Nutzt du Data Mining, um vorherzusagen, ob dein Produkt ein Reinfall wird?

Karriere TipsArbeitsleben

Wie prädiktive Analytik Kunden rettet und gute Kunden von "Vorboten des Scheiterns" trennt.

Man könnte meinen, dass es gegen das Einmaleins des Marketings verstößt, aber ist es möglich, dass in bestimmten Fällen starke Verkäufe und positives Verbraucherfeedback für ein neues Produkt... schlecht sein können?

Auf jeden Fall, wenn die Verbraucher, die für das neue Produkt Geld ausgeben, nachweislich auch Produkte bevorzugen, die nicht funktionieren. Diese Käufer sind, wie der Marketingexperte Eric Anderson und seine Kollegen in einer bahnbrechenden Forschungsarbeit von 2015 beschrieben haben, "Vorläufer des Scheiterns".

Es stellte sich heraus, dass die Menschen, die Crystal Pepsi gekauft haben, mit größerer Wahrscheinlichkeit auch Frito Lay Limonade gekauft haben, fanden die Forscher heraus. (Falls Ihnen nichts davon bekannt vorkommt, nun ja, genau.) Und sie kauften weiter - solange sie noch konnten - was das Trugbild eines unterstützenden Marktes nur noch verstärkte.

"Ein einmaliger Kauf von Diet-Crystal-Pepsi ist teilweise aufschlussreich über die Vorlieben eines Verbrauchers", schreiben die Forscher. "Ein Verbraucher, der wiederholt Diet Crystal Pepsi gekauft hat, hat jedoch mit noch größerer Wahrscheinlichkeit ungewöhnliche Vorlieben und wählt mit größerer Wahrscheinlichkeit als andere Kunden andere neue Produkte, die in der Zukunft scheitern werden".

Die Untersuchung widerspricht herkömmlichen Marketingmodellen, wie dem Bass'schen Diffusionsmodell, das einen starken Anfangsabsatz mit einer größeren Chance auf langfristigen Erfolg in Verbindung bringt. Kurz gesagt, sie zeigte, dass ein schneller Start noch keinen Marathonläufer ausmacht.

Die Forschungsergebnisse decken sich auch mit den Anfängen der Nutzung von Big Data durch den Einzelhandel. Die Autoren analysierten zwei große Stichproben von Daten eines landesweiten Drogeriemarktes: einen Datensatz mit individuellen Kundentransaktionsdaten, der mehr als 10 Millionen Transaktionen umfasst, die mit Kundenbindungskarten über einen Zeitraum von zwei Jahren getätigt wurden, und eine Stichprobe mit aggregierten Transaktionsdaten auf Geschäftsebene, die 111 Geschäftsstandorte in 14 Bundesstaaten über einen Zeitraum von mehr als sechs Jahren umfasst.

Die akademische Analyse war zwar eher post hoc als das, was wir in modernen Unternehmensarchitekturen häufig sehen - die Aufnahme von Daten in Lager und Seen, die dann zur Analyse oder Berichterstattung von Business Intelligence- oder Data Science-Teams weitergeleitet werden -, aber sie war dennoch ein Triumph des Data Mining oder der Nutzung großer Datenmengen, um signifikante Muster und Anomalien zu entdecken.

DIE WICHTIGSTEN VORTEILE VON DATA MINING IM MARKETING

• Warenkorb-Analyse: Was ist das? Aufdecken, welche Produkte oder Dienstleistungen häufig zusammen gekauft werden. Wie wird Data Mining eingesetzt? Lernen von Assoziationsregeln.
• Produktempfehlung: Was ist das? Die Anpassung von Produktvorschlägen an einzelne Nutzer auf der Grundlage von Daten. Wie wird Data Mining eingesetzt? Assoziationsregel-Lernen, zusammen mit Techniken wie kollaborative Filterung und inhaltsbasierte Filterung.
• Kundensegmentierung: Was bedeutet das? Die Unterteilung von Kunden oder Klienten in Untergruppen auf der Grundlage gemeinsamer Merkmale und Gewohnheiten. Wie wird dabei Data Mining eingesetzt? Cluster-Analyse.
• Kunden-Lebensdauer-Wert: Was ist das? Quantifizierung, wie viel Geld ein Kunde wahrscheinlich für ein Unternehmen generieren wird. Wie wird Data Mining eingesetzt? Entscheidungsbäume und Boosting.
• Abwanderungsvorhersage: Was ist das? Quantifizierung der Wahrscheinlichkeit, dass ein Kunde seine Geschäftsbeziehung zu einem Unternehmen beendet. Wie wird dabei Data Mining eingesetzt? Klassifizierung und Regression.

