Kommentar von Sudhir Sawant, Mindtree Machine Learning revolutioniert das Marketing

On- und Offline-Werbung konvertiert, wenn sie zur passenden Zeit beim richtigen Kunden mit einer aktuellen Kaufpräferenz ankommt. Individuelle und personalisierte Angebote sind daher ein „must have“ für Marketer. Big Data Analytics und Machine Learning sind die Technologien, die Interessenten entlang ihrer Customer Journey begleiten und heute effizient zu Käufern machen.

Anbieter zum Thema

salesforce.com Germany GmbH

QUNIS GmbH

Confluent Germany GmbH

Mindtree Ltd.

Schon immer bezogen Marketer unterschiedliche Informationsquellen in ihre Strategien ein, wann, wie und wo sie ihre Kunden ansprechen konnten. Der Pizzalieferdienst studierte das Fußballprogramm und wusste, dass er vor und während eines Champions-League-Spiels seine On- und Offline-Werbung verstärken musste. Für die Spiele selber orderte er größere Rohstoffmengen und disponierte mehr Fahrer, um die höhere Bestellanzahl zu bewältigen.

Der Besitzer eines Strandkiosks beobachtete die Wettervorhersage um zu wissen, ob er mehr Eis oder Würstchen einlagern sollte. So wusste er auch, welches Sonderangebot er auf sein Schild am Strandeingang schreiben sollte. Ein Pharmahersteller für Erkältungsmittel verfolgte die Grippewellen. Er schaltete On- und Offline-Werbung in den Landkreisen mit den höchsten Influenzafällen. Diese oftmals intuitive Werbung litt dennoch unter hohen Streuverlusten und konnte bisweilen auch danebenliegen.

Marketing Automation begleitet Customer Journey

Amazon, Google, Microsoft, Apple und Facebook verfeinerten dieses datenbasierte Marketing um eine Vielzahl von selbst generierten Daten und neuen Technologien. Sie sammeln Daten mit verschiedenen Trackingmethoden und werten das Surfverhalten individuell aus. Daraus generieren sie in Echtzeit maßgeschneiderte Angebote. So erhält der Besucher eines Reiseblogs unmittelbar danach und für einige Zeit Werbung von Reiseveranstaltern.

Je nachdem, wo sich der Kunde in seiner Customer Journey gerade aufhält, bekommt er immer feiner auf seine mutmaßlichen Präferenzen abgestimmte Preisofferten. Aber nicht alle Unternehmen verfügen über die Technologien der „Internet Big Five“. Längst überfordert das Sammeln von Daten die Marketer, die sie mit konventionellen Methoden auswerten, denn die Datenflut steigt immer rasanter an. Besser können das Marketing-Automation-Tools, die große Datenbestände automatisiert auf der Grundlage von Business Rules auswerten. Nachteil ist, dass sie nur nach den Regeln arbeiten, die für ihre Aufgaben entwickelt wurden. Diese wenden sie statisch an, auch wenn sich Marktbedingungen oder Käuferverhalten ändern. Werden die Regeln nicht angepasst, verlieren diese Tools ihre Wirkung.

Big Data und selbstlernende Maschinen steuern Kundenbedürfnisse

Der nächste Schritt ist, diese Aufgabe selbstlernenden Maschinen zu überantworten. Diese sammeln nicht nur Daten, sondern lernen auf der Grundlage von Algorithmen aus dem Käuferverhalten. Sie beziehen externe Datenquellen mit ein; ob Wetter- oder demografische Daten einer Region oder das Wohnumfeld der Verbraucher. Abhängig davon, wie granular ihre Algorithmen komponiert sind, „erinnern“ sie sich an früheres Kaufverhalten oder an die Kaufzyklen von Kundensegmenten. Ebenso „verfolgen“ sie Debatten in Social Media oder Blogs und identifizieren Trends, die sich aus Kommentaren und Likes ergeben.

Je mehr Daten sie auswerten und einbeziehen, desto besser sind sie in der Lage, Auswirkungen auf das Käuferverhalten in Online Shops und im stationären Einzelhandel abzuleiten. Sie modifizieren alte und erstellen neue Regeln, um Kunden passende Angebote zu unterbreiten. Sie sind sogar in der Lage, Kundeninteressen zu erzeugen, bevor diese ihre Customer Journey bewusst antreten. Und das geschieht heute in Echtzeit. Auf dieser Grundlage unterbreiten sie einem Kunden, der regelmäßig Druckerpatronen kauft, solche Angebote, bevor dieser selber auf die Idee kommt, dass er Nachschub braucht.

