Predictive Intelligence im E-Mail-Marketing

Deep Learning Networksfür verschiedene Prognosen und Bewertungen

Sind Sie mit den Begriffen Predictive Intelligence, Machine Learning & Co. schon vertraut? Im heutigen Beitrag erklären wir Ihnen, was man genau darunter versteht, wie die Technologie dahinter funktioniert und vor allem, welche Vorteile es bringt.Predictive Intelligence im E-Mail-Marketing

Machine Learning wird immer häufiger zum Aufbau von künstlicher Intelligenz in definierten Spezialgebieten genutzt. Laut des „Gartner Hype Cycle for Emerging Technologies“ vom IT-Marktforschungsinstitut Gartner ist Machine Learning derzeit der heißeste Trend in der digitalen Welt. Neben den klassischen Anwendungsbereichen wie Bild- und Gesichts-Identifikation sowie Spracherkennung und Sprachübersetzung, hält Machine Learning mit Predictive Intelligence auch Einzug in das Online-Marketing.

Zielgerichtete Online-Werbung mit künstlicher Intelligenz

Dank Deep Learning Networks ist heute bereits die zielgerichtete Aussteuerung von Online-Werbung möglich. Die gleiche Technologie wird auch im E-Mail-Marketing Umfeld genutzt. Intelligente Prozesse ermöglichen die Speicherung von Daten zu Empfängerverhalten, Kundenvorlieben, Einkaufsgewohnheiten und weiterer relevanter Informationen. Mit der Speicherung so genannter Trainingsdaten, deren Aggregation und Verarbeitung wird ein Deep Learning Network mit künstlicher Intelligenz aufgebaut.

Ist das „Deep Learning Network“ erst einmal aufgebaut, kann es eigenständig Entscheidungen für neue Datensätze treffen.

Beispiel 1:
Wurde das Netzwerk mit Kundendaten trainiert, die bestimmte Produkte gekauft oder nicht gekauft haben, so kann es die Kaufwahrscheinlichkeit für neue Datensätze vorhersagen. Auf dieser Basis lassen sich dann Zielgruppen für die gezielte Ansprache per E-Mail bilden. Zum Beispiel werden alle Kunden mit einer Kaufwahrscheinlichkeit von über 90% mit einem Hardselling-Mail angesprochen und alle Kunden mit einer Kaufwahrscheinlichkeit zwischen 75 % und 90% erhalten zusätzlich einen Gutschein.

Beispiel 2:
Die Kündigungswahrscheinlichkeit für neue Datensätze lässt sich vorhersagen, wenn das Netzwerk mit Daten von Kündigern trainiert wurde. Mit diesen Prognosen lassen sich so für besonders gefährdete Kunden bereits im Vorfeld Maßnahmen ergreifen, wie beispielsweise ein Mailing mit einem Gutschein für die Vertragsverlängerung.

Wie entsteht ein Deep Learning Network?

  • Trainingsphase zum Aufbau des Netzwerks

Um Deep Learning Networks mit künstlicher Intelligenz aufzubauen, werden viele Trainingsdaten benötigt. Diese Trainingsdaten kann der E-Marketing Manager (EMM) auf Basis Ihrer E-Mail-Versendungen und der Aufrufe der EMM-Messpunkte auf Ihrer Website bereitstellen. Sofern vorhanden, verknüpfen wir diese Daten mit den Daten aus Ihrer Web-Analytics-Software. Das CSV-Format ist hierfür ausreichend. Zum Trainieren eines Deep Learning Networks werden mindestens 100.000 Datensätze benötigt, empfehlenswert sind jedoch ca. 1 Mio. Datensätze und perfekt ist eine Größenordnung von 10 Mio. Datensätzen. Auf Basis dieser Trainingsdaten bauen wir für Sie ein Deep Learning Network auf, das selbstständig für neue Datensätze Entscheidungen treffen kann.

Netzwerk-Aufbau bei Deep Learning Networks
  • Produktivphase zum Einsatz des Netzwerks für Bewertungen und Prognosen

Je nach Trainingsstand des Deep Learning Networks kann dieses im produktiven Betrieb als Predictive-Analytics-Tool für verschiedene Bewertungen und Prognosen genutzt werden. Es können beispielsweise Produktinteressen oder Kaufwahrscheinlichkeiten vorhergesagt werden.

Produktivphase des Deep Learning Networks

Ihr Deep Learning Network dient also als Analytics-Tool für verschiedene Bewertungen und Prognosen. Somit werden Ihnen ganze neue Möglichkeiten eröffnet:

→ Sie wissen heute, was Ihre Kunden morgen wollen.

→ Sie kommunizieren vorrausschauend, zielgerichtet und vor allem proaktiv.