Seit der Veröffentlichung von Harbingers of Failure wurden die Autoren für ihren "bedeutenden, langfristigen Beitrag" zum Marketing geehrt. Sie hat sogar eine Fortsetzung für 2019 hervorgebracht (es gibt ganze Postleitzahlen, die Vorboten des Scheiterns von Produkten sind, und die Einwohner spenden auch eher für erfolglose Kongresskandidaten). Und natürlich hat die Verbreitung von Big Data weiter zugenommen, was die Unternehmen eigentlich dazu veranlassen müsste, die Erkenntnisse der Studie umzusetzen und sich von solchen Vorboten möglichst fernzuhalten. Aber genau das ist nicht geschehen.

"Ich treffe immer wieder Leute, die davon wissen, aber die Firmen wissen nicht, was sie dagegen tun sollen", sagte Anderson. "Die meisten von ihnen haben eine schockierend enge Sicht auf die Welt".

Die meisten Unternehmen kaufen nur Daten, die sie als direkt relevant erachten, so Anderson. Ein Kosmetikunternehmen kauft beispielsweise wahrscheinlich Schönheitsdaten von einem Marktforschungsunternehmen für Konsumgüter wie Nielsen oder IRI, aber das sagt ihm wahrscheinlich nicht, wer die 2021er Version der Frito Lay Limonade trinkt.

Kategorieübergreifende Daten sind schwer zu finden, da die Datensätze oft streng voneinander getrennt sind. Anderson erinnerte sich daran, wie sein Team während seiner Zeit bei Ocean Spray Daten kaufte, die nur rote Getränke abdeckten. Damit hatte man zwar einen Überblick über die Welt der Cranberrysäfte, "aber man sah nichts, was mit anderen Getränken zu tun hatte", so Anderson. "Es war nicht die Getränkedatenbank, es war die Datenbank für rote Getränke".

Anderson glaubt, dass Einzelhändler und E-Commerce-Websites wie Amazon und Walmart am besten in der Lage sind, seine Forschung umzusetzen, zum Teil weil sie über Unmengen von Verkaufsdaten in so vielen Kategorien verfügen.

Der Vorboteneffekt steht jedoch in engem Zusammenhang mit mehreren Beispielen dafür, wie sich Data Mining und Marketing in der realen Welt überschneiden. Es handelt sich dabei um eine bizarre Version der Warenkorbanalyse - die Technik, die Vermarkter einsetzen, um herauszufinden, inwieweit Verbraucher, die Produkt X mögen, auch eine Affinität zu Produkt Y haben oder beide Produkte zusammen in ihren Warenkorb legen.

Dies könnte auch Auswirkungen auf den Customer Lifetime Value haben, der den Unternehmen Aufschluss darüber gibt, welche Kunden den größten Wert schaffen - und daher am besten betreut werden sollten. (Harbinger-Kunden sind interessanterweise nicht schlecht für Einzelhändler. Man kann sich darauf verlassen, dass sie weiter einkaufen, nur nicht für die "richtigen" Artikel). Die Einstufung von Kunden als Vorboten des Scheiterns ist im Grunde eine neue Variante der üblichen Kundensegmentierung, d. h. der Einteilung von Kunden in Untergruppen auf der Grundlage bestimmter Merkmale oder Gewohnheiten.

Nachfolgend finden Sie einige Beispiele für Data Mining im Marketing, die sich in der Praxis als erfolgreich erwiesen haben. Betrachten Sie sie als Vorboten des Marketingerfolgs.

