Ja, danke Melanie. Ja, äh, herzlichen Dank, dass ihr so zahlreich erschienen seid, äh, und euch für das Thema interessiert. Wie gesagt, gestern habe ich schon 'n Case vorgestellt, den werde ich heute noch mal kurz erwähnen, die Resultate auch, die nennen wir die Spam zu Bam Fallstudie, wo es darum geht, dass das Management eigentlich immer sagt: „Lass uns da noch mal was raussenden. Das sind doch Zusatzumsätze, die wir machen können und wir konnten zeigen, dass das so keinen Sinn macht, sondern dass wir eigentlich Geld verlieren, wenn wir Kunden überkontaktieren. Und das haben wir mit Hilfe von prädiktiven Modellen gemacht, und zwar in einem Unsubscription, in einem Abmeldemodell, mit dem wir rausgefunden haben, wer eigentlich möglicherweise sich abmeldet und bei denen haben wir die Frequenz reduziert. Und Quintessenz ist, wir haben keinen Euro verloren, aber uns sehr viele Kosten gespart. Dazu später mehr. Und fangen wir doch erst mal an: Was ist eigentlich dieses Predictive CRM? Mithilfe von Predictive CRM können wir Unternehmen, das heißt, ihr verschiedenste Vorhersagen über Kundenverhalten machen. Das ist nicht nur, dass wir das im CRM nutzen können, wir können das im Vertrieb nutzen, ne, also zum Thema Lead Scoring, ne, wer wird eigentlich ein guter Kunde werden im Service? Ja, also ihr kennt das vielleicht, ihr kennt auch Fittery, die rufen einen ja auch immer wieder an, ne, und die Frage ist: Wen rufen wir denn da jetzt eigentlich an? So, das ist ja auch sehr teuer. Ähm, oder: Wem senden wir denn noch was? Ähm, wem senden wir was? Ähm, wer ist denn eine Audience, also 'ne Zielgruppe, die, die interessant sein könnte? Und das ist Predictive CRM. Und warum machen wir das Ganze? Und am Ende des Tages wollen wir die Kundengenugigen stabilisieren, damit wir A: ne, aus weiteren Produktkategorien verkaufen können, wenn wir Cost Selling machen wollen, wenn ihr 'n Service bietet, vielleicht ein Up-Selling zu machen. Und das Ganze geht am Ende des Tages, ja, geht's immer den sogenannten Customer Lifetime Value. Das ist das, was wir eigentlich maximieren wollen über die Zeit hinweg. Was ist jetzt dieser Customer Lifetime Value? Ganz genau? Kundenwert kann man dazu auch sagen. Ähm, und der Kundenwert, und das ist ganz, ganz wichtig, das ist, das ist sozusagen der zukünftige Umsatz, ja, minus die Kosten, die zukünftigen Kosten, die ein Kunde bei einer Marke, ähm, generiert, ja, dieser Wert. Das ist nicht 'ne Vergangenheit, ja? Ganz viele Unternehmen rechnen den Customer Lifetime Value auch immer: Was hat 'n Kunde im letzten Jahr ausgegeben? Und das ist der Customer Lifetime Value. Das ist natürlich totaler Unsinn. Ähm, das ist nur ein Teil, ja? Das ist ein Baustein vom, vom Lifetime Value. Wir wollen immer in die Zukunft gucken. Das ist wichtig, weil Kunden, die möglicherweise in der Vergangenheit profitabler waren, sind möglicherweise gar nicht mehr in der Zukunft. Oder umgekehrt, der, die Froschkönige, ja? Also Kunden, die am Anfang erst mal ein bisschen testen, die sind vielleicht gar nicht so profitabel. Aber wenn man die Muster erkennt, kann man halt sagen, wer wird in der Zukunft eigentlich profitabel werden? Wer will eigentlich auch was haben, ja? Und warum sollte man das Ganze eigentlich machen? Warum ist jetzt die Zeit für Predictive CRM? Und wer vielleicht schon mal 'n Vortrag von mir gesehen hat, ähm, dem wird das vielleicht etwas bekannter vorkommen, als