Vier Strategien: Wie Machine Learning Personalisierung in Echtzeit möglich macht

Personalisierung heißt das Zauberwort: Im digitalen Marketing hat die individuelle Anpassung von Inhalten und Angeboten an den Kunden bereits den Status des absoluten Must-Haves. Theoretisch wenigstens; wenn man sich nämlich ansieht, wie Marketer tatsächlich arbeiten, würde man niemals auf diese Idee kommen. Veraltete Methoden paaren sich mit Offline-Analysen gesammelter Daten, aus denen fixe Regeln aufgestellt werden.

Zwar implementieren Marketer diese Regeln automatisch - mittels einer Business Rule Engine - doch mit der Zeit wird diese Maschine mit hunderten Regeln gefüttert, bis ihr die Nähte platzen. Alte Ansätze, die längst nicht mehr funktionieren, treffen im Regelmischmasch auf hochkomplexe, unverständliche Schemata. Heraus kommt ein Brei der Ineffizienz. So sind Business-Regeln eher Hindernis als Hilfe für effektive Kundenakquise, Konversion und Kundenbindung.

Passende Regeln in Echtzeit

Wie sollte man es sonst angehen? Sieht man sich die erfolgreichsten digitalen Unternehmen an - von Google über Twitter bis Netflix - wird schnell klar: die Lösung heißt Machine Learning. Selbstlernende Systeme analysieren Daten und schreiben passende Regeln, natürlich in Echtzeit. Sind die Regeln einmal aufgestellt, beginnt das Data-Analytics-System sofort, eigene, neue Daten zu sammeln; es bewertet die Regeln aufgrund von Erfolg oder Misserfolg und passt sie entsprechend an. So häuft das System keinen Regelberg auf, sondern pflegt einen kleinen, flotten Fuhrpark, mit dem Marketer schnell Einsichten gewinnen und das Unternehmen nach vorne bringen. Sie bekommen die richtigen Informationen und können sofort entscheiden.

Wie kann das konkret aussehen? Diese vier Use Cases zeigen, wie Machine Learning im Kontext der Personalisierung aussehen kann:


1. Wissen, was der Kunde als nächstes will
Machine-Learning-Algorithmen können vorhersagen, wann ein bestimmter Kunde wahrscheinlich das Bedürfnis haben wird, ein bestimmtes Produkt zu kaufen. Wie können sie das? Indem sie die vergangenen Einkäufe des Kunden analysieren und wiederkehrende Muster erkennen. Ralf etwa kauft gerne Sportprodukte und einmal im Jahr neue Turnschuhe. Das System erkennt die Wiederholung und erstellt daraus eine Regel. Die Regel wird anhand weiterer Kundendaten validiert - verhalten sich andere Kunden ähnlich wie Ralf? So können Unternehmen all ihren sportbegeisterten Kunden Angebote der neusten Sneaker-Modelle zukommen lassen, genau wenn diese den Bedarf dazu verspüren.


2. Wissen, wo der Kunde als nächstes ist
Tobias surft gerne auf allen Kanälen. Er recherchiert am liebsten am Laptop, nutzt die mobile App unterwegs, besucht zum Shoppen vorher jedoch gerne das Ladengeschäft - das verraten seine Location-Daten. Ein Machine-Learning-Algorithmus analysiert Tobias' Verhalten und vergleicht es mit ähnlichen Kunden. So weiß das System mit hoher Wahrscheinlichkeit, auf welchem Kanal Tobias als nächstes unterwegs sein wird - und kann ihm das richtige Produkt auf dem korrekten Kanal anbieten.


3. Produktvorschläge in Echtzeit
Kunden, die diesen Roman kauften, kauften auch jenen. Woher wissen wir das? Produktkorrelationen aus den Einträgen des ECommerce-Systems sind der traditionelle Weg, um diese Beziehung herzustellen. Mit Machine Learning gibt es nun die Möglichkeit, solche Informationen direkt aus den Such-Historien und Einkäufen des Kunden selbst zu generieren. Algorithmen reagieren in Echtzeit auf diese Daten und korrelieren Produkte, während der Kunde sucht. Das lässt sich übrigens auch auf ganze Kundensegmente gleichzeitig anwenden.


4. Im Schneesturm Umsatz machen
Im Winter schneit es meist heftig an der nordamerikanischen Küste. Wenn ein Baumarkt abschätzen könnte, wann sich die nächste Sturmserie ankündigt, könnte man Hausbesitzern rechtzeitig Schneepflüge anbieten - eine gewinnbringende Kampagne. Dafür benötigen Unternehmen jedoch nicht nur interne Kundendaten, sondern müssen auch in der Lage sein, externe Informationen wie Wetterberichte und Sturmwarnungen zu verarbeiten. Machine Learning entdeckt aus dieser Datenmasse Korrelationen und Kontexte, mit denen Unternehmen ihre Angebote genauer auf Ereignisse und Kunden zuschneiden können.

Die Vorteile von Machine Learning

Personalisierung, die auf Machine Learning und intelligenten Algorithmen basiert, bietet drei klare Vorteile:

1. Steigenden Umsatz durch effektivere Personalisierung: bessere Kundenakquise, Konversion und Kundenbindung
   
2. Zufriedenere Kunden und besseren Service dank persönlichen und relevanten Angeboten
   
3. Sinkende Kosten dank automatisierter Pflege der selbstlernenden Systeme

Der Pfad zur Personalisierung durch Machine Learning beginnt mit dem ersten Schritt: Daten aus den unterschiedlichsten Quellen - online, offline und von Dritten - wollen gesammelt, integriert und zur Analyse vorbereitet werden. Dann gilt es, Machine-Learning-Modelle zur implementieren, die zur Datenanalyse notwendig sind; die Modelle oder Algorithmen müssen passend zu den vorhandenen Daten erstellt und trainiert werden, um Handlungsempfehlungen zu erhalten. Im dritten Schritt werden diese Modelle in Echtzeit integriert. Sie liefern kontextualisierte Angebote und Content an die richtigen Kunden, zur rechten Zeit auf dem korrekten Kanal. Das alles ist kein Hexenwerk, die richtigen Lösungen sind bereits weltweit im Einsatz. Jetzt ist die richtige Zeit, davon zu profitieren.