Marketing-Revolution: Maschinelles Lernen

Was Lübecker Unternehmen wissen sollten

• 84% der Marketing-Organisationen implementieren oder erweitern KI und maschinelles Lernen.
• 75% der Unternehmen, die KI und maschinelles Lernen einsetzen, erhöhen die Kundenzufriedenheit um mehr als 10%.
• 3 von 4 Organisationen, die KI und maschinelles Lernen implementieren, steigern den Verkauf neuer Produkte und Dienstleistungen um mehr als 10%.

Die Messung der zahlreichen Beiträge des Marketings zum Umsatzwachstum wird dank der Analytik und des maschinellen Lernens immer genauer und in Echtzeit. Zu wissen, was mehr Marketing Qualified Leads (MQLs) und Sales Qualified Leads (SQL) vorantreibt, wie man Marketingkampagnen am besten optimiert und die Präzision und Rentabilität der Preisgestaltung verbessert, sind nur einige der vielen Bereiche, in denen maschinelles Lernen das Marketing revolutioniert.

Die besten Marketingfachleute nutzen maschinelles Lernen, um die Probleme, die ihre Verkaufsaussichten zu lösen versuchen, schneller und klarer als jeder andere Wettbewerber zu verstehen, zu antizipieren und zu handeln. Die Einsicht, Inhalte maßzuschneidern und gleichzeitig Leads zu qualifizieren, damit der Verkauf schnell abgeschlossen werden kann, wird durch auf maschinellem Lernen basierende Anwendungen gefördert, die in der Lage sind zu lernen, was für jeden Interessenten und Kunden am effektivsten ist. Durch maschinelles Lernen werden kontextbezogene Inhalte, Marketingautomatisierung einschließlich kanalübergreifender Marketingkampagnen und Lead-Scoring, Personalisierung und Verkaufsprognosen auf eine neue Ebene der Genauigkeit und Geschwindigkeit gehoben.

Die stärksten Marketingabteilungen verlassen sich auf eine robuste Reihe von Analysen und Key Performance Indicators (KPIs), um ihre Fortschritte bei der Erreichung von Umsatz- und Kundenwachstumszielen zu messen. Mit maschinellem Lernen werden Marketingabteilungen in der Lage sein, noch bedeutendere Beiträge zum Umsatzwachstum zu leisten und dabei die Kundenbeziehungen zu stärken.

Im Folgenden werden einige Wege aufgezeigt, wie das maschinelle Lernen das Marketing heute und in Zukunft revolutioniert:

