Die Datenrevolution im Marketing

Personalisierung ist die Art und Weise, wie Marken Kunden erreichen, um eine Beziehung aufzubauen, aufzubauen und zu entwickeln, die nicht nur angenehmer ist - sie ist auch signifikant profitabler. Beachten Sie, dass:

• 80 Prozent der Kunden kaufen eher bei einem Marke, der Personalisierte Erlebnisse anbietet.
• 77 Prozentder Kunden zahlen mehr für ein Marke, das ihnen Personalisierte Erlebnisse bietet.
• 72 Prozent der Kunden interagieren nur mit Marken, die Personalisierte Erlebnisse

Der beste – und in vielen Szenarien der einzige – Weg, wie Marken auf angenehme, skalierbare und kostengünstige Weise näher an die Kunden herankommen können, ist die Bereitstellung von Inhalten, Inhalten und noch mehr großartigen Inhalten. Dies ist im Business-to-Business-Bereich noch wichtiger, wo der durchschnittliche potenzieller Kunde (der sich in der Regel aus mehreren Fachleuten zusammensetzt) auf 13 Inhalte zugreift, bevor er eine endgültige Kaufentscheidung trifft. Jeder einzelne Inhalt - ob E-Book, Webinar, Whitepaper usw. -, der nicht informiert, beeindruckt und beeinflusst, könnte die Beziehung zum Stillstand bringen oder beenden.

Für Marken kann es jedoch äußerst schwierig sein, Folgendes zu bestimmen:

• Welche Inhalte sollten wir erstellen?
• An wen sollten wir Inhalte liefern?
• Wann sollten wir Inhalte liefern?
• Über welche Kanäle und Touchpoints sollten wir Inhalte bereitstellen?

Dies sind zentrale Fragen, die nicht ignoriert werden können, denn sie beeinflussen nicht nur, ob eine Marke erfolgreich sein wird - im Großen und Ganzen und auf lange Sicht können sie darüber entscheiden, ob eine Marke überleben wird. Glücklicherweise gibt es einen bewährten und praktischen Weg für Marken, um die Antworten und Erkenntnisse zu erhalten, die sie benötigen, und das beginnt mit prädiktiv Analysen/Analytik.

Im Wesentlichen geht prädiktiv Analysen/Analytik darum, historische Daten zu nutzen, um Erkenntnisse zu gewinnen, die wiederum helfen, zukünftige Ergebnisse vorherzusagen. Dies geschieht in der Regel durch die Zuweisung einer Wahrscheinlichkeit (auch als prädiktiver Score bezeichnet) für die Möglichkeit, dass eine bestimmte Einheit oder Entität, z. B. ein Kundensegment, aufgrund einer Reihe von Details und Variablen auf eine bestimmte Weise handelt. Es gibt drei Haupttypen von prädiktiven Modellen:

• Regressionsmodelle: Diese identifizieren Muster in großen Datensätzen, um Beziehungen zwischen Variablen zu schätzen. Zum Beispiel könnte eine Marke diesen Ansatz nutzen, um den Einfluss der Versandkosten auf Kaufentscheidungen zu identifizieren.
• Entscheidungsbäume: Diese werden von Algorithmen gesteuert, die verschiedene Wege finden, um Daten in verzweigte und baumartige Segmente zu zerlegen (daher der Name). Zum Beispiel könnte eine Marke diesen Ansatz verwenden, um zu identifizieren, welches von drei möglichen neuen Produkten ihrer Liste hinzugefügt werden soll.
• Neuronale Netze (auch bekannt als künstliche neuronale Netze): Diese werden verwendet, um hochkomplexe und facettenreiche Mustererkennungsanfragen zu lösen. Eine Marke könnte diesen Ansatz beispielsweise verwenden, um die Wahrscheinlichkeit vorherzusagen, dass ein potenzieller Kunde auf eine Anzeige klickt.

Predictive Analysen/Analytik hat praktische Anwendungen in vielen Bereichen wie Gesundheitswesen, Versicherungen, Finanzdienstleistungen, Telekommunikation und Cybersicherheit. Im Marketing werden verschiedene Arten (und Untertypen) von prädiktiv Analysen/Analytik von erfolgreichen Marken verwendet, um Metriken und Key Performance Indicators (KPIs) zu erfassen, wie z. B.:

• Kund:in Lebenszeitwert
• Marketing-Attribution
• Produktempfehlungen
• Effektivität und ROI von Marketingkampagnen

Die gute Nachricht ist, dass prädiktiv Analysen/Analytik bei der Vorhersage von Ereignissen sowie der Wahrscheinlichkeit, mit der Änderungen auf zukünftige Ergebnisse wirken werden, äußerst nützlich sein kann. Wir könnten zum Beispiel die Regressionsmodellierung verwenden, um uns zu sagen, dass, wenn wir die Versandkosten um 10 Prozent senken, wir innerhalb eines Monats einen Anstieg des Gesamtumsatzes um 16 Prozent verzeichnen sollten, was unsere zusätzlichen Kosten ausgleichen und den Customer Lifetime Value erhöhen würde.

