KI und First-Party-Daten: Eine Synergie für den Geschäftserfolg

Heutzutage sprechen wir häufig über First-Party-Daten, aber was genau sind sie? First-Party-Daten lassen sich in zwei Hauptkategorien unterteilen:

• Beobachtete Daten: Dazu gehören Informationen wie das Alter der Kunden, die bevorzugte Filiale, das Datum des letzten Kaufs, die gekauften Artikel und der ausgegebene Betrag. Diese aggregierten Daten können genutzt werden, um künstliche Intelligenz zu speisen und so personalisierte Nutzererlebnisse sowie präzise Vorhersagen zu erstellen.
• Modellierte Daten: Diese Daten werden aus beobachteten Daten abgeleitet, jedoch mithilfe von Data-Mining-Techniken gewonnen. Beispielsweise ist es möglich, alle Interaktionen eines Nutzers mit einer Website zu aggregieren, um dessen Hauptinteressen zu identifizieren, das Abwanderungsrisiko vorherzusagen oder zu bestimmen, welchem Cluster er angehört – etwa ob er ein Top-Kunde oder ein loyaler Kunde ist. Dabei handelt es sich um modellierte First-Party-Daten, da sie aus der Modellierung beobachteter Daten hervorgehen, die zu extrem wichtigen Smart Labels werden.

Modelle, die in Unternehmen eingesetzt werden, um Informationen aus beobachteten Daten zu extrahieren, lassen sich in zwei große Kategorien unterteilen: Vorhersagemodelle und Erkennungsmodelle.

• Vorhersagemodelle: liefern unveröffentlichte Informationen, die nicht explizit in den Daten enthalten sind. Ausgehend von historischen Daten oder der Beobachtung des Verhaltens anderer Kunden sagen diese Modelle das zukünftige Verhalten eines bestimmten Nutzers voraus. Sie können beispielsweise Fragen beantworten, ob Nutzer X wahrscheinlich einen Termin für eine Produktdemo vereinbaren wird oder wie viel Nutzer Y in den nächsten Monaten ausgeben wird. Die im geschäftlichen Bereich am häufigsten verwendeten Vorhersagemodelle sind Klassifikationsmodelle (die Nutzer in bestimmte Kategorien einteilen: wird den Service kaufen/wird den Service nicht kaufen) und Regressionsmodelle (die spezifische zukünftige Werte vorhersagen).
• Erkennungsmodelle: extrahieren den Daten inhärente Merkmale, die mit bloßem Auge nicht erkennbar wären. Sie können beispielsweise den Kundentyp bestimmen (neu, Top-Kunde, abwanderungsgefährdet) oder das aktuelle Interesse eines Nutzers identifizieren. Zur Bestimmung des Kundentyps wird Clustering eingesetzt, wodurch Gruppen ähnlicher Nutzer gebildet werden. Gängige Algorithmen für das Clustering sind K-Means, hierarchisches Clustering und DBscan. K-Means ist dabei der einfachste und am weitesten verbreitete Algorithmus.

Erkennungsmodelle werden auch zur Identifizierung von Anomalien eingesetzt; Beispiele hierfür sind ein abnormaler Anstieg der Sitzungen oder ein plötzlicher Anstieg des organischen Traffics auf der Website, die durch die Analyse von Zeitreihen erkannt werden. Um komplexe Fragen zu Kundendaten zu beantworten und Marketing- sowie Vertriebsstrategien zu optimieren, ist es entscheidend, den richtigen Algorithmus basierend auf Menge, Qualität und Art der verfügbaren Daten zu wählen. Der beste Ansatz kann je nach spezifischen Geschäftsanforderungen und Anwendungskontext variieren.

Vorhersage- und Erkennungsalgorithmen für Unternehmen.

Die Analysemethoden, die im geschäftlichen Kontext die größte Wirksamkeit und Wirkung zeigen, sind: Klassifikation, Regression, Clustering sowie eine Kombination aus NLP und Clustering.

Klassifikation

Klassifikationsmodelle schätzen die Wahrscheinlichkeit, dass ein Individuum einer bestimmten Klasse angehört. Sie sind besonders nützlich, um Entscheidungen auf der Grundlage prädiktiver Daten zu treffen. Um beispielsweise festzustellen, ob ein Nutzer einen Newsletter abonnieren wird, schätzt der Algorithmus die Abonnementwahrscheinlichkeit basierend auf Variablen wie dem Browsing-Verhalten, dem verwendeten Gerätetyp, dem Browser, der Größe des Unternehmens, in dem er oder sie arbeitet, und dem letzten Website-Besuch. Ist die Wahrscheinlichkeit hoch, klassifiziert der Algorithmus den Nutzer als voraussichtlichen Abonnenten. Zudem identifiziert der Algorithmus die einflussreichsten Variablen im Modell und liefert so wesentliche Informationen zur Optimierung von Marketingstrategien.

