Personalisierung von On-Site Marketingaktionen: Predictive oder manuell?

Unsere jährliche Studie „Barometer der User Experience“ zeigt, dass Personalisierung heute für 80% aller Marketingprofis unabdingbar ist. Diese Tendenz ist Teil einer allgemeineren Entwicklung: die Performance-Optimierung von On-Site Marketingaktionen gewinnt weiter an Bedeutung. Progressiv wird Mass Marketing durch immer präziser segmentierte Aktionen ersetzt, mit personalisierten Erfahrungen, Angeboten und Botschaften. Bei der Personalisierung von On-Site Marketingaktionen wird unterschieden zwischen

Welche Unterschiede bestehen zwischen diesen Praktiken? Welche Methode entspricht Ihren strategischen Anforderungen? Muss unbedingt eine der beiden Methoden gewählt werden? In unserem Artikel möchten wir diese – und weitere – Fragen anhand von Definitionen und konkreten Beispielen beantworten.

• manueller Personalisierung(nach im Vorfeld festgelegten Regeln)
• prädiktiver Personalisierungdurch Machine Learning-Algorithmen

1Personalisierung – was ist das?

Personalisierung heißt Anpassung einer Botschaft, eines Angebots oder Inhalts an eine Zielgruppe. Wer personalisieren will, muss also wissen, für wen. Ob manuell oder Predictive, Personalisierung basiert immer auf Besucherdaten, die der Erstellung von Zielgruppen dienen und personalisierte Erfahrungen oder relevante Marketingaktionen ermöglichen.

1. MANUELLE PERSONALISIERUNG („RULE-BASED“)

Wird die Personalisierung von Hand erstellt, basiert sie auf im Voraus definierten, statischen Regeln oder Kriterien. Die Besucher werden nach heißen und kalten Daten segmentiert. Heiß nennt man die Daten, die während eines Besuchs in Echtzeit erfasst werden, wie z.B. Verhalten, Kontext und Technik. Kalte Daten sind bereits in Ihrem Besitz (z.B. Kundeninformationen in CRM, DMP, CDP, usw.) und können in Kameleoon integriert werden.

Ist die Segmentierung erstellt, können bestimmten Zielgruppen (neue Besucher, Kunden seit über zwei Jahren, Kunden über mobile Endgeräte, Warenkorbabbrecher, usw.) angepasste On-Site Marketingaktionen gezeigt werden.

2. PREDICTIVE-PERSONALISIERUNG

Diese Art der Personalisierung basiert nicht auf statischen Regeln, sondern auf der Echtzeit-Analyse Ihrer Daten durch Machine Learning-Algorithmen.

Machine Learning oder automatisches/künstliches Lernen ist Teil des Konzepts der Künstlichen Intelligenz. Der Machine Learning-Algorithmus wird mit Daten gespeist, die er für seinen Lernprozess und das Erstellen von Prognosen nutzt. Dies geschieht in 3 großen Etappen:

1. Eine Zielsetzung wird für den Algorithmus erstellt. Mögliche Ziele sind Maximierung von Umsatz, von Gewinnspanne oder ein Mix aus beiden (Umsatzmaximierung bei begrenzten Kosten der Aktion).

2. Der Algorithmus wird mit relevanten Besucherdaten gespeist. Die Lernphase beginnt mit den heißen und/oder kalten Daten, die für die Zielsetzung relevant sind. Der Algorithmus zieht Lehren, findet Korrelationen zwischen Besuchern und verbessert permanent seine Kapazität, das Interesse von Besuchern an bestimmten Angeboten zu ermitteln.

3. Der Algorithmus identifiziert das Interesse der Besucher an gegebenen Marketingaktionen (Angebote, Botschaften, Inhalte). Der Algorithmus ermittelt die Conversion-Wahrscheinlichkeit jedes Besuchers und passt seine Aktionen dementsprechend an (Auslösen von kontextualen Aktionen nur wenn sie relevant sind).

2 Wissenswertes über manuelle und Predictive-Personalisierung

1. VON ONE-TO-FEW ZU ONE-TO-ONE

Von „One-to-Few“...

Manuelle Personalisierung ist wie gesagt angebracht, wenn die Zielgruppe einer Marketingaktion anhand von präzisen Kriterien klar definiert werden kann. Beispiel 1: „Ich möchte meine treuen Kunden, die über die letzten sechs Monate für mindestens 200€ eingekauft haben, mit der Einladung zu einem Event belohnen.“ Beispiel 2: „Ich möchte neuen Besuchern ein Willkommensangebot unterbreiten. So wollte Elekronik-Anbieter Darty gezielt Besucher ansprechen, die außerhalb Frankreichs über eine-SEM-Kampagne auf der Webseite landen, und dieser Zielgruppe eine kostenlose Lieferung bieten. Diese Art von Aktion kann schnell und einfach mit Kameleoon umgesetzt werden:

Alle neuen Besucher, die über eine SEM-Kampagne aus dem Ausland auf darty.com zugreifen (WER) sehen ein Pop-up mit einem Code für kostenlose Lieferung (WAS).

