Marketing Data Science Use Cases

In dieser Artikelserie beschreiben wir typische Anwendungen von Data Science
im Bereich des Online-Marketing. Im ersten Teil skizzieren wir, wie man
Probleme aus der Sicht eines Data Scientist angeht.

Daten werden in immer größerer Menge durch neuartige Medien generiert. Daten werden auch nicht mehr nur von Menschen, sondern auch von Maschinen und Algorithmen erzeugt. Dies ist besonders in der Online-Welt relevant, wo datengesteuerte Geschäftsprozesse zur Norm geworden sind.

Bildquelle: www.pexels.com

Data Science nutzt wissenschaftliche Methoden, um in einem iterativen Prozess, der Daten, Tools und Erfahrung umfasst, Wissen aus Daten zu gewinnen. Data Science bietet eine Grundlage für die Entscheidungsfindung, wenn Sie sich auf unvollständige oder verzerrte Informationen über Ihre Kunden stützen oder wenn Sie mit Unsicherheiten umgehen müssen. Data Science formt Big Data so, dass Sie schneller als je zuvor fundierte Entscheidungen treffen können mit der Geschwindigkeit des Denkens.

Betrachten wir zunächst typische Fragen des Online-Marketing aus der Sicht eines Datenwissenschafters.

Kundensegmentierung

Für den Online-Marketer geht es darum, Gruppen von Kunden oder Interessenten zu finden, die einander ähnlich sind und sich von anderen Gruppen unterscheiden. Diese sollten dann gezielt angesprochen werden, um die größtmögliche Wirkung zu erzielen. Data Science bietet die Möglichkeit, bestimmte Merkmale oder Variablen zu definieren, die eine Grundlage für diese Kundensegmentierung bilden. Data Scientists finden die Variablen, welche die verschiedenen Gruppen am besten beschreiben. Data Scientists können zum Beispiel feststellen, ob bestimmte Website-Attribute wie Produktkategorie oder Marke als Schlüsselvariablen für die Definition von Segmenten auf der Grundlage des Kaufverhaltens verwendet werden können.

Bildquelle: Andreas Stöckl

Lead Scoring

Hier geht es darum, Werte für potenzielle Kunden zu prognostizieren, die eine gezielte Ansprache ermöglichen. Mit Hilfe von Data-Science-Methoden werden Schlüsselvariablen (wie z. B. das Kaufverhalten) ermittelt, die kombiniert werden können, um die Wahrscheinlichkeit einer Reaktion oder eines Erfolgs vorherzusagen, wenn Sie versuchen, diese Kunden zu erreichen. Data Scientists verwenden in diesem Prozess, der als prädiktive Analyse bezeichnet wird, die Auswahl von Variablen und algorithmische Modellierung. Data Scientists kombinieren dann ihre Ergebnisse mit Data Mining, um Toolsets zu entwickeln, die es den Entscheidungsträgern ermöglichen, bessere Entscheidungen zu treffen.

Recommendation Engines

Hierbei handelt es sich um Data-Science-Lösungen, die von Online-Vermarktern für Produktempfehlungen auf der Grundlage von Kundenverhalten, Kaufhistorie, Markenkategorisierung, Suchanfragen auf der Website usw. verwendet werden. Das Ziel dieses Data-Science-Problems ist es, einem bestimmten Kunden auf einer Website das richtige Produkt zur richtigen Zeit zu präsentieren.

Es gibt verschiedene Ansätze, die entweder auf dem Verhalten der Nutzer oder dem Inhalt der Produkte basieren. In beiden Fällen setzen Data Scientists Data-Mining-Techniken ein, um die Produkte so zu kategorisieren, dass ihre Präsentation erleichtert wird. Data-Science-Methoden werden auch eingesetzt, um den besten Scoring-Ansatz für Empfehlungen auf der Grundlage des Kundenverhaltens oder der Ähnlichkeit der Inhalte zu ermitteln.

