Hast du schon einmal auf Spotify deinen persönlichen Mix der Woche gehört und dich gefragt, wie gut dich die App wirklich kennt? Bieten Händler wie Amazon dir vor dem Checkout regelmäßig attraktive Angebote an, die du zusammen mit deiner Auswahl günstiger erwerben kannst? Dann ist Hyperpersonalisierung bereits Bestandteil deines Alltags. So nutzt du Hyperpersonalisierung effektiv im Marketing, ohne Kunden durch die Datennutzung abzuschrecken.

Maximal 8 Sekunden hast du Zeit, um einen Interessenten von deiner Website oder deinem Onlineshop zu begeistern. In diesen 8 Sekunden nimmt der Besucher alle relevanten Informationen auf, begutachtet unterbewusst das Design und schätzt für sich ab, ob die Website seriös ist. Dazu tragen in Europa beispielsweise Zertifizierungen wie Trusted Shops bei. Am Ende dieser wenigen Sekunden entscheidet der Nutzer, ob er bei dir kaufen und sich weiter informieren möchte. Wiederkehrende Besucher hingegen achten nur auf Neuerungen. Je flexibler deine Website sich nach ihnen richtet, desto mehr gibt es zu entdecken. Hier kommt Hyperpersonalisierung ins Spiel.

Was ist Hyperpersonalisierung?

Beim Begriff der Personalisierung denken die meisten Nutzer vor allem an Angebote wie „Kunden, die diesen Artikel kauften, interessieren sich auf für“. Tatsächlich handelt es sich dabei um eine Personalisierung auf Basis des angesehenen Artikels, wie sie ohne viel Aufwand in Shops einpflegbar ist. Auch ein Newsletter, der sich mit Nennung deines Namens an dich richtet, ist personalisiert. Hyperpersonalisierung geht einen Schritt weiter. Hier richtet sich alles danach, wonach du suchst, was du magst und was du zuletzt gekauft hast. So sieht beispielsweise die Startseite des Streaminganbieters Netflix für jeden Kunden anders aus. Natürlich haben alle Kunden deiner Region Zugriff auf das gleiche Angebot. Aber nur du hast zuletzt „Nailed it!“ geschaut und bekommst dafür nun auch „Chef’s Table“ vorgeschlagen. 

Der Unterschied zwischen Personalisierung und Hyperpersonalisierung

Noch vor wenigen Jahren war die gewöhnliche Personalisierung der absolute Standard im Marketing. Eine persönlich formulierte und an eine Zielgruppe angepasste Mail wirkte vertrauenserweckend, die „Related“ Vorschläge im Netz waren oft relevanter als der Inhalt, den der Nutzer gerade betrachtete. Ein in die Suche im Shop eingegebener Begriff konnte beispielsweise alle Stiefel in der Größe des Kunden ausgeben. Die Personalisierung reduzierte die Zeit bis zum Vertragsabschluss in Onlineshops und konnte allgemeine Discounte anbieten, wenn der Käufer sich beispielsweise für ein reduziertes Schuhpaar zum eigentlichen Kauf hinzuzukaufen entschied. 

Hyperpersonalisierung kann mehr, denn sie arbeitet nicht nur mit Namensdatenbank und Suchhistorie. Stattdessen nehmen Unternehmen aller Branchen sich die Freiheit, von Anfang an die Daten aus Käufen, Suchen, weiterleitenden Medien und Warenkorb auszuwerten. Das Ergebnis ist Marketing, das oft wie Gedankenlesen wirkt. Ein paar Monate nach dem Kauf einer Pflanze kann so beispielsweise ein Gartenmarkt einen Newsletter versenden, dass der Kunde jetzt für diese Pflanze einen passenden Dünger erwerben sollte. Möglich macht das ein Hinterlegen großer Datenmengen von Online und Offline-Daten zu jedem einzelnen Nutzer und Kunden.

