Zu sagen, dass das vergangene Jahr beispiellose Veränderungen im Verbraucherverhalten (wie auch in allen anderen Bereichen unseres Lebens) mit sich gebracht hat, wäre eine Untertreibung. Laut McKinsey haben Online-Händler im Jahr 2020 "ein Jahrzehnt in Tagen zurückgelegt", da die Verbraucher angesichts der Sicherheitsvorkehrungen von Covid-19 schnell auf Technologien wie Telemedizin und mobiles Einkaufen umgestiegen sind.
Wie sieht also die neue Normalität für Vermarkter aus?
Das lässt sich mit älteren Methoden nur schwer vorhersagen, denn die Analyse von Datensätzen kann Monate dauern und viele davon sind aufgrund des veränderten Kundenverhaltens nach dem Covid irrelevant geworden. Hier kommen Predictive-Analytics-Modelle ins Spiel. Predictive Analytics nutzt künstliche Intelligenz (KI) und maschinelles Lernen (ML), um riesige Datensätze schnell zu analysieren und zu verstehen, was in naher Zukunft wahrscheinlich passieren wird.
Hier sind fünf Modelle für Predictive Analytics, die jeder Marketer kennen sollte, da wir uns auf eine wirklich beispiellose Zeit zubewegen:
Fünf Predictive-Analytics-Modelle, die du für das Post-Covid-Geschäft verstehen solltest
Klassifizierungsmodell
Das Klassifizierungsmodell für Predictive Analytics ist der am leichtesten erkennbare Anwendungsfall für Predictive Analytics, weil er der Art und Weise, wie die meisten Marketingfachleute schon immer Daten genutzt haben, am nächsten kommt: Das Klassifizierungsmodell bedeutet, dass historische Daten genutzt werden, um zukünftiges Verhalten vorherzusagen.
Meistens eignet sich das Klassifizierungsmodell hervorragend für die Beantwortung von "Ja/Nein"-Fragen.
Zum Beispiel: "Ist dieser Kunde im Begriff zu kaufen?" oder "Scheint dieser Kunde bereit, sich abzumelden?" Die Analyse des Verhaltens früherer Kunden und der eigenen Kundenhistorie ist natürlich ein guter Weg, um zu erkennen, wie sich Kunden in Zukunft verhalten werden. Aber da die Online-Interaktionen mit Kunden im letzten Jahr nicht nur häufiger, sondern manchmal auch schneller geworden sind, sollten Vermarkter jetzt Tools wie KI und ML-Technologie nutzen, um Vorhersagen darüber zu treffen, wie sich Kunden in Echtzeit verhalten könnten, anstatt erst im Laufe von Tagen oder gar Wochen.
Clustering-Modell
Die Idee, dass nicht alle Kunden genau gleich sind, aber viele ähnlich genug, um in Gruppen eingeteilt zu werden, die durch digitale Marketingkampagnen individuell angesprochen werden können, ist ebenfalls nicht neu. Zielgruppensegmentierung ist ein wertvoller Bestandteil vieler Marketingstrategien. Aber da Covid-19 vielen Marken neue Kunden beschert hat, kaufen viele Kunden auch Dinge, die sie noch nie zuvor gekauft haben. Zum Beispiel ist der Während der Coronavirus-Pandemie stiegen die Verkäufe von abgepackten Mahlzeiten Pandemie in die Höhe, da die Menschen, die zu Hause festsaßen, nach einfachen, aber schmackhaften Lösungen für ihre täglichen Mahlzeiten suchten, da Restaurants geschlossen waren und der Gang zum Lebensmittelgeschäft riskant wurde.
Für Unternehmen, die viele neue und vielleicht unbekannte Kunden haben, können KI- und ML-Algorithmen mit Hilfe von Predictive-Analytics-Modellen Datenbereiche mit ähnlichen Punkten clustern, um große Kundengruppen schnell in Gruppen auf Basis von Gemeinsamkeiten zu unterteilen. So können Marketingfachleute schnell Kampagnen starten, die auf gemeinsamen Merkmalen basieren.
Prognosemodell
Prognosemodelle gehören zu den nützlichsten Predictive-Analytics-Modellen, insbesondere für Vertriebsteams, da sie datenbasierte, visuelle Darstellungen des möglichen Kundenverhaltens liefern.
Da Covid die Art und Weise, wie Kunden einkaufen, und sogar die Dinge, die sie kaufen, verändert hat, kann die Visualisierung dieser Veränderungen - z. B. Spitzen und Rückgänge bei den Einkäufen im Jahr 2020 im Vergleich zu ähnlichen Zeiträumen in 2019 und 2018 - den Vertriebs- und Marketingteams helfen, sich besser auf ein Jahr vorzubereiten, das weniger vorhersehbar scheint als die vergangenen Jahre.
Ausreißer Modell
Das Ausreißermodell ist vielleicht das notwendigste Modell für Predictive Analytics in einem Jahr, in dem nichts sicher scheint. Das Ausreißermodell konzentriert sich auf historisch untypische Dateneinträge innerhalb eines bestimmten Datensatzes. Es kann auch dabei helfen, atypische Daten entweder allein oder in Verbindung mit anderen Kategorien zu identifizieren.
In einem Jahr, in dem Kunden mehr Vorräte wie unverderbliche Lebensmittel und Reinigungsmittel gekauft haben gekauft haben als je zuvor und angeben, dass sie viele der Lebensstiländerungen, die sie im Jahr 2020 vorgenommen haben, beibehalten wollen, sollten Unternehmen Ausreißer vielleicht nicht als Anomalien, sondern als neue Normalität für einen Käufer betrachten, der sein Verhalten ändert, und dementsprechend Änderungen vornehmen.
Zeitreihenmodell
Eine weitere unglaublich wichtige Anwendung für Predictive Analytics ist das Zeitreihenmodell, das die Daten des vergangenen Jahres analysiert, um Vorhersagen für die nahe Zukunft zu treffen.
Diese prädiktiven Analysemodelle berücksichtigen Faktoren wie frühere Verkäufe, Verkehrsaufkommen oder Anrufvolumen, wobei auch anpassbare Faktoren wie die Jahreszeit berücksichtigt werden. Für Unternehmen, die wahrscheinlich wieder den persönlichen Kontakt zu ihren Kunden aufnehmen und gleichzeitig ihre Online-Kanäle beibehalten, ist es wichtig, die Veränderungen des vergangenen Jahres in Verbindung mit den normalen Mustern der vergangenen Jahre zu verstehen.
Prädiktive Analytik ist wie eine Kristallkugel
Skai nutzt patentiertes NLP und fortschrittliche Analysen, um aussagekräftige Trends und prädiktive Erkenntnisse zu ermitteln. So können Marken die aktuellen und zukünftigen Bedürfnisse der Verbraucher in den Mittelpunkt jeder Entscheidung stellen, von der Produktinnovation bis zur Marketingstrategie und -ausführung.
Erfahre mehr über die Marktintelligenz-Plattform vonSkai und darüber, wie du die Macht externer Daten nutzen kannst, ohne die zeit- und kostenaufwändige Erstellung deiner eigenen prädiktiven Analysemodelle.
Mehr wie dies