anderen, aber am Ende des Tages geht's darum, dass CRM war ja schon lange immer im Gespräch: „Komm, wir müssen mehr aus Bestandskunden rausholen" und so weiter. Aber es ist nun mal jetzt so, dass in den letzten zwei Jahren der Leidensdruck extrem hoch geworden ist. Und da mal 'n paar Beispiele. Ähm, wenn du Kundenakquise machen willst. Da könnt ihr natürlich auch mal sagen: „Ey, Zusatzumsätze, wir gehen raus, wir machen auf Amazon Sponsored Ads." Aber Bloomberg-Artikel Juni 2021, da, ähm, wurde da announced und wenn das Bloomberg schon sagt, ist das relevant, ja? Ähm, sind die Raten um fünfzig Prozent gestiegen. Ja, also im Vergleich Mai 2021 zu Mai 2020. Fünfzig Prozent, das ist schon massiv. Ja, das ist schon richtig massiv und da ist noch nicht mal die erste Zeit von Corona drin, ja, wo alle wesentlichen in den Onlinemarkt reingegangen sind. Ja, ist natürlich schon verrückt. Fünfzig Prozent mehr Kosten. Das ist aber, ähm, gar nicht so unüblich, denn selbst auf Facebook und auf Instagram, ne, da sind in 2021 nach einem immensen Anstieg 2020, ähm, zwischen, ich glaube, ungefähr siebzig Prozent im CPC, ähm, auf Facebook und Instagram über das Jahr 2020 sind diese Kosten doch noch mal ein Stück gestiegen und auch stabil, sozusagen, äh, auf hohem Niveau, äh, geblieben. Und das ist natürlich schon Wahnsinn. CPC von 'nem Dollar, also etwas unter 'nem Euro jetzt oder auch Instagram. Im September '21, ein Dollar fünfundvierzig für 'n Klick. Das ist schon richtig Geld. Da muss man schon richtig, also bei den Conversions-Raten richtig, richtig viel investieren, um da auf die Conversions zu kommen und die sind sehr teuer. Das heißt, der Cost per Order, der ist einfach unfassbar hoch. Und jetzt kann man sagen, jetzt macht man auch irgendwie Mobile Marketing, aber das kennt ihr bestimmt auch alle. Das iOS vierzehn fünf, wie ein iPhone hat, da kriegt man jetzt immer diese Nachrichten, will man eigentlich gecheckt werden oder auch nicht. Und da mal so in die Runde, äh, könnt ihr euch mal überlegen, vielleicht auch 'n paar Kommentare, äh, so, ne? Wer klickt da eigentlich auf „Ja, track mich"? Ja. Also wer macht 'n das schon? So, ne? Es hat gezeigt, hat sich gezeigt, dass vor allem am Anfang nur vier Prozent, die sind so zwischen vier und zehn Prozent, äh, klicken eigentlich nur auf „Ja, track mich". Ja, das ist, äh, und die Frage ist ja auch, warum soll ich das eigentlich machen? So, ne? Das ist noch mal ein anderes Thema, über das wir reden können. Das nennt sich Value for Data Relationships, ne? Also ich muss eigentlich als Advertiser, muss ich erst mal Werte liefern, ja, bevor ich irgendwie Daten oder auch Käufe kriege und nicht einfach sage: „Ey, gib mir erst mal alles und dann gucken wir mal, ob ich was für dich habe." Quintessenz aber für, sozusagen die Akquise ist, dass der Cost per Action zwaneihndert Prozent für User mit, äh, Tracking optimiert stiegen ist. Quelle liefere ich nach, ist der Moloco-Report. Moloco mit C ist ganz interessant. Moloco-Report. Ja, also zweihundert Prozent. So, also wenn wir nicht mehr, ja, wenn wir nicht mehr aus Bestandskunden machen, ja, und uns um das zukünftige Verhalten, die zukünftigen Präferenzen von unseren Bestandskunden, ja--Äh, kümmern, dann wird es für Marken, die Wiederkaufverhalten benötigen, extrem schwer. Und das ist der Grund, warum Predictive CRM, ähm, einfach ein Riesenthema ist. CRM, Bestandskundenmarketing so-- sowieso, ja. D2C