Alles, was man über Predictive Analytics wissen muss

12 Sep 2014 / von Gergely Kalmar / Engineering / Comments

Vereinfacht gesagt, gibt es zwei Wege, Digital-Marketing-Strategien zu optimieren: ein Trial-and-Error-Prinzip und Predictive Analytics. Dieser Beitrag beleuchtet beide Varianten und zeichnet ein Beispiel eines erfolgreichen PredictiveAnalytics-Projekts nach.

Teilen

Print

Wenn es um die Optimierung von Digital-Marketing-Kampagnen geht, nutzen die meisten Digital Marketer eine bewährte Methode:

Sie arbeiten nach dem Prinzip von Trial-andError, das in der Regel aus drei Schritten besteht:

1. Messung und Erfassung der wichtigsten Indikatoren

2. Änderungen vornehmen, die diese Indikatoren verbessern sollen

3. Evaluierung der getätigten Massnahmen und zurück zu Schritt 2

Normalerweise basieren diese Optimierungen auf der persönlichen Erfahrung und neuen Ideen des Marketers. Diese Methode ist vergleichsweise einfach und günstig zu implementieren und zeitigt gute Ergebnisse, wenn ein erfahrener Account-Manager am Werk ist.

Bauchgefühl gegen datenbasierte Vorhersagen …

Unter gewissen Bedingungen aber stösst diese reaktive Methode an ihre Grenzen. Dann nämlich, wenn sich die Rahmenbedingungen einer Kampagne so schnell ändern, dass den Veränderungen nicht mehr beizukommen ist.

Hier kommt die Predictive-Analytics-Methode ins Spiel. Sie besteht aus folgenden Schritten:

1. Messung und Erfassung der wichtigsten Indikatoren

2. Messung der Auswirkung einer gegebenen Auswahl von Modifizierungen

3. Kreation eines Modells, welche die Auswirkung einer Änderung voraussagt

4. Nutzung des Modells, um den optimalen Eingriff zu finden 5. Evaluierung der getätigten Massnahmen und zurück zu Schritt 4

Der Vorteil dieser Methode liegt auf der Hand: Eine Strategie für Digital Marketing kann proaktiv optimiert werden. Richtig vorbereitet, kann man also agieren, bevor ein kritisches Ereignis die Kampagne trifft.

Eine Frage der richtigen Balance

Was bedeutet dies hinsichtlich der Ressourcenplanung? Man sollte nicht unterschätzen, wie viel Zeit und spezifisches Know-how nötig sind, um die notwendigen Messungen durchzuführen und ein verlässliches statistisches Modell zu erstellen. Die Entwicklungskosten sind substanziell höher, als wenn man sich auf die bewährte Methode des Bauchgefühls verlässt. Andererseits wird man den Optimierungsprozess zu einem signifikanten Grad automatisieren und somit die laufenden Kosten senken können.

Ein Beispiel aus der Praxis

Wie funktioniert das ganz konkret? Wir möchten das anhand eines Modells erläutern, das wir für einen grossen Kunden entwickelt haben. Der Kunde ist ein E-Business- Unternehmen, dessen Umsatz von der Onlineperformance abhängt. Daher investiert das Unternehmen auch signifikante Summen in Digital Marketing.

Da der Umsatz von Monat zu Monat schwankt, passt unser Kunde das Marketingbudget kontinuierlich an. Das optimale Budget zu setzen ist eine grosse Herausforderung, da nicht im Voraus bekannt ist, wie sich der Umsatz entwickeln wird.

Der Kunde könnte nach dem Trial-and-Error-Prinzip vorgehen und das Budget in regelmässigen Abständen und abhängig von der zurückliegenden Performance anpassen. Stattdessen setzt er auf Predictive Analytics: In einem ersten Zug lässt er ein Modell erstellen, das die Anzahl Besucher bei gleichbleibendem Budget vorhersagt.

Da die Anzahl Besucher normalerweise mit der Anzahl Transaktionen korreliert, können wir jetzt abschätzen, wie der Umsatz in den nächsten Monaten bei gleichbleibendem Budget aussehen wird. Jetzt gehen wir noch einen Schritt weiter. Wir implementieren eine Anzahl Veränderungen ins Modell, um deren Einfluss auf die Performance zu prognostizieren.

«Eine Strategie für Digital Marketing kann proaktiv optimiert werden.»

Am Ende des Monats können wir nun die Wirkung der Veränderungen messen, indem wir die Prognose des Modells mit den tatsächlich gemessenen Zahlen vergleichen. Daraus gewonnene Erkenntnisse verfeinern wiederum unser Modell.

Sobald wir genug Daten gesammelt und das Modell genügend verfeinert haben, kann unser Modell den Einfluss von Veränderungen mit hoher statistischer Zuverlässigkeit (im konkreten Fall 88,9% ±2%) vorhersagen. Der konkrete Nutzen: Wir können das Budget für Digital Marketing unseres Kunden mit statistisch geprüften Methoden im Voraus optimieren. Dadurch wird jeder eingesetzte Werbefranken effizienter.

Predictive Analytics – was nun?

Kann Predictive Analytics also all unsere Probleme lösen? Nein, denn die Methode ist mit hohen Initialkosten verbunden und nicht für alle Problemstellungen geeignet. Dennoch, Predictive Analytics ist ein mächtiges, schnelles, flexibles und einfach skalierbares Werkzeug, das unter bestimmten Voraussetzungen signifikante Effizienzsteigerungen bringen kann.