Predictive Analytics nutzt historische Daten sowie statistische oder Machine-Learning-Modelle, um abzuschätzen, was als Nächstes wahrscheinlich passieren wird – etwa welche Kunden kaufen, abwandern oder auf eine Kampagne reagieren werden. Für Marketer spart es Zeit, wenn es als wiederholbarer Workflow abläuft: Frage definieren, Daten aufbereiten, ein Modell erstellen oder aktivieren, Scores in die bereits genutzten Tools übertragen, darauf reagieren und die Ergebnisse mit der Realität abgleichen.
Was kann Predictive Analytics für das Marketing tun?
Die meisten Marketing-Anwendungen fallen in wenige Gruppen.
- Kaufneigung: die Wahrscheinlichkeit, dass ein Nutzer innerhalb eines festgelegten Zeitraums kauft.
- Abwanderungsprognose (Churn): das Risiko, dass ein Kunde oder Abonnent abwandert.
- Lead-Scoring: die Chance, dass ein Lead zu einer Verkaufschance oder einem Abschluss wird.
- Customer Lifetime Value: erwarteter Umsatz eines Kunden über die Zeit.
- Nachfrageprognose: erwartete Verkäufe oder Traffic pro Woche oder Produkt.
Viele Tools bieten dies heute ohne Data-Science-Aufwand an. GA4 liefert prädiktive Metriken wie Kaufwahrscheinlichkeit, Abwanderungswahrscheinlichkeit und prognostizierten Umsatz, sobald die Berechtigungsschwellen erreicht sind. HubSpot, Salesforce Einstein, Klaviyo und mit Shopify verbundene Apps bieten prädiktive Scores. BigQuery ML und Vertex AI ermöglichen es Teams mit SQL-Kenntnissen, eigene Modelle zu erstellen.
Workflow 1: Prädiktive Zielgruppen in GA4
Dieser Workflow eignet sich für E-Commerce– und App-Unternehmen, die bereits GA4 nutzen.
- Berechtigung prüfen: GA4 benötigt über einen aktuellen Zeitraum hinweg genügend kaufende und abwandernde Nutzer, bevor prädiktive Metriken erscheinen.
- Bestätigen Sie, dass Kaufereignisse und -werte korrekt getrackt werden, einschließlich der Währung.
- Öffnen Sie im Admin-Bereich die Zielgruppen und erstellen Sie eine aus den vorgeschlagenen prädiktiven Vorlagen, wie z. B. “wahrscheinliche 7-Tage-Käufer”.
- Verknüpfen Sie GA4 mit Google Ads, damit die Zielgruppe in Kampagnen verwendet werden kann.
- Nutzen Sie die Zielgruppe für Remarketing-Gebote oder Ausschlüsse, zum Beispiel indem Sie “wahrscheinliche 7-Tage-Abwanderer” von teuren Akquise-Kampagnen ausschließen.
Überprüfen Sie die Zielgruppengröße anfangs wöchentlich. Eine kleine Zielgruppe schaltet Anzeigen möglicherweise nicht effizient, und die Schwellenwerte hinter den prädiktiven Metriken werden von Google festgelegt, nicht von Ihnen.
Workflow 2: Lead-Scoring in einem CRM
B2B-Teams beginnen meist hier, da Vertriebszeit teuer ist.
Schritte
- Exportieren Sie abgeschlossene Deals und verlorene Leads der letzten 12 bis 24 Monate.
- Listen Sie die Felder auf, die zum Zeitpunkt des Lead-Eingangs bekannt waren: Unternehmensgröße, Branche, Quelle, besuchte Seiten, Formularantworten.
- Aktivieren Sie das prädiktive Scoring des CRM, wie z. B. die Abschlusswahrscheinlichkeit von HubSpot oder Einstein Lead Scoring, oder trainieren Sie ein einfaches Modell in BigQuery ML.
- Überprüfen Sie die Top-Faktoren, die das Modell verwendet, und entfernen Sie alle, die das Ergebnis vorwegnehmen (Leakage), wie z. B. ein Feld, das erst nach einem Verkauf ausgefüllt wird.
- Legen Sie Score-Bänder und Routing fest: Hohe Scores gehen am selben Tag an den Vertrieb, mittlere Scores ins Nurturing, niedrige Scores in automatisierte Inhalte.
Den Vertrieb an Bord halten
Teilen Sie vor dem Start Beispiele für Leads mit hohem und niedrigem Score mit dem Vertriebsteam. Wenn die Mitarbeiter dem Score nicht vertrauen, ignorieren sie ihn. Vereinbaren Sie nach einem Quartal eine Überprüfung anhand der tatsächlichen Konversionsraten pro Band.
Workflow 3: Abwanderungsprävention für Abonnements
- Definieren Sie Abwanderung klar, z. B. “keine Bestellung in 90 Tagen” oder “Abonnement gekündigt”.