Brands könnt ihr euch vorstellen, ne, Direct Consumer Brands, wenn die keine gute Kundenbeziehung haben, sondern immer wieder ihre Kunden irgendwie einkaufen, äh, über Facebook und so weiter, und da kommt kein Kunde irgendwie wieder, ähm, selber auf die Idee, auf den, auf den D2C-Store zu gehen, dann, äh, wirds schwierig. Ähm, und das ist das ganze Thema, so, ne? Und jetzt kann man sich sagen, das ist jetzt alles sehr breit. Was heißt denn das jetzt eigentlich, ne? Was, was, was, was, was muss ich denn jetzt irgendwie mal tun? Und darum ist, glaube ich, immer ganz schön, zu Beginn uns auch Inspirationen zu zeigen, Use Cases zu zeigen. Was machen denn Leute im Thema Predictive, 'tschuldigung, Predictive CRM? Und die von mir schon angesprochene Bam-To-Bam- ah, Case Study. Ähm, war ein gewisser Kunde, ähm, hat dreißig Shops, äh, sechshundert Mitarbeiter, ähm, und die hatten schon eine hohe Abmeldequote und das Management hat gesagt, komm, ne, Acquisition Marketing, Performance Marketing und so Plattformmarketing, alles viel zu teuer. Lass uns mal hier wieder noch einen Newsletter raussenden. Und da hat, da haben wir, hat einfach der CMO gesagt, jetzt muss ich was tun. Ne, ich muss jetzt irgendwie mal schauen, dass ich dem Management zeige, das geht so nicht weiter. Und was wir gebaut haben, ja, ist ein predictive CRM-Modell, was die individuelle Abmeldewahrscheinlichkeit berechnet eines Kunden. Und wir haben dann – und das seht ihr gleich im Testdesign – ja, wir haben am Ende des Tages, ja, konnten wir vierundsiebzig Prozent weniger, äh, E-Mails versenden. Wir haben achtundfünfzig Prozent weniger Abmeldung und wir haben nicht einen Euro verloren durch die Kampagne. Nicht einen Euro verloren durch die Frequenzreduzierung von drei E-Mails auf gut ein E-Mail, äh, eine E-Mail die Woche. Das ist schon ein Wahnsinn, ne? Jetzt kann man natürlich sagen, ja, irgendwie hat ja dann auch nicht geschadet, ja, wenn ich jetzt hätte mehr versendet, ne, bis auf die Abmeldung, aber who cares about the, äh, unsubscriptions? Nee. Am Ende des Tages konnten wir auch zeigen, ja, dass wir mehr als eine Million Euro, äh, äh, im Umsatz gesichert haben, dadurch, dass wir die Abmeldungen verhindert haben. Und das sind richtig, richtig, richtig wertvolle, ähm, ähm, wertvolle Insights und wertvolle Prognosen. Also 'n echtes Wertmodell, das ist richtig. Da kann man unterm Strich kann man sagen, was dieses kollektive Modell wirklich gebracht hat. Und das ist mir ganz, ganz wichtig. Ja, ihr müsst also auch 'ne Wertekomponente gehen. Ist nicht nur kleine Tasks, sondern ihr müsst euch überlegen, wo sind denn da, ähm, Themen, die ihr, die ihr, ähm, oder die Schwierigkeiten bereiten und dann müsst ihr das in eine monetäre Perspektive übersetzen. Das ist immer 'n, das ist immer 'n guter Schritt, um das Management zu überzeugen, diese Dinge zu tun. Und ihr müsst euch einzelne Cases raussuchen. Ja, also überlegt euch mal, was, wie, wie, was ist denn bei euch 'ne Problematik, ne? Zum Beispiel Zielgruppendefinition, ja. Habt ihr denn, habt ihr denn genügend Zielgruppen? Habt-- Wie, wie setzen sich diese Zielgruppen zusammen, ja? Das sind, das sind die Themen und Fragen, die ihr stellen müsst. Und dann gibt es immer so was wie ein Testdesign. Das haben wir-- Hier ist das mal so bei der Spam-to-Spam-Studie. Das gehört immer so dazu bei so einem Predictive-Modell. Wir wollen viel testen, ne, und auch mit dem