ANWENDUNGSBEISPIELE in der Praxis

Möchtest du durch eine KI oder einen einfachen Algorithmus ein neues Kauferlebnis für deine Kunden schaffen, solltest du zunächst wissen, mit welchen Daten du arbeiten möchtest. Für die personalisierte Ansicht von Start- und Shopseiten sind beispielsweise wichtig:

  • Von welchem Gerät mit welcher Internetgeschwindigkeit greift der Kunde zu?
  • Ist der Kunde angemeldet, oder kann ihm die Registrierung angeboten werden?
  • Wann hat der Kunde zuletzt den Shop besucht?
  • Hat der Kunde ungekaufte Artikel im Warenkorb oder einer Merkliste liegen?
  • Welche Inhalte mag der Kunde für gewöhnlich und welche kauft er tatsächlich?
  • Welche legt er sich in den Warenkorb und welche werden retourniert?

Nicht deine Mitarbeiter verarbeiten diese Daten, sondern das Datawarehouse oder Shopsystem selbst. Möglich macht es eine KI, die deine Kunden im Blick behält oder ein Algorithmus, der auf jede Änderung adäquat reagieren kann. Eines der besten Beispiele sind Netflix, Spotify und andere Streaminganbieter, die den Kunden auch per Mail oder Push-Notification informieren, wenn es mit seinen angesehenen Serien weitergeht oder neue Dokus und Filme nach seinem Geschmack hinzugefügt wurden. So lockt die Seite oder App den Besucher zurück auf die Plattform.

Vorteile im Marketing

Bestimmt hast du schon einmal den Spruch gehört, dass Daten die neue Währung unseres Jahrhunderts sind. Tatsächlich gibt es für dich als Unternehmer nichts spannenderes, als deine Kunden vollkommen zu kennen. Kein Raten und Kalkulieren mehr, welche Zielgruppe angesprochen werden sollte. Keine gerade so passenden Angebote per Newsletter. Durch Hyperpersonalisierung weiß deine Website besser als der Kunde selbst, was er gerade wirklich sucht. Der Datenschutz lässt uns als Marketing Experten nicht unbegrenzt mit den Daten der Besucher arbeiten. Doch gerade anonymisiert in tagesaktuellen Statistiken unterstützen dich die Zahlen und Fakten auch dabei, zukünftige Werbung gezielt auszuspielen. Du investierst weniger in breit gestreutes Marketing und mehr in den perfekten Service für deine Website- und Shopbesucher.

Auch die Verkaufszahlen von Shops mit Hyperpersonalisierung können sich sehen lassen. Kunden lieben es, maßgeschneiderte Angebote vorgelegt zu bekommen. Passende Ersatzteile, Zubehör zu gekauften Artikeln oder Dinge, die ihnen gefallen könnten, werden eher angeschaut und öfter gekauft. Dabei macht der Algorithmus keinen Unterschied zwischen alten Ladenhütern und brandneuen Artikeln. Du verkaufst alles – und davon mehr. Dadurch steigen die Conversions und du verzichtest auf die altbekannten Streuverluste.

Künstliche Intelligenz als Motor für Hyperpersonalisierung

Menschen lieben es, wenn du persönlich auf sie zugehst und ihnen echten Mehrwert bietest. Eine Studie von Epsilon zeigte 2019 auf, dass Besucher 80% häufiger in Shops bieten, die sie als Konsumenten wirklich kennen. Je besser die Technologie dahinter wird, desto effizienter können hyperpersonalisierte Angebote ausgespielt werden. Die Echtzeit-Analyse des Kaufverhaltens ist nur durch eine hochentwickelte KI möglich, die sämtliche Aktivität auf deiner Website im Blick behält. Paraboost entwickelt eine solche KI für dich mithilfe von AutoML und gibt dir ein übersichtliche Lösung an die Hand, in dessen KI Dashboard du nachverfolgen kannst, worauf die KI wie reagiert hat. So lassen sich beispielsweise unpassende und taktlose Vorschläge von Anfang an verhindern. 

Lass dich von unseren Experten beraten und erfahre, was Hyperpersonalisierung für dein Business tun kann! Jetzt Kontakt aufnehmen.