- Erstellen oder aktivieren Sie einen Abwanderungsscore in Ihrer E-Mail- oder CRM-Plattform.
- Erstellen Sie drei Segmente: hohes, mittleres und niedriges Risiko.
- Planen Sie eine unterschiedliche Aktion pro Segment, von einem persönlichen Anruf für hochwertige, risikoreiche Konten bis hin zu einer leichten Erinnerungs-E-Mail für risikoarme Konten.
- Behalten Sie eine zufällige Kontrollgruppe bei, die keine Sonderbehandlung erhält, damit Sie messen können, ob die Maßnahmen die Abwanderung reduzieren.
Die Kontrollgruppe ist der Schritt, den die meisten Teams überspringen, und ohne sie gibt es keinen Beweis dafür, dass der Workflow funktioniert.
Workflow 4: Nachfrageprognose für Medienbudgets
Prognosen helfen bei der Budgetplanung für Spitzenzeiten wie Ramadan, Black Friday oder die Sommerreisezeit.
- Sammeln Sie mindestens zwei Jahre an wöchentlichen Verkaufs-, Traffic- und Ausgabendaten.
- Verwenden Sie eine Prognosemethode wie ARIMA_PLUS von BigQuery ML, Prophet oder eine Tabellenkalkulations-Prognosefunktion für einen ersten Überblick.
- Fügen Sie bekannte Ereignisse hinzu: Feiertage, Produkteinführungen, Preisänderungen.
- Vergleichen Sie die Prognose jede Woche mit den Ist-Werten und notieren Sie große Abweichungen.
- Passen Sie Medienbudgets vor den prognostizierten Spitzen an, anstatt danach zu reagieren.
Wie überprüfen Sie, ob Vorhersagen richtig sind?
Modelle driften ab, wenn sich Märkte und Verhalten ändern. Eine einfache Checkliste hält sie ehrlich.
- Vergleichen Sie jeden Monat die vorhergesagten und tatsächlichen Ergebnisse nach Score-Band.
- Verfolgen Sie eine Lift-Metrik: wie viel besser das Top-Band konvertiert als der Durchschnitt.
- Trainieren Sie Modelle nach großen Änderungen, wie z. B. einem neuen Preisplan, neu oder überprüfen Sie sie.
- Behalten Sie eine Kontrollgruppe für jede automatisierte Aktion bei.
- Dokumentieren Sie Datenquellen und Definitionen, damit andere sie prüfen können.
Wie Alien Road Predictive Analytics anwendet
Bei AI-Optimierungsprojekten beginnt Alien Road mit der Discovery: Welche Entscheidung möchte der Kunde verbessern und welche Daten sind bereits in GA4, dem CRM, der E-Commerce-Plattform oder den Werbekonten vorhanden? Die Frage kommt immer vor dem Modell.
Das Setup beginnt meist mit integrierten Funktionen wie GA4-Zielgruppen oder CRM-Scoring, da diese schnell zu testen sind. Wenn der Kunde über genügend Daten und einen klaren Bedarf verfügt, bauen wir benutzerdefinierte Modelle in BigQuery mit dem Analyseteam des Kunden. Scores werden in die Tools übertragen, die täglich genutzt werden: Werbeplattformen, E-Mail-Tools und das CRM.
Die Messung stützt sich auf Kontrollgruppen und den Lift pro Score-Band. Monatliche Berichte zeigen, ob Vorhersagen mit der Realität übereinstimmten, welche Maßnahmen ergriffen wurden und was sie einbrachten. Wenn ein Modell keinen Lift mehr bringt, sagen wir das und reparieren oder ersetzen es.
Welche Datenqualitätsprobleme zerstören Vorhersagen?
Vorhersagen erben jeden Fehler in den Daten. Doppelte Kundendatensätze spalten einen Käufer in zwei schwächere Profile auf. Fehlende Kaufwerte lassen hochwertige Kunden durchschnittlich aussehen. Einwilligungseinstellungen und Werbeblocker entfernen einen Teil der Webdaten, sodass das Modell aus einer verzerrten Stichprobe lernt. Bevor Sie einem Score vertrauen, verbringen Sie eine Stunde damit, Duplikate, leere Felder und Tracking-Lücken in den Quelltabellen zu prüfen.
Wo Sie diese Woche anfangen sollten
Wählen Sie eine Entscheidung, die Ihrem Team Zeit kostet, z. B. welche Leads zuerst angerufen werden sollen oder welche Kunden mit einem Bindungsangebot angesprochen werden sollen. Prüfen Sie, ob Ihre aktuellen Tools bereits einen prädiktiven Score dafür anbieten; viele tun dies.
Aktivieren Sie ihn für ein Testsegment, behalten Sie eine Kontrollgruppe bei und vergleichen Sie die Ergebnisse nach vier bis acht Wochen. Ein kleiner, gemessener Workflow wird Sie mehr lehren als ein großes Modell, das niemand nutzt.
Weiterlesen: KI-Optimierung · KI-Optimierung