Regression

Diese Analyse ermöglicht es, den Wert einer Variablen für ein Individuum auf der Grundlage historischer Daten zu schätzen. Beispielsweise lässt sich durch die Analyse des vergangenen Verhaltens eines Nutzers und den Vergleich mit ähnlichen Nutzern vorhersagen, wie viele Produkte er in den nächsten sechs Monaten kaufen wird. Auch hierbei handelt es sich um prädiktive Algorithmen.

Clustering

Clustering ist eine Technik des unüberwachten maschinellen Lernens, die Individuen in Clustern gruppiert, sodass die Personen innerhalb einer Gruppe einander so ähnlich wie möglich und von anderen Gruppen so verschieden wie möglich sind. Diese Unterteilung ist nützlich für gezielte Marketingmaßnahmen. Clustering-Algorithmen treffen keine Vorhersagen, sondern heben intrinsische Merkmale von Individuen hervor. So lassen sich beispielsweise preisbewusste Kunden oder Premium-Kunden basierend auf ihren Eigenschaften, ihrem Verhalten, ihren Interessen und vergangenen Transaktionen identifizieren.

NLP + Clustering

Durch die Kombination von Algorithmen zur natürlichen Sprachverarbeitung (NLP) und Clustering können jedem Kunden oder Nutzer ein oder mehrere Interessen zugewiesen werden. Wenn man beispielsweise die Seitenaufrufe auf einer Website mit Tausenden von Themenseiten analysiert, kann man eine endlose Liste von Interessen vermeiden, indem man die Seiten in Makrokategorien clustert. Bei Bytek beginnt dieser Prozess mit einem NLP-Algorithmus, der den Inhalt der Seiten analysiert und versteht, gefolgt von einem Clustering-Algorithmus, der die Seiten nach Themen gruppiert. Dies erleichtert die Identifizierung von Nutzerinteressen für Marketingmaßnahmen.

Implementierung von Vorhersage- und Erkennungsalgorithmen im Unternehmen

Die analysierten Algorithmen bilden die Grundpfeiler für die Entwicklung effektiver Strategien – nicht nur für Marketing und Vertrieb, sondern für das gesamte Unternehmen. Spezifische Beispiele für die Anwendung dieser Algorithmen in konkreten Geschäftskontexten werden in den folgenden Abschnitten vorgestellt.

Analyse von Abbruchpunkten in Onboarding-Prozessen.

Durch die Nutzung von First-Party-Daten zur Speisung von Scoring- und Churn-Algorithmen kann ein Finanz- oder Versicherungsunternehmen mit einem vollständig digitalen Prozess Schwachstellen in Onboarding-Prozessen identifizieren. Diese Analyse ermöglicht die Aktivierung gezielter Engagement- und Rückgewinnungsstrategien, wodurch die Konversionsraten in der Kundenakquise deutlich verbessert werden.

Scoring hilft dabei, die Konversionswahrscheinlichkeit eines Nutzers zu bestimmen, während der Churn-Algorithmus vorhersagt, ob der Nutzer im Begriff ist, den Onboarding-Pfad zu verlassen. Dies ist besonders nützlich für Finanz- oder Versicherungsunternehmen, die über digitale Onboarding-Funnel arbeiten. Ein Nutzer, der in den Onboarding-Prozess eintritt und basierend auf seinem Verhalten sowie dem anderer konvertierter Nutzer einen hohen Propensity-Score erhält, wird als wertvoller potenzieller Kunde mit einer hohen Wahrscheinlichkeit für die Eröffnung eines Girokontos oder die Inanspruchnahme einer Beratung eingestuft.

Steigt die Abwanderungsrate (Churn Rate) während des Browsing-Pfads des Nutzers an, deutet dies auf eine wahrscheinliche Unzufriedenheit hin, die auf Schwierigkeiten beim Auffinden von Dokumenten oder andere Probleme zurückzuführen sein könnte. In diesem Szenario signalisieren KI-Algorithmen, dass der Kunde zu wichtig ist, um ihn zu verlieren. Dies ermöglicht die Aktivierung von Retargeting-Strategien, E-Mail-Marketing, Personalisierung der Customer Experience, Mobile Marketing und anderen Taktiken, um die Abwanderungsrate zu senken und den Nutzer zurück in den Konversions-Funnel zu führen.

Warnung vor Kundenabwanderungsrisiko

Eine weitere bedeutende Fallstudie betrifft die Implementierung eines Churn-Algorithmus für Bestandskunden durch eine Marke im Einzelhandel, die sowohl physisch als auch digital präsent ist.

Durch den Einsatz von KI-Technologien analysiert und interpretiert das Unternehmen die Verhaltensdaten der Käufer und kategorisiert sie in spezifische Cluster. Dieser Ansatz ermöglicht die Entwicklung und Umsetzung gezielter Loyalitätsstrategien, die auf das Profil und die Bedürfnisse jedes Clusters zugeschnitten sind, mit dem Ziel, Abwanderung effektiv zu verhindern und zu bekämpfen.