Um die Zielgruppe dieser Personalisierungsaktion zu definieren, werden folgende Kriterien genutzt:

• Zahl der Besuche (1, da Erstbesuch)
• Herkunft (SEM)
• IP-Lokalisierung (außerhalb Frankreichs)

Das Targeting (WER) wird also von Hand definiert. Die entsprechende Aktion (WAS) wird ebenfalls im Vorfeld festgelegt: Das Marketingteam weiß, welche Aktion ausgelöst werden soll, hat ein Pop-up vorbereitet und die Bedingungen festgelegt, unter denen das Pop-up ausgelöst wird.

... zum One-to-One Ansatz

Mit Predictive Targeting gibt es keine Segmente im herkömmlichen Sinne mehr. Der Algorithmus ermittelt die optimale Zielgruppe für eine Aktion und nutzt dafür die Merkmale jedes einzelnen Besuchers. Für jeden unter ihnen wird die Conversion-Wahrscheinlichkeit zu einem gegebenen Zeitpunkt errechnet. Je nach Wahrscheinlichkeit wird die Aktion ausgelöst – oder eben nicht. In der unten stehenden Grafik wird die Aufteilung der Besucher nach Conversion-Wahrscheinlichkeit dargestellt.

Davon ausgehend könnte eine Marketingaktion speziell für unentschlossene Besucher erarbeitet werden, um sie zum Kauf zu bewegen. Ist die Kaufwahrscheinlichkeit bereits hoch, wie bei den „heißen Kunden“ mit festem Kaufvorhaben, würde ein Sonderangebot die Gewinnspanne beeinträchtigen. Bei Besuchern, die sowieso nicht kaufen möchten, kann ein Angebot aufdringlich wirken und die User Experience stören. Die Marketingaktion „Sonderangebot“ wird also nicht einem festen Segment gezeigt, sondern individuell getargetet. Hier zeigt sich der Vorteil von Machine Learning, wenn die Zielgruppe nicht präzise definiert werden kann, weil die Merkmale vage, zweideutig oder veränderlich sind.

• Beispiel 1: „Ich möchte nur unentschlossenen Besuchern einen Discount-Coupon anzeigen.“
• Beispiel 2: „Ich möchte Besucher ansprechen, die eher reagieren, wenn Produkte rar sind, und ihnen eine Dringlichkeitsbotschaft übermitteln.“

Beispiel Toyota

Eine gute Illustration der Vorteile der Predictive-Personalisierung bietet Toyota mit der erfolgreichen Anwendung von Predictive-Scoring. Die Webseite der Automarke Toyota dient nicht dem Verkauf von Fahrzeugen, sondern der Generierung qualifizierter Leads für seine Vertragshändler. Ziel ist, Besucher mit echtem Kaufinteresse anzulocken. Dafür nutzt Toyota ein interessantes Angebot: den Test eines Fahrzeugs über mehrere Tage hinweg. Das Problem: weil das Angebot relativ hohe Kosten verursacht, soll die Probefahrt nur Besuchern mit echtem Kaufinteresse gezeigt werden."

Zuerst identifizierte Toyota potenzielle Käufer mit einem manuellen Scoring je nach Verhalten auf der Webseite: Aufruf der Car Configurator-Seite, verbrachte Zeit auf der Seite eines Modells, Besuchsdauer insgesamt auf der Webseite, usw. Sobald ein Besucher den festgesetzten Score übersteigt, wird das Probefahrt-Pop-up ausgelöst. Dieses manuelle Scoring führte zu einer leichten Qualitätssteigerung der Besucher bei Vertragshändlern. Das Scoring kann jedoch noch so gut durchgeführt werden, immer bleibt ein Teil Intuition, und die Kaufwahrscheinlichkeit kann nur ungefähr ermittelt werden. Die Merkmale eines wahrscheinlichen Käufers sind nicht immer klar definiert und hängen mehrheitlich vom Verhalten auf der Webseite ab.

In einem zweiten Schritt hat Toyota begonnen, Kameleoons AI zu nutzen, um das Interesse seiner Besucher zu ermitteln. Letzteres hängt von zahlreichen Kriterien ab. Die entsprechenden Daten bzgl. Verhalten und Kontext werden rund um die Uhr verarbeitet und passen sich auch einem veränderten Besucherverhalten an. Da ist es logisch, dass der Algorithmus bessere Ergebnisse bringt als ein statischer manueller Ansatz.

Die Zahl der qualifizierten Leads, d.h. Besucher mit einer echten Kaufwahrscheinlichkeit, verdoppelte sich und die Zahl der kostspieligen Probefahrten ohne anschließenden Kauf sank erheblich.

Das Pop-up wurde zusätzlich nach Modell, für das der Besucher Interesse bekundet hat, und Adresse des Händlers in seiner Nähe personalisiert.