für Marketingkampagnen ist äußerst schwierig. Vieles davon beruht auf Versuch und Irrtum, auch wenn wir wissen, dass gezieltere Strategien besser funktionieren würden. Wir wissen einfach nicht, wie wir dorthin gelangen. Der Prozess umfasst häufig das Starten einer Kampagne, das Beobachten, das Lernen, das Vornehmen von Anpassungen und den anschließenden erneuten Versuch. Dieser Versuch-und-Irrtum-Ansatz hat echte Stärken. Es fördert die Bewegung anstelle von Lähmungen. Dadurch können Groups schnell lernen, insbesondere in sich schnell verändernden Märkten. Für frühes Wachstum oder begrenzte Datenumgebungen ist dies oft die einzig praktische Choice.
Ich möchte einen anderen Ansatz vorstellen. Eines, das zweifellos schwieriger, fortschrittlicher und komplexer, aber auch revolutionär und bemerkenswert ist. Dies ist der Ansatz, der Unternehmen auf die nächste Stufe der Datenreife bringt. Lassen Sie mich Ihnen die Erwartungswertmodellierung vorstellen.
Bevor wir beginnen, möchte ich vorweg sagen, dass dieser Ansatz in einigen Lehrbüchern zur Datenwissenschaft ganze Kapitel einnimmt. Allerdings möchte ich so untechnisch wie möglich sein. Ich werde die Ideen konzeptionell belassen und gleichzeitig einen klaren Rahmen vorgeben, wie dies erreicht werden kann. Wenn Sie daran interessiert sind, mehr zu erfahren, zitiere ich am Ende nützliche Quellen.
Fangen wir an.
Was ist Erwartungswertmodellierung?
Der Erwartungswert ist ein wichtiger analytischer Rahmen, der es Entscheidungsträgern ermöglicht, Kompromisse zu berücksichtigen, wenn Kosten und Nutzen ungleich sind. Stellen Sie sich ein Szenario vor, in dem ein maschinelles Lernmodell bei der Diagnose eines Krebspatienten hilft. Frameworks und Modelle, die nur einfache Genauigkeit berücksichtigen (entweder warfare die Vorhersage richtig oder falsch), berücksichtigen die Kompromisse in den Vorhersagen nicht.
In diesem Fall ist nicht jede „falsche Vorhersage“ gleich. Bei einem Patienten keine Krebsdiagnose zu stellen, wenn er Krebs hat, ist unendlich kostspieliger, als bei jemandem Krebs zu diagnostizieren, obwohl er tatsächlich Krebs hat. Beide Vorhersagen waren technisch gesehen falsch, aber eine kostete ein Leben, die andere nicht.
Zum Glück geht es bei unseren Marketingstrategien nicht um Leben und Tod. Aber dieses Prinzip gilt genauso. Die Entscheidung, wen eine Marketingkampagne ansprechen soll und wen nicht, kann für das Unternehmen zu sehr unterschiedlichen Kosten führen.
Die Erwartungswertmodellierung erweitert diesen Horizont, um mehr mögliche Ergebnisse zu berücksichtigen, und ermöglicht es uns, die Kosten oder den Nutzen jedes einzelnen zu messen. Dieser Rahmen ist in hohem Maße auf das Geschäftswissen von Fachexperten angewiesen, um die Konsequenzen jedes Ergebnisses zu bestimmen. Unser Ziel hier ist es zu verstehen, wie man eine Strategie entwirft, die unser Ziel statistisch optimiert. Im weiteren Verlauf dieses Artikels konzentrieren wir uns darauf, herauszufinden, an wen wir uns bei einer Marketingstrategie richten sollten, um den Gewinn zu maximieren.
Beginnen Sie mit einem Kaufwahrscheinlichkeitsmodell
Ein Buy Chance Mannequin ist ein maschinelles Lernmodell, das die Wahrscheinlichkeit vorhersagt, dass ein Kunde ein Produkt kaufen wird. Nehmen wir an, wir führen eine Werbekampagne für ein E-Commerce-Unternehmen durch. Jede Individual, die auf die Anzeige klickt, erstellt eine Datenzeile. Sie sehen die Kampagne, stöbern in Ihrem Geschäft und treffen schließlich die Entscheidung, ein Produkt zu kaufen oder nicht. Dabei müssen zahlreiche Datenpunkte erfasst werden. Das maschinelle Lernmodell analysiert alle historischen Daten, um Muster zu erkennen. Es erfährt, welche Faktoren die Kaufwahrscheinlichkeit eines Kunden beeinflussen. Anschließend werden diese Muster auf neue Kunden angewendet, um vorherzusagen, ob sie ein Produkt kaufen werden.
Dieses Modell allein ist von außerordentlichem Wert. Es zeigt dem Unternehmen, welche Kunden am wahrscheinlichsten ein Produkt kaufen und welche Aspekte der Kampagne die Kaufwahrscheinlichkeit beeinflussen. Wir können diese Erkenntnisse nutzen, um unsere nächste Werbekampagne anzupassen. So sieht datengesteuerte Entscheidungsfindung aus.
