X

Neuste Trends, Tipps, Strategien &
Events rund um das Thema Cloud

Weiß Daimler bald genau, wer morgen einen A-Mercedes will?

Die Frage ist ja nicht nur für Autohersteller interessant: Wann und unter welchen Umständen ist ein Kunde bereit, mein Produkt X erneut zu kaufen – oder als Follow-up zu einem anderen Produkt? Klar ist, wer hier auch nur halbwegs zuverlässige Antworten im Köcher hat, kann die Zielgenauigkeit seiner Marketingmaßnahmen erheblich steigern.

 

Auf einen Blick: Weiß Daimler bald genau, wer morgen einen A-Mercedes will?

Wie prognostiziert man Kaufentscheidungen? Daimler setzt Predictive Analytics, KI und Machine Learning ein, um kaufbereite Kunden zu identifizieren.

 

Genau an diesen Punkt wollte Daimler kommen: ebenso viel oder sogar mehr über den nächsten Kauf eines Mercedes-Benz wissen wie der einzelne Kunde der Marke selbst. Die Antwort sollte eine Kombination aus künstlicher Intelligenz (KI) und prädiktiver Analytik liefern, um aus vorhandenen Daten mehr zu machen – genau dort, wo es um den Kauf von Erst- und Zweitwagen geht. Die konkrete Frage war: Welche Faktoren bringen einen Kunden dazu, ein Einstiegsmodell der A-Klasse als Erstkauf zu wählen? Und welche Faktoren können den Besitzer eines S-Klasse-Mercedes veranlassen, eine A-Klasse als Zweitwagen zu kaufen?

„Als wir uns zum ersten Mal für Innovationen im Bereich Analytics entschieden haben, wollten wir damit die zukünftigen Käufer von Einstiegsmodellen der A-Klasse vorhersagen“, sagt Daniel Pape, Senior-Projektmanager bei der Daimler AG. „Wir wussten, dass wir künstliche Intelligenz nutzen mussten, um einen echten Wert aus unseren Daten zu schöpfen.“ Der Einstieg in das Projekt lief über eine Kombination von Daten einerseits des Customer Relationship Managements von den Niederlassungen, andererseits aus dem Kampagnenmanagement.

 

Hier sind die Berliner, die einen dritten S-Klasse-Benz haben wollen

Daimler begann seine Datenmodellierung in Berlin. Mithilfe einer Heatmap sollte sich herausstellen, in welcher Gegend die Wahrscheinlichkeit für einen potentiellen A-Klasse-Besitzer am höchsten ist. Daimler hatte 100.000 Kundendaten in seiner Datenbank. Eine erste Analyserunde dampfte diese Zahl auf 5.000 potentielle Käufer eines A-Klasse-Mercedes ein. In sechs Wochen fanden sich so Dutzende potenzieller Kunden, die am ehesten ein A-Klasse-Fahrzeug kaufen würden.

Das Analyseteam bohrte so tief in den Daten und untersuchte die Kunden aus diesem Datensatz so gründlich, dass einige davon identifiziert werden konnten, die schon zwei Mercedes der S-Klasse besaßen und den Kauf eines dritten in Betracht zogen. „Wir haben Versuch und Irrtum mit einem Haufen an Algorithmen und vielen Vorhersagen betrieben“, berichtet Pape. „Am wichtigsten war: Wir mussten einen Weg finden, um herauszufinden, ob unsere Algorithmen und Vorhersagen korrekt waren und ob sie uns die richtigen Ergebnisse lieferten.“

Im folgenden Video erläutert Pape, wie Daimler KI und Predictive Analytics einsetzt, um den Kauf von Kundenfahrzeugen vorherzusagen.

 

Wir fordern die KI heraus, Menschen zu verstehen

Eine harte Nuss für das Daimler-Team war die Unsicherheit durch mitunter fehlerhafte Algorithmen. Es brauchte tatsächlich einen kontinuierlichen Input menschlicher Intelligenz in den Prozess, um die Prognosen immer zutreffender hinzubekommen. Am Schluss gelang es Daimler, Tausende zukünftiger Autokäufer zu identifizieren.

„Algorithmen hatten wir viele. Die Frage war aber immer wieder, ob sie korrekt waren oder ob die Informationen überhaupt einen Wert hatten. Denn Kundenanfragen sind manchmal unvollständig oder widersprüchlich“, sagt Marc Winter (Consultant Application Management bei Daimler). „Wir fingen mit dem Deep-Mining der Daten an und setzten dann Business Intelligence (BI) und KI ein. Mit den Funktionalitäten gingen wir zurück zur BI, um unsere Modelle zu hinterfragen. Über eine offene Lösung konnten wir unsere Ergebnisse dann leicht visualisieren.“

Winter stellte fest, dass Daimler in der Lage war, präzise anzuzeigen, ob ein Bereich oder der Algorithmus optimiert werden musste: Mit visualisierten Vorhersagen ließen sich entscheidende Fragen beantworten, z. B. Was sagen wir voraus? Von welchen Beträgen reden wir? Warum machen wir diese Vorhersagen?

Daimler benutzte eine Kombination aus KI und Analytik, um Algorithmen und Visualisierungen zu testen, sowie um Vorhersagen und das Deep Mining in den Datensätzen zu validieren. Mit dieser Kombination konnte das Team einen quasi zusammengesetzten Kunden skizzieren, der S-Klasse-Besitzer war und einen A-Klasse-Mercedes kaufen könnte. „Es war wirklich interessant, eine Maschine mit menschlichen Interessen und menschlichem Verständnis für Kunden herauszufordern“, ergänzt Winter.

Das nächste große Ding für das Unternehmen ist die Anwendung kontinuierlicher Intelligenz in seinen Prozessen. Konkret heißt das, dass Daimler eine Feedbackschleife der KI samt ihrer Beziehung zu Kundenentscheidungen erhält, so dass der Algorithmus aus sich selbst heraus lernen kann.

Im folgenden Video erläutert Marc Winter, wie das Unternehmen KI, Deep Mining und kontinuierliche Intelligenz einsetzt, um Erkenntnisse zutage zu fördern und die Schlussfolgerungen zu bestätigen.

 

 

Hier erfahren Sie mehr über die Vorteile von Oracle Analytics – besuchen Sie Oracle.com/analytics.

Und um über das Thema auf dem Laufenden zu bleiben, abonnieren Sie am Besten einfach den Oracle Analytics Cloud Blog

 

Kontakt:

Ein spannendes Thema, über das ich gerne mit Ihnen spreche, per E-MailLinkedInXing oder Twitter. Sabine Leitner, Sr. Marketing Manager.

Kommentieren

Kommentare ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.