predictive marketing sample pic

Analyse großer Datenbestände als Schlüssel zur Prognose von Kunden- und Wählerverhalten

von Martin J. Schwiezer

 

Der Begriff prädiktives, also vorhersagendes, Marketing, fasst Methoden zusammen, die dazu dienen, zukünftige Handlungen von Kunden oder Wählern vorauszusagen sowie alle Marketing-Aktivitäten, die aufgrund dieser Vorhersagen unternommen werden. Grundlage sind zuvor erfasste Daten über die jeweiligen Individuen und deren Verhalten.

 

Hört sich gar nicht so neu an? Richtig: Genau wie beim Microtargeting sind die Grundlagen des Predictive Marketing nichts, was erst mit Einzug des eCommerce erfunden wurde. So bemühen sich z.B. Versicherungen seit ewigen Zeiten darum, ihre Angebote an die jeweils individuelle Situation, bzw. den vermuteten Bedarf des umworbenen Kunden anzupassen. Händler und Versandhäuser interessieren sich für Bonität und Kaufgewohnheiten ihrer Klientel usw. Sie alle passen ihre Angebote den gewonnenen Erkenntnissen, bzw. dem jeweiligen Kunden an, in der Hoffnung, die Zahl der Geschäftsabschlüsse, bzw. den Absatz zu erhöhen. Nichts anderes ist auch das Ziel des prädiktiven Marketings. Neu ist lediglich die Art und der Umfang der Informationsgewinnung sowie die beeindruckend gestiegene Präzision und Erfolgsrate der Maßnahmen.

 

Bevor wir uns außergewöhnlichen Möglichkeiten und Beispielen des Predictive Marketings widmen, vergegenwärtigen wir uns zunächst die Grundlagen der Datengewinnung und -nutzung . Als Beispiel betrachten wir einen fiktiven Online-Versandhandel, den wir X-Markt taufen. X-Markt hat seinen Online-Shop so aufgesetzt, dass er die folgenden Daten über seine Kunden sammelt und auswertet:

 

  • Personalien (Name, Adresse, Telefon, Geschlecht, Alter)
  • Seit wann Kunde?
  • Welche Artikel gekauft?
  • Wie viele Artikel gekauft?
  • Wie viel Umsatz generiert (kumuliert und durchschnittlich)?
  • Wie oft retourniert (Umtausch)?
  • In welcher Frequenz besucht er X-Markt?
  • Nach welchen Produkten wurde gesucht?
  • Welche Produkte wurden betrachtet?
  • Wie oft wurden die Produkte betrachtet?
  • Wie lange wurden die Produkte betrachtet?
  • Gab es Probleme bei der Zustellung der Waren?
  • Gab es Probleme bei der Zahlung?
  • Über welchen Weg wird gezahlt (Kreditkarte, Bankeinzug etc.)?
  • Hat der Kunde Produktbewertungen oder -berichte hinterlassen?
  • Gab es Kontakt zum Kunden-Support?
  • Wie zufrieden ist der Kunde mit X-Markt und seinen Produkten?

 

Die Auswertung dieser Daten ermöglicht es, die Kunden des Marktes mit einem Score zu klassifizieren: von sehr niedrig für einen unzuverlässigen Kunden, der unpünktlich zahlt, sich für Produkte mit geringer Gewinn-Marge interessiert, viele Retouren verursacht und geringe Umsätze generiert bis sehr hoch für den langjährigen Kunden, der hohe Umsätze bringt, Produkte mit hoher Marge kauft, pünktlich zahlt etc.

 

Wird der errechnete Kunden-Score dann in ein unternehmensweites CRM-Tool übertragen, können Richtlinien definiert werden, die es jedem Kundendienstmitarbeiter ermöglichen, über z.B. einen Kulanzantrag oder sonstige, ähnlich komplexe Vorgänge, autonom (bzw. Score-basiert) zu entscheiden. Die zeitintensive, aufwendige Eskalation von komplexen Kundenafragen zum Vorgesetzten entfällt.