Predictive-Model, ne. Da, da, da steckt nicht die Wahrheit insgesamt drin, sondern man muss trotzdem testen. Muss testen, um zu schauen, was der Effekt, Effekt ist. Und wir haben ein Modell gebaut für unsere Kunden. Das geht alles bei uns aus der, aus der Software direkt raus. Und dann haben wir die Hälfte der Gruppe hat die normale Frequenz gegeben-- bekommen und die andere Hälfte hat 'ne reduzierte Frequenz bekommen. Und so sind wir auf die Ergebnisse gekommen, ne. Ähm, ganz, ganz spannend. Wir haben keinen, keinen signifikanten Unterschied im Umsatz pro Kontakt und der Conversion-Rate gehabt. Das heißt, von drei auf eins zu gehen, das ist ein echter Ersparnis. Wenn man einen Newsletter gebaut hat, der sieht-- (spuckt), das kostet Zeit. Das kostet Zeit und die ganze Zeit ist eingespart, Kunden sind zufriedener, weniger Abmeldequote und umsatzmäßig hat sich da nichts verändert. Ne, also schon sehr, sehr interessant. Was machen andere Kunden bei uns, ne? Budni, Budnikovski. Ähm, am Ende des Tages 'ne frühzeitige Reaktierung churn-gefährdeter Kunden, ja, mittels 'ner Printkampagne wollten sie machen. Und kann auch 'ne andere Kampagne sein, aber am Ende des Tages haben wir ein prädiktives Modell gebaut, das uns sagt, ja, der Markus, ja, der hätte ja eigentlich im letzten Quartal hundert Euro umsetzen müssen. Das hat unsere Prediction gesagt, aber irgendwie hat er nicht hundert umgesetzt, sondern nur noch fünfzig. Da muss ich echt was, da muss ich was verändert haben. Und solange das Modell nicht schrott ist, und das kann man natürlich sehr schön sehen, auch sozusagen allen Kunden, wie gut man da trifft, dann muss was bei mir passiert sein. Und so haben wir mal die Churner, ja, die gefährdeten Kunden rausgesucht, und nicht zu sagen, ja, wir haben dreißig Tage nicht gekauft, sechzig Tage nicht gekauft, neunzig Tage nicht gekauft. Nein, haben wir nicht gemacht, sondern, ähm, wir haben das mit 'nem Prognosemodell gemacht und dann mit dem, ne, zu gucken, was hätte ich umsetzen soll laut Prognose und was habe ich um-, ähm, ähm, umgesetzt. Und so können wir die Printauflage, und das ist teuer, um vierzig Prozent sinken und den Ertrag um zehn Prozent steigen. Atelier Golden Öchschnitt, selbes Thema, Frequenz, diesmal, ähm, auch Katalog, öh, haben sie auch gesendet. Das ist halt der Grund, warum oft diese Printgeschichten, weil die sehr teuer sind. So, ne, da, da ist dann der Leidensgrund einfach höher. Die hatten also sechsundzwanzig Kontakte im Jahr, ähm, und das konnten wir jetzt auf zehn reduzieren. Und, ähm, selbes Ergebnis wieder, Frequenzreduzierung mit dem E-Mail. Wir konnten den Umsatz halten. Wir haben wesentlich weniger Werbedruck, weniger Kosten, weniger Aufwände erzeugt. Ja, auch das geht. Globus, mal 'n ganz anderes Thema, nämlich da war die Frage, ey, Kategoriemanager, die Frage, ich brauche jetzt eigentlich mal, ich muss mal meinen Wein abverkaufen. Ne, ist halt die Frage, wie macht man das? Und da haben wir Next Best Offer. Das ist auch ein ganz schönes Modell, ne. Sie haben viele Kontakte, die Sie anfahren können, aber wenn Sie jetzt hier, da, den Herrn sehen, den können Sie anfahren. Der Herr Kummer, der will jetzt nicht so sehr auf die Bühne, aber der ist doch gerne mal da.