Predictive Customer Acquisition Platform: 4 Use Cases für die Neukundengewinnung

In diesem Artikel zeigen wir Ihnen, wie Predictive Modeling Ihnen dabei hilft, die Schwierigkeiten bei der Kundenakquise zu überwinden. Zusätzlich betrachten wir, wie Technologien zur Daten-Aggregation dabei helfen, Ihre Daten entsprechend aufzubereiten.

In den letzten Jahren hat sich der Fokus der Marketer verschoben: Weg von Strategien zur Kundenakquise hin zu Strategien zur Kundenbindung.

Dass diese neue Ausrichtung durchaus sinnvoll ist, konnte bereits durch einige Studien bewiesen werden. Denn grundsätzlich gilt: Für die Steigerung der Kundenzufriedenheit bedarf es weniger finanzielle und zeitliche Aufwendungen als für die Neukundenakquise.

Wir sind gar an einem Punkt angelangt, an dem viele Marketer finden, dass Kundenbindung die neue Kundenakquise bzw. Conversion ist (custora, Inside Intercom, Convince & Convert).

Trotz alledem werden Unternehmen immer einen gewissen Nachschub an neuen Kunden benötigen, um erfolgreich zu bleiben.

Doch leider wird das Unterfangen zunehmend schwieriger. Wir haben die wesentlichen Probleme bei der Neukundenakquise einmal zusammengefasst:

1. Datensilos sind über die ganze Firma verteilt. Laut einer Studie von Hubspot verwenden Marketer im Durchschnitt um die 31 dedizierte Tools. Diese Tools sind nicht wirklich einheitlich. 60,9 % der befragten Marketer wünschen sich eine bessere Integration der Tools, um das Teilen von Daten einfacher zu gestalten und mehr aus den vorhandenen Technologien herauszuholen.

Es ist nicht verwunderlich, dass Marketer durch die große Anzahl an unterschiedlichen Daten, verschiedener Software und Kanäle zunehmend Schwierigkeiten haben, die perfekte Strategie zur Neukundengewinnung zu entwickeln. Zusätzlich erschwert wird das Ganze durch unter Teams und Abteilungen verstreute Daten.

2. Durch die Menge an Daten wird es immer schwieriger, aus diesen schlau zu werden und die wahre Bedeutung dahinter zu verstehen. Vor allem, wenn man die Zahl der Variablen und Faktoren bedenkt, die berücksichtigt werden sollten.

3. Auch die Neukundenakquise wird zunehmend kostenintensiver. Laut ProfitWell steigen die allgemeinen Kosten für die Kundenakquise im B2B und B2C kontinuierlich.

Wenn Sie unter den falschen Zielgruppen nach Neukunden Ausschau halten oder in Aktivitäten investieren, die keine Ergebnisse bringen, sind diese finanziellen Aufwendungen natürlich noch höher.

Wenn Sie mehr zum aktuellen Status Quo der Kundenakquise lesen möchten, empfehlen wir diese ausführliche Studie von HubSpot: The Hard Truth About Acquisition Costs (and How Your Customers Can Save You)

Einige Marketer fühlen sich ohnmächtig, wenn sie an die ganzen Ressourcen denken, die scheinbar zur Bewältigung der Aufgaben benötigt werden.

Doch glücklicherweise hat sich viel im Bereich Künstliche Intelligenz (KI) getan. Ein signifikanter Anteil der zu leistenden Arbeit bei der Datenanalyse von potenziellen Kunden kann heutzutage von Algorithmen erledigt werden.

KI – genauer Predictive Customer Acquisition Platforms oder Predictive Analytics – unterstützt Marketer bei der Konsolidierung der Daten und bei der Erstellung sinnvoller Vorhersagen und granularer Segmente. Diese können dann für ihre Marketingaktivitäten genutzt werden.

Wir zeigen Ihnen im folgenden, wie eine Predictive Customer Acquisition Platform Ihnen bei der Optimierung der Neukundenakquise hilft. Zusätzlich zeigen wir die interessantesten Anwendungen der Technologie.