1. 57% der Führungskräfte in Unternehmen glauben, dass der wichtigste Wachstumsvorteil von KI und maschinellem Lernen in der Verbesserung der Kundenerfahrung und des Supports liegt. 44% glauben, dass KI und maschinelles Lernen die Möglichkeit bieten, bestehende Produkte und Dienstleistungen zu verbessern. Die Marketingabteilungen und die sie leitenden Marketingleiter (CMOs) sind die führenden Köpfe bei der Entwicklung und Einführung neuer Strategien zur Bereitstellung hervorragender Kundenerfahrungen und gehören zu den ersten Anwendern des maschinellen Lernens. Die Orchestrierung jedes Aspekts der Gewinnung, des Verkaufs und der Bedienung von Kunden wird von Marketingfachleuten verbessert, die Anwendungen für maschinelles Lernen einsetzen, um die Ergebnisse genauer vorherzusagen.
2. 58% der Unternehmen gehen die anspruchsvollsten Marketingprobleme mit KI und maschinellem Lernen zuerst an, wobei sie der persönlichen Kundenbetreuung und der Entwicklung neuer Produkte Vorrang einräumen. Diese „need to do“-Marketingbereiche haben die höchste Komplexität und den größten Nutzen. Laut Capgeminis Analyse haben die Marketingmitarbeiter nicht so viel Wert auf die „must do“-Bereiche mit hohem Nutzen und geringer Komplexität gelegt. Zu diesen Anwendungsbereichen gehören Chatbots und virtuelle Assistenten, die die Umsatzabwanderung reduzieren, Gesichtserkennung sowie Produkt- und Dienstleistungsempfehlungen.
3. Bis 2020 werden personalisierte Werbung in Echtzeit über digitale Plattformen und eine optimierte Zielgenauigkeit, Kontext und Präzision der Nachrichten beschleunigt. Die kombinierte Wirkung dieser Verbesserungen der Marketingtechnologie wird die Verkaufseffektivität im Einzelhandel und in B2C-basierten Kanälen erhöhen, sogar bei relativ unauffälligen Branchen wie Hausverwaltung oder Gebäudereinigung. Die Generierung von Sales Qualified Lead (SQL) wird ebenfalls zunehmen, wodurch die Verkaufszyklen verkürzt und die Gewinnraten erhöht werden können.
4. Analyse und deutliche Reduzierung der Kundenabwanderung durch maschinelles Lernen, um Risikovorhersage- und Interventionsmodelle zu rationalisieren. Anstatt sich auf teure und zeitaufwändige Ansätze zur Minimierung der Kundenabwanderung zu verlassen, wenden sich Telekommunikationsunternehmen und Unternehmen in Branchen mit hoher Abwanderungsrate dem maschinellen Lernen zu. Die folgende Grafik veranschaulicht, wie die Definition von Risikomodellen dazu beiträgt, zu bestimmen, wie sich Maßnahmen zur Abwendung der Abwanderung auf die Wahrscheinlichkeit und das Risiko der Abwanderung auswirken. Ein Interventionsmodell ermöglicht es Vermarktern, zu überlegen, wie sich der Grad der Intervention auf die Abwanderungswahrscheinlichkeit und die Höhe des Customer Lifetime Value (CLV) auswirken könnte.
5. Die Preisoptimierung und Preiselastizität wächst über Branchen mit begrenzten Beständen hinaus, darunter Fluggesellschaften und Hotels, und breitet sich auf die Produktion und den Dienstleistungssektor aus. Alle Vermarkter verlassen sich zunehmend auf maschinelles Lernen, um wettbewerbsfähigere, kontextrelevante Preise zu definieren. Anwendungen des maschinellen Lernens skalieren die Preisoptimierung über Fluggesellschaften, Hotels und Veranstaltungen hinaus, um auch Preisszenarien für Produkte und Dienstleistungen zu erfassen. Maschinelle Lernverfahren werden heute zur Bestimmung der Preiselastizität für jedes Produkt eingesetzt, wobei das Kanalsegment, das Kundensegment, der Verkaufszeitraum und die Position des Produkts in einer allgemeinen Preisstrategie für die Produktlinie berücksichtigt werden. Das folgende Beispiel stammt aus der vorkonfigurierten Lösung von Microsoft Azure zur interaktiven Preisanalyse (Interactive Pricing Analytics Pre-Configured Solution, PCS).
6. Die Verbesserung der Nachfrageprognose, der Sortimentseffizienz und der Preisgestaltung im Einzelhandelsmarketing hat das Potenzial, den Gewinn vor Zinsen und Steuern (EBIT) um 2% zu verbessern, die Lagerbestände um 20% zu reduzieren und 2 Millionen weniger Produktrückgaben pro Jahr zu erzielen. In Organisationen für Konsumgüter (CPQ) und Einzelhandelsmarketing gibt es ein beträchtliches Potenzial für KI und maschinelles Lernen, um die Leistung der gesamten Wertschöpfungskette zu verbessern. McKinsey fand heraus, dass ein konzertierter Ansatz zur Anwendung von KI und maschinellem Lernen in der gesamten Wertschöpfungskette eines Einzelhändlers das Potenzial hat, die Effizienz des Sortiments um 50 % zu verbessern und den Online-Verkauf durch dynamische Preisgestaltung um 30 % zu steigern.
7. Erstellung und Feinabstimmung von Neigungsmodellen, die Cross-Sell- und Up-Sell-Strategien nach Produktlinien, Kundensegmenten und Personen steuern. Es ist üblich, dass datengesteuerte Vermarkter datengesteuerte Modelle erstellen und verwenden, um die Produkte und Dienstleistungen mit der höchsten Kaufwahrscheinlichkeit zu definieren. Allzu oft basieren Neigungsmodelle auf importierten Daten, die in Microsoft Excel erstellt wurden, was ihre laufende Nutzung zeitaufwändig macht. Maschinelles Lernen rationalisiert die Erstellung, die Feinabstimmung und den Umsatzbeitrag von Up-Sell– und Cross-Sell-Strategien durch die Automatisierung des gesamten Prozesses.
8. Die Genauigkeit der Lead-Bewertung verbessert sich, was zu höheren Umsätzen führt, die sich bis zu den ersten Marketingkampagnen und Verkaufsstrategien zurückverfolgen lassen. Durch den Einsatz von maschinellem Lernen zur Qualifizierung der weiteren Kunden- und Interessentenlisten unter Verwendung relevanter Daten aus dem Internet können Vorhersagemodelle einschließlich maschinellen Lernens die idealen Kundenprofile besser vorhersagen. Der Vorhersagewert eines jeden Vertriebsleiters wird zu einem besseren Prädiktor für potenzielle neue Verkäufe, wodurch der Vertrieb Zeit, Vertriebsanstrengungen und Verkaufsstrategien besser priorisieren kann.
9. Die Identifizierung und Definition von Verkaufsprognosen für bestimmte Kundensegmente und Mikrosegmente mit Hilfe von RFM-Modellen (recency, frequency and monetary) innerhalb von Anwendungen für maschinelles Lernen wird immer allgegenwärtiger. Die Verwendung der RFM-Analyse als Teil einer Initiative für maschinelles Lernen kann genaue Definitionen der besten Kunden, der treuesten und ausgabefreudigsten Kunden, der fast verlorenen, der verlorenen Kunden und der verlorenen Billig-Kunden liefern.
10. Die Optimierung des Marketing-Mix durch die Bestimmung, welche Verkaufsangebote, Anreize und Programme welchen Interessenten über welche Kanäle präsentiert werden, ist eine weitere Möglichkeit, wie das maschinelle Lernen das Lübecker Marketing revolutioniert. Spezifische Verkaufsangebote werden durch kontextbezogene Inhalte, Angebote und Anreize unterstützt. Diese Elemente werden einer Optimierungsmaschine zur Verfügung gestellt, die mit Hilfe der Logik des maschinellen Lernens ständig versucht, die beste Kombination von Marketing-Mix-Elementen vorherzusagen, die zu einem neuen Verkauf, Up-Sell oder Cross-Sell führen wird. Die Produktempfehlungsfunktion von Amazon ist ein Beispiel dafür, wie ihre E-Commerce-Website maschinelles Lernen nutzt, um den Umsatz durch Up-Selling, Cross-Selling und empfohlene Produkte zu steigern.

Das war Marketing-Revolution: Maschinelles Lernen und was Lübecker Unternehmen wissen sollten. Sie möchten mehr erfahren? Nehmen Sie gern Kontakt mit uns auf!

Photo by Matan Segev from Pexels