Ähm, ein Modell gebaut auf der, auf dem sogenannten Kategorie Customer Lifetime Value. Also ich kann nämlich so einen Customer Lifetime Value, der ist-- Das ist nicht eine Zahl, ja, mit einer guten Software kannst du auch sagen, was ist eigentlich der Kundenwert von Markus in der Kategorie Wein? Sportschuhe? Was auch immer, Käse. Und das ist schon ganz interessant, weil du dann sehen kannst ja, an wen, wem cross-selle (schabt) ich denn eigentlich was? Und was wir machen konnten, wir konnten dort die besten Kunden identifizieren und dreizehn Prozent dieser Kunden, ja, sorgten für achtzig Prozent des Gesamtumsatzes. Das heißt, wir haben genau die richtigen Kunden getroffen mittels eines CLV-Modells. Beim CLV-Modell steht immer, ja, also der Kundenwert, der sitzt zusammengesetzt aus der Kaufwahrscheinlichkeit und dem potenziellen Warenkorb. Das wird multipliziert auf eine Zeiteinheit gerechnet. Das kann der nächste Monat sein, das nächste Quartal sein oder auch das nächste Jahr sein. Also super flexibel. Das sind die Sachen, ähm, wo wir reingehen. Und deswegen auch, ne, das ist nur, wenn ihr prädiktive Modelle habt oder auch ein CLV bei euch im System habt, denkt darüber nach, könnt ihr das eigentlich flexibel einsetzen? Könnt ihr das customisieren für euch? Nur so 'ne Zahl zu haben wie im CLV, das bringt nichts, sondern ihr müsst das vernünftig einsetzen und, ähm, und fokussieren können. Dann kommen diese Ergebnisse raus. Modehaus, ähm, hat 'n Problem, Corona. So, wir müssen jetzt die Leute, ähm, online bringen. Die Frage ist, wen bringen, wen, wen bringen wir denn eigentlich online? Und da haben wir, ähm, die richtigen Kunde, ähm, Kunden kontaktieren können und identifizieren können und die zu treuen Multichannel-Kunden konvertieren können. Ja, wir hatten fünfundsechzig Prozent höhere Conversion-Rate, hundertfünfunddreißig Prozent, ähm, plus Umsatz pro Kontakt und 'nen langfristigen Effekt. Das heißt, die Kunden sind geblieben. (hustet) Jetzt kann man natürlich auch sagen, ne, jetzt wollen wir nicht nur Frequenz reduzieren, sondern auch sagen, wir wollen jetzt personalisieren. Und ich sagte ja gerade schon, der Customer Lifetime Value ist, der besitzt immer 'ne Conversion Probability, 'ne Konversionswahrscheinlichkeit, ne? Mit welcher Wahrscheinlichkeit kauft der Markus und mit wie viel kauft der Markus? So, und das ist mal so 'ne Abandon Cart Kampagne. Und, ähm, wenn ich jetzt 'n Kunden habe, der hat 'n hohen CLV und der hat 'ne hohe Conversion-Wahrscheinlichkeit und 'nen hohen Basket, ne, dann muss ich dem nichts geben. Dann muss ich dem keinen Incentive geben, dann muss ich da keinen Coupon reinsteuern, ne? Jetzt, wie wir jetzt die Coupons raushauen, das ist ja eine Katastrophe. Wir, wir, wir erziehen ja quasi die Kunden dazu, zu warten, dass wir, ähm, wieder mal einen Coupon senden. Ja, aber das müssen wir viel gezielter machen. Wenn man den zweiten Fall, siehst du, seht ihr die fünfzehn Prozent off, ne, fünfzehn Prozent Reduzierung. Da hat der Kunde eigentlich 'n, ne-- Will eigentlich viel kaufen, aber die Conversion-Wahrscheinlichkeit ist niedrig. Also: „Ich bin mir noch nicht so sicher, ob ich das tun soll." Da hilft 'n Coupon, ne, um den, um den, um den Kunden sozusagen über die Klippe zu schubsen. Jetzt kauf mal, ne, um die Conversion-Wahrscheinlichkeit zu erhöhen. Wenn du 'ne hohe Conversion Probability hast, aber eigentlich 'n niedrigen Basket, dann gibt es auch Bundles mit 'ner bestimmten Threshold von hundertfünfzig Euro. Also, ihr müsst hundertfünfzig Euro ausgeben, damit ihr den zehn Prozent off bekommt, ne? Und bei einem Low CLV, also