17.10.2012 | Interview mit Leo Schirmer

"Wir können auf jeden einzelnen Kunden abzielen"

So nutzt Zalando Predictive Analytics.
Bild: Zalando

Predictive Analytics heißt das neue Zauberwort. Dahinter steht eine umfangreiche Analyse aller Daten zu einem Kunden und zu Kundengruppen mit dem Ziel, zu erahnen, was ein Kunde als nächstes kaufen will und wird. Leo Schirmer, Head of Marketing Intelligence beim Versender Zalando, erklärt, worauf es ankommt und wie sein Unternehmen das Ganze nutzt.

acquisa: Für alle, die sich noch nicht so intensiv mit dem Thema beschäftigt haben: Was bedeutet Predictice Analytics? Was können Unternehmen damit anfangen?

Leo Schirmer: Unter dem Begriff „Predictive Analytics“ wird die Verwendung vorwiegend statistischer Methoden zusammengefasst, mit deren Hilfe auf Grundlage historischer Daten Prognosen in Bezug auf zukünftige Ereignisse und Entwicklungen erstellt werden. Häufig kommen dabei mathematische Modelle sowie Methoden aus dem Data Mining zum Einsatz. Ziel ist es dabei, unter Verwendung der erstellten Szenarien optimale Entscheidungen zu treffen und dabei die prognostizierten zukünftigen Entwicklungen zu berücksichtigen.

acquisa: Welche Daten werte ich aus, wenn ich erfahren möchte, welcher Werbekanal bei meinen jeweiligen Kunden wann am besten funktioniert?

Schirmer: Ich beschränke mich bei meiner Antwort der Einfachheit halber auf den Bereich Online-Marketing, da bei Offline-Kampagnen, insbesondere im TV, noch einmal gesonderte Daten und Wirkungsweisen betrachtet werden müssen. Die KPIs (Key Performance Indicators), die man sich bei der Optimierung der Werbeaktivitäten anschaut, sind jene Indikatoren, die quasi seit den Anfängen des Online-Marketing zum Einsatz kommen und zum Teil auch im klassischen Marketing verwendet werden.

Man folgt bei der Auswertung einer Kampagne oder eines Marketingkanals der Wirkungskette eines Werbemittels, beginnend bei der Anzahl der Impressions über die Klicks auf die Werbemittel und das daraus resultierende Verhältnis von Klicks zu Impressions, genannt CTR (Click Through Rate). Mit dem Klick landet man auf der Webseite des Werbetreibenden, hier betrachtet man, wie häufig es zu einer Conversion (der Entwicklung eines Besuchers in einen Kunden) kommt und schaut ebenfalls wieder auf das Verhältnis, die sogenannte CR (Conversion Rate). Selbstverständlich darf man auch die Kosten für die Werbeschaltung nicht vernachlässigen und die damit verbundenen berechneten Größen.

Und schließlich sollte die Kundenqualität Beachtung jener Kunden finden, die man über bestimmte Marketingaktivitäten für die eigenen Produkte und Services gewinnen konnte. Diese Qualität kann sich beispielsweise in Form von durchschnittlichen Warenkorbhöhen, Deckungsbeiträgen pro (Trans-) Aktion oder Customer Lifetime Values quantifizieren lassen.

Bei der „klassischen“ Analyse würde man nun diese KPIs der verschiedenen Werbekanäle vergleichen und dann jene Aktivitäten ausweiten, bei denen das Verhältnis von Kosten zum generierten Nutzen am günstigsten ist und umgekehrt die Budgets für die Kanäle reduzieren, bei denen die Kosten unverhältnismäßig hoch sind oder die Erfolgskennzahlen zeigen, dass nur eine ungenügende Reaktion auf die Marketingkampagnen erfolgt.

Bei Predictive Analytics geht man aber einen Schritt weiter und berücksichtigt auch zu erwartende zukünftige Entwicklungen. Man schaut sich bspw. sehr genau an, welches Verhalten die durch die unterschiedlichen Werbekanäle gewonnenen Kunden an den Tag legen und prognostiziert, welchen Wert diese Kunden voraussichtlich zukünftig für das Unternehmen generieren werden. Bezieht man diese Betrachtungsweise in die Auswertung der einzelnen Kampagnen mit ein, so ergibt sich teilweise ein komplett anderes Bild bei der Bewertung der verschiedenen Maßnahmen.

acquisa: „Next best offer“ wurde schon vor Jahren diskutiert, selbst Call-Center-Agents sollten damit in Echtzeit das passende Angebot für den Anrufer finden. Was ist das Neue an Predictive Analytics?

Schirmer: Aus meiner Sicht ist das wirklich neue an Predictive Analytics die ungeheure Menge an Daten, die großen Unternehmen heutzutage zur Verfügung stehen sowie die Möglichkeit, diese Daten auch verarbeiten zu können. Während fehlende Daten und mangelnde Rechenkapazität es vor einigen Jahren noch notwendig machten, bei der Entwicklung von „Next best offers“ oder „individuellen Angeboten“ vergleichsweise große Zielgruppen oder Cluster von ähnlichen Kunden zu betrachten, so ist es heute tatsächlich möglich, Werbebotschaften zu kreieren, die perfekt auf den einzelnen Kunden abgestimmt sind und dabei eine Vielzahl von Informationen berücksichtigen, die über ihn zur Verfügung stehen.