HyperHyper

Infos Hyper-personalisierung 

Wir zeigen Ihnen das Potenzial von Hypersonalisierung auf und geben Ihnen praktische Anwendungsbeispiele.
-Unverbindlich und kostenfrei-
Mehr Informationen 
07145 / 9250255

oder
Session anfragen

Um den Absatz, die Kundenbindung oder die Bekanntheit zu erhöhen, investieren Unternehmen oft hohe Summen in Marketingkampagnen. Doch erzielen diese überhaupt die gewünschte Wirkung? Und wenn ja, in welchem Maße können sie zum Unternehmenserfolg beitragen? Häufig lässt sich das an monetären Ergebnissen ablesen. Doch worauf muss dabei geachtet werden? Was sind die ausschlaggebenden Kennzahlen, auf welche man bei der Kampagnenauswertung achten muss?

Dieser Artikel gibt einen Einblick in verschiedene Test- und Auswertungsmethoden, welche Dir helfen werden, zukünftige Kampagnen erfolgreicher zu gestalten. Indem Du jede Kampagne als wissenschaftliches Experiment angehst, erhälst Du tiefere Einblicke. Und durch tieferes Verständnis maximierst Du Deinen Erfolg!

Beispielsweise gehört zur Auswertung eines Newsletter nicht nur die Opening-Raten. Haben die aktiven Kunden denn auch einen höheren Umsatz generiert? Der Erfolg einer Kampagne setzt sich aus verschiedenen Faktoren zusammen.

Testmethoden

Um tiefere Einblicke in eine Kampagne zu bekommen, gibt es verschiedene Ansätze. Je nach Art passen jeweils verschiedene Kampagnenauswertungen besser.

Generell empfiehlt es sich beim Testaufbau von Kampagnen mit Kontrollgruppen zu arbeiten. Damit schafft man eine Vergleichsgrundlage für die Ergebnisse. Bei dieser handelt es sich um eine kleine Gruppe der Kunden, an die sich die Kampagne richtet. Sie ähnelt in ihrer Struktur der Zielgruppe und repräsentiert diese in ihrer Zusammensetzung an demographischen Merkmalen, Kaufverhalten, Geschlecht, etc… Diese sollte in etwa 5-10% Ihrer Zielgruppe umfassen. Bei kleineren Zielgruppen mit wenigen Tausenden Personen ein wenig mehr, ca. 10-20%.

A/B Test – unterschiedliches Angebot, gleiche Kunden

Der A/B-Test ist eine der gängigsten Testmethoden, um der Wirkung von Kampagnen auf den Zahn zu fühlen. Dazu gibt es zwei Ansätze: entweder wird mit einer Nullgruppe oder mit zwei verschiedenen Kampagnen gearbeitet. Bei der ersten Methode kommt der eine Teil der Kunden mit einer Marketingkampagne in Berührung, beispielsweise mit einem Zusatzkatalog oder einem Sonderangebot. Die andere Gruppe erhält hingegen nichts. Vergleicht man nun die Perfomance der beiden Gruppen, so lässt sich daraus der Erfolg der Kampagne ablesen.

A/B Test

Möchte man nun aber Kampagnen optimieren und herausfinden, was diese erfolgreich macht, so arbeitet man ebenfalls mit zwei Kundengruppen der gleichen Struktur. Dieses Mal bekommen beide Gruppen eine Kampagnen – allerdings zwei unterschiedliche. Um beim Beispiel des Zusatzkataloges zu bleiben, ändern wir an diesem für die zweite Kundengruppe nun ein Merkmal ab – etwa das Titelbild. Nun lässt sich wieder die Perfomance der beiden Gruppen untereinander vergleichen. Dadurch kann ermittelt werden, welche Kampagne erfolgreicher verlief. Wichtig ist hierbei, dass sich die Kampagnen nur in einer Variablen unterscheiden, um so gezielte Schlussfolgerungen ziehen zu können.
Diese Tests können auch als A/B/n-Tests durchgeführt werden, „n“ steht dabei für eine weitere Variante, also eine weitere Gestaltungsmöglichkeit eines Titelbildes zum Beispiel. Das Testen mehrerer Varianten parallel erfordert allerdings einen größeren Pool an Kunden, um valide Ergebnisse erzielen zu können.

