9 einfache Anwendungsbeispiele für Künstliche Intelligenz (KI) im Marketing

Künstliche Intelligenz (KI) lässt sich im Marketing mit einfachen Methoden sehr effektiv einsetzen. Dadurch können Sie im Marketing enorme Steigerungen der Abschlussrate erzielen, Kundenverhalten vorhersagen und personalsierte Werbung ausspielen.

Im Marketing wird künstliche Intelligenz seit Jahren schon erfolgreich eingesetzt und zugleich stehen viele Unternehmen mit dem Einsatz von KI erst ganz am Anfang.

Ich zeige an 9 Anwendungsbeispielen, wie künstliche Intelligenz im Marketing eingesetzt wird.

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) ist ein abstrakter Begriff, der viele verschiedene Aspekte und Themengebiete der Computerwissenschaften, maschinellem Lernen, Mathematik und Statistik abdeckt. KI ist ein Teilgebiet der Informatik und basiert auf maschinellen Lernmethoden, Verständnis von natürlicher Sprache, tiergehendes Lernen (Deep Learning) und dem verstärkenden Lernen.

Definition: Der Begriff Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik und beschreibt ein Konzept von Maschinen, die ähnlich wie Menschen, planen, lernen und Sprache verstehen können. Dem Computer wird dieses Wissen durch maschinelles Lernen und tiefgehendes Lernen (Deep Learning) antrainiert.

Customer Lifetime Value & Kundenwert

Der Customer Lifetime Value (CLV) oder Kundenwert ist ein sehr bekanntes Konzept aus der Marketingsteuerung. Der CLV umfasst die Bewertung der Kunden nach ihrer Profitabilität und offenen Potentialen.

Jetzt denken Sie sicher: warum ist der Customer Lifetime Value denn KI? Ganz einfach: für einen guten CLV müssen Prognosen für die Zukunft getätigt werden, dies basiert auf maschinellem Lernen und zählt zu KI. Ein gut modellierter CLV kann sehr genau vorhersagen, wie sich ein Kunde in den nächsten 12 Monaten entwickelt. Daraufhin können Marketingbudgets und Aktionen viel genauer geplant werden.

Manche Firmen gehen einen Schritt weiter und berechnen einen CLV oder Umsatzprognose für jede Kombination aus Kunde und Warengruppe. So können in bestimmten Warengruppen Cross- und Up-Selling Potentiale erkannt und genutzt werden.

Customer Lifetime Value
Customer Lifetime Value

Folgende Fragen beantwortet ein Kundenwert:

  • Wie viel Potential hat der Kunde im nächsten Jahr?
  • Welchen Umsatz erwarte ich von dem Kunden in der Zukunft?
  • Welches Marketing-Budget sollte für den Kunden ausgegeben werden?
  • Gibt es Kunden die nicht profitabel sind und kein Potential haben?

Ein Customer Lifetime Value (CLV) setzt sich aus diesen Komponenten zusammen:

  • Deckungsbeitrag (und Vorhersage für zukünftige Umsätze)
  • Aktivitätsquote oder Retention Rate
  • Akquisitionskosten

Ein maschinell gestützter Kundenwert ist ein sehr hilfreiches Marketing-Steuerungselement. Jeder einzelne Kunde bekommt einen bestimmten Wert zugeordnet, nach dem dann Marketingaktivitäten individuell gesteuert werden.

Weil der Customer Lifetime Value eine entscheidende Rolle im Marketing spielt, habe ich einen sehr interessanten Artikel darüber geschrieben: Den Customer Lifetime Value richtig vorhersagen

Melden Sie sich zum datasolut Navigator an!

Erhalten Sie tiefe Einblicke wie Sie mit künstlicher Intelligenz und maschinellem Lernen Ihr Marketing optimieren können, sowie Zugang zu exklusiven Whitepapern und praktischen Anleitungen.

Mit der Anmeldung zu unserem Newsletter stimmst du unserer Datenschutzerklärung zu.

Kündigerprävention durch künstliche Intelligenz

Die Vorhersage von abwandernden Kunden ist ein interessanter Anwendungsfall für künstliche Intelligenz im Marketing.

Grundsätzlich kann man das Thema Churn in zwei Anwendungsfälle unterteilen:

  • Kundenabwanderung
  • Kundenrückgewinnung.

Vorhersage von Kundenabwanderung

Im Detail versucht man durch vergangene Verhaltensweisen von Kündigern durch maschinelles Lernen Muster abzuleiten. Durch diese Muster und Zusammenhänge werden dann den aktiven Kunden eine Kündigungswahrscheinlichkeit zugewiesen.

Die Kunden mit einer hohen Kündigungs-Wahrscheinlichkeit, also Beendigung der Kundenbeziehung, werden präventiv mit einem attraktiven Angebot versorgt. So können diese erneut langfristig gebunden werden. Vor allem im Vertragsgeschäft wie z.B. Telekommunikation, Versicherungen, Banken etc. ist dies ein häufiger Anwendungsfall für künstliche Intelligenz.

