Predictive Analytics im B2B-Marketing: Ich weiß, was du nächsten Sommer kaufen wirst

Dank vorausschauender Analysen (Predictive Analytics) sollen Marketer absehen können, was Kunden wollen und wo sich Umsatzchancen auftun. Für den B2C-E-Commerce funktioniert das bereits sehr gut. Aber welchen Nutzen haben B2B-Dienstleister ohne Online-Shop?

(Ausblick / Pixabay-Lizenz)

Vor allem große Online-Händler setzen Predictive Analytics ein, um datenbasiert folgende Fragen beantworten zu können:

➤ Welche Produkte sollten welchen Kunden angezeigt werden?

➤ Welchen Umsatz wird ein Kunde generieren?  

➤ Wie hoch ist die Kaufwahrscheinlichkeit eines bestimmten Kunden für ein bestimmtes Produkt?

Was kann Predictive Analytics abseits des Online-Handels, zum Beispiel im B2B-Dienstleistungssektor? Bevor wir uns diese Frage anschauen, zunächst einige technische Insights:

Predictive Analytics im Marketing: Die Methoden

Data Profiling untersucht Daten und fasst diese zusammen. So werden auf Datenebene Ungenauigkeiten und fehlende Informationen offensichtlich. 

Die Assoziationsanalyse (Warenkorbanalyse) ermittelt für jedes im Warenkorb enthaltene Produkt, wie wahrscheinlich es ist, dass dieses gekauft wird. Sie fragt: Welche Warenkorb-Artikel beziehen andere Artikel innerhalb einer Transaktion mit ein? Beispiel: Wer Spaghetti kauft, könnte sich auf für Ketchup interessieren. So sollen Muster und Regeln im Kaufverhalten erkannt werden.

Next Best Offer will jedem Kunden die Produkte zuordnen, die er am wahrscheinlichsten kaufen wird. Genau diese Produkte können dem Kunden bei seinem nächsten Online-Shop-Besuch angezeigt werden. Grundlage sind die Kundenstammdaten, seine Kaufhistorie sowie sein Klickverhalten im Online-Shop. 

Lineare Regression prognostiziert den Wert unbekannter Daten basierend auf dem Wert bekannter Daten. Ein stark vereinfachtes Beispiel:

➤ Im abgelaufenen Jahr beliefen sich die Ausgaben auf die Hälfte der Einnahmen.

➤ Unbekannte zukünftige Ausgaben können nun berechnet werden, indem ein zukünftiges bekanntes Einkommen halbiert wird.

In der Marketing-Praxis hilft die lineare Regression herauszufinden, welche Marketing-Maßnahmen wie kosteneffizient sind.

Predictive Analytics im B2B-Marketing

Es wird offensichtlich: Predictive Analytics bietet viele Möglichkeiten im E-Commerce. Aber was ist mit B2B-Unternehmen, die weder einen Shop betreiben noch physische Produkte verkaufen, sondern ein reiner Dienstleister sind?

Sie können in vier Segmenten von Predictive Analytics profitieren:

1. E-Mail-Marketing optimieren: Den richtigen Bestandskunden zum richtigen Zeitpunkt den richtigen Content schicken. Wer sein E-Mail-Marketing mit Predictive-Analytics-Methoden verknüpft, kann die Conversion seiner Newsletter verbessern und die Abbesteller-Quote niedrig halten.

2. Predictive Lead Scoring nutzen: Lead Scoring bewertet mögliche Kunden nach der Wahrscheinlichkeit, mit der sie tatsächliche Kunden werden. Klassisches Lead Scoring untersucht dabei zum Beispiel, ob ein Whitepaper heruntergeladen wurde (der potenzielle Kunde also interessiert zu sein scheint). Predictive Lead Scoring erweitert dies um weitere Daten (zum Beispiel dem Verhalten der Person auf einer B2B-Social-Media-Plattform wie LinkedIn). 

3. B2B-Marktchancen identifizieren: Wie entwickeln sich Branchen und wo ergeben sich Umsatzpotenziale für das Unternehmen? Predictive Analytics hilft B2B-Dienstleistern, Projekte und Kunden genau danach zu gruppieren und Potenziale aufzudecken.

4. Verhalten im Kunden-Login-Bereich analysieren: B2B-Dienstleister, die einen login-geschützten Kundenbereich auf ihrer Website anbieten, können (ähnlich wie in einem Online-Shop) messen, welche Inhalte angeklickt oder heruntergeladen werden. So können mittels Predictive Analytics die Bedarfe von Bestandskunden prognostiziert werden.  

Predictive Analytics: Es steht und fällt mit der Datengrundlage

Es wäre dumm, sich als B2B-Unternehmen nicht mit dem Thema Predictive Analytics im Marketing zu beschäftigen. Marketing-Automation-Tools sind per se darauf angelegt und erweitern ihren Predictive-Analytics-Funktionen stetig.

Aber: Vorausschauende Analysen stehen und fallen mit der Datenqualität. Wer seine CRM-Daten mangelhaft und nachlässig pflegt, macht es jedem Tool unmöglich, aussagekräftige Prognosen zu erstellen. 

Heißt: Die Investition in ein Marketing-Automation-Tool, das Predictive Analytics beherrscht, ist nur sinnvoll, wenn die Sales-Mitarbeiter des Unternehmens das CRM-Modul gewissenhaft und vollständig pflegen.

Denn: Wer vorne Schrott reinsteckt, darf nicht erwarten, dass hinten Gold rauskommt.

Isso.

Ich wünsche euch viel Erfolg bei euren Predictive-Marketing-Maßnahmen.

Link-Tipps:

• Müll rein, Müll raus: Wie man ein CRM laut hupend gegen die Wand fährt
• Data Analytics: Tools für den datenbasierten Unternehmenserfolg
• Marketing-Automation: Wenn die Public Cloud zum Alptraum wird
• IT-Consulting-Studie: Der Siegeszug der Data Analytics