Analytics Trends

Machine Learning im Marketing: Einführung

Machine Learning im Marketing

Intelligente Menschen lernen aus ihren Fehlern. So verbessern sich deren Fähigkeiten fortlaufend. Anders ist es bei Maschinen. Deren Fähigkeiten hängen sehr stark von den Fähigkeiten der Programmierer und Benutzer ab. Nur sind deren Ressourcen sehr begrenzt.

Im Marketing begnügt man sich daher mit dem Betrachten der Vergangenheit. Im Fachjargon spricht man dann von Analytics bzw. Descriptive Analytics: Wer sind die bis dato ertragreichsten Kunden? Welcher Newsletter am besten performt? Wie große sind die Akquisekosten? Alles schön und gut. Doch inwiefern sind solche Erkenntnisse tatsächlich hilfreich, wenn die Realität komplex ist?

Predictive Analytics geht einen großen Schritt weiter, denn es wagt einen Blick in die Zukunft. Was für Kundensegmente gibt es noch? Welches Potenzial haben diese Segmente? Welche Stellschraube eignet sich am besten, um zum Beispiel die Akquisekosten zu verringern?

Prescriptive Analytics beschreibt die Zukunft quasi von der anderen Seite: Auf Basis eines gewünschten Ziels (zum Beispiel Kundenakquisekosten halbieren) ermittelt ein Algorithmus mögliche Handlungsoptionen – inklusive deren Eintrittswahrscheinlichkeit und möglichen Risiken. Prescriptive Analytics ermöglicht es folglich, Marketingprozess weitgehend zu automatisieren.

Predictive Analytics

Predictive und Prescriptive Analytics haben zwar einen unterschiedlichen Fokus, aber gehören für mich dennoch zusammen. Letztlich geht es ja immer um eine Vorhersage. Rein technisch gesehen ist der Unterschied ebenfalls marginal. Insofern gilt: Spreche ich von Predictive Marketing, umfasst das stets beide Ausrichtungen.

Machine Learning

Ein Algorithmus, der sich nur alte Daten betrachtet, ist relativ doof. Möglicherweise addiert er Daten, gruppiert sie nach Zeitraum und rechnet irgendwelche Quotienten aus, wie zum Beispiel die Konversionsrate einer Website. Mit Intelligenz hat das jedoch wenig zu tun.

Ein Blick in die Zukunft gelingt dem Algorithmus kaum. Wenn sich der Kundenschwund (Churn) drei Monate in Folge erhöht hat, prognostiziert er vielleicht einen weiteren Anstieg. Aber auf welcher Basis? Mögliche Einflussfaktoren für ein Verhalten bleiben im Dunkeln.

Ein intelligenter Algorithmus hingegen schaut zunächst auch in die Vergangenheit. Jedoch prüft er zum Beispiel Korrelationen zwischen allen möglichen Variablen. Aufgrund der enormen Leistung moderner Hardware ist es heute kein Problem mehr, auf diese Weise eine riesige Datenbank mit Hunderten von Variablen unter die Lupe zu nehmen.

Predictive Marketing Statistik
Quelle: Salesforce

Formen von Machine Learning

Nicht überwachtes Lernen (Unsupervised Learning)

Die überwachte Form des Machine Learnings wird üblicherweise dazu eingesetzt, versteckte Muster in großen Datenmengen zu identifizieren und sogenannte “Daten-Cluster” zu ermitteln. Dabei bleibt das Ergebnis stets offen. Man weiß nie, was am Ende rauskommt. Tatsächlich hat die Modellierung von Clustern weniger mit Lernen als mit Fleißarbeit zu tun.

Cluster-Modellierung macht zum Beispiel Gruppen von Kunden mit einem ähnlichem Kaufverhalten sichtbar. Diese Cluster können bei zukünftigen Kampagnen helfen, den Umsatz in die Höhe zu treiben.

Ein Beispiel:
Du möchtest einen luxuriösen XXL-Camper vermarkten. Üblicherweise filterst Du nach Alter der Kunden (Ü65) und nach deren Einkommen. Aber solche Annahmen können in die Irre führen.
Einer Clusteranalyse untersicht noch viel mehr Kundenattribute als Alter und Einkommen. So könnte sich vielleicht herausstellen, dass junge Familien mit Hund auffällig oft so ein Fahrzeug nachfragen.

Clustering

In der Praxis werden natürlich noch viel mehr Attribute untersucht. Und zwar solange, bis sich verschiedene Gruppen von Attributen auftun, die sich signifikant unterscheiden. Solche Cluster werden gewöhnlich von etwa 8 bis 15 Attributen beschrieben. Aus jedem Cluster kannst Du direkt eine neue Buyer Persona ableiten.

