Predictive Analytics ist ein Thema, das im Marketing und speziell im Zusammenhang mit E-Commerce-Anwendungen bereits seit vielen Jahren propagiert wird. Doch wie erfolgreich die Voraussagen wirklich sind, das hängt stark von den Datenbeständen des jeweiligen Unternehmens ab. Große Player wie Amazon, Zalando und die Otto Group machen vor, wie sich mit Hilfe gezielter Auswertung der gesammelten Daten Voraussagen über die Wünsche des Kunden, sein Kaufverhalten oder auch die Wahrscheinlichkeit der Rücksendung bis hin zur vorausberechneten Retourenquote treffen lassen. Amazon beispielsweise besitzt sogar ein Patent auf eine Technologie, die voraussagen können soll, was ein Kunde bestellt – und somit der Versand bereits bei Aufgabe der Bestellung in Gang sein könnte.

Was wie eine urbane Legende klingt, hat viel mit Wahrscheinlichkeitsrechnung zu tun, mit Machine-Learning-Fähigkeiten und mit immensen Datenmengen und Rechenkapazitäten. Die sind heutzutage nicht mehr das Problem – angesichts von Cloud-Computing und individuell skalierbarer Rechenleistung. Insofern verwundert es auch nicht, dass insbesondere Unternehmen wie Amazon, IBM und Salesforce hier führend sind.

Und doch ist Predictive Marketing vor allem ein Thema für die großen Player im E-Commerce – und vor allem für internationale Konzerne wie Amazon, die über entsprechende Datenmengen verfügen. Doch mit schierem Big Data ist es nicht getan – wichtig ist vor allem eine Planung und Strategie, die aufzeigt, welche Datenbestände zu welchen Erkenntnissen herangezogen werden können. Doch bis Predictive Analytics tatsächlich zum Unternehmenserfolg beitragen kann, ist es ein weiter Weg.

Beim Predictive Marketing gibt es einige populäre statistische Strategien, mit denen Unternehmen die Wünsche des Kunden vorauszusagen versuchen. Da ist zunächst die Best-Next-Offer-Berechnung, die insbesondere im Umfeld mit Produktvorschlägen und individualisierten Newslettern zum Einsatz kommt. Anhand der Kaufhistorie des Kunden sowie möglicherweise der Produkte, die er zusätzlich aufgerufen hat, ohne sie zu kaufen, wird auf Basis von Rankings der generellen Popularität von Produkten errechnet, welche Produkte ihn wahrscheinlich noch interessieren – unter Berücksichtigung von Produkten, die gerne in Kombination oder mit Versatz zusammen gekauft werden. Ein Beispiel: Ein Kunde, der sich gerade ein Fahrrad gekauft hat, wird möglicherweise für Fahrradzubehör oder -bekleidung empfänglich sein, eine Kundin, die kürzlich ein Abendkleid bestellt hat, benötigt möglicherweise bestimmte Schuhe dazu.

Eine andere Vorgehensweise, das Profiling, vergleicht einen Nutzer mit der Grundgesamtheit oder einer vorher geclusterten Stichprobengruppe von Kunden. Anhand seiner Verhaltensweise kann geprüft werden, welche Eigenschaften beim jeweiligen Kunden über- oder unterrepräsentiert sind. Das ermöglicht entsprechende Voraussagen darüber, was den Kunden – analog zu anderen Kunden mit denselben Ausprägungen – interessieren könnte oder was er wahrscheinlich kauft. Besonders verbreitet und insbesondere durch Amazon seit rund 20 Jahren populär ist die Warenkorb- oder Assoziationsanalyse. Hier wird anhand spezieller Muster anderer Kunden die Wahrscheinlichkeit dafür ermittelt, was der Kunde noch kaufen könnte – das klassische „Kunden, die diesen Artikel kauften, interessierten sich auch für …“. Allerdings kommt es gerade hier zu statistischen Fehlschlüssen, selbst bei großen Datenmengen.

Anders herum analysiert die logistische Regression vom Produkt ausgehend – eine Strategie, die im Marketing für Produkte üblich ist. Getroffene Aussagen sind beispielsweise, dass ein Produkt von Männern oder Frauen einer bestimmten Altersgruppe oder einer bestimmten Einkommenssituation mit einer bestimmten Häufigkeit oder Wahrscheinlichkeit gekauft wird.

All diese Strategien setzen aber neben der bereits eingangs genannten Datengrundlage und der hohen Rechnerleistung voraus, dass ein Unternehmen über Datenanalysten mit hervorragenden Statistikkenntnissen und guten Programmierfähigkeiten verfügt. Daher sind Datenanalysten aktuell verzweifelt gesucht. Davon abgesehen wird im Predictive Marketing künstliche Intelligenz in den nächsten Jahren noch für deutlich bessere und treffsicherere Voraussagen sorgen. Erste Cases aus den USA zeigen, dass der europäische Markt hier noch einige Schritte hinterher ist. Zum neuen Mekka für das Predictive-Thema könnte sich übrigens auch China entwickeln. Hier sind einige große Unternehmen anzutreffen, die dadurch, dass sie noch über weniger gewachsene Strukturen verfügen, auf die Voraussagekraft statistischer Formate angewiesen sind.

Der Schlüssel zu deinem Unternehmenserfolg ist, deine Kund:innen zu verstehen. Lerne in unserem Guide, wie du mit Customer Insights erfolgreicher wirst!

Jetzt lesen!