Natürlich gibt es auch Geschäftsmodelle, die viel kurzfristigere Bindung haben wie z.B. monatlich kündbare Dienste oder Prepaid basierte Nutzung. Auch hier für lässt sich mit ähnlicher Vorgehensweise eine Vorhersage treffen.

Weil das Thema Churn so wichtig ist, habe ich einen sehr ausführlichen Artikel darüber geschrieben: Churn Prediciton: Prognosen zur Kundenabwanderung

Vorhersage von Kundenrückgewinnung

Auch die Kundenrückgewinnung, die häufig mit hohen Kosten verbunden ist, kann durch Künstliche Intelligenz unterstützt werden:

  • Wen muss ich aktiv durch Rückgewinnungsmaßnahmen kontaktieren?
  • Welchen Kunden muss ich für eine Vertragsverlängerung nur eine Email schreiben?
  • Welcher Rabatt führt zur Vertragsverlängerung?

Chatbots lernen Verkaufen

Durch leistungsstarkes maschinelles Lernen ist es möglich, Chatbots als Kundenberater und zur Verkaufsvorbereitung zu nutzen. Chatbots können Kunden im E-Commerce beraten und ihnen durch gezielte Rückfragen passende Produkte vorschlagen.

Das hat zum einen den Vorteil, dass man mehr Daten im Verkaufsprozess sammeln kann und zum anderen helfen die Chatbots so den Kunden das richtige Produkt zu finden. Wenn der Chatbot intelligent genug ist und sogar mit einem Empfehlungssystem kombiniert ist, dann kann dies für Shopbesucher zu einem individuellen Einkaufserlebnis werden.

Preisoptimierung

Dass Produktpreise sich auf Amazon je nach Nachfrage anpassen oder auf großen Hotelportalen sich die Preise innerhalb von Minuten ändern, ist heute ganz normal. Dahinter steckt künstliche Intelligenz, die Preise nicht nur zeitbezogen, sondern auch an die Zahlungsbereitschaft der Nutzer individuell anpasst.

Grundlage für die individuelle Preisgestaltung sind große Datenmengen, die in Big Data Systemen gespeichert sind und als Einflussfaktoren in die Analyse einfließen. Neben den Informationen zur Preisentwicklung, der einzelnen Produkte, sind auch kundenindividuelle Merkmale (wie z.B. Kaufhistorie, Alter, Ort, Onlinenutzung etc.) ein Teil der maschinellen Lernmethode.

Aufgrund dieser Merkmale wird die Preisakzeptanz eines jeden Kunden analysiert und vorhergesagt, was zu einer Optimierung der Absatzwahrscheinlichkeit führt.

Kaufverhalten für Marketingkampagnen vorhersagen

Viele Unternehmen investieren enorme Zeit, Kampagnen über komplexe Regelwerke zu optimieren. Oft funktioniert das bis zu einem gewissen Grad sehr gut, doch irgendwann kann man mit einfachen Regeln keinen Mehrwert mehr erzielen. Künstliche Intelligenz hilft durch intelligente Datenanalysen das Marketing-Budget gezielt einzusetzen und so die Effizienz zu steigern.

Im Marketing wir künstliche Intelligenz für folgende Anwendungsfälle genutzt:

  • Wie wahrscheinlich ist es, dass ein Kunde in einer bestimmten Warengruppe einen Kauf im nächsten Monat tätigt?
  • Welches Werbemittel ist das passende für den Kunden?
  • Wann muss ich den Kunden ansprechen, so dass es in seinen Kaufzyklus passt?
  • In welches Produkt oder Vertrag kann ich den Kunden entwickeln?
  • Welchem Kunden muss ich einen Rabatt geben, damit er kauft?

Diese Fragen (und viele weitere) lassen sich mit relativ einfachen Ansätzen der künstlichen Intelligenz beantworten.

Durch den Einsatz von künstlicher Intelligenz im Marketing habe ich Marketingkampagnen um 200-300% in der Abschlussrate gesteigert (zuvor kein Einsatz von Künstlicher Intelligenz).

Personalisierung im Marketing

Die Personalisierung im E-Commerce ist ein bekannter Anwendungsfall für künstlicher Intelligenz. Auch 2019 wird sich der Trend der personalisierten Kundenansprache mit dem richtigen Angebot weiterhin fortsetzen und als ein Wachstumsfaktor für Unternehmen dienen.

Personalisierung im Marketing gilt als Wachstumsfaktor
Personalisierung im Marketing ist Wachstumsfaktor

Auch der Einstieg in Künstliche Intelligenz im Marketing passiert häufig über Empfehlungssysteme als Use Case.