niedrige, ähm, Conversion-Wahrscheinlichkeit und niedrigere Value, dann sagt man, fünf Prozent off machen, um es zu probieren, kriegen wir denn irgendwie in e-- ein neues System rein. Also eine Kampagne mittels des CLVs und einem produktiven Modell darüber auf einmal viel mehr Varianten. Und da gibt es auch einen Vortrag, den hab ich bei der Project A Knowledge Conf gegeben. Wenn man das noch kombiniert mit dem Lifecycle, hat man aus einer E-Mail auf einmal acht gemacht. Das kann man automatisieren und hat 'ne wunderbare Zielgruppenfokussierung auf Basis eines politischen Modells. Gar nicht schwer. Kontaktiert uns, wenn ihr daran interessant. Ne, also Tipp Nummer eins: Ihr müsst 'n Use Case identifizieren. Versucht nicht, prediktiv, äh, predictive Marketing oder CRM als Ganzes einzuführen. Ihr müsst mit einem Case starten, ähm, und 'n gutes Testdesign haben. Ja, und das müssen auch beim Testen gar nicht 'ne Million Kunden sein. Es können 'n paar tausend Kunden sein, aber das müsst ihr machen. Du musst einen Use Case identifizieren. Ihr braucht einen Star sozusagen bei euch in der Organisation, die mir damit richtig Gutes tut. Ähm, und das ist, ne, und das ist ... Und, und ihr müsst das mappen auf Werte. Dann gelingt so was. Viel zu häufig gibt's nämlich große Probleme bei der Einführung von, ähm, von Predictive Marketing, weil man einfach alles machen will und dann muss es gleich so ein Riesensystem sein und so weiter. Ne, beginnt mit Use Cases, mit einem Use Case, und zeigt und macht den erfolgreich. Jetzt mal ein bisschen so, was ist eigentlich so ein Predictive Model, ne? Was ist das eigentlich genau? So, ne. Ein Modell, ne, ist ein Abbild der Wahrheit, ne, 'n Modell simplifiziert eigentlich die Wahrheit oder die Welt. So, ne. Und so 'n Modell, .......................... willst du halt sagen, ja, welche, auf Basis, wie kann ich die Zukunft vorhersagen auf Basis der Vergangenheit? Darum ist CLV auch immer ein zukunftsgerichtetes, ähm, ähm, ähm, eine zukunftsgerichtete Kennzahl und keine in die Vergangenheit gerichtete Kennzahl. Wir nehmen zwar die Vergangenheit, um die Zukunft vorherzusagen, aber wir nehmen nicht diese Daten per se. Ja, das ist ein Modell sozusagen, wo wir sagen, ähm, die Anzahl der Käufe, ne, jetzt mal ganz einfach gesagt, bestimmt den zukünftigen oder die-- das vergangene Kundenverhalten bestimmt den zukünftigen CLV. Das ist so 'n Modell. Mehr ist das eigentlich gar nicht. Kennt ihr 'ne Regressionsne, da steht irgendwie X plus Y gleich Z, ne? Ähm, so 'ne lineare Gleichung kann auch ein Modell sein. So, ne. Also, ähm, das ist eigentlich nur 'ne mathematische Darstellung der Welt. Mehr ist das nicht. Und der Unterschied, ne, bei Machine Learning zu 'nem normalen Leben, ähm, ist eigentlich, dass wir ohne Machine Learning zu den Input-Daten immer irgendwelche Regeln bauen müssen und dann kommt was raus. Also Beispiel: Wenn ihr 'ne Segmentierung baut, ne, dann kommen irgendwie die Segmentierungsdaten da rein. Ich sag mal, ähm, Alter, Geschlecht und Registrierungsdatum.Und dann kommen Rules da rein, nämlich bei den meisten Zielgruppen sagt man dann: Ja, ich nehme alle Kunden im Alter zwischen zwanzig und dreißig, die sich letzte Woche registriert haben und dann ist der Output eine Audience. Bei Machine Learning ist das anders. Machine Learning lernt, die regeln. Ja, also dat gibst du quasi der Maschine einmal den Input. Ja, hier, das sind Alter, Geschlecht und