Machine Learning für Webseitenpersonalisierung: Analyse und Aktivierung Ihrer Daten

“Data rich, insight poor”. Dieser Satz fasst die aktuelle Problemstellung von Marketingteams gut zusammen. Sie verfügen über enorme Datenmengen, nicht immer aber über die Ressourcen oder die Bandbreite, um sie zu analysieren. Ergebnis: Die Daten werden nicht oder nur teilweise genutzt. Wie steht es bei Ihnen? Besitzen Sie die nötigen Ressourcen und Tools, um das Beste aus Ihren Daten zu machen? In unserem heutigen Artikel möchten wir zeigen, warum und wie Machine Learning bei der Analyse und der Aktivierung der Daten helfen kann, damit Sie das Datenvolumen, über das Sie verfügen, gewinnbringend nutzen können.

Mehr Daten heißt nicht gleich mehr Kenntnis

Bis jetzt bestand die Schwierigkeit für Marketingteams darin, ein Lösungssystem aufzubauen, das die größtmögliche Zahl von Daten erhebt und speichert. Viele Unternehmen investierten deshalb große Summen in DMP (Data Management Platforms) oder die neueren CDPs (Customer Data Platforms). Das sind natürlich wichtige Tools, mit denen die Performance Ihrer Data-Strategie erheblich geboostet wird – aber nur, wenn sie in ein komplettes Lösungssystem und eine gut aufgestellte Data-Strategie integriert sind. Dem Thema DMPs als Teil einer Personaliserungsstrategie haben wir bereits einen Artikel gewidmet. Am Beispiel der Supermarktkette Auchan zeigten wir, dass das Zusammenspiel einer DMP mit einem Personaliserungs-Tool wie Kameleoon eine globale Sicht der Customer Journey und eine optimierte User Experience über mehrere Kanäle hinweg ermöglicht. Allerdings hat es wenig Sinn, dieses Geschütz aufzufahren, wenn bei der Auswertung der Daten nach wie vor Verbesserungsbedarf besteht. „Je mehr Daten, desto besser können wir auf die Bedürfnisse unserer Besucher eingehen.“ Das ist zwar richtig, aber nicht die ganze Wahrheit. Heute ist das Ziel von Marketingteams nicht mehr das Anhäufen von Informationen, sondern die Nutzung von Lösungen, um all diese Daten korrekt auszuwerten.

92 % der Unternehmen nutzen ihre Daten noch nicht

Das fand jedenfalls die Econconsultancy-Studie „The Pursuit of Data-Driven Maturity“ (2017) heraus. Was heißt, dass nur 8% der Unternehmen eine solide Strategie entwickelt haben, dank der die erhobenen Daten analysiert, verstanden und für Entscheindungsprozesse genutzt werden. Natürlich befinden sich nicht alle Unternehmen der 92% anderen im gleichen Stadium bzgl. der Daten-Strategie. Die Studie macht drei große Gruppen aus: Erklärt werden können die Ergebnisse teilweise damit, dass Marketingexperten Daten oft misstrauisch gegenüberstehen. Laut einer Studie von Hanapin Marketing vertrauen nur 15% aller Marketer den Daten, mit denen sie täglich arbeiten. Das ist verdammt wenig. Die Studie erklärt diesen niedrigen Prozentsatz damit, dass ein Großteil die erhobenen Daten nicht richtig versteht und deshalb lieber so tut, als existierten sie gar nicht. Wir bei Kameleoon wollen das ändern!

Ohne Segmentierung der Daten keine Personalisierung

Erst das Verständnis und die korrekte Nutzung der Daten ermöglichen eine präzise Segmentierung. Diese Segmentierung ist die Voraussetzung für eine effiziente Personalisierung. Viele wichtige Player des E-Commerce wie zum Beispiel Club Med nutzen diese Strategie, die für User inzwischen schon selbstverständlich ist. So zeigte eine Studie Gartner aus dem Jahr 2015 bereits, dass 75% der Internet-User frustriert sind, wenn die User Experience einer Webseite nicht ihren Erwartungen entspricht – Tendenz steigend! Diese Besucher werden nicht auf Ihre Webseite zurückkehren, wenn ihre Erfahrung nicht zufriedenstellend ausfällt. Die gute Neuigkeit ist, dass es nie einfacher für Marketing- und Data-Teams war, Daten zu analysieren und zu aktivieren. Wie das geht? Mit Machine Learning!

