Erfolgsanalysen im Marketing mit KI

Eine konsequente Erfolgsanalyse der durchgeführten Maßnahmen ist mittlerweile eine Kernaufgabe moderner Marketingabteilungen. So wird im Nachgang zu Rabattaktionen, Mailings und Briefkampagnen verglichen, wieviel Mehrumsatz die Adressaten dieser Maßnahme im Vergleich zu einer Kontrollgruppe – die nicht Empfänger dieser Maßnahme war – erreicht hat. Ist dieser Mehrumsatz signifikant größer als die Kosten der Aktion, gilt die Maßnahme als erfolgreich.

Dieser Vergleich führt allerdings nicht immer zu vernünftigen Entscheidungen. So hat uns beispielsweise ein Energiedienstleister mit der Optimierung seines Programmes zur Rückgewinnung von Kunden beauftragt. In diesem Programm sollten Kunden, die ihre Kündigung zurückziehen, einen Sonderbonus erhalten. In der Analyse zeigt sich, dass die Kunden denen dieser Bonus angeboten wurde ihre Kündigung zu einem signifikanten Teil zurückgenommen haben. Der hierdurch entstandene Deckungsbeitrag war nach Abzug des Sonderbonus deutlich positiv. Was diese Analyse nicht zeigen konnte ist, dass diese Maßnahme bei den Kunden dazu geführt hat, jeden Vertrag zur Erstvertragslaufzeit zu kündigen, um den Bonus zu kassieren, und das ohne wirklich ein besseres Angebot am Markt zu finden. Die Kündigungsquote vor Durchführung der Rückgewinnung ist also gestiegen und hat dadurch den Unternehmenserfolg signifikant gesenkt.

Die Dinge sind nicht wie sie scheinen

Der Glücksspielanbieter Lotto hat für eine Optimierung seiner Marketingaktivitäten eine Marktanalyse in Auftrag gegeben. Diese hat die wesentlichen Eigenschaften der Kundschaft analysiert und festgestellt, dass ältere Menschen mehr Lotto spielen und der Umsatz steigt, je höher der Jackpot ist. Als Konsequenz richtete Lotto seine Marketingaktivitäten erstens auf Senioren aus und zweitens wurden gerade die hohen Jackpots besonders beworben. Die Konsequenz dieser Maßnahmen war allerdings nicht wie erwartet. Die Umsätze des Glückspielanbieters sanken. Eine tiefergehende Analyse mit modernen KI-Verfahren  konnte den Grund hierfür aufdecken. Es stellt sich heraus, dass nicht das Alter eines Menschen für seine Spielaffinität entscheidend ist. Vielmehr wird das Lotto-Spiel zu einem Ritual das durch freudvolle Gewinnerlebnisse getrieben wird. Beides hängt statistisch mit dem steigenden Alter zusammen, weshalb die einfachen Verfahren die Korrelation zwischen Alter und Spielaffinität festgestellt haben.

Der scheinbare Einfluss der Höhe des Jackpots auf das Spielverhalten gilt dagegen nur unter bestimmten Voraussetzungen. Die modernen KI-Verfahren decken auf, dass dieser Effekt bei älteren „Ritualspielern“ vernachlässigbar ist. Der Effekt wirkt dafür umso stärker, wenn es darum geht Nichtspieler zu ihrem ersten Spiel zu bewegen. Jüngere Menschen scheinen dabei grundsätzlich affiner für Glücksspiele wie Lotto zu sein. Diese brauchen allerdings einen konkreten Anlass, um mit dem Spiel zu beginnen – wie zum Beispiel ein besonders hoher Jackpot. Für die langfristige Bindung der Spieler ist es jedoch wichtig, das Spiel zu einer rituellen Handlung werden zu lassen. Deshalb führte eine Ausrichtung der Werbeaktivitäten auf Senioren zwar zu einer Bindung von Spielern, aber gleichzeitig zu einem Rückgang bei der Gewinnung von neuen Spielern – denn hierfür ist gerade die junge Zielgruppe besonders relevant.

Im Licht der Analyse betrachtet, führt auch die gezielte Bewerbung der Mega-Jackpots zu unerwünschten Effekten. Neben den Mega-Jackpots verlieren die Standardziehungen aus Sicht der Spieler an Bedeutung und Attraktivität und das Spiel wird auf diese besonderen Gelegenheiten fokussiert. Dadurch verliert das Lotto-Spiel seinen rituellen Charakter und die langfristige Bindung der Spieler geht verloren.

KI-Verfahren um die Ecke

Zusätzlich zum besseren Verständnis der Zielgruppen und deren Bedarfe ist die Wahl der optimalen Marketingkanäle entscheidend. Welche Wirkung hat beispielsweise die Investition in TV-Werbung auf die  Verkaufszahlen und welche Wirkung hat die gleiche Investition in Internet-Marketing. Herkömmliche Kennzahlenvergleiche greifen hier zu kurz, weil sie jeweils nur den Effekt der Einzelmaßnahmen beleuchten können.