Implementierung der Erwartungswertmodellierung
Um voranzukommen, ist es wichtig, das Konzept einer Verwirrungsmatrix zu verstehen. Eine Verwirrungsmatrix ist eine N X N Tisch wo N stellt alle möglichen Ergebnisse dar. Der Einfachheit halber bleibe ich bei einer 2 x 2-Konfusionsmatrix.
Diese Matrix enthält die vorhergesagten Ergebnisse auf einer Achse und die tatsächlichen Ergebnisse auf der anderen. Es stellt uns vier Zellen zur Verfügung, eine für jedes mögliche Ergebnis eines binären Klassifizierungsproblems, ebenso wie unser Kaufwahrscheinlichkeitsmodell (entweder ein Kunde kauft ein Produkt oder nicht). Daraus ergeben sich folgende Möglichkeiten:
- Echt positiv: Wir haben vorausgesagt, dass der Kunde kaufen würde, und das hat er auch tatsächlich getan.
- Falsch positiv: Wir gingen davon aus, dass der Kunde etwas kaufen würde, aber das tat er nicht.
- Falsch negativ: Wir gingen davon aus, dass der Kunde NICHT kaufen würde, aber er tat es.
- Echt negativ: Wir gingen davon aus, dass der Kunde NICHT kaufen würde, und das tat er auch tatsächlich nicht.
Hier ist eine Illustration:
Um die erwarteten Werte in jedes Ergebnis umzusetzen, müssen wir ein tiefes Verständnis des Geschäfts haben. Wir müssen die folgenden Informationen kennen:
- Gewinn professional verkauftem Produkt.
- Kosten professional Klick.
- Kaufwahrscheinlichkeit professional Kunde.
Betrachten wir im gleichen Beispiel für unseren E-Commerce-Store die folgenden Werte:
- Gewinn professional verkauftem Produkt = 50 $
- Kosten professional Klick = 1 $
- Kaufwahrscheinlichkeit professional Kunde = aus unserem Kaufwahrscheinlichkeitsmodell
Wenn wir diese Informationen kennen, können wir feststellen, dass der Nutzen eines Kunden, der auf unsere Werbekampagne klickt und ein Produkt kauft (True Constructive), im Gewinn professional Produkt liegt (50 $) abzüglich der Kosten professional Klick (1 $), was gleich ist 49 $. Die Kosten dafür, dass ein Kunde auf unsere Kampagne klickt, aber nicht kauft (False Constructive), entsprechen lediglich den Kosten, die für den Klick anfallen -1 $. Das Ergebnis ist, wenn man keinen Kunden anspricht, der nicht kaufen würde 0 $da keine Kosten anfielen und keine Einnahmen erzielt wurden. Das Ergebnis ist auch, wenn man jemanden nicht anspricht, der kaufen würde 0 $ aus den gleichen Gründen.
Ich möchte die Opportunitätskosten anerkennen, wenn man jemanden nicht anspricht, der kaufen würde, oder dass die Möglichkeit besteht, dass jemand kauft, ohne angesprochen zu werden. Diese sind abstrakter und subjektiver, wenn auch nicht unmöglich zu messen. Der Einfachheit halber werde ich sie in diesem Szenario nicht berücksichtigen.
Dies führt zu der folgenden Verwirrungsmatrix:
Cool, wir kennen jetzt die konkreten Kosten oder den konkreten Nutzen jedes Ergebnisses unserer Werbekampagne. Dies ermöglicht es uns, den erwarteten Wert einer gezielten Kundenansprache zu verstehen, indem wir die folgende Gleichung verwenden (entschuldigen Sie, dass ich Sie mit Mathematik überhäufe):
Erwarteter Gewinn = P(Kauf) × Gewinn bei Kauf + (1 – P(Kauf)) × Verlust bei Nichtkauf
Wobei der erwartete Wert gleich ist Antwortwahrscheinlichkeit (P(kaufen)) mal die Wert einer Antwort (Gewinn bei Kauf) plus die Wahrscheinlichkeit einer Nichtantwort (1 – P(kaufen)) mal die Kosten einer Nichtantwort (Verlust, wenn kein Kauf erfolgt).
Wenn wir möchten, dass der erwartete Wert der gezielten Kundenansprache positiv ist, was bedeutet, dass wir einen Gewinn erzielen, können wir die Gleichung wie folgt umstellen:
P(kaufen) × 49 $ + (1 – P(kaufen)) × (–1 $) > 0
P(kaufen) > 0,02 (oder 2%)
Das bedeutet, dass wir auf der Grundlage unseres Kaufwahrscheinlichkeitsmodells jeden Kunden ansprechen sollten, dessen Kaufwahrscheinlichkeit mehr als 2 % beträgt.
Man braucht keinen Abschluss in Mathematik oder Statistik, um das umzusetzen, aber ich wollte zeigen, wie wir dorthin gekommen sind.