Registrierungsdatum. Und ich möchte davon gern die, die, die, die besten Kunden haben, identifiziert nach, was weiß ich, Anzahl der Käufe. Und Machine Learning baut das dann so zusammen in 'n System, dass man das dann auf neuen Kunden und auf neuen Daten anwenden kann und dann vorhersagen kann. Das ist der Unterschied, ja. Also, die Regeln kommen aus diesem System raus. Wie sieht so was aus? Was ist eigentlich 'n Input und was ist 'n Output? Ja, ähm, nehmen wir hier mal so 'ne Kundentabelle. Da gibt's dann unterschiedliche Variablen. Das könnte Alter, Käufe, was weiß ich, auch immer, immer sein. Und dann gibt's so Zielgrößen, ne. Hat gekauft, hat nicht gekauft, eins null und wie viel hat er gekauft? Und Machine Learning versucht 'nen Zusammenhang zu finden, bis zwischen diesen Input- und Outputvariablen, ja. Also, well, wie müssen diese Variablen eins bis n gestaltet sein, damit man von ihr aus konvertiert? Das macht das. So, und das lernt das Modell. Und was dann passiert, ist, dann kommen neue Daten. Das heißt, wir haben diese ganzen Zielgröße nicht, sondern wir haben nur die Variable eins bis n. Und dann kommt 'ne Prognose raus: Kauft jemand oder kauft jemand nicht? Das ist Machine Learning am Ende des Tages. Und das ist genauso bei Bildererkennung, was ihr so alles seht, ne. Ähm, da sieht man ja viel AI, aber am Ende des Tages funktioniert AI immer fast gleich, nämlich genau über diese, ähm, Herstellung, dass du eine Maschine trainierst auf Basis von Einflussgrößen und von dem, was der Outcome ist, ja. Also, wenn du irgendwie 'ne, 'ne Katze, äh, erkennen willst im Bild, ja, dann versuchst du sozusagen, sie war Variable eins bis n, ist dann irgendwie so die Ausmaße: Hat das Augen, hat das 'n Fell? Ne, so welche Geschichten. Hat es Tatzen, hat es Krallen? Und dann, ähm, so kann man so ein Bild klassifizieren, ne, also so unterteilen. Und dann sagt man der Maschine: Ja, das ist 'ne Katze oder das ist keine Katze, das ist 'n Löwe. Und dann gibt's 'n neues Bild und dann nimmt der Algorithmus, schneidet sozusagen das Bild dann in so kleine Teile, hat 'n-- hat Flügel, hat, also hat keine Flügel, hat Augen, hat 'n-- kleine Ohren, hat 'n süßes Fell, dann müsste das 'ne Katze sein. Ja, so funktioniert das immer, egal ob es Bildererkennung ist oder CLV, ähm, Berechnung ist. So läuft das immer. Ja, und ganz wichtig ist, zum Lernen nimmt man historische Daten. Man schneidet so die Daten, ja, und sagt so, ja, man geht eigentlich in die, in die Vergangenheit und trainiert das Modell auf den Input- und Outputdaten. Und dann, wenn man sozusagen das auf neuen Daten auswendig-- äh, innimmt, dann schaut man erst in die Vergangenheit-- äh, in die Zukunft. T0 ist quasi jetzt. Ja, und so lernt so 'ne Maschine immer auf den vergangenen Daten. Dann schaut man in die Zukunft rein über dieses Modell. So, was nu ganz kurz, ne, was kann man da so machen? Supervised Learning ist 'ne, äh, ist im Wesentlichen, ne, man weiß, jemand hat gekauft oder hat nicht gekauft. Also die, die Zielklassen sind bekannt. So, ich weiß ja, ob jemand gekauft hat oder auch nicht gekauft hat. Ähm, das ist manchmal gar nicht so einfach im, im Churn, in so sogenannt nicht vertraglichen Settings. Also wenn ich 'n Hotel bin, ne, weiß ich eigentlich nicht, ob 'n Kunde wiederkommt oder auch nicht. So, das ist ein bisschen mehr fluide Geschichte, ne. Aber erst mal, die Zielklassen sind bekannt oder sind nicht bekannt. Und da