Gerade in diesem Beispiel wirken die beiden Maßnahmen allerdings häufig in Kombination besonders gut. Die eigentliche Ursache-Wirkungsbeziehung liegt also nicht zwischen TV-Spot und Verkäufen oder Google-Ads und Verkäufen. Die eigentliche Ursache-Wirkung bei Kunden läuft häufig wie folgt: Der TV-Spot erzeugt Aufmerksamkeit bei den Kunden für das Produkt. Daraufhin reagieren die Kunden mit einer Google-Suche. Es wäre also zu kurz gegriffen den Google-Ads alleine den entscheidenden Einfluss auf den Verkaufserfolg zuzuschreiben. Vielmehr ist der TV-Spot der Auslöser für das Interesse und die Kombination aus beiden Maßnahmen führt zum entscheidenden Erfolg.

Weil einfach nicht immer einfach ist

Analysen unterliegen häufig scheinbar intuitiven Annahmen. Eine davon ist, dass mehr von einer guten Maßnahme immer besser ist als weniger oder einfacher gesagt „viel hilft viel“. Herkömmliche Verfahren unterstellen genau diesen Zusammenhang, was einem Pharmaunternehmen zum Verhängnis wurde. Die Analyse der Vertriebsdaten zeigte, dass unter den zahlreichen Maßnahmen (Außendienstbesuche, Art und Qualität ausgegebener Produktbroschüren, Workshops, u.v.m.) besonders die Ausgabe von Produktproben einen positiven Einfluss auf den Absatzerfolg hatte. Die Analyse hat ergeben, dass pro Produktprobe 0,4 Verschreibungen erzeugt wurden und damit der quantitativ höchste Erfolg.

Eine Überprüfung dieser Analyse mit einem KI-Verfahren ergab jedoch, dass diese Aussage nur eingeschränkt stimmt. Dieser Zusammenhang besteht nämlich nur für die ersten zwanzig Produktproben je Quartal. Weitere Produktproben im Quartal senken die Anzahl der Verschreibungen wieder. Es ist also entscheidend für das Pharmaunternehmen die Produktproben pro Arzt zu limitieren, um den eigenen Vertrieb optimal zu fördern.

Bessere Insights für das Marketing

Selbst professionelle Marktforscher liefern bislang in erstere Linie deskriptive und bivariate Vergleiche von Gruppen. Eine Umfrage des Produktmarketing-Professors Dr. Holger Buxel von der FH Münster zum Thema Marketing Controlling hat ergeben, dass sich 94 Prozent der befragten Manager bewusst sind, dass solche Kennzahlenvergleiche nicht automatisch zu den richtigen Einsichten führen. Allein fehlt meist die Alternative. So wünschen sich viele Marketingleiter kompetentere Methodenexperten um die wesentlichen Schwächen dieser gängigen Analysemethoden zu überwinden:
– Verwechslung von Scheinkorrelationen mit den direkten (kausalen) Effekten,
– Ignorieren indirekter (kausaler) Effekte und
– unrealistischer Annahmen an Monotonie und Unabhängigkeit von Einflüssen.
Um solche Effekte entdecken zu können, müssen KI-Verfahren „entdeckend“ sein und sich nicht lediglich auf Prognosen, sondern auf Erkenntnisableilung – also „kausal“ – ausrichten.

Die Identifikation geeigneter KI-Verfahren gestaltet sich jedoch als schwierig. Es handelt sich hierbei über eine Methodenklasse mit einer Vielzahl von Algorithmen. Während die Algorithmen auf ähnlichen Grundprinzipien basieren, sind sie doch für sehr unterschiedliche Anwendungsfälle optimiert. So ist beispielsweise ein Algorithmus, der optimal auf die Prognose von Laufzeiten von Motoren vor Auslieferung trainiert wurde, nicht zwangsläufig optimal für die Prognose von Kündigungswahrscheinlichkeiten für Strom-Verträge oder Versicherungen.

Die häufigste Anwendung dieser Verfahren liegt in der Automatisierung von Entscheidungen und somit auf der Prognose von Ereignissen (Haltbarkeit, Kündigungswahrscheinlichkeit, u.v.m.). Dieses Vorgehen funktioniert insbesondere dann, wenn es für die Handlungen nur zwei relevante Optionen gibt, wie zum Beispiel “Auslieferung” eines Motors oder “Einschmelzen” im Qualitätsmanagement der Produktion von Automobilzulieferern. Insbesondere im Marketing sind diese Entscheidungen häufig wesentlich komplexer und erfordern eine Interpretation der Erkenntnisse durch menschliche Entscheider. In diesen Fällen gilt es die kausalen Einflussgrößen auf den wirtschaftlichen Erfolg genauer zu verstehen.

NEUSREL

Als Kundenmanagementberatung ist MUUUH! Consulting immer auf der Suche nach innovativen und praktikablen Lösungen für Marketing, Service und Vertrieb. Bei dieser Suche ist unser Analytics-Team auf das KI-Verfahren NEUSREL aufmerksam geworden, dass genau das leisten kann. In unseren Projekten nutzen wir NEUSREL, um die Erkenntnisse für eine Optimierung der Kundenansprache und strategischen Planung der Marketingmaßnahmen zu nutzen. Die Kombination aus der analytischen Erkenntnis und unserer operativen Erfahrung in der Umsetzung der Maßnahmen können wir Unternehmen dabei unterstützen ihre Kundenpotenziale effektiv zu heben und den Marketing-ROI zu steigern.