Diese Tests finden vor allem Anwendung, um verschiedene Werbemaßnahmen zu vergleichen. Anschließend kann das beste Ergebnis ausgewählt und dadurch die Kampagne optimiert werden.

Die Ergebnisse eines solchen Tests können beispielsweise wie folgt aussehen:

KundenanzahlResponse-QuoteØ Umsatz
Angebot A5003%110 Euro
Angebot B5004%114 Euro

Der Test lässt sich aber auch umkehren. Du stellst Dir die Frage, welche Kundengruppen am besten auf Dein Angebot reagieren, um besseres Targeting dafür einsetzten zu können? Dazu muss man zunächst mit heterogenen Kundengruppen arbeiten und deren Resonanz auf das Angebot messen. Quasi in Form eines umgekehrten A/B-Testes. Wie das funktioniert, erklären wir im nächsten Absatz anhand einer speziellen Form des A/B-Testes, nämlich dem Champion-Challenger Ansatz.

Champion Challenger – unterschiedliche Kunden, gleiches Angebot

Dieser Testaufbau lässt sich am besten an einem Beispiel beschreiben. Gehen wir einmal davon aus, dass wir unseren besten Kunden ein Sonderangebot zukommen lassen wollen. Doch wer sind eigentlich die besten Kunden? Um diese zu ermitteln wenden wir unser übliches, schon oft erprobtes Vorgehen an – das ist der aktuelle Champion. Dem gegenüber steht nun aber eine neue Methode, welche den Champion herausfordert – der sogenannte Challenger.

Bei dem jeweils ausgewählten Kundenkreis stellt man fest, dass sich ein Großteil überschneidet, also von beiden Modellen ausgewählt wurde. Daher betrachtet man für die Auswertung der Ergebnisse nur jene Kunden und deren Umsätze, welche sich nicht in der Schnittmenge befunden haben.

Die Ergebnisse diesen Tests könnten so aussehen.

KundenanzahlResponse-Quote Ø Umsatz
Kundengruppe Champion5005%100 Euro
Kundengruppe Challenger5007%130 Euro

Diese Methode ist ein guter Ansatz um neue Ideen und Entwicklungen im kleinen, kostensparenden Rahmen zu erproben. Dadurch wird das Risiko gesenkt, dass eine Innovation nicht den gewünschten Erfolg erzielt. Im Grunde funktioniert der Ansatz auf dieselbe Weise wie der A/B-Test, wird aber eher für Strategien angewandt, um diese auszutesten.

Nach dem nun beschriebenen Tests von Marketingkampagnen liegen uns nun einige Ergebnisse vor. Doch was nun? Zunächst sollte man die Ergebnisse nicht vorschnell als bare Münze nehmen. Um tatsächlich valide Schlussfolgerungen ziehen zu können, ist es wichtig, ein wenig tiefer in die Materie einzutauchen und sich intensiver mit den Auswertungsergebnissen zu befassen.

Auswertungsmethoden

Meist erkennt man relativ schnell mit einfachen Auswertungstool erste Ergebnisse einer Marketingkampagne. Wie viele Kunden haben einen Newsletter geöffnet, wie viele sind dadurch auf die Webseite gelangt und wie viel Umsatz wurde dadurch generiert. Doch blickt man ein wenig tiefer in die Datensätze, so erkennt man, dass die Durchschnittswerte, welche man zunächst grob ausgerechnet hat, durch einzelne Daten verzogen und somit verfälscht werden können. Ausreißer beeinflussen Ergebnisse oft. Vor allem im Business-to-Business-Sektor ist die Wahrscheinlichkeit nicht gering, dass mehrere Tausend Euro Umsatz durch einen einzigen Kunden generiert worden sind, welcher das Ergebnis zunächst sehr positiv erscheinen lässt, die Durchschnittswerte aber in eine unrealistische Richtung verzerrt.
Um mit diesen Daten richtig umzugehen, können sie isoliert betrachtet werden oder es erfolgt eine Deckelung der Umsatzhöhe.