Die schlechte Nachricht ist jedoch, dass prädiktiv Analysen/Analytik in Szenarien, die durch signifikant Veränderungen gekennzeichnet sind, weniger aufschlussreich sein können – da historische Daten keine zuverlässige Grundlage für die Vorhersage zukünftiger Ereignisse und Ergebnisse sind. Natürlich müssen wir nicht lange und intensiv nach einem Beispiel dafür in der Realität suchen: Die Pandemie, die 2020 ausbrach, löste komplexe und neue Probleme aus, die konventionelle prädiktiv Analysen/Analytik nur schwer vorhersehen konnten, da das Paradigma so dramatisch anders war.

Glücklicherweise kommen hier Künstliche Intelligenz und maschinelles Lernen ins Spiel.

Im Kern geht es bei Künstliche Intelligenz darum, menschliche Intelligenz durch Computersysteme ("intelligente Maschinen") zu simulieren, die sich auf externe Daten und interne Algorithmen stützen, um Entscheidungen zu treffen. Im Allgemeinen gibt es drei Arten von Systemen der Künstlichen Intelligenz:

• Künstliche Allgemeine Intelligenz (AGI), bei der Systeme jede Aufgabe ausführen können, zu der ein Mensch in der Lage ist – aber mit viel größerer Kompetenz, Geschwindigkeit, Genauigkeit und Ausdauer. AGI ist derzeit hypothetisch.
• Künstliche Superintelligenz (ASI), bei der Systeme sich ihrer selbst bewusst sind und die Intelligenz und Fähigkeiten des Menschen übertreffen. Neben AGI ist auch ASI hypothetisch.
• Künstliche Schmale Intelligenz (ANI), bei der Systeme so konzipiert sind, dass sie ein einzelnes Ziel erfüllen (z. B. im Internet suchen, Sprachassistenten-Apps steuern usw.).

Eine der beliebtesten Arten von ANI ist maschinelles Lernen. Ähnlich wie prädiktiv Analysen/Analytik handelt es sich bei maschinelles Lernen um eine Methode der Datenanalyse, bei der der Prozess der analytischen Modellerstellung automatisiert wird, indem Algorithmen erstellt und verfeinert werden, um nach Mustern und Verhaltensweisen in Daten zu suchen.

Im Gegensatz zu prädiktiv Analysen/Analytik muss maschinelles Lernen jedoch nicht gesagt werden, wonach er suchen soll. Mit anderen Worten, maschinelles Lernen ist nicht durch historische Daten verankert oder eingeschränkt. Es lernt buchstäblich "durch Handeln", weshalb es von Vermarktern auf der ganzen Welt angenommen wird. Warum das so ist, erfahren Sie im nächsten Abschnitt.

Bisher haben wir das besprochen:

• Bei der prädiktiven Analysen/Analytik geht es darum, Modelle zu verwenden, die auf historischen Daten basieren, um zukünftige Ereignisse vorherzusagen.
• Bei Künstliche Intelligenz geht es darum, intelligente Maschinen zu schaffen, um menschliche Denkfähigkeit und Verhalten zu simulieren.
• Beim maschinellen Lernen geht es darum, dass intelligente Maschinen aus Daten, Erfahrungen oder beidem lernen, ohne jedoch explizit dafür programmiert werden zu müssen.

Die Integration aller drei dieser Bereiche eröffnet signifikante – und in gewisser Weise erstaunliche – Möglichkeiten für Unternehmen in einer Vielzahl von Branchen. Zum Beispiel:

• Unternehmen in der Finanzdienstleistungsbranche nutzen künstliche Intelligenz, um Betrug zu erkennen und zu vereiteln.
• Unternehmen in der Cybersicherheitsbranche nutzen Künstliche Intelligenz, um Bedrohungen zu verhindern und in Echtzeit auf aktive Angriffe zu reagieren.
• Unternehmen im Einzelhandel nutzen künstliche Intelligenz, um zu planen, welche Artikel basierend auf Trends, Saison und anderen Faktoren gelagert werden sollen.

