Predictive Analytics ist Modellierung, die aus vergangenen Verhaltensdaten künftige Wahrscheinlichkeiten berechnet. Im Marketing beschränkt sich der Einsatz meist auf drei Fragen: kauft dieser Nutzer, verlässt uns dieser Kunde, wie viel Umsatz bringt diese Zielgruppe. Entscheidend: ein Prognose-Score allein schafft keinen Wert. Wert entsteht, wenn er mit Zielgruppe, Gebot oder Budget verknüpft wird.
Welche Prognosen helfen in der Werbung?
Theoretisch lässt sich unbegrenzt prognostizieren; praktisch erzeugen nur wenige Prognosen Entscheidungen. Die Reihenfolge folgt der Nähe zur Aktion.
- Kaufwahrscheinlichkeit: die Chance, dass ein Nutzer in den nächsten Tagen kauft; der nützlichste Score für Remarketing-Budget.
- Abwanderungsrisiko: markiert Kunden, die trotz erwartetem Wiederkauf still werden; startet Bindungskampagnen.
- Erwarteter Umsatz: der von einer Zielgruppe erwartete Umsatz; für Gebotsanpassungen und wertbasierte Strategien.
- Nachfrageprognose: erwartetes Saisonvolumen; bringt Lager und Budget in Einklang.
- Budgetprojektion: wo der aktuelle Trend zum Monatsende landet; einfach, aber wirksam für frühe Eingriffe.
Wie arbeiten Prognosemodelle?
Das Modell vergleicht Verhaltensmuster von Nutzern, die gekauft haben, mit jenen, die es nicht taten: Besuchsfrequenz, gesehene Produkte, Zeit seit dem ersten Besuch, Warenkorbverhalten. Daraus entsteht ein Wahrscheinlichkeitswert. Dieser Wert ist eine Quote, keine Gewissheit: 74% Kaufwahrscheinlichkeit heißt, dass etwa drei von vier Personen im Segment kaufen dürften.
Wie führt man Predictive Analytics ein?
Für die meisten Unternehmen ist der richtige Start nicht ein eigenes Modell, sondern die vorhandenen Prognosefunktionen der Plattformen. Ein eigenes Modell lohnt erst bei großem Datenvolumen und sehr spezifischem Bedarf.
- Daten vorbereiten: genug Event-Volumen und sauberes Conversion-Tracking.
- Modell wählen: mit den eingebauten Prognosen beginnen und später ein eigenes Modell prüfen.
- In eine Zielgruppe wandeln: den Score an eine Werbezielgruppe binden; im Dashboard allein wirkt er nicht.
- Gegen eine Kontrollgruppe messen: nicht annehmen, dass die Zielgruppe ohne Werbung nicht gekauft hätte.
Welche Entscheidungen erzeugen Ihre Daten?
Ads Sensor analysiert Kampagnendaten aus vier Plattformen mit KI und liefert priorisierte, begründete Aktionen.
Die größte Falle: Inkrementalität
Der häufigste Trugschluss lautet: Werbung an die Zielgruppe mit der höchsten Kaufwahrscheinlichkeit sieht am profitabelsten aus, weil die Conversion-Rate hoch ist. Aber diese Zielgruppe hätte ohnehin gekauft; die Anzeige nahm nur die Gutschrift mit. Der echte Gewinn steckt im unentschiedenen Mittelfeld. Trennen lässt sich das nur über eine Kontrollgruppe; Methode: inkrementeller ROAS.
Womit beginnt ein kleines Konto?
Einfache Segmentierung liefert den Großteil des Werts noch vor jedem komplexen Modell. Kunden nach Aktualität, Häufigkeit und Wert zu trennen ist das praktische Gegenstück vieler Prognosemodelle; die Methode steht in der RFM-Analyse. Auf der Umsatzseite entspricht das dem Customer Lifetime Value.
Gut gemacht verteilt Prognose Budget nach der Zukunft; schlecht gemacht kopiert sie die Fehler der Vergangenheit. Um die Aktionen aus Ihren Kampagnendaten zu sehen: zur Ads Sensor-Beta anmelden.