Was eine Predictive Customer Acquisition Platform machen sollte

Im Wesentlichen ist Predictive Modeling ein Prozess, bei dem eine Software historische und Echtzeit-Daten über die Entscheidungen und das Verhalten von Kunden und potentiellen Kunden analysiert. Durch die Analyse kann festgestellt werden, was genau sie zu bestimmten Handlungen führt (z. B. zur Interaktion mit Ihrer Marke oder zum Einkauf in Ihrem Store).

Sobald die Software die unterschiedlichen Charakteristika, Verhalten und Motivationen Ihrer Zielgruppen gut genug versteht, kann sie entsprechende Segmente erstellen.

Einen tieferen Blick in die Thematik und die Mechanismen hinter Predictive Analytics gibt es in dem Blog-Artikel von Tom Mester von Data36: Predictive Analytics 101

Mester nennt darin den Customer LIfetime Value (CLV) als möglichen Grund, warum jedes Business Predictive Analytics haben sollte. Zum Thema CLV finden Sie auch einen einführenden Artikel von uns: Customer Lifetime Value: Warum der CLV wichtig für Ihr Business ist

Nachdem die Software einen (potentiellen) Kunden als zugehörig zu einem spezifischen, granularen Segment definiert hat, können Marketer ihm passende Angebote unterbreiten und Website-Content entsprechend personalisieren.

Zwar muss Ihr Marketing-Team immer noch Zeit in die Erstellung von solchen maßgeschneiderten Angeboten und Content stecken, doch es wird bei weitem nicht so viel sein wie bei der Identifikation passender Zielgruppen.

Customer Acquisition Platform: Diese Datentypen brauchen Sie

Die Datensätze, die in Plattformen für Predictive Analytics typischerweise analysiert werden, umfassen:

• Transaktionsdaten
• Nutzerprofile (z. B. Informationen aus Registrierungsformularen)
• Kampagnen-Verläufe und Informationen zur Kundenresonanz
• Clickstream-Daten (Verhaltensmuster bzgl. Klickpfade und Browsing-Historie
• User-Interaktionen (E-Mails, Chats, Anrufe und Umfragen)
• Daten von externen Quellen (Facebook, Twitter, LinkedIn oder Werbenetzwerke)

Im Prinzip also alle Daten, die Marketer über ihre Kunden und Besucher zur Verfügung haben. Natürlich hängt von Ihren Unternehmenszielen und -bedürfnissen ab, was im Datensatz letztendlich alles enthalten sein soll.

Doch denken Sie immer daran, dass die Qualität der Daten entscheidend ist für erfolgreiches Predictive Analytics. Informationen sollten vollständig sein und im richtigen Format vorliegen. Andernfalls ist der Algorithmus für entsprechende Vorhersagen nicht verlässlich.

Leider stellen unsaubere Daten eins der größten Probleme dar, dem Datenwissenschaftler sich gegenübergestellt sehen:

Aus diesem Grund müssen Sie einen Weg finden, Ihre Daten zu bereinigen, bevor Sie damit beginnen, Predictive Analytics Software einzusetzen. Unter anderem müssen Sie alle fehlerhaften bzw. fehlenden Werte finden und korrigieren. Zusätzlich müssen Sie Duplikate entfernen (z. B. zwei User Accounts).

Warum sich die Investition in eine Customer Data Platform lohnen kann

Eine mögliche Lösung könnte in der Nutzung einer Technologie zur Datenaggregation (wie Data Management Platforms, Customer Data Platforms oder Data Warehouses) liegen. Diese können zwar nicht alle Arbeitsschritte im Prozess übernehmen, helfen aber bei der Automatisierung eines Großteils davon.

Daten über Kunden und User zu sammeln bringt Unternehmen so oder so große Vorteile in allen Bereichen. Eine solche Software stellt daher eine vielseitig einsetzbare Investition dar. Eine Anwendung kann die Vereinheitlichung und Bereinigung der Daten sein, die Sie später im Predictive Analytics Modeling verwenden wollen.

Ungeachtet der verschiedenen Möglichkeiten schätzen wir eine Customer Data Platform hier als beste Option ein. Im Vergleich zu DMPs werden alle Daten der unterschiedlichen Quellen in einer Datenbank zusammengefasst. Auf diesem Weg können Redundanzen und andere Fehler leicht aufgespürt werden.

