2022-06-05 | Article | Insights
Nicht alle Kunden haben den gleichen Wert für das Unternehmen. Das Pareto-Prinzip besagt, dass 20% der Kunden eines Unternehmens für 80% seines Umsatzes verantwortlich sind. Die Vorhersage des Customer Lifetime Value (CLV) ist ein Weg, um herauszufinden, welche Kunden diese 20% ausmachen, und zwar nicht nur für die Vergangenheit, sondern auch für die Zukunft: Wie viele Käufe wird der Kunde in einem bestimmten Zeitraum in der Zukunft tätigen? Wie viel Zeit wird vergehen, bevor der Kunde inaktiv wird? Wie hoch wird der monetäre Wert des Kunden zukünftig in einem bestimmten Zeitraum sein?
Die Vorhersage des CLV hilft Unternehmen bei der Entscheidung, wie viel sie in Werbung investieren sollen, bei der Bildung von wertbasierten Kundengruppen, die sie mit Werbung ansprechen wollen und bei der Durchführung von Experimenten, um die Balance zwischen Qualität und Reichweite zu finden und die Marketingeffizienz zu steigern. Cluster von Kunden mit hohem Wert dienen als Grundlage für die Entdeckung neuer Zielgruppen zur Ansprache aufgrund von Ähnlichkeiten mit Nutzern mit einem hohen CLV.
Predictive Audiences können mit dem Einsatz der Google Marketing- und der Google Cloud (GC) erstellt und verwendet werden. Der erste Schritt, um mit dem Prozess der Anlage zu beginnen, besteht darin, die Trainingsdaten aus der CDP-/ CRM-/ E-Commerce-Lösung des Unternehmens sowie dessen GMP-Accounts in Google Cloud BigQuery zu importieren. Anschließend werden diese mit Dataproc verarbeitet, um explorative Analysen umzusetzen. Ein ID-Abgleich hilft dabei, die Nutzerdaten aus den verschiedenen Quellen auf der Grundlage gemeinsamer Identifizierer zu verknüpfen. Dabei können alle verfügbaren Benutzerkennungen in Google Analytics 4 in einer BigQuery-Tabelle gruppiert werden, um einen Identitätsgraphen zu erzeugen - d.h. eine Sammlung von Nutzer-IDs wie Geräte-IDs, die einem Nutzer auf der Grundlage seiner Interaktionen mit der Unternehmens-Website oder -App zugeordnet werden können.
Mit SQL-Kenntnissen kann BigQuery ML zum Erstellen, Bewerten und Vorhersagen von Zielgruppensegmentierungsmodellen verwendet werden, wie es in diesem Anwendungsfall erforderlich ist, wenn SQL-Konstrukte genutzt werden. Mit der Expertise von Datenwissenschaftlern kann die Vertex-AI eingesetzt werden, um optimierte Modelle in großem Umfang zu erstellen und zu verwenden. Nach dem Erstellen, Trainieren und Bereitstellen des Machine Learning Modells werden CLV-Vorhersagen generiert.
Alle Aufgaben werden über Google Cloud Composer ausgeführt und orchestriert.
Mit dem Importmodus "Abfragezeit" können die Daten in Google Analytics angereichert werden, indem die jeweiligen Vorhersagen in einer benutzerdefinierten Dimension gespeichert und die Werte zu den bereits verarbeiteten Treffern hinzugefügt werden. Zielgruppen werden nach jedem Datenimport neu erstellt, was den Abfragezeit Import zur besten Methode für die Datenanreicherung macht. Es empfiehlt sich, verschiedene Szenarien als Cluster zu erstellen, z.B. Top-10%-, Top-20%-Kunden usw., um mit diesen experimentieren zu können. Sobald die entsprechenden Zielgruppen in Google Analytics erstellt wurden, werden diese nativ in das damit verknüpfte DV360-Konto übertragen und sind sofort einsatzbereit.
Die erstellten Zielgruppen können dann verwendet werden, um die Reichweite der jeweiligen Kampagnen auf neue Nutzer auszudehnen, die ähnliche Interessen wie die Zielgruppen mit hohem CLV aufweisen, indem das Feature Similar Audiences in DV360 eingestellt wird, welches nun ein Teil der übergreifenden Funktion des Targeting Expansion ist. Dabei können die First Party Audiences selbst, die als Grundlage für die Ähnlichkeitssuche verwendet wurden, aus dem Targeting der Kampagne exkludiert werden, um ein sauberes Testszenario für die Experimente zu gewährleisten.
Die predictive CLV-Audiences können auch in die CDP-Lösung des Unternehmens überführt werden, damit sie per Newsletter oder beispielsweise über Meta-Anzeigen aktiviert werden können.
Die wichtigsten Säulen für die Erstellung maßgeschneiderter Zielgruppen auf der Grundlage von CLV-Vorhersagen und deren kanalübergreifende Aktivierung sind die Auswahl relevanter Online- und Offline-Daten, die Einrichtung einer automatisierten Cloud-Infrastruktur und die Erstellung eines Nutzeridentitätsgraphen.
Mit einer robusten Infrastruktur kann der Prozess der Datennutzung automatisiert werden. Durch den Aufbau eines User-ID-Graphen zum Abgleich von On- und Offline-First-Party-Daten können die Daten aus Quellen wie Google Analytics, DV360, CM360, SA360 und einer CRM-/CDP- sowie einer E-Commerce-Lösung genutzt und kombiniert werden.
Mit einer individuellen Kundenansprache lassen sich die Conversion Rate und die Effizienz der Marketingmaßnahmen deutlich steigern, indem die Individualität der Kunden und ihr Kaufverhalten berücksichtigt werden.