print logo

Next Best X: So steigern Sie Ihre Conversions mit Predictive Analytics

So erreichen Sie höchst relevante Kampagnen Automation.
Apteco GmbH | 25.08.2020
© Apteco GmbH
 

Manchmal ist es überraschend, wie schnell sich die Dinge ändern können, sei es durch technologischen Wandel oder ein sich plötzlich änderndes Marktumfeld. Eines können sich Marketer aber immer sicher sein: Das Targeting der richtigen Person mit dem richtigen Angebot zum richtigen Zeitpunkt wird die Conversions steigern. Die Berücksichtigung aller drei Komponenten führt zu höchst relevanter und personalisierter Kampagnen Automation.

Jedes Unternehmen hat Zugriff auf Transaktionsdaten seiner Kunden. Durch die Nutzung dieser und mithilfe einiger einfacher Methoden aus dem Bereich Predictive Analytics lassen sich Ihre Conversions merklich in die Höhe treiben. Im Vergleich zu anderen aufwendigeren Marketingmaßnahmen eigentlich „Low-hanging fruits“, die insbesondere in der jetzigen Zeit sehr willkommen sind. 

In diesem Blogbeitrag betrachten wir drei Predictive Analytics Methoden, die Ihnen dabei helfen, Ihre Conversions und damit verbunden auch Ihren Umsatz zu steigern.

#1 Next Best Customer

Auch als Lookalike Modelling oder Profiling bekannt, ist dies eine wirkungsvolle Methode, um mehr Wert aus Ihren Bestandskunden zu ziehen. Immerhin kostet es fünf Mal mehr einen Neukunden zu gewinnen, als einen Bestandskunden weiterzuentwickeln.

Nehmen wir an, Sie wollen ein bestimmtes Produkt, das Sie derzeit in hoher Stückzahl auf Lager haben mit einem limitierten Budget bestmöglich als Cross-Sell-Kampagne bewerben. Die Frage lautet also: Wem soll ich das Produkt anbieten und wer wird es am wahrscheinlichsten kaufen? Oder einfach: Wer ist mein nächster bester Kunde?

Um diese Frage zu beantworten, sollten Sie sich im ersten Schritt die Kunden genauer ansehen, die das zu bewerbende Produkt bereits in der Vergangenheit gekauft haben. Aus diesen Daten erstellen Sie ein sogenanntes „Profil“ und können so die Charakteristiken dieser Analysegruppe im Vergleich zu beispielsweise allen Kunden identifizieren. Typische Eigenschaften oder Variablen, die Sie in diesem Zusammenhang analysieren können sind:

- Basisdaten Ihrer Kunden, wie Geschlecht oder Wohnort

- Verhaltensdaten, wie Kauffrequenz oder Einkaufswert

- Daten über Engagement, wie Newsletter-Klicks oder mobile Interaktion

- Soziodemografische Daten (häufig Third Party Daten), wie Einkommen oder Interessen

- Produktdaten, wie beispielsweise häufig gekaufte Warengruppe

Haben Sie die typischen Eigenschaften identifiziert, die die Käufer für Ihr zu bewerbendes Produkt ausmachen, können Sie dieses Profil auf Ihre gesamte Kundenbasis anwenden und so sogenannte Lookalikes identifizieren. Dabei erhält jeder Kunde einen Score: Je höher der Score, desto ähnlicher ist diese Person einem Kunden, der Ihr Produkt bereits in der Vergangenheit gekauft hat. Sie selektieren nun die Kunden mit einem hohen Score und haben Ihre Zielgruppe „Next Best Customer“ identifiziert.

Grafik von Apteco: Profiling

Tipp 1: Sie können die Next Best Customer Methode an anhand neuer Variablen optimieren. Beispielsweise wollen Sie testen, ob die Anzahl von Produkten in einem Warenkorb Auswirkungen auf die zukünftige Kaufwahrscheinlichkeit eines bestimmten Produktes hat. In diesem Fall ist es wichtig, dass die Möglichkeit besteht, neue Variablen (Eigenschaften) leicht zu erstellen, die untersucht und analysiert werden können.  

Tipp 2: Selbstverständlich ist es auch möglich diese Technik auf potenzielle Neukunden anzuwenden, wenn man Zugriff auf ein Referenz-Universum hat. Insbesondere im B2B können Charakteristiken, wie Unternehmensgröße oder Branche signifikante Variablen sein.

# 2 Next Best Offer

Der Ansatz “One size fits all” ist schon lange überholt. Dennoch gibt es viele Unternehmen, für die intelligente Personalisierung eine große Herausforderung darstellt. Gerade weil wir in der heutigen Zeit aber einer Vielzahl von Werbebotschaften ausgesetzt sind, ist Relevanz und Individualität das A und O, um aus der Flut hervorzustechen.

Nehmen wir an, Sie wollen jedem Ihrer Kunden ein zu ihm individuell passendes Angebot unterbreiten und auf die jeweiligen Wünsche eingehen, am besten noch bevor diese entstehen. Die Frage lautet in diesem Fall: Wie kann ich anhand meiner Kunden- und Transaktionsdaten ein intelligentes Angebot berechnen, dass die individuellen Bedürfnisse jedes Kunden berücksichtigt? Oder einfach: Was ist das nächste beste Angebot?

