Fernkurs Big Data, Automation und KI im Marketing

Im E-Commerce wird maschinelles Lernen insbesondere für die Bewertung des Customer Lifetime Value herangezogen, um den zukünftigen Wert eines Kunden zu ermitteln.
Dabei greift die KI auf Datensätze aus der Kaufhistorie zurück. Aus diesen Erkenntnissen lassen sich Prognosen zu folgenden Fragen ableiten:

• welche Kunden kaufen am meisten?
• was wird am häufigsten gekauft?
• welche Kunden erhalten welche Angebote?
• welche Kunden erhalten welche Rabatte?
• welche Werbemittel haben eine hohe Conversion?
• wann wird voraussichtlich der nächste Kauf getätigt?

Grundlage hierfür sind wiederum entsprechende Kundensegmentierungen.
Systeme wie DataRobot® und Salesforce® Einstein führen im Rahmen des „Propensity Modelling“ Berechnungen zur Prognose der Kaufwahrscheinlichkeit bzw. Kaufabsicht durch. Die Datenbasis hierfür bilden wiederum demografische, soziografische und konsumbezogene Informationen. Hat beispielsweise ein Kunde, in diesem Fall ein Vater, in der Vergangenheit Geschenke für seine beiden Töchter gekauft, kann die KI für die nächsten Geburtstage sehr zeitgenau entsprechende Kaufempfehlungen und -anreize geben (vgl. (https://www.expressanalytics.com/blog/propensity-modeling-to-predict-customer-behavior-using-machine-learning, Datum des Abrufs: 17.05.2023)).

Neben der Prognose von Kaufabsichten hilft KI auch bei der Vorhersage möglicher Kundenabwanderungen. Dies wird im Fachjargon als „Churn Prediction“ bezeichnet. Dazu vergeben KI-Systeme entsprechende Churn-Prediction-Scores anhand folgender Merkmale (vgl. (https://datasolut.com/churn-prediction, "Churn Prediction: Definition, Vorteile und Anleitung", Laurenz Wuttke, Datum des Abrufs: 10.10.2023):

^{Randnotiz: Churn (engl.), zu Deutsch „Abwanderung“}

• demographische Daten wie Alter, Geschlecht, Beschäftigung, Wohnort usw. Beispielsweise kann ein Personenkreis, der in einem wohlhabenden Viertel einer Stadt wohnt, eine niedrigere Abwanderungsrate aufweisen als eine Gruppe, die in einem ärmeren Viertel wohnt
• Verbraucherverhalten, basierend auf der Kaufhistorie, dem Customer Lifetime Value, der Anzahl der Retouren, Kündigungen, Mahnungen, abgebrochenen Zahlungsvorgängen etc.
• Erkenntnisse aus dem Kundenservice, Vertrieb, da diese durch den regelmäßigen Kundenkontakt über wertvolle Informationen verfügen, z.B. in Form von Beschwerden über Produkte, Preis, Qualität und Service. Auch die Ergebnisse aus der Kommunikation mit Chatbots können zur Bewertung der Zufriedenheit herangezogen werden
• Daten zur Produktnutzung. Wird beispielsweise eine Online-Software im Laufe der Zeit plötzlich sehr selten genutzt, kann dies ein Hinweis auf eine potenzielle Abwanderung sein

Potenzielle Abwanderungen sollen durch Automatisierungsmaßnahmen frühzeitig unterbunden werden.

Von besonderer Bedeutung im E-Commerce sind Cross-Selling-Angebote und personalisierte Produktempfehlungen sowie die Reduzierung von Retouren zu sehen. Personalisierte Produktempfehlungen können in Form von „Next Best Offers“ ausgesprochen werden. Dazu analysiert KI die Kaufhistorie und die individuellen Merkmale und Interessen des Kunden, um eine Wahrscheinlichkeitsberechnung für potenzielle Produktkäufe durchzuführen. Darüber hinaus sind solche Systeme in der Lage, den idealen Werbeplatz für die Produktempfehlung zu ermitteln. Predictive Analytics dient auch dazu, aus dem gesamten Netzwerk Prognosen über zukünftige Trends und damit über mögliche neue Produkte und Dienstleistungen abzuleiten. Next-Best-Offer-Marketing zielt darauf ab, durch Automatisierung von Prozessen die Kundenbindung zu erhöhen und die Wiederkaufrate zu steigern. Cross-Selling, bei dem thematisch passende Zusatzprodukte zur direkten Bestellung angeboten werden, sorgt für zusätzlichen Umsatz.