Der schlaue Händler fängt den Kunden | Artificial Intelligence Marketing

Seit Jahren bringen neue Entwicklungen im Bereich Online-Marketing für Marketing-Verantwortliche unentwegt neue Möglichkeiten, allerdings ohne ihr Leben wirklich einfacher zu machen und Zeit für das Wesentliche zu schaffen. Mit hype-freiem Artificial Intelligence Marketing will emarsys diese Situation nachhaltig verbessern.

Werfen wir beispielhaft einen Blick auf das E-Mail Marketing. Waren vor 10 Jahren noch Themen wie Versandgeschwindigkeit und kompatibles HTML entscheidende Faktoren, wurde über die Jahre zunächst die Segmentierung wichtiger, damit verbunden eröffneten sich Möglichkeiten zur Automatisierung und Echtzeit-Steuerung. Diese wiederum führten zu der Frage, was der richtige Moment für die Ausspielung immer komplexerer Kampagnen wäre, was schließlich das Thema Lifecycle Marketing, in Verbindung mit dem aus dem Versandhandel bekannten RFM-Modelling, auch in die Online-Kommunikation brachte.

Kanalübergreifende Kommunikation wurde immer wichtiger, also Daten von verschiedenen Kommunikationsformen auch in anderen Kanälen zu nutzen. Was als Folge die Notwendigkeit für ein echtes „Unified Profile“, ein einheitliches Kundenprofil, nach sich zog. Selbst bei der Kommunikation auf nur einem Kanal muss die Gesamt- Kommunikationsstrategie bedacht werden, aber noch viel mehr im Zusammenspiel von Kanälen wie E-Mail, Website, Social, SMS, Push, Print etc.

Mit dem Unified Profile hatte der Marketer endlich, so könnte man meinen, nun also alle seine Daten an einem Ort, in einer Plattform, um endlich kanalübergreifende, automatisierte Kommunikationstrategien für seine Kunden durchführen zu können. Doch tatsächlich ist nicht viel gewonnen, im Gegenteil: zwischen dem Marketer und seiner Nachricht stehen immer noch Unmengen an Entscheidungen, die mit der eigentlichen, kreativen Marketing- Nachricht nicht viel zu tun haben. Die Entscheidungsvariablen nehmen ständig zu. Denn der Marketer muss:

• Die Daten über Käufe, Produkte, Kanalverhalten und persönliche Attribute zunächst verstehen.
• Darauf basierend Entscheidungen treffen.
• Den kreativen Content erstellen, inkl. einer passenden Produktauswahl.
• Zielgruppen und Unter-Zielgruppen finden, erstellen und zuordnen.
• Den richtigen Zeitpunkt für die Nachricht finden.
• Die Ergebnisse messen.
• Darauf basierend optimieren.
• Testen.
• Und schließlich erneut senden.

Wenn wir uns heute die entsprechenden Multistep-Programme, Automatisierungen, Journeys oder wie auch immer man sie auch nennen mag, im Detail anschaut, wird ziemlich schnell klar: eine echte Skalierung kann hier nicht ohne rohe Arbeitskraft stattfinden.

Bild 1: Ablauf im E-Mail-Marketing vom neuregistrierten Newsletter-Abonnenten zum Double-Opt-In-Abonnenten (Bildquelle Emarsys).

War das wirklich das Versprechen des Marketings im Jahr 2017? Hätten wir nicht im Unified Profile alle Informationen über jeden einzelnen Kunden zur Hand? Und würde nicht der Blick in diese Kundenprofile nach nur kurzer Betrachtung die Frage beantworten, was die nächste, passende Nachricht für diesen Kunden sein könnte?

Mit Artificial Intelligence all diese Herausforderungen einfach so zu „lösen“ klingt zwar verlockend, wirft aber am Ende mehr Fragen auf als beantwortet werden: Woher will die Maschine wissen, was meine Firmen-Philosophie und –Strategie ist? Was ist, wenn ich eigene Entscheidungen treffen will? Wie kann ich nachvollziehen, wie diese Entscheidungen zustande kommen?