 

Neben diversen individuellen Systemen hat sich zur Klassifizierung von Kunden vor allem das RFM-Score-System etabliert (R: Recency – Wie lang ist es her, dass der Kunde gekauft hat?, F: Frequency – Wie oft kauft der Kunde?, M – Monetary Value – Wie viel Geld gibt der Kunde aus?). Der RFM-Score wird z.B. eingesetzt, um über Kundenanfragen zu entscheiden oder um zu bestimmen, ob risikobehaftete Zahlungemethoden (Nachnahme, Ratenzahlung, Zahlung auf Rechnung etc.) einem Kunden überhaupt auf der Website angezeigt werden.

 

Derartige Systeme werden nicht nur in der Wirtschaft eingesetzt. Auch die Politik entdeckt sie derzeit. So plant China die landesweite Einführung eines so genannten Citizen Score Systems für das Jahr 2020. Das System vergibt Punkte für Regime-konformes Verhalten oder reduziert das Punktekonto nach Ungehorsam. Für das westliche Verständnis von Demokratie und Selbstbestimmung legt eine derartige Verwendung wohl den Vergleich zu Big Brother-Dystopien nahe.

Einsatz von Predictive Marketing in der Wirtschaft

 

Nachdem wir uns angeguckt haben, welche Daten gesammelt und analysiert werden, betrachten wir nun den praxisbezogenen Einsatz der Informationsauswertung im predictive Marketing. Einige Beispiele werden Ihnen bekannt vorkommen, da sie bereits etablierte Praxis sind, andere überraschen, weil sie die beeindruckende Erweiterung der Möglichkeiten demonstrieren:

 

Beispiel 1

Aufgrund der gesammelten und ausgewerteten Daten weiß X-Markt, wie oft ein Kunde sich ein Produkt anguckt, das er bisher aber noch nicht gekauft hat. Mit dieser Erkenntnis kann X-Markt das betreffende Produkt individualisiert bewerben. Beim Besuch der Homepage wird der Artikel dem Kunden prominenter präsentiert. Sollten Sale-/Discount-Angebote über das Produkt anstehen, kann der Kunde per Newsletter informiert werden. Bei etwaig bestehenden Werbepartnerschaften (z.B. via Google Ads) kann das Produkt auch auf nicht-X-Markt-Webseiten beworben werden. X-Markt erhöht so die Wahrscheinlichkeit, dass der Kunde sich doch noch zum Kauf entschließt.

 

Beispiel 2

Sollte der Kunde wiederholt Produkte derselben Kategorie kaufen oder betrachten, so können ihm weitere Artikel der gleichen oder einer zugehörigen Produktkategorie angeboten werden (wenn er z.B. eine Taschenlampe gekauft hat, werden ihm beim nächsten Besuch passende Batterien angezeigt).

 

Beispiel 3

Die vorhergehenden Beispiele mögen noch nicht wirklich einen Wow-Effekt erzeugt haben und mancher könnte fragen, ob sie überhaupt schon dem Bereich des predictive Marketing zuzuordnen sind (sind sie!). Aber nun wird es spannend, wenn wir gesammelte Daten mit externen Informationsquellen verknüpfen. Wir verlassen dazu unseren liebgewonnenen X-Markt und wenden uns dem real existierenden Unternehmen Walmart zu (welches seit jeher dafür bekannt ist, sich mit Psyche und Verhalten seiner Kunden und Mitarbeiter auseinanderzusetzen).

Ende August 2004 (ich erwähnte bereits, dass Predictive Marketing nicht wirklich ein neuer Trend ist) war Hurrikane Frances auf seinem Weg Florida heimzusuchen. Während die Bewohner der betroffenen Region damit beschäftigt waren, ihre Behausungen sturmfest zu machen, fand das Walmart-Management, Frances sei eine prima Gelegenheit, Ihre so genannten Predictive Technologies zu testen: Aus der Aufzeichnung der Daten vorhergehender Hurrikanes, versuchte man herauszulesen, welche Produkte sich im Vorfeld derartiger Ereignisse besonders gut unter das Volk bringen ließen. Man rechnete nicht wirklich mit Überraschungen, bzw. gab es ganz naheliegende Artikel, die sich bisher in solchen Situationen bewährt hatten: Decken, Taschenlampen, Konservendosen, Kerzen, Werkzeug etc.