Aber was ist mit der Bereitstellung von Inhalten, die, wie wir bereits erwähnt haben, der Schlüssel zur Personalisierung ist? Gilt hier Künstliche Intelligenz? Absolut. Hier sind einige der bemerkenswerten Möglichkeiten, wie Marketer Künstliche Intelligenz (und ihre Teilmenge maschinelles Lernen) nutzen, um das Engagement und die Erlebnis/Erfahrung auf der gesamten Customer Journey zu fördern:

• Automatisierte Kundensegmentierung: Künstliche Intelligenz kann das Verhalten von Website-Besuchern beim Surfen analysieren (was sie tun, wann sie es tun, wie lange sie es tun, ob sie es zuvor getan haben usw.) und sie automatisch in vorkonfigurierte Zielgruppensegmente einteilen.
• Automatisierte Erstellung neuer Segmente: Künstliche Intelligenz kann erkennen, wenn das Verhalten von Website-Besuchern nicht mit vorkonfigurierten Zielgruppensegmenten übereinstimmt, und neue erstellen (dies ist eine perfekte Illustration des Wertes des maschinellen Lernens).
• Automatisierte Personalisierung: Künstliche Intelligenz kann Kunden in jedem Segment selektiv Inhalte zum optimalen Zeitpunkt ihrer Reise bereitstellen. Zum Beispiel könnten Kunden in der "Awareness-Phase", die sich ihrer Optionen weitgehend oder gar nicht bewusst sind, aufgefordert werden, ein E-Book herunterzuladen, das ihnen eine Checkliste zur Optimierung ihres Forschung / Recherche und Bewertungsprozesses bietet. Alternativ können Kunden, die weiter auf ihrer Reise sind und bereit sind, eine endgültige Kaufentscheidung zu treffen, aufgefordert werden, Testimonials, Fallstudien oder andere Formulare mit sozialen Beweisen anzusehen oder zu lesen, die es ihnen ermöglichen, zuversichtlich in eine Transaktion einzusteigen.
• Automatisierte A/B-Tests: Künstliche Intelligenz kann geteilte A/B-Tests für verschiedene Content-Assets – E-Books, Whitepaper, Checklisten, Infografiken, Banner, Bilder usw. – durchführen und identifizieren, welche effektiv konvertieren und welche aktualisiert oder eingestellt werden müssen.
• Automatisiertes Content-Tagging: Künstliche Intelligenz können sehen, was ein Bild oder Video darstellt, und diese entsprechend automatisch Tag (z. B. "Zug", "Strand" usw.). Dies hilft nicht nur, Content-Silos aufzubrechen, sondern gibt Marketern auch die Möglichkeit, weniger Zeit für mühsame manuelle Aufgaben und mehr Zeit für hochwertige Prioritäten aufzuwenden.

Wie wir sehen können, haben prädiktiv Analysen/Analytik, Künstliche Intelligenz und maschinelles Lernen das Potenzial, Marken dabei zu helfen, ihre Marketingergebnisse drastisch zu verbessern und, was angesichts der jüngsten Ereignisse vielleicht noch wichtiger ist, zu gedeihen und neue Chancen zu ergreifen – anstatt zu kämpfen und Rückschläge zu erleiden – unter unsicheren und volatilen Bedingungen.

Der Versuch, prädiktiv Analysen/Analytik, Künstliche Intelligenz und maschinelles Lernen ohne die richtige Architektur zu etablieren und anzuwenden, kann jedoch zu Chaos statt zu Klarheit, zu Problemen statt zu Gewinnen Lead. Dies bringt uns zu einem weiteren zentralen Teil des Puzzles: Kundendaten (CDPs).

CDPs sind Softwarepakete, die eine persistente, einheitliche Datenbank für Kunden schaffen, auf die andere Systeme zugreifen können. Die Kund:in Data Platform Institute schlüsselt diese Definition auf:

• "Packaged Software": Eine CDP ist ein vorgefertigtes System, das so konfiguriert ist, dass es die Bedürfnisse jedes Kunden / Kunden erfüllt. Einige technische Ressourcen sind erforderlich, um die CDP einzurichten und zu verwalten, aber es erfordert nicht das Niveau der technischen Fähigkeiten eines typischen Data Warehouse-Projekts. Dies reduziert Zeit, Kosten und Risiko und gibt Unternehmen mehr Kontrolle über das System.
• "Schafft eine persistente, einheitliche Kunden Datenbank": Eine CDP schafft eine umfassende Sicht auf jeden Kunden, indem sie Daten aus mehreren Systemen erfasst, Informationen zu demselben Kunden verknüpft und die Informationen im Laufe der Zeit in verfolgen Verhalten speichert. Die CDP enthält persönliche Identifikatoren, die verwendet werden, um Marketingbotschaften auszurichten und Marketingergebnisse auf individueller Ebene zu verfolgen.
• "Zugänglich für andere Systeme": Daten, die in einer CDP gespeichert sind, können von anderen Systemen zur Analyse und zur Verwaltung von Kundeninteraktionen verwendet werden.

