X

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

Marketing mit der Schrotflinte war gestern: Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Wenn Unternehmen schon 5–10 Prozent ihres Umsatzes für Marketingaktivitäten ausgeben, dann sollen aber auch die Ziele erreicht werden. Eines davon ist es, die Marketingkosten im Griff zu behalten und zugleich eine maximale Reichweite zu gewährleisten, und zwar zu solchen Kunden, die dann auch voraussichtlich positiv reagieren. Marketing mit der Schrotflinte war gestern; heute wollen Unternehmen zielgenaue Kampagnen durchführen: d. h. die richtigen Kunden identifizieren, die für Marketinganstrengungen wirklich relevant sind.

Auf einen Blick: Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

 
Mehr Erfolg von Marketing-Kampagnen erzielen mit dem Response-Modell auf Basis von Oracle Analytics: Ein typischer Anwendungsfall zeigt, wie das geht.

 

Trotz der ganzen Technologie, die den heutigen Vermarktern zur Verfügung steht, ist das kein trivialer Job. Immer noch geht ein erheblicher Teil des Budgets für das Targeting von Kunden drauf, die sich kaum oder gar nicht für die jeweiligen Produkte oder Angebote interessieren. Diesen Unfug abzustellen, ist zu einem immer wichtigeren Aspekt bei Werbeplanung und Kampagnendesign geworden, um Marketingausgaben, aber auch Zeitaufwand zu reduzieren.

Ein aussagekräftiges Beispiel, wie das funktioniert, hat Sujal Parulekar für diesen Beitrag beigesteuert. Sie ist Oracle BI Practice Manager für Data, Analytics und KI bei Wipro. Sie hat dazu demonstriert, wie die Lösung für das Kampagnen-Responsemodell von Wipro aufgebaut ist: Dabei werden die Visualisierungs- und Vorhersageanalysefunktionen der Oracle Analytics Cloud genutzt, um Marketingteams eben genau bei der Identifikation der richtigen Kunden für bestimmte Produkte zu unterstützen. Die DDP-Anwendung (Data Discovery Platform) von Wipro wurde in Zusammenarbeit mit dem Team von Jignesh Mehta (Oracle Partner Solutions and Product Management) auf Oracle Analytics entwickelt.

 

Die Vorteile einer Entwicklung mit Oracle Analytics

Bei diesem Anwendungsfall war Oracle Analytics das Werkzeug der Wahl für die Implementierung. Die Plattform bietet eine einheitliche, vereinfachte und leicht zu bedienende Basis für die Visualisierung ebenso wie für die prädiktive Analyse. Bei anderen Anbietern gibt es für jede verfügbare Option einen eigenen Service, was den Umgang damit etwas mühselig gestaltet. In unserem Fall geschah die Entwicklung mithilfe der Self-Service-Business Intelligence (BI)-Funktionen: Sie ermöglichen es, binnen weniger Tage eine optisch exzellente Visualisierung aufzubauen. Die einsatzbereiten Modelle machen den Aufbau prädiktiver Analysefunktionen recht einfach – jedenfalls im Vergleich zum Schreiben komplexer Algorithmen oder zur Verwendung von Sprachen wie R und Python.

 

Die Lösung für das Kampagnen-Responsemodell in Aktion

Für diesen typischen Fall geht die Lösung von einem hypothetischen Szenario aus: Eine Bank versucht, bei der richtigen Zielgruppe zu landen, um ein neues Produkt im Zusammenhang mit Termineinlagen auf den Markt zu bringen. Die Bank will natürlich die Kunden identifizieren, die am ehesten das neue Termingeldprodukt kaufen.

Der Anwendungsfall zieht dazu primär die Kundendemografie und Daten aus der Performance früherer Kampagnen heran, um zum typischen Profil eines hochgradig interessierten potenziellen Kunden vorzustoßen. Das stützt sich stark auf die Funktionen der Datenvisualisierung, um die wichtigsten demografischen Daten eines Zielkundenprofils auf Basis von Rückmeldungen aus vorangegangenen Kampagnen darzustellen. Man will so das Profil der Kunden verstehen, die in der Vergangenheit geantwortet haben (wie in Abbildung 1 dargestellt).

Den Aufbau der Visualisierungen übernimmt die Oracle Datenvisualisierung. Einfache Visualisierungen wie Balken-, Torten- und Doughnut-Diagramme, die in der Oracle Analytics Cloud integriert sind, dienen zur Beschreibung des Kundenprofils.

 

Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Abbildung 1: Profil von Kunden, die in der Vergangenheit geantwortet haben

 

 

Abbildung 2 fächert das typische Engagement dieser Kunden auf. Die Daten der Vergangenheit geben Aufschluss darüber, wie sich der Kunde bisher engagiert hat und was der typische Kampagnenresponse auf dieser Ebene war.

 

Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Abbildung 2: Früherer Kampagnenresponse und Engagement-Profil potenzieller Kunden

 

Mithilfe einer überwachten Lerntechnik entwickelt sich eine Prognose für das Kundenverhalten bezüglich der Reaktion auf eine Kampagne. Die Lösung benutzt den in der Oracle Analytics Cloud bereits definierten maschinellen Lernalgorithmus von Naïve Bayes zur Prognose derjenigen Personen, die am ehesten auf eine Kampagne reagieren. Für den Anwendungsfall Predictive Analytics ist der Datensatz aufgeteilt: 70 Prozent des gesamten Datensatzes dienen für Schulungen und 30 Prozent für Tests. Die Kundendatensätze in den Testdaten werden nach ihrer Bereitschaft, positiv auf die Kampagne zu reagieren, bewertet.