t-Tests

Der t-Test ist die gebräuchlichste Methode in der Statistik, um Mittelwerte zweier Gruppen zu vergleichen.
Mit dem t-Test lässt sich ermitteln, ob zwei verschiedene Stichproben signifikant unterschiedlich sind. Hierzu werden also zwei Stichproben benötigt – perfekt für die Ergebnisse der bereits beschrieben A/B-Tests. Gehen wir beispielsweise davon aus, dass Gruppe A, welche einen Katalog mit einem roten Titelbild erhalten hat, höhere Umsätze erzielt, als Gruppe B, welche ein blaues Titelbild zugesendet bekam. Doch ist dieser Effekt wirklich statistisch signifikant? Dies kann durch den Test überprüft werden.

Schauen wir uns als Beispiel nochmal unseren ersten A/B-Test an, so ist das Ergebnis nicht signifikant, da Gruppe B zwar im Schnitt einen höheren Umsatz generiert, die Abweichungen innerhalb dieser Ergebnisse aber sehr schwanken. Hier kann man also schlussfolgern, dass Angebot B keine besseren Ergebnisse liefert als Angebot A.

Auswertung A/B Test

Bei unserem zweiten Test hingegen unterscheiden sich die Mittelwerte des Umsatzes deutlicher, zudem sind die Abweichungen innerhalb der Umsätze nicht so groß. Das Ergebnis ist daher signifikant, was bedeutet, dass das Angebot in Kundengruppe B (Challenger) relevant bessere Ergebnisse erzielt.

Auswertung Champion/Challenger
Signifikanz Champion/Challenger

Generell muss man darauf achten, dass bei einer großen Datenmenge, also bei vielen Kundendaten, bereits kleine Abweichungen ausreichen, damit der Test signifikant ist. Bei wenigen Kunden sind dafür größere Abweichungen nötig.

Aber keine Sorge, Du musst kein Mathefreak sein und auch keinen Taschenrechner zücken, um einen t-Test anzuwenden. Mit Excel und Online-Rechnern lässt sich das ganz einfach lösen. Auch wir haben für unser Beispiel einen Online-Rechner benutzt. Diesen findest Du hier:

https://www.graphpad.com/quickcalcs/ttest1.cfm

Voraussetzung für die Anwendung des t-Testes ist, dass die Grundgesamtheiten normalverteilt vorliegen. Ist dies nicht der Fall, so muss auf andere statistische Verfahren zurückgegriffen werden – beispielsweise  Bootstrapping.

Bootstrapping

Wie funktioniert das? Grob gesagt werden dabei immer wieder kleinere Stichproben aus der Gesamtdatenmenge gezogen, es wird ein Resampling durchgeführt. Es werden also durch die Annahme, dass die Verteilungsfunktion ihrer empirischen Verteilungsfunktion entspricht, weitere Datensätze generiert.

Üblicherweise werden zwischen 1000 und 10.000 weitere Stichproben aus der vorhandenen Datenmenge gezogen. Logischerweise mit zurücklegen, anderenfalls hätte man das exakt selbe Ergebnis der ursprünglichen Datenmenge vorliegen. Durch die Ziehungen liegen also manche Datenpunkte mehrfach vor, andere dafür möglicherweise gar nicht.

Der Name Bootstrapping leitet sich übrigens von einem englischen Sprichwort ab: „Sich an den eigenen Füßen aus dem Sumpf ziehen.“ Der Bedarf an weiteren Stichproben wird nämlich aus der eigenen, bereits vorhandenen Stichprobe gedeckt. Dadurch wird die Zuverlässigkeit von Signifikanztests und die Konfidenzintervalle verbessert.

Um Bootstrapping anwenden zu können muss man in Statistik nicht mit einer 1,0 abgeschnitten haben. Kontaktiere uns gerne für einen Auszug eines Codes von Paraboost, durch welchen sich Bootstrapping ganz leicht umsetzten lässt.