Wir haben unsere Antwort: Wir müssen alle Kunden ansprechen, deren Kaufwahrscheinlichkeit über 2 % liegt. Wir können nun zu unserem Kaufwahrscheinlichkeitsmodell zurückkehren und ermitteln, welche Kundensegmente die Kriterien erfüllen.
Wir haben genau herausgefunden, wen wir ansprechen sollen, wir haben unsere Kampagne auf ihre Bedürfnisse zugeschnitten und eine Marketingkampagne durchgeführt, die funktioniert. Wir haben unsere Strategie auf der richtigen Grundlage entworfen, indem wir wirklich datengesteuerte Entscheidungen getroffen haben.
Gehen Sie mit Revenue Curves noch einen Schritt weiter
Wir haben unser Framework aufgebaut und unsere Marketingkampagne so gestaltet, dass unser ROI optimiert wird. Allerdings gibt es oft zusätzliche Einschränkungen, die unsere Fähigkeit zur Durchführung einer Kampagne einschränken, oft im Zusammenhang mit der Höhe des zugewiesenen Budgets und der Anzahl der Personen, die angesprochen werden können. In diesen Szenarien ist es hilfreich, nicht nur die optimale Entscheidung zu kennen, sondern auch den erwarteten Wert über ein breites Spektrum an Möglichkeiten hinweg. In solchen Situationen können wir die Berechnung des erwarteten Werts in unseren Trainingsprozess für das Kaufwahrscheinlichkeitsmodell einbetten.
Anstatt Modelle ausschließlich aufgrund der technischen Leistung auszuwählen, können wir sie anhand des erwarteten Gewinns bewerten. Oder verwenden Sie einen kombinierten Ansatz, der Vorhersagekraft und wirtschaftliche Auswirkungen in Einklang bringt.
Während wir unser Modell erstellen, können wir den erwarteten Gewinn für die gesamte Bandbreite der Personen berechnen, die wir ansprechen können, von niemandem bis hin zu absolut jedem, den wir ansprechen können. Als Ergebnis erhalten wir ein Gewinnkurvendiagramm:
Auf der Y-Achse sehen wir den erwarteten Gewinn für die Marketingkampagne, basierend auf der Anzahl der Personen, die wir ansprechen. Auf der X-Achse haben wir den Schwellenwert für die Kaufwahrscheinlichkeit. Je höher der Schwellenwert, desto enger wird unsere Kampagne. Wenn wir es auf 100 % erhöhen, werden wir niemanden ins Visier nehmen. Wenn wir ganz auf 0 % sinken, können wir jeden ansprechen.
Wie in unserem vorherigen Beispiel sehen wir, dass der maximal erwartete Gewinn dann erreicht wird, wenn wir jede Bevölkerungsgruppe mit einem Kaufwahrscheinlichkeitswert von über 2 % ansprechen. Möglicherweise haben wir jedoch ein strengeres Funds oder möchten eine separate Kampagne nur für die Kunden mit wirklich hoher Wahrscheinlichkeit entwickeln. In diesem Fall können wir unser Funds mit der Kurve vergleichen und feststellen, dass die gezielte Ansprache von Kunden über einem Wahrscheinlichkeitswert von 12 % immer noch voraussichtlich einen hohen Gewinn zu einem Bruchteil der Kosten bringen wird. Dann können wir mit dem gleichen Prozess wie zuvor fortfahren, um diese Kampagne zu entwerfen. Wir identifizieren, wer diese Kunden sind, welche Auswirkungen ihre Kaufwahrscheinlichkeit hat, und passen unsere Marketingkampagne dann an ihre Bedürfnisse an.
Es beginnt und endet mit betriebswirtschaftlichem Wissen
Wir haben die Möglichkeiten und den Nutzen gesehen, den die Erwartungswertmodellierung bieten kann, aber ich muss noch einmal betonen, wie wichtig es ist, über Kenntnisse des Geschäfts zu verfügen, um sicherzustellen, dass alles reibungslos funktioniert. Es ist von entscheidender Bedeutung, ein solides Verständnis der Kosten und Vorteile zu haben, die mit jedem möglichen Ergebnis verbunden sind. Es ist von entscheidender Bedeutung, die Modellergebnisse richtig zu interpretieren, um vollständig zu verstehen, welche Hebel betätigt werden können, um die Kaufwahrscheinlichkeit zu beeinflussen.
Obwohl es sich um einen komplexen Ansatz handelt, möchte ich den Leser, der diese Techniken zum ersten Mal erlernt, nicht entmutigen. Ganz im Gegenteil. Ich schreibe darüber, um hervorzuheben, dass solche Methoden nicht länger großen Unternehmen vorbehalten sind. Kleine und mittlere Unternehmen haben Zugriff auf die gleichen Datenerfassungs- und Modellierungstools und öffnen so die Tür für alle, die ihr Unternehmen auf die nächste Stufe bringen möchten.
Referenzen
Provost, F. und Fawcett, T. Knowledge Science für Unternehmen: Was Sie über Knowledge Mining und datenanalytisches Denken wissen müssen. O’Reilly Media.
Alle Bilder stammen, sofern nicht anders angegeben, vom Autor.