Außerdem neu ist aus meiner Sicht, dass Predictive Analytics Einzug erhalten haben in Bereiche, in denen vor einigen Jahren noch auf wesentlich unprofessionellerem Niveau gearbeitet wurde. Während beispielsweise im Logistikbereich oder im Customer Service schon lange Prognosemodelle für eine optimale Kapazitätsplanung Verwendung fanden, so ist der Einsatz von Forecasting-Modellen für das optimale Aussteuern von Keyword-Geboten im Suchmaschinenmarketing oder bei der Bannerschaltung im Bereich Display Advertising vergleichsweise jung.

acquisa: Viele mittlere Unternehmen, aber auch große kämpfen schon heute mit einer Datenflut, die sie kaum bewältigen können. Brauchen die auch noch Predictive Analytics? Mit anderen Worten: Wie aufwendig ist das Ganze?

Schirmer: In gewisser Weise ist es ja so, dass fast jedes Unternehmen in geringem Umfang bereits Prognosemodelle einsetzt, und wenn nur Trends beobachtet und in die Zukunft projiziert werden, wenn es darum geht, optimale Geschäftsentscheidungen zu treffen. An der Stelle würde aber aufgrund der Einfachheit der eingesetzten Methoden kaum jemand von Predictive Analytics sprechen.

Wenn es aber um das Erstellen komplizierter mathematischer Modelle und der Einsatz von Data Mining sowie aufwendiger statistischer Prognoseverfahren geht, dann ist der Aufwand für die Entwicklung geeigneter Systeme mitunter schon erheblich. Hier sehe ich es auch so, dass das bislang eher größeren Unternehmen vorbehalten ist, die es sich leisten können und wollen, Spezialisten-Teams mit dieser Aufgabe zu betrauen.

Meiner Ansicht nach ließe sich Predictive Analytics auch für kleine und mittlere Unternehmen in vielen Bereichen sinnvoll einsetzen, doch hier fehlt es häufig noch an geeigneten Tools oder spezialisierten Anbietern, die den Unternehmen den Entwicklungsaufwand zu großen Teilen abnehmen. Ich könnte mir aber vorstellen, dass sich beispielsweise im Marketingbereich zukünftig einige Anbieter genau auf diese Lücke konzentrieren.

acquisa: Können Mittelständler sich den Aufwand überhaupt leisten, finanziell und in Bezug auf Manpower? Wie sieht es mit dem RoI aus?

Schirmer: Auf der Kostenseite stehen im Bereich Predictive Anyltics ja vor allem die Personalkosten für Statistiker, Entwickler und Analysten, die aus den vorhandenen Daten Erkenntnisse und Handlungsempfehlungen kreieren. Dazu kommen Kosten für den Erwerb, die Miete oder die Entwicklung geeigneter Tools. Das sind alles mehr oder weniger fixe Kosten, die nur bedingt von der Größe eines Unternehmens abhängen.

Wieder konkret am Einsatzgebiet Marketing betrachtet, hängt der RoI also massiv vom eingesetzten Budget ab. Wenn monatlich Millionenbeträge für Marketingaktionen investiert werden, so rechnen sich die Ausgaben für Predictive Analytics bereits, wenn die Effizienz der eingesetzten Marketingmittel nur um wenige Prozentpunkte erhöht werden kann. Insofern macht es für große Unternehmen aus meiner Sicht viel Sinn, sich dieser Methoden zu bedienen. Bei einem Mittelständler kann eine solche Kosten-Nutzen-Abwägung aber durchaus zu einem anderen Ergebnis führen, so dass man hier lieber bei vergleichsweise einfacheren Methoden zur Prognose zukünftiger Entwicklungen bleiben würde.

acquisa: Das Wichtigste zum Schluss: Wie machen Sie das bei Zalando?

Schirmer: Bei Zalando verwenden wir Predictive Analytics an verschiedenen Stellen im Unternehmen. Zum einen sind da natürlich die „klassischen“ Einsatzgebiete, etwa bei der Kapazitätsplanung für Customer Support, Operations oder Web-Server sowie in der Lagerhaltung. Data Mining Methoden und statistische Prognosemodelle kommen aber auch in anderen Abteilungen zum Einsatz, zum Beispiel bei der Erstellung individueller Produktempfehlungen auf unserer Webseite, bei der Entscheidung, wann welche Produkte im Preis reduziert werden oder im Marketingumfeld. Hier verschaffen wir uns gegenüber vielen Wettbewerbern bei der Aussteuerung unserer Marketingkampagnen einen Vorteil, indem wir neben den tatsächlich erfolgten Bestellungen auch zu erwartende zukünftige Umsätze berücksichtigen. Um diese abzuschätzen, wollen wir natürlich nicht warten, bis wir Daten für mehrere Monate oder Jahre gesammelt haben, um diese in die Zukunft zu profizieren. Stattdessen möchten wir zu einem möglichst frühen Zeitpunkt in der Lage sein, das zukünftige Verhalten unserer Kunden möglichst präzise zu prognostizieren.

Durch den Einsatz von Predictive Analytics versetzen wir uns bei diesen und vielen weiteren Fragestellungen in die Lage, optimale Entscheidungen zu treffen und ich gehe davon aus, dass wir unser Engagement in diesem Beriech zukünftig tendenziell eher noch auswerten werden.

Leo Schirmer ist einer der Redner auf der Predictive Analytics World am 6. und 7. November in Düsseldorf.

Schlagworte zum Thema:  Online-Marketing, CRM, Versandhandel, E-Commerce, Kundenbindung

Aktuell

Meistgelesen