MASCHINELLES LERNEN IM MARKETING

Der Begriff maschinelles Lernen beschreibt im Wesentlichen das Kalibrieren statistischer Modelle mit bekannten Daten durch eine Zielfunktion. Ziel ist es, Muster in historischen Beobachtungen zu erkennen und für Vorhersagen zu nutzen. Dabei findet die Mustererkennung bzw. Optimierung der Modelle zum Beispiel durch die Minimierung eines Vorhersagefehlers oder Maximierung einer Gewinnfunktion statt. Zielkonflikt des überwachten maschinellen Lernens besteht darin, dass auf bekannte Beobachtungen zurückgegriffen und durch Randomisierung versucht wird für unbekannte Beobachtungen zu verallgemeinern. Daher tendiert maschinelles Lernen entweder zu einer perfekten oder zu allgemeinen Beschreibung eines Problems. m-result verwendet künstliche Intelligenz in Form von natural language processing im sentiment lab und predictive analytics im Marketing.

Aus technischer Sicht, wird eine Marketingkampagne durch das Senden zur richtigen Zeit, mit dem richtigen Inhalt an den richtigen Kontakt optimiert. Die drei Parameter Zeit, Inhalt und Kontakt werden datenbasiert durch maschinelles Lernen bestimmt, die Modelle hinsichtlich der Erfolgswahrscheinlichkeit optimiert und für die Steuerung der Kampagnen zur Verfügung gestellt. Effekt dieser Vorgehensweise ist die Senkung der Marketingkosten bei steigendem Umsatz durch eine verbesserte conversion rate aber auch eine positive Kundenerfahrung stellt sich durch die Übereinstimmung des Inhalts mit den Kundenwünschen ein.

Kunden die noch unentschlossen hinsichtlich einer Kaufentscheidung sind gelten als relevant, denn durch geeignete Kampagnen können diese Kunden von einem Produkt überzeugt werden. Im Gegensatz dazu sind nicht-relevante Kunden alle:

1. bei denen eine Kampagne zu negativen Effekten führt
2. die nie auf Kampagnen reagieren und
3. die mit Sicherheit ein Folgeprodukt kaufen werden.

Eine Behandlung dieser Kontakte führt zu unnötigen Kosten und einer Verschlechterung der Kundenbeziehung, aufgrund nicht berücksichtigter Interessen. Die Selektion der relevanten Kunden und die Steuerung der Kampagne kann durch Uplift-Modelle erfolgen, welche Rückschlüsse auf das Kundeverhalten bezüglich einer Kampagne erlauben.

Das richtige Produkt wird datenbasiert durch kollaboratives Filtern, entsprechend dem Kaufverhalten ähnlicher Kunden bestimmt. Diese als Empfehlungsdienst bekannte Technik aus dem Onlinehandel dient nicht nur dazu, dem Kunden die Suche aus einer Vielzahl an Produkten zu erleichtern, sondern vermittelt auch ein positives Kundenerlebnis durch zielgerichteten Content und erhöht die Kaufwahrscheinlichkeit. Eine Wiederkaufmotivation enthält beispielsweise ein Produkt, welches den aktuellen Trends des Kundensegments entspricht, wohingegen andere Marketingkampagnen gezielt auf Cross-Selling setzten.

Eine weitere Komponente optimierter Kampagnen ist die zeitliche Abstimmung. Wiederkaufmotivationen sollen einen Kunden dazu bewegen ein Folgeprodukt zu kaufen. Eine wichtige Voraussetzung dafür ist, dass der Kunde zu diesem Schritt bereit ist und nicht erst kürzlich einen Kauf getätigt hat. Wird die Kampagne zu früh versendet, ist die Erfolgswahrscheinlichkeit zu gering bzw. tendiert gegen null, wenn die Kampagne zu spät versendet wird. Dies führt zu unnötigen Kosten und kann zu Beeinträchtigungen des Kundenverhältnisses führen. m-result bestimmt den optimalen Zeitpunkt durch die Kundenpräferenzen. Dabei werden Methoden des maschinellen Lernens wie Regression, Entscheidungsbäume oder neuronale Netzen genutzt, um eine optimale Steuerung durchzuführen.

Die datengetriebene, automatisierte Kampagnensteuerung basiert überwiegend auf wenig transparenten Algorithmen. Ein Monitoring und die Bewertung der Performance in Form eines Reportings ist deshalb besonders wichtig. Je nach Anforderung kommen dynamisch-erstellte Dokumente oder Live-Dashboards mit Abbildungen und Kennzahlen zum Einsatz, welche dem Verantwortlichen einen Überblick sowie die Kontrolle über seine Kampagnen ermöglicht.