Um Antworten auf diese Fragen zu finden und trotzdem einen sinnvollen Einsatz von echtem Maschinen-Lernen im Marketing zu ermöglichen, identifizierten wir bei emarsys einige der zeitintensivsten Bereiche im Online-Marketing, um unsere „hype-freie Artificial Intelligence“ Lösung unseren Kunden zur Verfügung zu stellen. Die Frage, die wir uns stellten war: wo haben unsere Kunden bereits heute großes Vertrauen in die Möglichkeiten, die das Maschinen-Lernen bietet und wie können wir dies auf andere Bereiche transferieren?

Produktempfehlungen oder Recommendations, die den Empfängern der Kommunikation personen-spezifische Vorschläge zum nächsten Kauf präsentieren, gehören bereits seit einigen Jahren zum Standard-Repertoire der E-Commerce Branche. Die Maschine lernt auf der Ebene von Einzelpersonen und über die Muster aller Personen hinweg, lässt gewisse Eingriffe in die Algorithmen zu, aber arbeitet nach einmaliger Konfiguration weitestgehend autark. Bei Bedarf kann aber auch feinjustiert werden, um beispielsweise bestimmte Aktionen zu unterstützen.

Genau dieses Prinzip übertrugen wir in unser Artifical Intelligence in Marketing („A.I.M.“) Prinzip. Hier zwei Beispiele, wie emarsys Kunden bereits heute diese Technik nutzen:

Sendtime Optimization

Versandzeit-Optimierung ist generell kein neues Thema. Zwar wurde es zwischenzeitlich wieder wichtiger, da die Frage bei der Versandsteuerung und -entscheidung zwischen beispielsweise Push-Nachrichten und E-Mail aufkam, aber grundsätzlich arbeiten die meisten herkömmlichen Systeme auf die gleiche Art und Weise, hier beispielhaft am E-Mail Versand:

Entweder es werden die globalen Daten der Öffnungszeiten betrachtet und die Entscheidung getroffen aufgrund der statistischen Verteilung, dass beispielsweise Dienstag um 8:00 Uhr die beste Conversion-Wahrscheinlichkeit bietet. Oder, in einigen etwas weiterentwickelten Systemen, man wertet auf Einzelkontakt-Ebene aus, wann die Öffnungen stattfinden und versucht ein statistisches Mittel zu finden und den Versandzeitpunkt beim nächsten Mal entsprechend anzupassen. Dieses Prinzip basiert darauf, dass Verhalten analysiert wird und entsprechend statistische Rückschlüsse gezogen werden und basierend darauf die „next best action“ ausgelöst wird. Also beispielsweise: Versand ist um 10 Uhr, Kontakt öffnet immer um 14:00 Uhr, also ab sofort Versand um 14:00 Uhr.

Bild 2: Dieser Kontakt öffnet seine Mailings am häufigsten um 18 Uhr (Bildquelle Emarsys).

Das Problem an diesem und ähnlichem Vorgehen ist, dass die Maschine auf diese Art nie erfährt, ob ein Versand um 18:00 Uhr vielleicht besser wäre, obwohl die Öffnung erst am nächsten Tag um 6:00 Uhr morgens stattfindet. Warum? Da sie trotzdem auf die Experimente des Marketers angewiesen ist, einen anderen Versandzeitpunkt zu testen. Sobald wir aber echtes Maschinen-Lernen mit ins Spiel bringen, beginnt die Maschine aber selbst Experimente durchzuführen. Keine Öffnung bei Versand um 10 Uhr? Dann beim nächsten Mal 14:00 Uhr. Immer noch keine Öffnung? Dann 16:00 Uhr. Öffnung. Gut, aber nur so lange, bis vielleicht ein anderer Zeitpunkt besser funktioniert.