Die Vorteile von Personalisierung liegen auf der Hand und lassen sich einfach über einfache Tests messen:

  • Mehr Kundenbindung
  • Cross-Selling
  • Steigerung von Long-Tail-Umsätzen
  • Steigerung der Aktivität

Die Implementierung ist oft etwas komplexer, da die Prozesse stark automatisiert sein müssen.

Wir glauben der kombinierte Effekt von personalisierten Empfehlungen, spart uns mehr als eine Milliarde Dollar pro Jahr.

Carlos A. Gomez-Uribe

Unternehmen wie Netflix, Spotify, Amazon und Facebook gehören zu den absoluten Vordenkern im Bereich der Personalisierung.

Kundensegmentierung für Marketingzielgruppen

Kundensegmentierungen durch Cluster-Algorithmen sind tolle Anwendungsbeispiele von künstlicher Intelligenz im Marketing (Hier gibts 5 Tipps für die richitge Kundensegmentierung).

Ein Clusterverfahren ist eine unüberwachte Machine Learning Methode, diese wird nicht anhand einer Zielvariable trainiert. Sondern bildet von selbst Gruppen und unterteilt somit das Datenset.

Das Clusterverfahren unterteilt den Kundenbestand anhand verschiedensten (Verhaltens-) Variablen in eine bestimmte Anzahl von möglichst homogenen Subgruppen. Diese Subgruppen lassen sich durch charakteristische Muster voneinander unterscheiden. So kann ein Kundenbestand in bspw. 10-20 gut erklärbare Gruppen unterteilt werden.

K-Means für Kundensegementierung im Marketing
K-Means Kundensegmenierung im Marketing

Genau beschriebenen Kundensegmente geben dem Marketing tiefe Einblicke in die Eigenschaften und Verhaltensmuster der Zielgruppengruppen, daher lassen sich diese gut für Kampagnen-Optimierungen einsetzen.

Die Kundensegmentierung habe ich an einem Beispiel in Python in diesem Beitrag beschrieben.

Sentiment-Analyse

Sentiment-Analyse ist die Auswertung von unstrukturierten Daten wie Text, Bilder oder Audio. Im Marketing wird die Sentiment-Analyse (oder auch Text Mining) häufig dazu genutzt Kommentare, Beiträge, E-Mails und Bewertungen aus dem Internet zu analysieren.

Die Sentiment-Analyse wird im Marketing auch als Stimmungsanalyse bezeichnet. So können häufig aufkommende Probleme von einzelnen Produkten schneller erkannt, oder Kundenbeschwerden im Service schneller bearbeitet werden.

Grundlage für diese Künstliche Intelligenz ist das Verständnis von natürlicher Sprache (Englisch Natural Language Processing). Hier wird die KI darauf trainiert, unsere Sprache zu verstehen und zu deuten. Dabei werden nicht nur einzelne Wörter gedeutet, sondern komplette Textbestandteile in Zusammenhang gebracht.

Retouren-Optimierung mit künstlicher Intelligenz

Ein weiterer Anwendungsfall für künstliche Intelligenz ist die Retouren-Optimierung. Retouren sind besonders im Handel ein großes Problem. Oft liegen die Retourenquoten über 30-40%, was natürlich hoche Kosten verursacht.

Wie hilft künstliche Intelligenz die Retouren zu reduzieren?

Retouren reduzieren im E-Commerce durch maschinelles Lernen

Durch den Einsatz von Machine Learning wird dem Kunden genaue Empfehlung zu passenden Größen, präferierten Farben, Stilen und Schnitten gegeben. Im Verkaufsprozess wird so eingegriffen, um die Retourenquote zu senken.

Retouren Optimierung im Handel als Machine Learning Anwendungsfall birgt enorme Potentiale.
Retouren Optimierung im Handel brigt enorme Potenitiale. Quelle: dpa

Durch Transaktionsdaten aus Webshop-, ERP- und Kassen Systemen, können mit maschinellem Lernen deutliche Muster erkannt werden, die eine individuelle Retouren-Wahrscheinlichkeit pro Produkt bestimmt. Die nachfolgende Optimierung des Verkaufsprozesses, durch alternative Angebote für den Kunden, ermöglicht dem Anbieter, die Retouren nachhaltig zu senken.

Letztlich möchte man den Kunden ja einen guten Service bieten. Durch einen solchen Ansatz kann man dem Kunden entsprechende Empfehlungen geben. Dies hat neben der deutlichen Reduktion von Retouren, auch einen positiven Effekt auf das Einkaufserlebnis.

Ihr Ansprechparnter: Laurenz Wuttke

Wir entwickeln Künstliche Intelligenz, mit der Sie mehr aus Ihren Kundendaten machen – für wachsende Umsätze und eine nachhaltig hohe Kundenzufriedenheit.

Auch interessant für Sie