Kundentreue und Abwanderungsquote

Hier wird mit Hilfe von Algorithmen vorherzusagen versucht, welche Kunden verloren gehen könnten, um der Abwanderung entgegenzuwirken. Dies ist besonders für Geschäftsmodelle mit Abonnements oder laufenden Verträgen wichtig. Data Scientists setzen Data-Mining-Techniken ein, um die Faktoren zu ermitteln, welche die Abwanderungswahrscheinlichkeit eines Kunden vorhersagen können. Data Scientists entwickeln auch Data-Science-Lösungen, um abwanderungsgefährdete Kunden zu identifizieren, damit Sie sie mit Angeboten oder Anreizen ansprechen können, um zu versuchen, sie umzustimmen, bevor es zu spät ist.

Bildquelle: Andreas Stöckl

Kanaloptimierung und Budgetoptimierung

Um bestimmen zu können, wo es sich lohnt, Werbegelder auszugeben, werden Leistungsindikatoren als Grundlage verwendet. Mit Hilfe von Data Science lassen sich Algorithmen entwickeln, die automatisch entscheiden, ob der ROI einer Kampagne positiv oder negativ ist. Data Scientists nutzen in diesem Prozess Data-Mining-Techniken, um die Kombination von Kanälen zu finden, welche die beste Kapitalrendite erzielen. Data Scientists bestimmen auch, welche Budgets den einzelnen Kanälen zugewiesen werden sollten, damit Sie Ihre Ausgaben maximieren können, ohne Geld zu verschwenden.

Attributionsmodelle

Data Science wird eingesetzt, um zu ermitteln, welche Kundenkontaktpunkte am erfolgreichsten sind, um Konversionen zu erzielen. Data Scientists verwenden Data-Mining-Technologien, die den Weg des Kunden verfolgen, z. B. wie Kunden ein Produkt online recherchieren, bevor sie es offline kaufen oder ein Geschäft besuchen. Data Scientists nutzen Data-Mining- und Data-Science-Toolsets, um die wichtigsten sowie die weniger effektiven Touchpoints zu ermitteln.

Stimmungsanalyse von Produktbewertungen

Hier verwenden Data Scientists Data Mining, um festzustellen, ob ein Produkt von Kunden positiv oder negativ bewertet wird. Data Scientists definieren dann Datenprodukte, die Data-Governance-Teams verwenden können, um die Gesamtbewertung des Produkts zu analysieren und mögliche Ursachen für negative Bewertungen zu verstehen.

Preisgestaltung für Produkte

Bei der Anwendung von Data Science werden die Preise für Online-Produkte auf der individuellen Ebene optimiert. Data Scientists nutzen Data Mining, Data Science und Data Products, um den besten Preis für jedes Produkt oder Kundensegment zu ermitteln. Data Scientists entwickeln auch Data-Science-Lösungen, um Preisschwankungen auf Ihrer Website automatisch zu scannen, damit Sie bei Bedarf schnell reagieren können.

 

Die Quintessenz all dieser Anwendungen ist, dass Data Science ein Mittel ist, um typische Probleme des Online-Marketing zu lösen. Diese Data-Science-Probleme erfordern in der Regel, dass Data Scientists Data-Mining- und Data-Product-Management-Toolsets verwenden. Eine wesentliche Voraussetzung für die Lösung all dieser Fragen ist die Verfügbarkeit der notwendigen Daten für die Analyse. Diese Daten werden in der Regel in einer Datenbank gesammelt.

Kundendatenplattformen

Diese Datenbanken enthalten die Daten für das Verständnis des Kundenverhaltens, z. B. auf der Website, in der Purchase Journey und über verschiedene Touchpoints hinweg. Data Scientists können Data-Mining-Aktivitäten durchführen, um verborgene Muster im Kundenverhalten aufzudecken (einschließlich prädiktiver Analysen), die Marketern helfen, Personalisierungsrichtlinien zu definieren.

In einem zukünftigen Artikel werden wir zeigen, wie Kundendatenplattformen funktionieren und wie sie implementiert werden können.