Trotzdem kann der Marketer aber noch Faktoren mitbestimmen: den Tag beispielsweise oder die Abfolge in einem Automationsprogramm. Zudem ermöglicht ein feingranulares Reporting die Ansicht auf jeden Zeitraum und natürlich auf den einzelnen Kontakt in der Unified Profile-Ansicht.

Mit einem einzigen Klick kann der Marketer mit Sendtime Optimization ein Feature nutzen, das ihm die Frage nach dem besten Zeitpunkt vollständig abnimmt.

Incentive Recommendation

Ein weiterer großer Zeitfaktor, den wir identifizieren konnten, der auch direkten Einfluss auf die Gewinnspanne unserer Kunden hat, ist das Thema Incentives. Auch hier stellen sich im täglichen Alltag des Marketers viele Fragen: Welches Incentive soll ich verwenden?

Kostenfreie Lieferung, prozentuale Werte, absolute Euro-Werte? Wie hoch sollen die Incentives sein? Wie soll ich sie in meiner Empfängergruppe verteilen und nach welchen Kriterien? Würden einige Kunden nicht ohnehin kaufen? Wie oft soll ich Incentives nutzen? Ist es überhaupt sinnvoll, Incentives zu nutzen?

Für unsere automatisierte Incentive Recommendation nutzen wir alle Daten, die im Unified Profile über einen Nutzer bereits vorliegen, wie: Kaufhäufigkeit und aktuelle Kaufwahrscheinlichkeit. Engagement über alle genutzten Kanäle. Versandhistorie, Öffnungen und Klicks, sowie direkte und indirekte Conversions.

Bild 3: Strategie-Entscheidung anhand von erwartetem Umsatz, Gewinn und Kosten, und die Gegenüberstellung von kurzfristigem Umsatz zu langfristigem Engagement (Bildquelle Emarsys).

All diese Informationen werden dann mit einer Strategie-Entscheidung des Marketers verknüpft: aggressiv oder konservativ vorgehen, Incentives häufiger oder seltener verwenden. Die Maschine übersetzt diese Anweisungen dann in Zielgruppen und verknüpft sie mit den vorgegebenen Incentive-Optionen. Das Ergebnis ist dann das passende Incentive pro Einzelkontakt in der optimalen Häufigkeit. Ein Kunde, der beispielsweise ohnehin bereits intensiv nach einem Produkt sucht und der Erfahrung nach ein Incentive eher „mitnimmt“ erhält eher keinen oder einen sehr geringen Voucher ausgespielt. Der Kontakt, der seit einem halben Jahr kein großes Interesse gezeigt hat, darf dafür aber mit einem 30% Voucher bedacht werden, da die Wahrscheinlichkeit diesen Kontakt zurückzugewinnen nicht sehr hoch ist, daher aber auch eine große Investition basierend auf seinen zukünftigen Ausgaben bei erfolgreicher Rückgewinnung sehr hoch ist.

Für den Marketer bedeutet das also: festlegen der möglichen Incentives, Strategie-Entscheidung einstellen und Platzhalter in die Nachrichten einsetzen. Und nach dem Versand die Ergebnisse in der Analyse betrachten. Nicht zu viele Incentives einzusetzen und Erfolge zu messen, ohne manuelle Segmentierung nutzen zu müssen, war noch nie so einfach.

Sendtime Optimization und Incentive Recommendation stellen zusammen mit der klassischen Produkt-Recommendation nur drei der bereits heute verfügbaren Möglichkeiten von echtem Artificial Intelligence Marketing dar. Sie erleichtern Alltag von Marketern und ermöglichen es, mehr Zeit in die wichtigen Themen zu stecken: Strategie, Content und Analyse.

Artificial Intelligence wird unser Arbeiten in den nächsten Jahren immer mehr bestimmen und optimieren, darüber sind sich alle Experten einig. Wir ermöglichen es unseren Kunden, bereits heute zu starten.

Bastian Hagmaier, Regional Solutions Director, Emarsys