Nutzen Sie Machine Learning für die Segmentierung Ihrer Besucher

Wie hilft Machine Learning bei der Personalisierung?

Machine Learning ist Teil der Künstlichen Intelligenz. Ein Algorithmus wertet erhobene Daten aus, lernt aus den Ergebnissen und kann daraufhin Prognosen erstellen.

Der Algorithmus segmentiert die Besucher Ihrer Webseite und errechnet in Echtzeit ihre Conversion-Wahrscheinlichkeit.

Dabei handelt es sich nicht um eine Zauberformel, natürlich muss der Algorithmus zuerst eingerichtet werden. Marketingexperten definieren die Kriterien der unterschiedlichen Segmente, erst daraufhin kann der Algorithmus seine Arbeit beginnen und die Daten bzgl. Verhalten, Geolokalisierung, Endgerät oder aus DMP/CRM/CDP usw. zur Echtzeit-Segmentierung verwenden. Der Algorithmus lernt aus den Daten, die er verarbeitet – nicht umsonst heißt das Prinzip „Machine Learning“. Nehmen wir ein vereinfachtes Beispiel:

1.  
   1. Ein Besucher landet zum ersten Mal auf einer Produktseite nach einem Klick auf einen Facebook-Link.
   2. Er bleibt eine Minute lang auf der Seite und scheint die dem Scroll-Verhalten nach zu urteilen auch zu lesen.
   3. Der Besucher legt das Produkt im Warenkorb ab.
   4. Er kauft das Produkt.

Ein zweiter Besucher kommt, sieht und kauft, ein dritter und ein vierter ebenso. Zu diesem Zeitpunkt errechnet der Algorithmus eine Conversion-Wahrscheinlichkeit von neuen Besuchern, die über den Facebook-Link kommen und das gleiche Verhalten zeigen, von 100%. Der 5. neue Besucher landet ebenfalls über Facebook, kauft aber nicht. Der Algorithmus passt seine Berechnungen dieser Tatsache an, die Wahrscheinlichkeit sinkt auf 80%. Und so weiter und so fort. Kameleoons Algorithmen arbeiten nach derselben Methode, auch wenn das Beispiel natürlich stark vereinfacht ist. Sie gleichen eine große Zahl von Kriterien ab und lernen ständig, während die Berechnungen 24/7 weiterlaufen. Dank dieser Methode können Marketer ihre Besucher immer präziser segmentieren und so gezielt Aktionen erarbeiten, die die Conversion-Rate bestimmter Besuchergruppen optimieren.

„Es ist natürlich interessant, zögernden Besuchern ein Sonderangebot zu bieten, um sie zum Kauf zu bewegen. Andererseits schaden Sie Ihrem Umsatz, wenn das Angebot auch solchen Besuchern gezeigt wird, die auch zum vollen Preis gekauft hätten.“ -Pauline Rommelaere, Consultant Kameleoon.

Schluss mit der Theorie, kommen wir zur Praxis. Allopneus nutzt Machine Learning zur präziseren Definition seiner Segmente – was zu einer erheblichen Verbesserung der Performance führt.