Dementsprechend unaufgeregt wurde geprüft, ob sich in den 460 Terabyte Kundendaten (460 TB! In 2004!) das Kaufverhalten vor Hurrikanes statistisch ablesen ließe. Die Überraschung war groß, als die Datenbank ausspuckte, dass die zwei bestverkauften Produkte vor Hurrikans keinesfalls Taschenlampen und Dosensuppen waren, sondern Erdbeerküchlein der Marke Pop-Tarts und Bier. Dank dieser Vorhersage schickte man Lastwagen voll mit Bier und Erdbeerkuchen nach Florida und während andere Supermärkte wieder auf Taschenlampen und Kerzen setzten, verkaufte Walmart 7x so viele Strawberry Pop-Tarts und 4x so viel Bier, wie zu nicht Hurrikane-bedrohten Zeiten. Bis heute weiß niemand, warum das so ist. Es ist so abwegig, dass es ohne die Analyse der Daten wohl auch niemandem aufgefallen wäre.

 

Beispiel 4


Ein noch beeindruckenderes Beispiel für prädiktives Marketing lieferte die Firma Netflix: Anders als bei Fernsehserien üblich, wurde die Entscheidung über die Produktion von House of Cards nicht an den Erfolg eines Pilotfilms geknüpft, sondern aufgrund der Analyse von Daten der Kunden des Netflix-Netzwerks getroffen. Netflix war sich so sicher, dass die Serie ein Hit werden würde, dass sie die Produktion von zwei Staffeln mit einer Starbesetzung und David Fincher als Star-Regisseur zu Gesamtkosten in Höhe von 100 Mio. Dollar bewilligten. Das erstaunlichste an dem Beispiel: Die Serie war tatsächlich der größte Erfolg in der Geschichte des Unternehmens. Wie sehr Spaceys Beliebtheit dann durch die Vorwürfe der sexuellen Belästigung litt, konnte die prädiktive Technik nicht erahnen. Netflix stellte die Serie 2018 ein.

(Abbildung © by Netflix, Inc., 2016)

Fazit: Die Zukunft hat gerade erst begonnen

 

So beeindruckend die Beispiele für den Einsatz von prädiktivem Marketing zu sein scheinen, so sehr wird klar, dass wir uns noch ganz am Anfang der neuen Möglichkeiten befinden. Besonders der Fortschritt in der Erforschung und Entwicklung der Künstlichen Intelligenz (KI) wird bedeutend dazu beitragen, dass die Auswertung der gewonnenen Daten zu noch beeindruckenderen und komplexeren Ergebnissen, bzw. Vorhersagen führt.

 

Schon jetzt übersteigt die Anwendung von predictive Marketing in einigen Fällen die menschliche Vorstellungskraft (vgl. Beispiel 3). Und doch sind es momentan nur die ersten zaghaften Erfahrungen in der Anwendung dieser Methodik. Gerade mit Blick auf die Möglichkeiten politischer Einflussnahme in Kombination mit Microtargeting und Big Data Analytics, übersteigen wohl alles, was bisher an klassischer Werbung, bzw. konventioneller Propaganda möglich erschien. Auch deswegen mahnt die Anwendung dieser neuen Techniken zum verantwortungsvollen Umgang.

Über den Autor:

Martin J. Schwiezer beschäftigt sich seit den frühen 90er-Jahren leidenschaftlich mit interaktiven Medien, Online-Communities und den Möglichkeiten multimedialer Kommunikation in PR und Marketing. Nach dem Jura-Studium arbeitete er mehrere Jahre als Medienproduzent für die Berliner Pixelpark AG und ab 1996 für die Bertelsmann AG. 1999 gründete er die Reakktor Media GmbH mit der er 2001 Neocron als einziges, jemals in Deutschland entwickeltes Online-Rollenspiel veröffentlichte.
Bis heute hat Schwiezer die Entwicklung von über zwanzig Media-Apps, Online-Games und -Plattformen geleitet, wie z.B. das erfolgreiche e-Sports Game TOXIKK. Mit dem 2016 gegründeten Unternehmen NORD XR beschäftigt sich Schwiezer auch intensiv mit den neuen Möglichkeiten der Produktkommunikation via Virtual und Augmented Reality (u.a. für die Continental AG). Seit 2017 ist er über seine Holding Schwiezer System GmbH auch bei Brandkontor investiert.

Next
Markenverwirrung: Museum of Modern Art oder “More Matcha”?