Adressen mit hoher Response-Wahrscheinlichkeit

edited 2016-02-26



Predictive Analytics bezeichnet eine Vielzahl statistischer Verfahren, wie z. B. Predictive Modeling, maschinelles Lernen und Data Mining. Dabei werden aktuelle und historische Daten mit dem Ziel analysiert, Vorhersagen in Form eines Scorewert (Wahrscheinlichkeit) zu künftigen Ergebnissen zu treffen.

Zur Identifizierung von Zielgruppen mit hoher Response-Wahrscheinlichkeit wird ein, anhand Ihrer Daten speziell entwickeltes, Vorhersagemodell verwendet. Die Adressen werden nach den "Regeln" dieses Response Models mit einem Scorewert versehen. Während man ein klassisches RMF-Verfahren noch nachvollziehen konnte, ist dies beim Predictive Modeling, mit zum Teil mehreren hundert Faktoren, gar nicht mehr leistbar. Allerdings ist das Resultat dafür auch um Klassen besser bzw. das gleiche Ergebnis mit einem Bruchteil der Auflage zu erreichen.

Machen Sie mehr aus Ihrem Marketing-Euro

Je mehr relevante Faktoren und positive "Beispiele" (Reaktionen) aus der Vergangenheit einfließen können, desto besser für das Training des Modelles. Hier zahlt sich eine gut gepflegte Kontakt-Historie aus.

Welches sind die erfolgversprechendsten Kanäle des Interessenten? Wie möchte er (sie) in welchem Kanal angesprochen werden? Es lassen sich Modelle für unterschiedlichste Fragestellungen erstellen, wie

  • Next-Best-Offer
  • Cross-Selling
  • Up-Selling
  • Produktaffinitäten
  • Kanal-Affinitäten
  • Kündigerprognosen

 

Eine weitere spannende Spielart sind Creative Content Models, die die für einen Interessenten effektivste Copy oder das stärkste Angebot ermitteln. Ergänzt um den zuvor beschriebenen Scorewert, ergibt sich nochmals eine Response-Steigerung. Mit einem Real Time Web Personalization Modeling lassen sich dann schließlich Content-Optimierungen im E-Mail-Marketing auch noch im Moment der E-Mail-Öffnung vornehmen.