Predictive Personalization: Der Boost für mehr Conversions durch Machine Learning

Mit der rasanten Entwicklung im digitalen Marketing ist personalsierter Content längst alltäglich geworden. Vorbei sind die Tage, an denen Kundenwünsche erraten, die besten Produkte und Dienstleistungen ins Blaue hinein beworben und auf das Beste gehofft wurde. Heutzutage sieht das Ganze etwas anders aus:

Ihre Website-Besucher erwarten Content, der zu ihren individuellen Anforderungen und Präferenzen passt. Das digitale Marketing muss daher zukunftsorientiert arbeiten, um Trends und Veränderungen im Kundenverhalten vorauszusehen und auf die wechselnden Kundenbedürfnisse zu reagieren. Diesen Weg nennt man Predictive Personalization (vorhersagende Personalisierung). Mit “vorhersagend” ist jedoch keine märchenhafte Wahrsagerei gemeint, sondern reine Wissenschaft, die sich Machine Learning nennt.

Was steckt hinter Machine Learning?

Machine Learning ist eine von vielen Methoden zur Personalisierung von Web-Content und basiert stark auf Statistik, Computerwissenschaft und Ingenieurwesen. Diese Methode durchsucht Daten, um Verhaltensmuster der User zu erkennen und analysiert anschließend die Ergebnisse für die Erstellung von personalisiertem Content. Über Software-Programme, die sich durch große Datenmengen arbeiten, um die individuellen Kundenwünsche herauszufiltern, werden dann die maßgeschneiderten Angebote eingebunden. Wir werden dazu nicht gänzlich ins Detail gehen, Ihnen aber die Basics hinter diesem mächtigen Customization-Prozess vorstellen. Seine Wirkungskraft wurde bereits von Giganten wie Amazon und Netflix erkannt, die Machine Learning für ihre Produktempfehlungen einsetzen.

Die Methode der Personalisierung kombiniert Algorithmen mit Predictive Analytics und ermöglicht mithilfe skalierbarer Daten ein einzigartiges Erlebnis, das sich eher an individuelle User richtet statt an große Zielgruppensegmente. Neue und historiche Daten von Ihrer Website Analytics Software lenken dabei die “vorausschauenden” Algorithmen. Letztlich können Sie auch selbstlernende Algorithmen auf Grundlage der Datenmuster und statistischen Schlussfolgerungen erstellen, die bei Entscheidungsfindungen und der Erstellung von personalisierten User Experiences weiterhelfen.

Alles dreht sich um Algorithmen

Mit den unzähligen Daten können Sie Algorithmen konfigurieren, die Ihre Website-Personalisierung. am besten unterstützen. Diese legen fest, welchen Content und welche Produktempfehlungen Sie Ihren Kunden anbieten. Die Empfehlungen können auf generellen Trends basieren, wie der am meistbesuchten Seite innerhalb einer bestimmten Zeitspanne, oder konkrete Produkte auf Basis der Kaufhistorie vorstellen.

Wenn Sie möchten, dass Besucher länger auf Ihrer Website bleiben, Angebote wahrnehmen und mit einer Kaufabsicht auch wieder zurückkehren, benötigen Sie komplexe Algorithmen. Netflix beispielsweise nutzt die Collaborative Filtering-Technik – Hier wird das individuelle Nutzerinteresse vorausgesagt, indem Kunden mit denselben Interessen zu einer Gruppe zusammengefasst werden. Der Algorithmus vergleicht den Geschmack eines einzelnen mit dem Geschmack der anderen Gruppenmitglieder und empfiehlt auf dieser Grundlage dann passende Inhalte.

Diese Beispiele sollen zeigen, wie Algorithmen im Wesentlichen funktionieren. Es gibt eine Menge an Möglichkeiten, Algorithmen einzusetzen. Sie können auch so konfiguriert werden, dass sie sich darauf konzentrieren Ihre Website-Performance zu optimieren und Ihre spezifischen Geschäftsziele zu unterstützen.

Das Beste aus Datenpools herausholen

Jedes Mal, wenn ein Kunde mit Ihrer Website interagiert, lernen Sie ihn besser kennen. Die Nutzung von Suchmaschinen, die Kommunikation über Social Media Plattformen und getätigte Käufe (On- und Offline) geben Ihnen Hinweise auf das Interesse eines Kunden. Einen guten Einblick in die unausgesprochenen Präferenzen erlangen Sie durch die Auswertung folgender Daten:

• Navigationspfad auf der Website
• Dauer der Ansicht
• Verfeinerung der Suchergebnisse
• Vor- und Zurück-Navigation

Darüber hinaus können Sie detaillierte Handlungen auswerten, z.B. wenn Kunden an einer Umfrage teilnehmen, nach einem bestimmten Begriff suchen oder ein Formular ausfüllen. Für Machine Learning ist das Sammeln dieser Information jedoch nicht alles. Hauptsächlich geht es darum, dieses Wissen erfolgreich umzuwandeln und somit effektiv zu nutzen. Je mehr Daten Sie sammeln, desto besser können Sie das Verhalten der Kunden sowie ihre Interessen und Bedürfnisse vorhersagen. Das Ziel ist es, diese Daten zu verwenden, um das eigene Angebot so gut es geht zu individualisieren. Wenn Sie einem User nur Inhalte anzeigen, die für Ihn von hoher Relevanz sind, fühlt er sich gut aufgehoben und wird höchstwahrscheinlich die von Ihnen gewünschte Handlung durchführen.