Oder die Algorithmen haben ein Käufersegment identifiziert, das regelmäßig am Frühlingsanfang Outdoor-Kleidung kauft. Rechtzeitig zu den ersten warmen Tagen erhalten solche Nutzer diese Warengruppen in ihren Werbeeinblendungen in Social Media oder aus dem Google-Anzeigen-Netzwerk präsentiert. So triggern selbstlernende Systeme Interessenten genau zu dem Zeitpunkt, wenn sie ihre Customer Journey beginnen und begleiten sie mit abgestimmten Angeboten bis zum Kaufabschluss.

Datenintegration in der Cloud

Eine große Herausforderung besteht darin, für einen konkreten Anwendungsfall die passenden Datenarten zu identifizieren; eine weitere, solche Daten von Drittanbietern zu erhalten. Des Weiteren sind alle just-in-time verfügbaren Daten für die eigenen Datenbanken automatisiert aufzubereiten und zu integrieren. Nicht zuletzt bedarf es dafür erfahrener Spezialisten für Business Analytics, die Algorithmen entwickeln, um externe Daten aus unterschiedlichen Quellen automatisiert zu bereinigen und in ein einheitliches Format zu konvertieren.

Einen großen Entwicklungsschritt für Big Data Analytics brachten Cloud-Anwendungen. Denn durch sie gehen immer mehr Unternehmen und Datenlieferanten dazu über, die Datenspeicherung und die Datenverarbeitung zu trennen. Durch diese Trennung ist es möglich, je nach Anwendungsfall mit unterschiedlichen Technologien Daten aus verschiedenen Quellen zu holen, sie in Beziehung zueinander zu setzen und auszuwerten.

Machine Learning holt mehr aus Big Data raus

Und dabei helfen künftig selbstlernende Systeme, für die Experten auf Basis vorhandener Datenquellen und Datenarten ebenfalls maßgeschneiderte Algorithmen erstellen. Diese umfassen statische und dynamische Regeln, die das System in der Folge anwendet. Im laufenden Betrieb sammelt es unaufhörlich Daten über Themen, Kunden, Kaufverhalten, Trends in Social Media und Blogs und sonstigen Datenquellen. Dabei überprüft es seine eigenen Regeln, wertet Daten auch dafür aus, ob die eigenen Regeln noch zutreffen oder modifiziert werden müssen. „Es“ optimiert sich also selbst. Mit zunehmender Datenmenge verbessern sich die Algorithmen und so auch die Auswertungen. Denn es unterscheidet zwischen Erfolg und Versagen. Alte Regeln werden verworfen, neue ausprobiert. Deswegen nehmen Business-Rules und Datenmengen nicht kontinuierlich zu, sondern werden weiterentwickelt und verbessert.

Durch diese Prozesse entsteht eine übersichtliche Basis, mit der Unternehmen schnell Einsichten über ihre Kunden gewinnen können. Mithilfe von Machine Learning können sie nicht nur die Präferenzen ihrer Kunden verfolgen, sondern auch ökonomische, soziale oder Geo- und Wetterdaten in deren Lebensumfeld in Marketingaktionen einbeziehen. Mit den richtigen Informationen sind die Unternehmen in der Lage, praktisch für jeden einzelnen Kunden personalisierte Angebote zu unterbreiten.

Auch der stationäre Handel profitiert

Ein Machine-Learning-Algorithmus analysiert darüber hinaus die Location-Daten eines Kunden: Bestellt er lieber etwas online am PC, benutzt er eine mobile App oder kauft er eher vor Ort im Laden ein? Die Ergebnisse vergleicht das System dann wieder mit ähnlichen Kunden. Wenn sich ein Interessent lieber im Ladengeschäft informiert, das Produkt dann aber über den Onlineshop kauft, erkennt das das System und bereitet diese Informationen für den Händler auf. Dieser „weiß“ dann mit hoher Wahrscheinlichkeit, auf welchem Kanal er einem Kunden das gewünschte Produkt anbieten sollte.

Fazit: Predictive Sales sind möglich

Durch die Analyse des Such- und Kaufverhaltens, der Ergänzung um weitergehende Datenquellen und den daraus abgeleiteten Empfehlungen entwickelt sich das Marketing zu einer neuen Art des vorausschauenden Verkaufens. Während ein Kunde surft, begleitet ein selbstlernendes System den Interessenten auf seiner Customer Journey. Dieser Prozess ist dabei nicht nur auf einen Kunden beschränkt, sondern lässt sich auf ganze Kundensegmente gleichzeitig anwenden. Diese Verblüffung kennen Amazon-Kunden schon seit Jahren, wenn Sie die Empfehlungen zu weiteren Büchern erhalten: „Kunden die dieses Buch kauften, interessierten sich auch für …“

(ID:45034450)