Die Basis zur Beantwortung dieser Frage bildet die Kaufhistorie des Kunden. Hinzu kommen zwei weitere Parameter, nämlich die Popularität, das heißt „Welche Produkte werden häufig in Kombination gekauft?“ und die Propensität, „Welche Neigungen weist der einzelne Kunde auf?“. Indem Sie das Verhältnis dieser beiden Parameter unterschiedlich gewichten, können Sie beispielsweise Nischenmärkte ansprechen.

Haben Sie die Next Best Offer Berechnung einmal durchgeführt, können Sie das Ergebnis als sogenannte Variable abspeichern und jederzeit darauf zugreifen. Kommen weitere Transaktionsdaten hinzu, greifen Sie über die abgespeicherte Variable immer auf die aktuellsten Vorschläge zu und machen zu jedem Zeitpunkt passgenaue Angebote. So generieren Sie „actionable Insights“ aus Ihren Daten.

Grafik von Apteco: Next Best Offer

Tipp 1: Neben der Kaufhistorie des Kunden und den beiden Parametern Popularität und Propensität sollten Sie bei der Berechnung des Next Best Offers auch weitere Aspekte, wie saisonale Effekte, Ihre Gewinnmarge oder Ihren aktuellen Lagerbestand berücksichtigen. Keiner möchte ein perfekt passendes Angebot erhalten, dass dann beim Kaufversuch leider nicht auf Lager ist.

Tipp 2: Vergessen Sie nicht kürzlich getätigte Käufe auszuschließen. Insbesondere bei hochpreisigen Anschaffungen, wie beispielsweise einer Waschmaschine, macht es wenig Sinn, diese nach kurzer Zeit als nächstes bestes Angebot anzupreisen.

#3 Next Best Time

Neben der richtigen Person und dem richtigen Angebot, spielt auch der richtige Kontaktzeitpunkt im Marketing eine große Rolle. In der Praxis werden Kunden aber leider häufig nach ein und derselben Regel selektiert, sodass beispielsweise alle Kunden, deren letzter Kauf 90 Tage zurückliegt, zum gleichen Zeitpunkt kontaktiert werden.

Nehmen wir an, Sie wollen eine Repurchase-Kampagne für eines Ihrer Produkte durchführen. Hierbei wollen Sie den richtigen Kontaktzeitpunkt für jeden Ihrer Kunden dieses Produktes abpassen, schließlich hat jeder seinen eigenen Kaufrhythmus. Während der eine Kunde alle drei Wochen bestellt, ist der Verbrauch bei einem anderen deutlich unregelmäßiger. Nun fragen Sie sich: Wann ist der beste Kommunikationszeitpunkt für meine Kunden und wie kann ich diesen individuell berechnen? Oder kurz und knapp: Wann ist der beste nächste Kontaktzeitpunkt?

Auch dieses Mal bilden die Transaktionsdaten die Basis zur Berechnung des richtigen Zeitpunktes für die nächste Marketing Botschaft. Hierbei spielt die Varianz als Parameter eine wichtige Rolle. Eine niedrige Varianz bedeutet, dass der Kunde im regelmäßigen Turnus kauft, während man bei einer hohen Varianz von einem unregelmäßigen Kaufrhythmus spricht. Als Ergebnis dieser Berechnung erhalten Sie nun individuelle Zeitfenster, in denen Sie Ihre Kunden jeweils am besten mit Ihrem Angebot kontaktieren. Im ersten Fall, dem regelmäßigen Käufer, ist dies noch relativ einfach: Bestellt jemand alle drei Wochen Kaffeebohnen bei Ihnen, macht es Sinn etwa zwei Wochen nach der letzten Bestellung mit der Kommunikation zu beginnen. Bei einem unregelmäßigen Käufer gestaltet sich dies schon etwas schwieriger und Sie müssen mit einem breiteren Kommunikationszeitfenster rechnen.

Grafik von Apteco: Next Best Time

Tipp 1: Um Ihre Kontaktstrategie noch weiter zu personalisieren, können Sie beispielsweise auch den besten Kontaktzeitpunkt nach Produktgruppen berechnen. Sicherlich gibt es deutliche Unterschiede zwischen hochpreisigen und günstigeren Produkten.

Tipp 2: Wenn sie noch tiefer einsteigen möchten, können Sie auch Ihre eigene Kommunikationsfrequenz hinzuziehen. Sie könnten die Zeitintervalle zwischen beispielsweise Ihrem Newsletter, dem Versand des Katalogs und eines Postmailings untersuchen und analysieren, wie diese in Verbindung mit einem Kauf stehen. Eventuell stellen Sie fest, dass einige Kunden auch unabhängig von dem Katalogversand kaufen. So lassen sich deutliche Einsparpotenziale identifizieren.

Sie sehen, es gibt unterschiedliche Ansätze, wie Sie mithilfe von Predictive Analytics Ihre Conversions deutlich steigern können. Alle zuvor gezeigten Methoden basieren auf Daten, die bereits in Ihrem Unternehmen vorhanden sind und die Sie, wenn nicht schon geschehen, nur zusammenbringen und nutzen müssen. Stellen Sie sich vor, wie viel Potenzial Sie vielleicht derzeit ungenutzt lassen. Schluss mit niedrigen Conversions – Los geht’s mit höchst relevanter und personalisierter Kampagnen Automation durch Next Best X.

Ihnen hat unser Blogbeitrag gefallen?

Hier finden Sie weitere Use Cases aus dem Bereich der Predictive Analytics, natürlich kostenfrei und unverbindlich: 

>> Zum kostenlosen Whitepaper-Download