Individuell erstellte Algorithmen erlauben Ihnen, eine maßgeschneiderte (One-to-One) Experience – bezogen auf Content oder Produktempfehlungen – zu ermöglichen. Das Produkt oder die Empfehlung kann etwas ganz simples sein, wie beispielsweise ein Angebot für ein Studenten-Bankkonto zu Beginn des Semesters. Komplexer und vor allem spezifischer wäre ein Angebot für einen Minivan mit Extra-Kindersitz und den neuesten Sicherheitsstandards, da die Zielgruppe dieses Angebots noch präziser definiert ist. Sie bzw. die Algorithmen präsentieren damit relevanten Content, der nicht auf Annahmen basiert, sondern sich direkt auf aktuelle oder vergangene Verhaltensweisen des Users stützt.

Die Kunst der Zielgruppendefinition

Das Prinzip lautet: Schauen Sie sich Ihre Zielgruppe an und splitten Sie diese in die einzelnen Individuen auf. Wie bereits erwähnt, ist es die Aufgabe von Predictive Personalization jedem Ihrer Kunden eine individuelle User Experience zu bieten. Aber was passt zu Ihren Kunden und mit welchen Daten füttert man den Machine Learning Algorithmus am besten? Jede Art von Interaktion eines Kunden mit Ihrem Unternehmen sowie sein Nutzerverhalten auf Ihrer Plattform spiegeln die Marketing-Taktiken wider, die Sie in Erwägung ziehen sollten. Es ist unumgänglich, sich ein detailliertes Bild über Ihren Kunden zu machen, indem Sie die User-Daten aus mehreren Channels miteinander verbinden.

Wenn Sie mehr zu diesem Thema erfahren möchten, empfehlen wir Ihnen folgenden unserer Artikel:
Regelbasierte Content-Personalisierung für eine verbesserte User Experience.

Wenn Sie also wissen, wer Ihre Kunden sind bzw. Sie Ihre Zielgruppen definiert haben, können Sie Ihren Content entsprechend anpassen und individuelle Angebote erstellen. Hat ein Website-Besucher zum Beispiel verschiedene Seiten einer bestimmten Kategorie besucht, könnten Sie ihm, inspiriert durch das User-Profil, ein Pop-up anzeigen, das entsprechende Angebote derselben Kategorie beinhaltet.

So wichtig es ist Ihre User zu kennen und personalisierten Content anzubieten, vergessen Sie daneben nicht, den besten Ort für diese Content-Platzierung herauszufinden. Die folgenden Bereiche sollten bei dieser Überlegung in Betracht bezogen werden:

• Homepage
• Sortierte Listen
• Calls-to-Action
• Pop-ups
• Infoleisten
• Kategorie-Seite
• Blogs/Artikel
• Suchfeld
• Ads
• E-Mails

Highlights und Herausforderungen

Vermutlich ist es nicht überraschend, dass es nicht die eine perfekte Lösung für eine Website-Optimierung gibt. Predictive Personalization hat jedoch einige bedeutende Vorteile. Das Wichtigste: Im Gegensatz zu den regelbasierten Pendants ist Predictive Personalization vollständig automatisiert. Die Algorithmen beobachten die Kunden und lernen sie besser kennen, erstellen Mikro-Segmente und erlauben die automatische Optimierung Ihrer App oder Website. Sobald sie einmal implementiert sind, beschleunigen diese Automatisierungen den gesamten Prozess. Vorhersagende Algorithmen können genau den Content identifizieren, der für einen bestimmten User von höchster Bedeutung ist. Auf diese Weise wird die Genauigkeit und Leistungsfähigkeit Ihrer Marketingaktivitäten erheblich gesteigert. Tonnenweise Daten können in Echtzeit analysiert und segmentiert werden, damit der passende Content unmittelbar und über alle Marketing-Channels hinweg verbreitet werden kann.

Wir sollten jedoch auch die Nachteile der Personalisierung mittels Machine Learning betrachten. Zunächst einmal birgt das Set-up einige Herausforderungen, die am Anfang entmutigen könnten. Expertise und eine intensive Vorbereitung sind gefordert und die Marketing- und Content-Abteilungen müssen, aufgrund des schnellen Testings eventuell Mehrarbeit leisten. Eine andere Schattenseite ist die Tatsache, dass zwischen geschickt angewandter Personalisierung und offensichtlicher Beeinflussung nur ein schmaler Grad liegt. Besucher könnten sich auf eine unheimliche Weise beobachtet fühlen und sich deshalb von Ihrem Unternehmen abwenden. Hier ist also Vorsicht geboten und eine strategische Herangehensweise gefragt. Schlussendlich benötigen Sie eine Plattform mit verschiedenen Features, um die richtigen Algorithmen auszuwählen, zu konfigurieren und zu testen.

Fazit

Predictive Personalization fällt mit gutem Grund in die Kategorie “Dynamic Website Optimization”. Genau wie sich Trends, Anforderungen und Geschmäcker stetig verändern, ändern sich auch die Profile Ihrer Kunden. Um Kunden mit einzigartigem Content an sich zu binden, passende Produkte für ihn bereitzustellen und seine Handlungen vorauszusagen, ist eine Methode nötig, die ständig justiert und verbessert werden kann. Wenn Sie also bereit sind, Zeit und Mühe zu investieren, um mit den schnell wechselnden Anforderungen im Marketing Schritt zu halten, sollten Sie über Machine Learning nachdenken. Das Marketing kann die Macht der Daten nutzen, um ihre Marketingstrategien zu optimieren und somit gesteigerte Conversions und Umsatzzahlen zu generieren.