Überwachtes Lernen (Supervised Learning)

Wer von Predictive Marketing spricht, meint oft die Vorhersagbarkeit von bestimmten Ereignissen. Denn im Marketing hätten wir gern regelmäßig eine Vorhersage, wie bestimmte Kunden auf ein Angebot reagieren oder wie große der Wert (CLTV) eines Neukunden ist. Beim Blick in die Zukunft helfen uns Prospensity Models (prospense = neigen).

Anders als bei der Clusteranalyse, erfordern Vorhersagemodelle ein Anlernen auf Basis eines festgelegten Ziels. Während der Trainingsphase versucht ein intelligenter Algorithmus sich dem richtigen Ergebnis anzunähern. Ob eine Vorhersage wirklich richtig ist, erfährt ein Algorithmus in der Lernphase dadurch, dass ein Trainer ihm sagt, ob das Ergebnis richtig oder falsch ist.

In der Marketingpraxis werden zum Anlernen normalerweise historische Daten herangezogen. Je ausgeprägter und vollständiger die Datensätze sind, desto besser.

Ähnlich wie beim traditionellen RFM Modelling (Recency, Frequency, Monetary Value) werden Kunden in einem Ranking gleich großer Gruppen (“Dezile”) eingeteilt. Jedes Dezil repräsentiert den Durchschnittswert einer bestimmten Eigenschaft, wie zum Beispiel die CLTV. Diese Technik erspart später Arbeit beim Segmentieren oder beim Design von Splittests.

Ein Beispiel:
Du hast einen Marketing Lead und bist Dir nicht sicher, ob Du Dein bestes Vertriebsteam auf diesen ansetzen solltest. Ein Prospensity Model sagt Dir, dass auf Basis historischer Daten der Lead zum wertvollsten Kunden-Dezil zählen würde.

Exkurs: RFM Modelling

Für die Bewertung von Kundengruppen war (und ist) RFM Modelling der Industriestandard schlechthin. Dazu wurden Daten der Vergangenheit betrachtet: Recency: Wann hat ein Kunde zuletzt bei uns gekauft? Frequency: Wie oft hat der Kunde bei uns gekauft? Monetary Value: Wie viel Erlös hat der Kunde zu verantworten?

RFM Modelling betrachtet ausschließlich die Vergangenheit anstatt das Verhalten verschiedener Kunden zu vergleichen. Darüber hinaus beschränkt es sich auf drei Variablen. Es entspricht eher einem heuristischen Ansatz als einer echten Vorhersage.

Bestärkendes Lernen (Reinforcement Learning)

Die hohe Schule im Machine Learning sind zweifelsohne Systeme, die eigenständig eine langfristige Strategie erlernen. Dazu werden Agenten (eigenständige Softwareprogramme) darauf angesetzt, per Trial-and-Error zu erlernen, welche Folgen eine Aktion innerhalb einer bestimmten Situation hat.

Machine Learning Beispiel
Quelle: edureka!

Ähnlich wie bei der Clusteranalyse machen auch sie versteckte Muster in großen Datenmengen sichtbar. Da sie selbstlernend sind, eignen sie sich jedoch hervorragend für automatische Empfehlungssysteme, wie wir sie von Amazon kennen.

Erlernt wird dazu auch der jeweilige Kontext, in welchem eine Empfehlung am erfolgreichsten ist. Denn ist dieser falsch, können Empfehlungen als überaus störend empfunden werden.

Beispiel: In Deinem Online-Shop möchtest Du das Cross-Selling stärken. Daher empfiehlt nun ein Algorithmus zum optimalen Zeitpunkt (Check-out) ein bestimmtes Produkt, weil das in der Vergangenheit zu einer Belohnung (Kauf) führte.

Herausforderungen

Data Scientists ist es ziemlich egal, was Marketer mit ihren Daten anfangen. Umgekehrt weiß ein Marketer oft nicht genau, welche Daten für eine Analyse sinnvoll sind und wie diese aufbereitet sein sollten. Aus diesem Spannungsverhältnis ergeben sich oft Missverständnisse. Wer Machine Learning und Marketing zusammenbringen möchte, sollte auch die verantwortlichen Menschen zusammenbringen. Gerade bei so einem komplexen Thema.

Fazit

Machine Learning im Marketing hat viele Gesichter und bietet für nahezu jedes Einsatzszenario eine Lösung. Big Data ist dabei keinesfalls Voraussetzung, aber hilfreich für schnelle Ergebnisse.

Dies ist bloß eine Einführung in die Thematik. Mit speziellen Tools, Algorithmen und Einsatzszenarien werde ich Dich nach und nach ebenso vertraut machen. Falls Du Fragen hast, helfe ich Dir gerne weiter.

Ebenfalls interessant
Kohortenanalyse
Was ist eigentlich eine Kohortenanalyse?
Content-Marketing Trends
Die wichtigsten Content-Marketing-Trends für 2019

Bitte kommentieren

Ihr Kommentar*

Ihr Name*
Ihre Website