Warenkorb-Analyse

Die Geschichte von Bier und Windeln gibt es schon seit Jahrzehnten. Ein datenbewusster Einzelhändler hat angeblich die Zahlen ausgewertet und festgestellt, dass die Kunden die beiden nicht miteinander verbundenen Produkte häufig zur gleichen Tageszeit kauften. Die Geschichte besagt, dass es junge Väter waren, die sich bei ihren nächtlichen Windeleinkäufen ein Sixpack gönnten, entweder als Belohnung oder aus einem Gefühl der Effizienz heraus. Die Geschichte ist mit ziemlicher Sicherheit apokryph, aber sie ist eine hilfreiche Illustration dafür, wie sich das Kaufverhalten auf die Art und Weise auswirkt, wie Unternehmen Cross-Promotion und gezielte Marketingmaßnahmen einsetzen.

So integrierte das Analyseunternehmen Quantzig 2019 die unterschiedlichen Datenquellen eines europäischen Lebensmittelhändlers und wendete dann das Lernen von Assoziationsregeln an, um ein Dashboard mit Produktbündelungsempfehlungen in Echtzeit bereitzustellen. Diese Bündelungsvorschläge führten nach Angaben des Unternehmens zu einer Steigerung der Werbeeinnahmen um fast 300 Prozent.

Instacart ist, wenig überraschend, auch ein Beispiel für die Warenkorbanalyse in der Praxis. Das Unternehmen wertet seine Datenmassen aus, um Affinitäten aufzudecken, die es gelegentlich mit der Öffentlichkeit teilt. Gemüsekäufer sind in der Regel "Heavy Meal Preppers", die ihre wöchentlichen Mahlzeiten mit Tortillas, Gurken und Wassermelonen planen, während Obstkäufer eher zu den Snacking-Typen gehören, die auch häufig zu Joghurt und Hummus greifen, heißt es in einem kürzlich veröffentlichten Blogbeitrag von Instacart.

Übrigens ist der von Instacart 2017 veröffentlichte Lebensmitteldatensatz - der größte seiner Art - eine hervorragende Ressource für datengetriebene Vermarkter, die die Datenwissenschaft hinter der Vorhersage von Verbrauchergewohnheiten verstehen wollen.

Produktempfehlung Data Mining Marketing

Diese Beispiele stammen aus der Welt der verpackten Waren, aber dieselbe Idee ist natürlich auch für den modernen elektronischen Handel von zentraler Bedeutung, wo das Konzept einfacher als Produktempfehlung bekannt ist.

Etsy beispielsweise bietet mehr als 80 Millionen Artikel zum Verkauf an und verfügt über ein ausgeklügeltes Empfehlungssystem, das dazu beiträgt, die paradoxe Wahllähmung zu vermeiden, wie Mike Fisher, Chief Technology Officer von Etsy, letztes Jahr gegenüber dem Wall Street Journal erklärte. Das System hat sich im Laufe der Jahre zu einem sprachverarbeitenden System entwickelt, das frühere Suchanfragen und Käufe einbezieht - "Milliarden von historischen Datenpunkten", so das Journal. In einer kürzlich von Datenwissenschaftlern bei Etsy veröffentlichten Studie wurde außerdem vorgeschlagen, die Daten der jüngsten Nutzeraktivitäten zu nutzen, um die Personalisierung von Attributen wie Farbe, Größe und Materialoptionen "innerhalb der Sitzung" voranzutreiben.

Streaming-Plattformen wie Netflix und Spotify - die eine Mischung aus kollaborativem Filtern und inhaltsbasierten Empfehlungen verwenden - haben ebenfalls gezeigt, wie Data Mining für ein ausgeklügeltes empfehlungsgesteuertes Engagement zum Erfolg führen kann.

Lebenslanger Kundenwert

Alle Menschen mögen gleich sein, aber nicht alle Kunden verdienen gleichermaßen die Bemühungen eines Unternehmens. Das war der zentrale Punkt, den Peter Fader, der Marketingexperte, der das Konzept des Customer Lifetime Value (CLV) - eine Hochrechnung des Gewinns, den ein Kunde generiert - entwickelt hat ansprach. Unternehmen sollten ihre Budgets nicht damit vergeuden, "hässliche Entlein in schöne Schwäne zu verwandeln", sondern ihre Werbemaßnahmen danach ausrichten, wie viel ein Kunde wert ist, sagte er.