Customer Acquisition Platform – 4 Use Cases

Wie sehen also Anwendungen von Predictive Analytics in der Praxis aus? Es gibt viele verschiedene Möglichkeiten.

Wie bei Analytics, die auf historischen Daten basieren, ist es auch bei Predictive Analytics wichtig, die Zwecke und Ziele für die Analyse zu definieren. Auf Grundlage dieser Informationen können Sie anschließend das passende Modell auswählen.

Dr. Craig Brown

Techpreneur, craigbrownphd.com

Erfolgreiche Predictive Analytics verlangen eine datengesteuerte Strategie. Die Notwendigkeit für Daten wächst exponentiell, nicht nur in Bezug auf Quantität sondern auch bezogen auf Insights. Dieses gestiegene Bedürfnis nach Daten zusammen mit dem gestiegenen Bedürfnis nach Insights sorgt dafür, dass Kapazitäten wie Predictive Analytics erforderlich werden. Mit Predictive Analytics ist es nun möglich, Datenlücken zwischen Vergangenen und zukünftigen Aktionen zu füllen. Diese aufschlussreichen Vorhersagen via intelligenter Algorithmen stärken den Wert der Analyse von Big Data dramatisch. Big Data Analysen können zu besser verknüpften Daten führen für noch bessere Vorhersagen und hochgradig wirkungsvolle datengesteuerte Insights.

Hier sind einige Use Cases, wie Predictive Analytics zu besseren Ergebnissen in der Kundenakquise führen kann.

1. Lead-Scoring

Unternehmen können ihre Leads viel genauer bewerten, wenn sie alle verfügbaren Informationen zum jeweiligen Lead prüfen und sie mit den Merkmalen bestehender Kunden abgleichen.

Eine präzise Beurteilung der Leads hilft Ihnen dabei, Ressourcen wie Arbeitszeit und Budget durchdachter einzusetzen. Das wirkt sich nicht nur auf eine höhere Effektivität Ihrer Aktivitäten aus, sondern auch auf eine sinnvollere Verteilung der Geldaufwendungen in Werbung, Kampagnen und Arbeitsstunden Ihres Sales-Teams.

Jonathon Ilett

Senior Business Development Manager, Cognism

In jeder Organisation ist die Identifizierung rentabler potentieller Kunden fundamental für den Business-Erfolg. Wenn wir uns ausschließlich auf die Vertriebsfunktion konzentrieren, formt und gestaltet die KI eine neue Definition dessen, was Vertrieb bedeutet. In unserem Vertriebskanal bei Cognism nutzen wir KI, um eine Vielzahl hochwertiger Leads zu produzieren, die uns auf den optimalen Zeitpunkt für eine Einführung hinweisen. Vor diesem Hintergrund durchsucht die KI-Engine die Daten mit einer höherer Effizienz als ein menschliches Team und optimiert so einen der zeitaufwändigsten Aspekte des Verkaufs. Dies hat den anfänglichen Prozess der Kundengewinnung vorausschauend und deutlich weniger ressourcenintensiv gemacht. So kann sich der Vertrieb auf die letzte Phase des Verkaufsprozesses konzentrieren und Geschäfte erfolgreich abschließen. Dies ist nur ein Beispiel, aber es zeigt die positive Anpassung und Veränderung im Verkauf.

2. Zielgenaue Segmentierung und Targeting

Wie im Fall der Lead-Bewertung kann Predictive Analytics Sie auch dabei unterstützen, Verbindungen zwischen den Verhaltensmustern potentieller Kunden und denen bestehender Kunden in der gleichen Phase der Customer Journey zu finden. Anschließend werden Ihre zukünftigen Kunden in sehr spezifische und eng gefasste Segmente einbezogen, zusammen mit Nutzern mit den gleichen Merkmalen.

Basierend auf dem Segment und den Informationen darüber, was in der Vergangenheit bei diesen spezifischen Kunden funktioniert hat, können Sie die Marketing-Methoden gleichermaßen bei den potentiellen Kunden anwenden.

Die Daten werden beispielsweise in E-Mail-Kampagnen und Remarketing eingesetzt. Predictive Customer Acquisition-Methoden sparen Zeit und Energie, um sich auf das Wesentliche konzentrieren zu können.