Allpneus nutzt Machine Learning zum Targeting seiner besten Kunden

Allopneus, Frankreichs führender Online-Reifenhändler, besitzt bereits eine gute Kenntnis der Besucher seiner Webseite. Unter ihnen befindet sich das Segment der Vielfahrer. Sie machen 10% des Traffics und 25% des Umsatzes aus und sind deshalb klar eine vorrangige Zielgruppe. Ziel Allopneus‘ war es, den Umsatz zu maximieren, ohne dabei die Gewinnspanne zu beeinträchtigen. Dafür erstellen die Marketingteams der Marke regelmäßig Sonderaktionen, die ausschließlich für Vielfahrer bestimmt sind. Diese Aktionen sind nicht gerade billig. Deshalb sollen sie nicht anderen Besuchern gezeigt werden, sonst würde das Unternehmen Geld verlieren statt zu gewinnen. Allopneus nutzt Machine Learning, um mehr Vielfahrer unter den Besuchern seiner Webseite zu identifizieren. Und so geht der Reifenhändler vor:

1. Allopneus‘ Teams legen die Segmentierungskriterien für den Algorithmus fest

Der Algorithmus braucht Informationen, um Vielfahrer zu erkennen. Die erhält er von Allopneus‘ Marketingteam, das ihm vorgibt, folgende Kriterien abzugleichen: [caption id="attachment_12004" align="aligncenter" width="831"] Vielfahrer haben unter anderem die Besonderheit, mehrere Fahrzeuge zu besitzen und mehr als 24.000 km im Jahr zu fahren. Das heißt, dass sie öfter als andere Besucher neue Reifen brauchen.[/caption] Das sind alles ganz normale Segmentierungskriterien, die man auch für eine Segmentierung „von Hand“ benutzen könnte. Der Unterschied: Machine Learning-Algorithmen können ein kolossales Datenvolumen bearbeiten und ermöglichen so eine fundierte Analyse, und zwar in Echtzeit. Das wäre mit manueller Segmentierung unmöglich.

2. Der Algorithmus identifiziert Vielfahrer und verbessert progressiv das Targeting

Ist der Algorithmus, eingerichtet fängt die Lernphase auf Allopneus´ Webseite an. Die Segmentierungskriterien werden abgeglichen und die User Journeys aller Besucher analysiert. Der Algorithmus lernt, zieht Schlüsse und verfeinert seine Segmentierung. [caption id="attachment_12005" align="aligncenter" width="824"] Jede Woche wird die Segmentierung präziser[/caption] Nach einer Woche Lernphase ermittelt der Algorithmus eine 50%-ige Wahrscheinlichkeit der Zugehörigkeit zum Segment Vielfahrer bei 50% der Besucher - nicht wirklich eine differenzierte Vorhersage. Ab Woche 2 verbessert der Algorithmus seine Segmentierung und erkennt besser, welche Besucher der Zielgruppe Vielfahrer angehören. Nach 4 Wochen befinden Allopneus' Data- und Marketingteams die Performance des Algorithmus als ausreichend, um allein die Personalisierungskampagne für Vielfahrer zu steuern. 48 Wochen nach Beginn der Lernphase hat der Algorithmus übrigens ermittelt, dass 35% der Besucher bestimmt nicht dem Segment Vielfahrer angehören (siehe Grafik).

„Sobald Sie meinen, dass der Lernprozess des Algorithmus weit genug fortgeschritten ist, können Sie ihm – wie Allopneus - die Echtzeit-Segmentierung Ihrer Besucher problemlos überlassen.“  -Simon Chatelain, Consultant Kameleoon

3. Die Marketing- und Datateams lassen den Algorithmus die Personalisierungskampagne steuern

Ist die Lernphase abgeschlossen (in unserem Beispiel nach 4 Wochen), lassen Allopneus‘ Teams den Algorithmus eigenständig die Personalisierungsaktion durchführen. Sobald ein Besucher als Vielfahrer identifiziert ist, wird ihm via Kameleoon die Reifenmontage vor Ort angeboten.

4. Ergebnisse

Die Segmentierung durch den Machine Learning-Algorithmus ermöglichte die Identifizierung von 50% mehr Vielfahrern, als mit manueller Segmentierung möglich wäre. So war die Personalisierungskampagne ein voller Erfolg und generierte eine erhebliche Steigerung des Umsatzes der gepushten Reifenmarke.