und Werten, grundlegende Akquisitionsquellen und eine Handvoll Engagement-Ereignisse den Großteil der erreichbaren Genauigkeit. Wo Teams verlieren, ist die Integrität: doppelte Kundendatensätze, Retouren, die sich nicht im Umsatz widerspiegeln, Testbestellungen, die im Trainingsset verbleiben, und eine Tracking-Änderung vor sechs Monaten, die stillschweigend die Bedeutung eines Ereignisses verändert hat.
Verbringen Sie die ersten zwei Wochen jedes Predictive-Analytics-Marketingprojekts mit diesem Audit, anstatt mit der Modellauswahl. Wir haben mehr Projekte wegen unzuverlässiger Umsatzdaten eingestellt als wegen unzureichendem Volumen. Eine grobe Regel: Wenn Sie den gemeldeten Umsatz des letzten Quartals nicht innerhalb einer kleinen Marge aus der Rohdatentabelle reproduzieren können, sind Sie nicht bereit, daraus irgendetwas zu prognostizieren.
Genauigkeit ist die falsche Kennzahl für die Schlagzeile
Ein Churn-Modell, das zu neunzig Prozent genau ist, klingt hervorragend und kann wertlos sein, denn wenn nur fünf Prozent der Kunden abwandern, ergibt die Vorhersage, dass niemand abwandert, neunzig Prozent. Was zählt, ist, ob der oberste Teil der priorisierten Liste signifikant mehr Abwanderer enthält als ein zufälliger Teil und ob dieser Lift groß genug ist, um die Kosten der Intervention zu rechtfertigen.
Ebenso wichtig ist die Kalibrierung. Wenn das Modell dreißig Prozent sagt, sollten ungefähr dreißig Prozent dieser Kunden abwandern. Unkalibrierte Scores sind gut für das Ranking und gefährlich für die Budgetierung, und Teams multiplizieren routinemäßig einen Rohwert mit dem durchschnittlichen Bestellwert, um eine Umsatz-at-Risk-Zahl zu erzeugen, die keine Grundlage hat. Überprüfen Sie die Kalibrierung, bevor eine Zahl das Analyseteam verlässt.
Bauen Sie die Schleife vor dem Modell
Entscheiden Sie im Voraus, wie die Vorhersage den Punkt der Aktion erreicht. Ein Score in einer Warehouse-Tabelle, den jemand jeden Montag in eine Tabelle exportiert, wird drei Wochen lang verwendet und dann vergessen. Ein Score, der zurück in das CRM-Feld geschrieben wird, das das Vertriebsteam bereits ansieht, oder als Wertsignal in die Werbeplattform gepusht wird, wird auf unbestimmte Zeit verwendet, weil es niemanden etwas kostet, ihn zu nutzen.
Planen Sie vom ersten Tag an mit Zerfall. Modelle driften ab, wenn sich das Geschäft ändert: eine neue Preisstufe, ein anderer Akquisitionskanal-Mix, ein Lieferengpass. Richten Sie eine Überwachungsroutine ein, die monatlich prognostizierte mit realisierten Ergebnissen vergleicht und einen Neuaufbau auslöst, wenn die Lücke einen Schwellenwert überschreitet, den Sie vereinbart haben, während noch alle ruhig waren. Ohne dies verschlechtern sich Modelle unsichtbar und das Vertrauen des Teams in alle Prognosen schwindet mit ihnen.
Erwartungen ehrlich halten
Prognosen sind Bereiche, und sie als einzelne Zahlen zu präsentieren, lädt zur falschen Art von Rechenschaftspflicht ein. Geben Sie den Bereich an, nennen Sie die Annahmen und sagen Sie klar, was das Modell nicht sehen kann: Werbeaktionen der Konkurrenz, Makroschocks, eine Änderung der Kanalpolitik. Auf diese Weise wird Predictive Analytics im Marketing zu einem normalen Teil der Planung statt zu einer periodischen Enttäuschung, und die Argumente verschieben sich von der Frage, ob man der Zahl glauben soll, hin dazu, was man dagegen tun soll, was genau der richtige Ort dafür ist.
Weiterlesen: KI-Optimierung
Passende Leistung: KI-Optimierung