Prädiktive Analysen scheitern im Marketing aus einer kurzen Liste wiederholbarer Gründe: Das Modell wird mit Daten trainiert, die die Antwort verraten, es sagt etwas voraus, auf das niemand reagieren kann, oder niemand misst, ob das Handeln aufgrund der Vorhersage etwas verändert hat. Agenturen vermeiden diese Fehler, indem sie zuerst die Entscheidung definieren, in festgelegten Zeiträumen testen und kontrollierte Uplift-Tests durchführen, bevor sie skalieren.
Die Technik selbst ist alt. Regression, Gradient-Boosted Trees und Überlebensmodelle werden seit Jahrzehnten für Abwanderung und Lifetime-Value verwendet. Was sich geändert hat, ist der Zugang: GA4 liefert Metriken zur Kauf- und Abwanderungswahrscheinlichkeit, Google Ads und Meta nutzen vorhergesagte Conversion-Werte für Gebote, und Tools wie BigQuery ML ermöglichen es einem Analysten, ein Modell mit SQL zu trainieren. Einfacherer Zugang bedeutet, dass dieselben Fehler jetzt schneller passieren.
Was bewirkt prädiktive Analyse im Marketing eigentlich?
Ein prädiktives Modell schätzt die Wahrscheinlichkeit oder Größe eines zukünftigen Ergebnisses für jeden Kunden, Lead oder jede Sitzung. Typische Ziele sind der Kauf in den nächsten sieben Tagen, die Abwanderung in den nächsten 30 Tagen, der erwartete 12-Monats-Umsatz oder die Chance, dass ein Lead zu einer Verkaufschance wird.
Das Ergebnis ist ein Score. Für sich genommen bewirkt er nichts. Wert entsteht erst, wenn der Score eine Entscheidung ändert: Wer erhält einen Rabatt, welche Zielgruppe erhält mehr Budget, welchen Lead ruft ein Verkäufer zuerst an? Diese Lücke zwischen Score und Entscheidung ist der Ort, an dem die meisten Projekte im Stillen sterben.
Fehler 1: Etwas vorhersagen, auf das niemand reagieren wird
Ein Team erstellt ein Abwanderungsmodell mit guter Genauigkeit, präsentiert ein Diagramm, und nichts passiert, weil kein Rückgewinnungsangebot, kein Budget oder kein Verantwortlicher existiert. Das Modell war ein Forschungsprojekt, kein Marketing-Tool.
Die Lösung besteht darin, die Aktion schriftlich festzuhalten, bevor die Datenarbeit beginnt. Zum Beispiel: Kunden mit einem Abwanderungsscore über einem Schwellenwert erhalten eine Rückgewinnungs-E-Mail-Sequenz und einen 10-Prozent-Gutschein, verantwortet vom CRM-Manager, monatlich überprüft. Wenn Sie diesen Satz nicht schreiben können, ist das Modell nicht bereit, gebaut zu werden.
Fehler 2: Trainingsdaten, die die Antwort verraten
Datenleckage ist der teuerste technische Fehler, weil sie Modelle erzeugt, die beim Testen exzellent aussehen und in der Produktion versagen. Es passiert, wenn ein Merkmal Informationen enthält, die zum Zeitpunkt der Vorhersage noch nicht existieren würden.
Ein klassischer Fall: Vorhersage, ob ein Lead konvertiert, unter Verwendung eines Feldes wie “Anzahl der Verkaufsanrufe”. Leads, die konvertieren, erhalten mehr Anrufe, weil sie konvertieren. Das Modell lernt die Folge, nicht die Ursache.
Wie man auf Leckage prüft
- Fragen Sie bei jedem Merkmal: Wäre dieser Wert genau in dem Moment bekannt, in dem die Vorhersage getroffen wird?
- Teilen Sie Trainings- und Testdaten nach Zeit auf, nicht zufällig. Trainieren Sie von Januar bis Juni, testen Sie von Juli bis September.
- Seien Sie misstrauisch gegenüber jedem Modell mit nahezu perfekter Genauigkeit bei einem komplexen Geschäftsproblem.
- Erstellen Sie die Merkmals-Tabelle als Point-in-Time-Snapshot neu, anstatt aktuelle CRM-Werte zu lesen.
Fehler 3: Optimierung der Genauigkeit statt des Geschäftswerts
Genauigkeit ist eine schlechte Metrik, wenn Ergebnisse selten sind. Wenn 3 Prozent der Nutzer kaufen, ist ein Modell, das für alle “kein Kauf” vorhersagt, zu 97 Prozent genau und nutzlos.
Bessere Metriken hängen von der Entscheidung ab. Betrachten Sie für das Ranking von Leads die Präzision im obersten Dezil: Von den 10 Prozent der Leads mit dem höchsten Score, wie viele haben konvertiert? Betrachten Sie für die Budgetallokation die Kalibrierung: Wenn das Modell 20 Prozent sagt, konvertieren dann ungefähr 20 Prozent dieser Gruppe? Kalibrierung ist wichtig, weil wertbasierte Gebote und LTV-Prognosen Wahrscheinlichkeiten mit Geld multiplizieren.