 

Abbildung 3 veranschaulicht, wie ein typisches vom Modell erzeugtes Interessentenprofil aussieht, das Einblicke in neue Kundenmerkmale eröffnet, die dann erschlossen werden müssen.

 

Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Abbildung 3: Typisches Interessentenprofil

 

Die vom Testdatensatz generierten Rankings werden mit den Trainingsdaten verglichen, um die Wirksamkeit des prädiktiven Modells zu messen; das zeigen die Diagramme in Abbildung 4. Weitere Details finden Sie in diesem Blog, in dem eine effektive Marketingkampagne diskutiert wird.

 

Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Abbildung 4: Graphiken zur Effizienz des Modells

 

Die Grafiken zeigen, dass die Bank 52 Prozent ihrer Kunden erreichen kann, auch wenn sie sich nur an 24 Prozent der empfänglichen Top-Kunden richtet. Das Lift-Diagramm dient dazu, Kunden zu identifizieren, die in Zukunft am ehesten auf Kampagnen reagieren werden. Die Grafik gibt Aufschluss darüber, wie viel besser der Response ist, wenn man das Modell verwendet, als wenn man kein Modell für die Vorhersage verwenden würde.

 

Erstellen von automatischen Erkenntnissen mit Oracle Analytics

Ein interessantes Feature in Oracle Analytics heißt "Explain". Es ermöglicht, Erkenntnisse aus der Analyse der Spalten im Datensatz zu generieren. Das Schöne daran ist, dass die Erkenntnisse während der Laufzeit mit einem einfachen Klick generiert werden können. Diese Erkenntnisse können dann als separate Seite zu den Visualisierungen hinzugefügt werden. Dieses Merkmal wurde im Demo des Kampagnenresponse-Modells verwendet, um die Spalte „Zielkunden“ im Datensatz zu analysieren und deren Korrelation mit anderen Spalten herauszufinden. Der Befehl zur Erläuterung von Zielkunden führte zu den folgenden Daten (erläutert in Abbildung 5).

 

Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Abbildung 5: Grundlegende Fakten zur Zielkundenspalte, die durch die Funktion "Add Explanation" generiert wurden

 

Abbildung 6 veranschaulicht die zentralen Treiber in der Spalte Zielkunden, die durch die Funktion "Add Explanation" generiert wurden.

 

Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Abbildung 6: Zentrale Treiber in der Spalte "Zielkunden", die durch die Funktion "Add Explanation" generiert wurden

 

Der Benutzer kann Bilder heraussuchen und wählen, die der Leinwand hinzugefügt werden sollen, wie in Abbildung 7 dargestellt.

 

Erfolgreichere Kampagnen mit Response-Modell und Oracle Analytics

Abbildung 7: Ergebnisse aus der Erläuterung von "Zielkunden" auf der Leinwand

 

Ein genauerer Blick zeigt, dass die so gewonnenen Erkenntnisse dem entsprechen, was in den Visualisierungen der "Potentiellen Zielkunden" dargestellt wurde. Zum Beispiel:

  1. In den Kategorien Management, Rentner und Studenten werden am ehesten Termingelder gekauft.
  2. Die optimale Kontaktdauer liegt zwischen zwei und drei Minuten und dann wider bei über sechs Minuten.

 

Vielversprechende Zukunft der "Campaign Response Model Solution"

Es sieht danach aus, dass diese Lösung in eine Marketinganwendung wie Eloqua integriert wird. Dies wird eine Closed-Loop-Marketinganalyselösung mit Kundendemografien und Kampagnendaten unterstützen, die zuerst von Eloqua und Sales Cloud zu OACS fließen und dann wieder zurück – mit strukturierten Informationen zu potenziellen Kunden, die zur Durchführung gezielter Kampagnen in Eloqua dienen.

Die Data Discovery Platform (DDP) von Wipro ist eine digitale Plattform, die hochentwickelte Technologien nutzt, um neue Einblicke, Erkenntnisse und ein besseres Verständnis über das Geschäft zu gewinnen. DDP schöpft tiefe Einblicke aus Daten und nutzt ausgefeilte Techniken wie Visual Science und Storytelling, um Interpretation und Entscheidungsfindung zu vereinfachen. Im vorliegenden Beitrag hat Sujal Parulekar die Implementierung der App für das Kampagnenresponse-Modell in DDP mit Oracle Analytics Cloud demonstriert.

@ Sujal Parulekar, Oracle BI Practice Manager für Data, Analytics and KI bei Wipro

Sujal Parulekar verfügt über fast 18 Jahre Erfahrung im Bereich BI und Analytik. Sie ist Teil der Data-, Analytics- und AI-Service-Line bei Wipro. Seit über 15 Jahren arbeitet sie an Technologien im Zusammenhang mit Oracle. In ihrer jetzigen Funktion als Oracle BI Practice Manager konzentriert sie sich auf Oracle Analytics-Cloud-Angebote und unterstützt Kunden bei ihrer Transformation in die Cloud.

 

 

Oracle Analytic Cloud kostenlos ausprobieren

 

Kontakt:

Ein spannendes Thema, über das ich gerne mit Ihnen spreche, per E-MailLinkedInXing oder Twitter. Cesar Ortiz, Principal Solution Consultant.

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.