3. Echtzeit Personalisierung und A/B-Testing

Die Erstellung präziser User-Segmente dient als sehr nützliche Grundlage für Personalisierung.

Stellen Sie sich eine Software vor, die Segmente in Echtzeit aufspürt, verschiedene Ideen zur gleichen Zeit testet und jedem individuellen User eine maßgeschneiderte Experience bietet, die zur sofortigen Conversion führt. Das klingt vielversprechend, oder?

Mit Predictive Personalization beobachtet ein Computer das Verhalten Ihrer Besucher kontinuierlich und passt den Content Ihrer Website oder App an, um die User Experience in Echtzeit zu optimieren.

Predictive Personalization kann in einigen Bereichen Ihrer Website eingesetzt werden:

• Homepage
• Listensortierung
• Call-to-Actions
• Pop-ups
• Infobars
• Kategorieseite
• Blogs und Artikel
• Suche
• Werbeanzeigen
• E-Mails

Die Ergebnisse einer Studie von Adobe zeigen, dass Predictive Modeling im Bereich der Personalisierung eines der dringendsten Probleme heutiger Marketer adressieren könnte:

60 % der Marketer haben Schwierigkeiten damit, Content in Echtzeit zu personalisieren aber 77 % der Marketer glauben, dass Personalisierung in Echtzeit wichtig ist.

Weitere Vorteile der Predictive Personalization haben wir in diesem Artikel zusammengefasst:
Predictive Personalization: Der Boost für mehr Conversions durch Machine Learning

4. Produktempfehlungen in Echtzeit

Ein weiterer Anwendungsfall dieser Technologie ist ein Echtzeit-System für Produktempfehlungen.

Damit können Sie Ihren Besuchern spezifische Produkte anbieten, die auf ihrem Verhalten basieren:

• wird oft zusammen gekauft
• Das könnte Ihnen auch gefallen
• Kunden, die dieses Produkt angesehen haben, kauften auch, etc.

Es ist keine manuelle Arbeit notwendig, da Machine Learning-Algorithmen die Arbeit übernehmen.

Websites mit einem breiten Produktsortiment und hohem Traffic-Volumen profitieren besonders von dieser Methode. Ohne eine gewisse Selektierung ist die Auswahl für den Kunden zu groß.

Wie Sie die richtige Predicitive Customer Acquisition Software auswählen

Unternehmen, die am Einsatz eines Predictive Models für die Akquise interessiert sind, haben eine große Auswahl. Sie können sich entscheiden für:

• eine Lösung, die Sie in-house erstellen mit Hilfe Ihrer Analysten
• ein fertiges Produkt, das Sie als Plug-in, dediziertes Tool oder ganze Software-Suite von einem Anbieter kaufen können
• einen Service, der von einem Drittanbieter angeboten wird, der für Sie die Modelle und Visualisierungen entwickelt

Die passende Auswahl hängt von Ihren Ressourcen sowie der Größe Ihres Unternehmens und den gewünschten Anwendungsfällen ab.

Denken Sie auch an den Datenschutz

Marketer müssen bei aller Euphorie aber auch den Datenschutz im Blick behalten. Daten müssen stets konform mit der DSGVO sein, aber möglicherweise in Zukunft auch mit der ePrivacy-Verordnung (sollte sie so kommen, wie sie im aktuellen Entwurf formuliert ist). Dabei gelten die Regeln für First Party- und Third Party-Daten.

Fazit

Predictive Modeling zeigt sich als sehr hilfreich bei vielen Aufgaben im Zusammenhang mit der Kundenakquise. Wenn es richtig eingesetzt wird, hilft es bei der sinnvollen Verteilung von Ressourcen und Marketing-Budget und spart Ihren Sales Consultants kostbare Zeit.

Ohne das notwendige Wissen über die Funktionsweise von Predictive Modeling kann es jedoch schwierig werden, das volle Potential der Technologie auszuschöpfen. Außerdem ist es wichtig, die Qualität der Daten nicht außer Acht zu lassen. Um alle Daten mit allen Abteilungen zu teilen und gleichzeitig mit vollständigen Datensätzen zu arbeiten, ist es für die meisten Unternehmen sinnvoll, eine Customer Data Platform einzusetzen.