Diese Definition ist ein guter Ausgangspunkt. Aber das ist nicht die ganze Geschichte, denn es wirft eine entscheidende Frage auf: Was ist die wesentliche Funktionalität einer CDP und was muss sie können? Ohne diese Hintergrundinformationen laufen Marketer Gefahr, die falsche Lösung zu wählen.

Zum Glück ist kein Versuch und Irrtum erforderlich. Eine überlegene CDP-Lösung besteht aus drei Ebenen: Segmentierung, Entscheidungsfindung und Optimierung

• Segmentierung: Diese Ebene verfolgt jedes Klick-, Such- und Kaufsignal sowohl von bekannten als auch von anonymen Kundenprofilen. Darüber hinaus konsolidiert und verbindet es alle Kundendaten an einem Ort, erstellt Kundenprofile und -segmente mit Echtzeitdaten und integriert nahtlos Daten aus dem gesamten Unternehmen. Eine robuste und zuverlässige Segmentierung kann als "Motor" einer CDP-Lösung angesehen werden.
• Entscheidungsfindung: Diese Ebene nutzt prädiktiv Analysen/Analytik, Künstliche Intelligenz und maschinelles Lernen, um positive Interaktionen im gesamten Customer Journey zu fördern. Es nutzt auch Kunden- und Unternehmen Daten zusammen mit Echtzeit-Kontext, nutzt Entscheidungsfindungs Technologie, um leistungsstarke datengesteuerte Entscheidungen zu treffen, und ermöglicht A/B-Tests auf jeder digitaler Kanal/Digitalkanal – was für intelligente Optimierungen und Experimente auf der Grundlage zuverlässiger Daten und nicht auf Bauchgefühlen entscheidend ist. Diese leistungsstarke, zuverlässige und sich weiterentwickelnde (d. h. "Learning by Doing") Entscheidungsfindungsfähigkeit macht eine CDP-Lösung "intelligent".
• Optimierung: Diese Ebene orchestriert jede Interaktion über alle Ihre Kanäle hinweg, schafft nahtlose Erlebnisse, die von Kanal zu Kanal springen, liefert hyper-relevante Erlebnisse für jeden Kunden und löst personalisierte Nachrichten aus, um Kunden beim Handeln zu unterstützen. Die Optimierungsschicht kann als "Drehscheibe" einer CDP-Lösung betrachtet werden.

Während einige CDP-Lösungen extrem ausgeklügelt sind (und einigen Leuten außerhalb der Marketingwelt angesichts ihrer Leistungsfähigkeit, Effektivität, Nützlichkeit und Genauigkeit als Science-Fiction erscheinen mögen), ist für die Auswahl der richtigen Lösung kein Doktortitel erforderlich.

Marketer, die sich auf eine CDP-Lösung konzentrieren, die auf den drei oben beschriebenen Ebenen – Segmentierung, Entscheidungsfindung und Optimierung – basiert, können sicher sein, dass sich ihre Investition lohnt und nicht bedauert.

In den letzten Jahrzehnten – und insbesondere seit dem Ausbruch von COVID-19 – hat sich das Marketing enorm verändert. Kund:innen wollen wissen, dass die Marken, die sie wählen, sie immer noch als die Individuen behandeln können, die sie sind. Und Marken möchten, dass ihre Kunden wissen, dass sie sich für den Aufbau, den Schutz und die Entwicklung einer echten Beziehung einsetzen – eine, die auf ihre Bedürfnisse zugeschnitten ist und gleichzeitig ihre Sicherheit und Privatsphäre wahrt.

Predictive Analysen/Analytik, Künstliche Intelligenz und maschinelles Lernen – basierend auf a überlegene CDP-Lösung – trägt dazu bei, diese Erwartungen und Ambitionen zu erfüllen und gleichzeitig bahnbrechende Vorteile für Marken und Kunden gleichermaßen freizusetzen.

Erfahren Sie mehr über Sitecore Künstliche Intelligenz Lösungen.