Für die Einzelhandelskette ist es essenziell, Top-Kunden zu binden – also jene, die häufig einkaufen, seit vielen Jahren loyal sind und nie aufgehört haben, die physischen und digitalen Stores zu besuchen. Falls ein solcher Kunde die Geschäfte über einen längeren Zeitraum nicht mehr besucht, steigt die Abwanderungsrate und das Unternehmen erhält eine Anomalie-Benachrichtigung. In dieser Phase kann die Marke intervenieren, indem sie personalisierte E-Mails versendet und direkte Verkaufsaktionen auslöst. Die Fähigkeit, diese Operationen in großem Maßstab für Tausende von Kunden durchzuführen, macht die Investition in künstliche Intelligenz hochgradig skalierbar und kosteneffizient.

Prompt Engineering mit First-Party-Daten

In der Welt der generativen KI berechnen Modelle statistisch die Wahrscheinlichkeit, dass ein Wort einem vorherigen Wort ähnelt. Eine Marketingagentur, die die Effektivität generativer KI maximieren möchte, muss Nutzererlebnisse schaffen, die die Werte, Ziele und Zielgruppen der Kundenmarke präzise widerspiegeln. Dieser strategische Ansatz ermöglicht die Entwicklung innovativer und personalisierter Lösungen und stellt sicher, dass jede Kampagne perfekt auf die Markenidentität abgestimmt ist und authentisch bei der Kundenbasis ankommt, wobei das Potenzial der Technologie voll ausgeschöpft wird.

Um dies zu erreichen, ist es unerlässlich, Prompts zu entwickeln, die die Werte des Kundenunternehmens, die Werte der Zielnutzer, deren Interessen, das Cluster, für das die Nachricht oder das Bild bestimmt ist, sowie den Tone of Voice des Unternehmens oder der Zielgruppe integrieren. Dieser Prozess ermöglicht die Erstellung von Inhalten, die die Zielgruppe effektiv ansprechen, da sie perfekt auf deren Erwartungen und Werte abgestimmt sind.

Auf diese Weise nutzen Sie generative KI wirklich effektiv, indem Sie sie mit Informationen instruieren, die aus Modellen stammen, welche das Maximum aus den verfügbaren First-Party-Daten extrahiert haben – wie Zielcluster, Tone of Voice, Werte und Interessen.

Omnichannel-Personalisierung

Im Bereich FMCG (Fast-Moving Consumer Goods) strebt ein Branchenführer danach, hochgradig personalisierte Inhalte für jeden Kommunikationskanal zu erstellen, in den investiert wird. Diese Strategie stellt sicher, dass die Werbebotschaft optimiert wird, um die Zielgruppe effektiv zu erreichen und anzusprechen, wodurch die Wirksamkeit der Kommunikation verbessert und der Return on Investment auf jeder genutzten Plattform maximiert wird.

Das Hauptziel ist die Implementierung einer effektiven Omnichannel-Personalisierung, die durch die Nutzung von First-Party-Daten und generativer künstlicher Intelligenz ermöglicht wird. Wenn beispielsweise die Analyse der historischen Kanalperformance zeigt, dass YouTube mit Kurzvideos für die Marke gut funktioniert, werden diese Informationen genutzt, um spezifische Video-Prompts zu erstellen. Wenn hingegen Beiträge mit Bildern auf Facebook besser abschneiden, werden Formatinformationen und KI-generierte Daten – wie Top-Kunden sowie deren Themen- und Produktinteressen – in den Prompt integriert. Dieser Prozess ermöglicht die Produktion von Inhalten, die auf die Zielgruppe, die Marke und den gewählten Kanal zugeschnitten sind, und gewährleistet so eine maximale Wirkung der Kampagne.

Ohne First-Party-Daten oder effektive Modelle besteht bei der Nutzung generativer KI das Risiko, generische Inhalte mit geringer Performance und wenig Bezug zu den geschäftlichen Anforderungen zu produzieren.

Zudem ist es entscheidend, Softwarelösungen und Plattformen zu wählen, die mit dem externen Ökosystem verbunden sind, wie etwa Werbeplattformen, CRMs und Unternehmenswebsites. Ohne diese Verbindungen riskiert man, dass effektive Modelle auf Dashboards beschränkt bleiben und zwar interessante, aber nicht wirklich umsetzbare Analysen bieten.

Die Bytek Prediction Platform zielt darauf ab, dieses Problem zu lösen, indem sie zentralisierte und integrierte First-Party-Daten mit proprietären Vorhersage- und Erkennungsalgorithmen kombiniert. Die gewonnenen Informationen werden dank Verbindungsmodulen in umsetzbare intelligente Attribute auf verschiedenen Marketingplattformen umgewandelt, wodurch eine maximale Kampagneneffektivität gewährleistet wird.