Wie man mit machine Learning die customer Journey optimieren kann - gateB
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Transforming Digital
into Value
Lernen wie ein Kleinkind
Wie man mit Machine Learning die
Customer Journey optimieren kann
Was lange nur eine visionäre Vorstellung war, kann nun in die Praxis umgesetzt
und zum Game Changer für Marketers werden: Nutzen Sie maschinelles Lernen für
eine optimale Steuerung des Kundenerlebnisses. Es lohnt sich, früh anzufangen.
Je mehr Daten die Algorithmen haben, desto schlauer werden sie.
gateB.comDie künstliche Intelligenz erledigt Aufgaben, die ein einzelner Mensch nicht
mehr zu tun vermag. Ohne künstliche Intelligenz werden Marketers das gefor-
derte Level an Customer Centricity nicht mehr erreichen. Hyperpersonalisie-
rung, Echtzeit-Response und Omnichannel-Marketing erfordern maschinelles
Lernen. Erfahren Sie mehr über den Einsatz eines selbstlernenden Systems für
eine optimale Steuerung Ihres Kundenerlebnisses.
Jedem jederzeit alles sein
Ein gutes Kundenerlebnis bedeutet heutzutage eine personalisierte und kontextbezo-
gene Kommunikation – egal ob der Kunde vor einem steht, die Website besucht, eine
E-Mail liest oder mit dem Kundenservice Kontakt aufnimmt. Der Kunde muss ganzheitlich
betrachtet und verhaltensbasiert gesteuert werden. Mit KI können wir das über ein sich
perfektionierendes Kundenprofil und über intelligent gesteuerte Customer Journeys
besser tun als zuvor und so die Conversion Rate erhöhen und die Kosten langfristig
reduzieren.
Wie ein Kleinkind maschinell lernen
Die Entwicklung von immer intelligenteren Algorithmen ermöglicht eine neue Heran-
gehensweise. Der sogenannte Reinforcement-Learning-Algorithmus (RL-Algorithmus),
heute bereits für Text-, Sprach-, oder Bilderkennung in Anwendung, lernt, basierend auf
Kundeninteraktionen, welche Massnahmen am zielführendsten sind – und dies über die
gesamte Customer Journey – über Wochen oder sogar Monate.
CUSTOMER
BRAIN ACTIVITY SATISFACTION
ALERT
83%
PASSIVE ACTIVE
DEVICE
TABLET
DROWSEY
LAST PURCHASE
17 DAYS
AGO
CUSTOMER SEGMENT
HIGH VALUE
BRAND AMBASSADORDer RL-Algorithmus funktioniert im Grunde so, wie ein Kleinkind zu lernen beginnt.
Positives Verhalten wird belohnt, negatives bestraft. Der RL-Algorithmus wurde schon
oft auf unterschiedliche Computerspiele angewandt. Ein Beispiel stellt dabei das traditio-
nelle Atari-Spiel Breakout dar. Dabei wurde der Algorithmus ohne Vorkenntnisse auf das
Spiel losgelassen. Nach rund 4 Stunden hat er durch das einfache Belohnung/Bestra-
fung-Konzept die beste Strategie entdeckt – ohne menschlichen Eingriff.
Im Fall des Computerspiels haben wir es mit folgenden Elementen zu tun:
ZUSTAND
ZUSTANDSÄNDERUNG
ZIEL SCORE 02065
«STATE ACTION VALUE»
SCORE 02030
Der Wert der Zustandsänderung,
der sich durch die Aktion ergibt.
UMFELD
Durch das Verknüpfen
AKTIONEN der Zustände lernt das System,
vorausschauend zu denken
Das Ziel des Algorithmus ist es, den Score so hoch wie möglich zu schrauben. Der
Spieler kann den Schläger nach links und rechts bewegen, um den Ball auf die Blöcke
zu schlagen. Jeder Schlag ist eine Aktion. Nach einer Aktion hat das Spiel einen neuen
Zustand – die Veränderung der Zustände ist der sogenannte State Action Value. Durch
das Verknüpfen der Zustände lernt das System, vorausschauend zu denken – somit
findet es heraus, dass nicht das sinnlose Schlagen des Balls letztendlich zum höchsten
Score führt, sondern das Verfolgen einer klaren Strategie.Von der automatisierten zur selbstlernenden Customer Journey
Die Verhaltensweise des RL-Algorithmus kann nun relativ einfach auf die Steuerung von
Customer Journeys angewendet werden, indem wir das Ziel, die Aktionen und den State
Action Value darauf mappen.
