WIEN. Predictive Modeling (zu Deutsch Prognosemodelle) gewann in den vergangenen Jahren auch im Marketing zunehmend an Wichtigkeit. Hierbei handelt es sich um einen Prozess, bei dem mithilfe geeigneter statistischer Methoden und Algorithmen aus vorhandenen Daten Ereignisse vorhergesagt werden können. So kann unter anderem vorausgesagt werden, wie sich das Kaufverhalten von Kunden entwickeln wird.
„Unsere Retail- und e-Commerce-Kunden zeigen ein hohes Interesse daran, den Wert eines Kunden für die nächsten Monate zu prognostizieren, um die Kommunikationsbudgets effizient einzusetzen. Zudem möchten sie frühzeitig erkennen, welche Kunden in Gefahr sind, verloren zu gehen”, so Wolfgang Hafner, geschäftsführender Gesellschafter von dialogic. Zusammen mit seinem zehnköpfigen Team, das überwiegend aus Data Scientists besteht, sorgt er bei den Kunden für die nötige Marketing-Data-Expertise.
Planung ist alles
Für ein bestmögliches Ergebnis werden die Machine-Learning-Algorithmen mit allen verfügbaren Daten wie Einkäufen, Warenkörben, Online-Verhalten und Soziodemografie gefüttert und anschließend mit der bisherigen Kaufhistorie eines jeden einzelnen Kunden in Beziehung gesetzt; das Prognosemodell wird mit diesen Daten sozusagen trainiert. Im zweiten Schritt wird das fertige Modell auf Testdaten angewendet. Hierbei nimmt dialogic eine Testkundengruppe und prognostiziert deren Einkäufe und damit ebenfalls deren Customer Value. Im finalen Schritt wird die Prognose mit dem tatsächlichen Einkaufsverhalten verglichen und so die Güte des Prognosemodells geprüft. Ist das Modell fertig trainiert, wird es dazu verwendet, den Lifetime-Value eines Neukunden schon nach wenigen Käufen vorauszusagen.
Wenn dialogic einen guten Job macht, wird das Kaufverhalten von mindestens acht von zehn Kunden richtig vorausgesagt.
Solides Fundament
Um Predictive Modeling anwenden zu können, bedarf es bei den Unternehmen eines Fundaments unterschiedlichster Datenquellen. Hierzu gehören meist Warenkorbdaten, Online-Pageviewdaten, Online-Kommunikationsdaten sowie Basisdaten zu den Haushalten. Eine Datenhistorie, um auf die vergangenen zwei bis drei Jahre zurückblicken zu können, bilde allenfalls „eine gute Basis”.
Zwei starke Trends
Laut Hafner haben sich 2022 zwei Trends besonders bemerkbar gemacht: Unternehmen haben vermehrt in den Aufbau ihrer Dateninfrastruktur investiert. Kunden von dialogic würden diese Datenbasis nun nutzen, um ihre Kundensegmentierungsmodelle auf ein neues Level zu heben. AI-basierte Clustermodelle bieten einen neuen Blick auf die eigene Kundenbasis.
Der zweite große Wachstumsbereich ist die Aufgabe, Daten mittels moderner BI-Dashboards zum Sprechen zu bringen. dialogic entwickelt in Zusammenarbeit mit deren Kunden Dashboard-Landschaften und trainiert die Teammitglieder bei Interpretation und Umgang mit den Daten durch entsprechende BI-Tools.
Nächstes Jahr soll der Trend weiter anhalten, wie Geschäftsführer Hafner ankündigt: „Wir möchten 2023 für alle Unternehmen da sein, die ihren eigenen Analytics-Teams einen starken Partner zur Seite stellen wollen, der erprobte Modelle rasch erfolgreich nutzbar macht.” (mab)