Warum funktionieren prädiktive Modelle nach dem Start nicht mehr?
Modelle beschreiben die Vergangenheit. Wenn sich Preisgestaltung, Produktmix, Traffic-Quellen oder die Wirtschaft ändern, verschiebt sich die Beziehung, die das Modell gelernt hat. Ein Modell, das vor einem großen Werbekalender oder einem neuen Akquisekanal trainiert wurde, kann innerhalb von Wochen abbauen.
Drift ist normal und sollte eingeplant werden. Eine einfache Routine zur Überwachung fängt die meisten Probleme ab:
- Verfolgen Sie den durchschnittlichen vorhergesagten Score pro Woche neben der tatsächlichen Erfolgsquote.
- Vergleichen Sie die Merkmalsverteilungen dieses Monats mit dem Trainingszeitraum, insbesondere Traffic-Quelle und Gerät.
- Legen Sie einen Zeitplan für die Nachschulung fest, monatlich oder vierteljährlich je nach Volumen, anstatt nur dann nachzuschulen, wenn sich jemand beschwert.
- Behalten Sie die vorherige Modellversion bei, damit Sie ein Rollback durchführen können.
Fehler 4: Niemals den inkrementellen Uplift messen
Eine Zielgruppe mit hoher Neigung konvertiert häufiger. Das ist der Sinn des Scores und auch die Falle. Wenn Sie einen Rabatt an Leute senden, die sowieso kaufen würden, sehen die Conversions großartig aus, während die Marge sinkt.
Der ehrliche Test ist eine Kontrollgruppe. Teilen Sie die Gruppe mit hohem Score zufällig auf, handeln Sie bei der einen Hälfte und lassen Sie die andere Hälfte in Ruhe. Der Unterschied zwischen den beiden Gruppen ist der Uplift, den das Modell und die Aktion gemeinsam erzeugt haben. Einige Teams gehen mit Uplift-Modellen weiter, die vorhersagen, wer sein Verhalten aufgrund der Aktion ändert, aber eine saubere Kontrollgruppe ist der Ausgangspunkt.
Fehler 5: Den Vendor-Score als Wahrheit behandeln
Plattform-Scores wie die GA4-Kaufwahrscheinlichkeit oder der vorhergesagte Wert, der für Werbegebote verwendet wird, sind nützlich, aber sie sind Blackboxen, die auf Ziele trainiert wurden, die Sie nicht vollständig kontrollieren. GA4 hat auch Eignungsschwellenwerte: Die Property benötigt genügend positive und negative Beispiele über ein kürzliches Zeitfenster, bevor prädiktive Metriken überhaupt erscheinen.
Verwenden Sie diese Scores als einen Input, nicht als das letzte Wort. Vergleichen Sie sie mit einer einfachen Regel, die Sie verstehen, wie Aktualität und Häufigkeit des Kaufs. Wenn ein einfaches RFM-Segment in einer Kontrollgruppe genauso gut abschneidet wie der Plattform-Score, haben Sie etwas Wertvolles darüber gelernt, woher das Signal wirklich kommt.
Wie Alien Road prädiktive Analysen anwendet
Bei einem typischen Engagement beginnt die Arbeit mit einem Entscheidungsworkshop statt mit einem Datensatz. Wir listen die zwei oder drei Entscheidungen auf, die der Kunde wiederholt trifft, wie Budgetaufteilungen für Zielgruppen oder Lead-Routing, und wählen eine aus, bei der eine bessere Prognose die Ausgaben ändern würde.
Die Einrichtung bedeutet normalerweise eine Point-in-Time-Merkmals-Tabelle in BigQuery, die aus GA4-Export- und CRM-Daten erstellt wurde, ein Basismodell und eine zeitbasierte Testaufteilung. Bevor etwas live geht, einigen wir uns auf das Design der Kontrollgruppe und die Metrik, oft Marge pro Nutzer statt Conversion-Rate. Das Reporting erfolgt in einem Looker Studio-Dashboard, das vorhergesagte gegenüber tatsächlichen Ergebnissen und den Vergleich der Kontrollgruppe zeigt, sodass der Kunde sieht, ob das Modell seinen Platz verdient.
Wo man diese Woche anfangen sollte
Wählen Sie eine Entscheidung, die Sie jede Woche mit einem Bauchgefühl treffen, wie zum Beispiel, welche früheren Kunden ein Remarketing-Angebot erhalten. Schreiben Sie die Aktion, den Verantwortlichen und die Metrik auf, die beweisen würde, dass es funktioniert hat.
Überprüfen Sie dann, welche Daten in dem Moment existieren, in dem diese Entscheidung getroffen wird. Wenn GA4-prädiktive Metriken in Ihrer Property verfügbar sind, erstellen Sie eine Testzielgruppe aus “wahrscheinlichen 7-Tage-Käufern” und lassen Sie sie einen Monat lang gegen eine zufällige Kontrollgruppe laufen. Dieser kleine, gemessene Test wird Sie mehr über Ihre Daten lehren als ein großes Modell, das ohne einen solchen gebaut wurde.
Weiterlesen: KI-Optimierung · KI-Optimierung