Die drei wichtigsten Variablen des RL-Algorithmus
werden folgendermassen gemappt:
Ziel: Maximierung der Conversion Rate
Aktionen: Marketingaktionen und Nachrichten
State Action Value: Impact der einzelnen Nachricht auf die Erreichung des Ziels
RL-Algorithmus angewandt auf die
Steuerung von Customer Journeys
ZUSTAND
Demografie Maximierung
ZUSTANDSÄNDERUNG
ZIEL SCORE 02065 Besuchsverhalten
STATE ACTION VALUE
SCORE 02030 Historie
= Einfluss auf
Abschlusswahr-
scheinlichkeit ABSCHLUSS
UMFELD
AKTIONEN
Kanal und
Marketing-Botschaft
Wenn eine entsprechende Conversion erreicht wurde, werden rückwirkend den Mar-
ketingaktionen Werte vergeben, was dem RL-Algorithmus ermöglicht, für die Zukunft
Schlüsse aus dieser Customer Journey zu ziehen. Diese Werte werden in die Vergangen-
heit diskontiert – kürzlich erfolgten Marketingmassnahmen wird eine höhere Signifikanz
zugerechnet als solchen, die weiter in der Vergangenheit liegen.Damit der Algorithmus nicht nach einer gewissen Zeit immer die gleichen Entscheidungen
trifft und somit keinen Lerneffekt mehr hat, wird mittels eines sogenannten Epsilon-Greedy-
Algorithmus zu gegebener Zeit eine andere als die am besten bewertete Aktion durch-
geführt. Dadurch lernt das System kontinuierlich und kann auf Änderungen im Markt
reagieren.
Kontinuierlicher Lerneffekt gewährleistet
C 1.15 X A 1.30 X C 1.85 X B 2.55 X
ABSCHLUSS-WERT
Abschluss-Wert
A
B
A 1.60
C I
B
A II 2.55
C A
B
B
C III 2.20
C
Sukzessive Verteilung:
Je weiter die Aktion vom
Conversion Feedback:
eigentlichen Abschluss Nach dem Abschluss wird
entfernt ist, umso kleiner der resultierende Wert verteilt
ist der Wert, der der Aktion und die SAV’s entsprechend
zugewiesen wird. aktualisiert.
X X X X Rückwirkende Verteilung
Vorgelagerte SAV’s erhalten einen Anteil X am Abschluss-Wert
Echtzeitinteraktion mit Kunden
Es besteht Aufholbedarf
Eine aktuelle Studie der Harvard Business Review, mit Unterstützung unter
anderem des Softwareherstellers SAS, zeigt: Unternehmen, die Customer
Analytics einsetzen, profitieren bereits messbar davon. Die Mehrheit ist
allerdings noch weit davon entfernt, mit ihren Kunden in Echtzeit zu inter-
agieren.
Es besteht Aufholbedarf, denn 79% der Teilnehmer sagten, dass spätestens
um 2020 herum personalisierte Kundeninteraktionen in Echtzeit an allen
Touchpoints entscheidend für den Unternehmenserfolg sein werden. Die
Bewältigung dieser Herausforderung ist nur unter Einsatz von KI möglich.
Quelle: SASMachine Learning im Marketing – je früher, desto besser Die Anwendung von Machine Learning erlaubt Unternehmen, die Kundensteuerung zu optimieren. Inhalte können nicht nur automatisch personalisiert und in Echtzeit ausge- spielt werden, auch die Ansprache (die Message) wird durch das Lernen und Anreichern von Kundendaten stetig verfeinert. Maschinen werden aber nur schlauer, wenn man sie mit Daten füttert. Es lohnt sich also, früh anzufangen. gateB hilft Ihnen, die ersten Schritte zu machen Gemeinsam mit unserem Partner SAS wollen wir Sie dabei unterstützen, das Potenzial von Machine Learning für Ihr Marketing zu nutzen, um Ihre Kundenbeziehungen schnel- ler, besser und intelligenter zu gestalten. SAS hat als führendes Unternehmen im Bereich Data Analytics, Machine Learning und künstlicher Intelligenz die Customer Intelligence Suite entwickelt, die unterem auch für die Optimierung von Customer Journeys eingesetzt werden kann. Gerne zeigen wir Ihnen, wie auch Sie davon profitieren können, welche Strategie für Sie die beste ist und wie eine Implementierung aussehen könnte.
Transforming Digital
into Value
Über gateB
Als Beratungs- und Implementierungsunternehmen ermöglicht gateB ihren Kunden,
die digitalen Chancen richtig zu nutzen und ihre Kundenbeziehungen schneller, in-
telligenter und besser zu gestalten. Mit einem umfassenden Ansatz und modernsten
Lösungen beraten wir führende nationale und internationale Unternehmen zu den
Themen Customer Intelligence, Marketing Analytics, Campaign Management, Marke-
ting Operations, Multichannel Publishing und Marketing Automation. Gegründet 2009
in Steinhausen, Schweiz, beschäftigen wir derzeit über 70 Berater, Data Scientists
und Implementierungsspezialisten in unseren vier Niederlassungen in Steinhausen,
Los Angeles, Mailand und Singapur. Mehr auf gateB.com.
gateB AG, Sennweidstrasse 35, CH-6312 Steinhausen
Phone +41 41 748 64 00, info@gateB.com, www.gateB.com
Member of the Brand Leadership CircleSie können auch lesen