Heutzutage bedeutet das komplexes maschinelles Lernen auf der Grundlage von Data Mining - ob es sich nun um die Gradient-Boosting-Entscheidungsbäume von Cars.com oder die neuronalen Netze handelt, die den CLV-Softwareanbieter Retina unterstützen. Eines der ausgefeiltesten Beispiele ist laut Fader der Spieleverlag Electronic Arts, der seine CLV-Schätzungen täglich auf der Grundlage von Daten zum Spielerverhalten aktualisiert. EA hat seine Marketingausgaben von 22 Prozent des Umsatzes auf weniger als 12 Prozent gesenkt, nachdem es sein CLV-Modell aktualisiert hat, so Zach Anderson, ehemaliger Chief Analytics Officer bei EA, im Podcast Customer Equity Accelerator 2018.

Kundensegmentierung Data Mining Marketing

Der Vorteil der Unterteilung des Kundenstamms eines Unternehmens in verschiedene Untergruppen liegt wohl auf der Hand: Marketer können Botschaften und Werbeaktionen darauf abstimmen, wie diese spezifische Gruppe mit der Marke interagiert. Aber die Segmentierung darf nicht willkürlich sein, und Data Mining ermöglicht eine sinnvolle Kundensegmentierung.

Die als Clusteranalyse bezeichnete Data-Mining-Methode ist eine gängige Technik in der Marketing-Analytik. Datenteams verwenden Clustertechniken wie k-means clustering, um festzustellen, welche Datenpunkte in einer Verteilung nah oder fern beieinander liegen - oder welche Benutzer ähnlich und unähnlich sind. Aus dieser Analyse ergeben sich dann relevante Kunden-Personas. Das Spektrum in diesem Beitrag, der einen E-Commerce-Datensatz analysiert, umfasst beispielsweise sechs Cluster/Personas und reicht von "mittleres Einkommen, geringe jährliche Ausgaben" über "hohes Einkommen, hohe jährliche Ausgaben" bis hin zu "sehr hohes Einkommen, hohe jährliche Ausgaben".

Eine weitere clusterbasierte Data-Mining-Technik ist die Latent-Class-Cluster-Analyse (LCCA), die es Modellierern ermöglicht, Segmente anhand von Daten zu bilden, die über nicht-numerische Daten hinausgehen. Das in Dallas ansässige Analyseunternehmen Decision Analyst setzte LCCA für eine Kundensegmentierung ein, als ein Kunde ein neues Gerät auf den Markt brachte und Cluster aus gleichgesinnten Panelantworten bildete, um zu bestimmen, wie die neuen Produkte am besten positioniert werden sollten.

Abwanderungsvorhersage Data Mining Marketing

Tatsache ist, dass es billiger ist, einen Kunden zu halten, als einen neuen zu gewinnen. Die Abwanderungsprognose ist der Versuch, die Wahrscheinlichkeit abzuschätzen, mit der ein Kunde einen Dienst kündigt oder nicht verlängert, ein Signal, das Vermarkter dann nutzen können, um diesen Umsatz hoffentlich abzufangen, bevor er stattfindet.

Data-Mining-Techniken wie die bescheidene Regressionsanalyse und die Klassifizierung sind die traditionellen Eckpfeiler der Abwanderungsvorhersage. (Der klassische Telco-Abwanderungsdatensatz wird im Allgemeinen für die Klassifizierung verwendet).

Wie der Quantitätsforscher Anfang des Monats feststellte, können Unternehmen jetzt Python-Bibliotheken wie Streamlit verwenden, um Klassifizierungs-/Abwanderungsmodelle zu erstellen, die mit intuitiven Schnittstellen ausgestattet sind. Darüber hinaus gibt es ein wachsendes Ökosystem von Tools, die mit maschinellem Lernen die Abwanderungsvorhersage verbessern und dank der großen Anzahl von Datenpunkten, die sie verarbeiten, weit in die Zukunft reichende Ergebnisse liefern können.

"Sie können herausfinden, wie Sie die Abwanderung mit Ihren Produktänderungen angehen und wie Sie es dem Kunden leichter machen, mit Ihnen zusammenzuarbeiten", erklärte Kristen Hayer, Gründerin des Beratungsunternehmens The Success League. "Es verändert die Konversation, weil es Ihnen genug Zeit gibt, tatsächlich zu planen.