ist bestimmt das bekannteste, den bekanntesten Mechanismus die Clusteranalyse, wo wir versuchen, so homogene kleine Gruppen zu bilden, ne, was ihr daraus seht, ne. Also zum Beispiel alle Leute, die irgendwie gerne sich vegan ernähren, ja, versus Fleischesser. So, das könnte man-- Diese beiden Gruppen wären das. So, und da versucht man, das möglichst eng, ähm, zusammenzubilden. Aber da wissen wir erst mal nicht, was sind denn die Zielklassen? Die muss man dann später selber benennen. Das ist 'n bisschen schwieriger. Viel läuft im Supervised Machine Learning, äh, besonders auch in Sachen Bildererkennung und so weiter. Das ist das. Und dann kann man so 'n bisschen klassifizieren, ne. Ist Käufer, ist nicht Käufer, ist Katze, ist keine Katze oder halt Regression, ne. Also wenn das so weitergeht, dann ist irgendwie der CLV in Abhängigkeit von, was weiß ich, meinem Kaufverhalten XY. Wir legen da so 'ne Kurve durch. Okay. Ähm, so, ja, aber jetzt scheitern echt viele AI-Projekte, und zwar fünfundachtzig Prozent aller AI-Projekte. Und das Ding ist, es sind also ganz häufig, ähm, wird so gesagt, wir müssen jetzt CRM machen, wir müssen jetzt Predictive machen und AI machen und dann wird da irgendwie Riesen-Tramram rumgemacht und dann ist man zwei Jahre später eigentlich immer noch nicht weiter. Und eben, am Ende des Tages, dieses Slide, das könnt ihr euch in Ruhe mal durchlesen, aber am Ende des Tages kommt alles vom Use Case. Und deswegen auch, hab ich auch am Anfang diese Beispiele gegeben. Und dass ihr mal denkt in diesen Use Cases und die müsst ihr erfolgreich machen. Und dann ist dieses Data Science-Thema auch oft gar nicht so ganz einfach. Ja, denn so 'n Data Science-Prozess, das fängt an mit dem Business Understanding. Das ist sozusagen, ähm, den Use Case verstehen. Dann muss man in die Daten gucken: Sind die Daten eigentlich clean? Dann muss man die aufbereiten, dann muss man Feature bauen, dann muss man es modellieren, dann muss man es evaluieren, dann muss man vielleicht noch mal durch... Und dann irgendwann geht das in, ähm, in den Deployment-Prozess. Und das ist unheimlich aufwendig und man schaut dann so dieses Data Understanding und Preparation. Und das ist das, wenn ihr neben euern Data Scientist oder BI-Leuten steht, die dann da irgendwie dat, dat, dat, dat, dat auf der Konsole so rumhacken, ne, das ist die Zeit, die die da investieren, ähm, ist wirklich, um die Daten ganz häufig aufzubereiten. Ich muss mal in die Daten schauen. Ich muss sie aufbereiten. Und das dauert halt lange, ne? Und, und am Ende des Tages, äh, dann steht man da so und dann sieht: „Was machen die? Das können wir alles gar nicht so." Ne, da sitzt man ja als Marketer und denkt so: „Was ist denn jetzt AUC?" Ja, oder ROC AUC, so, ne? Area under the curve. Aber, äh, kann ja keiner was mit anfangen, ja, im Marketing sicht. Und das ist ein bisschen so das Thema, diese Abhängigkeit dann von wenigen Leuten in der Organisation. Und das muss nicht sein. Äh, es gibt Systeme, ja, auch in Cross Engage ist es so, wo wir Dinge standardisieren und automatisieren. Gerade diese Data Preperations Modeling, das ist völlig automatisiert, äh, die Relation und das Data Understanding ist standardisiert. Das heißt, ihr könnt das machen. Ja, das ist uns so wichtig. Wir wollen, dass mehr Data Science und mehr Predictive CRM in den Marketingorganisationen gebaut wird.Und, ähm, so sieht es dann aus. Wir, wir haben einen ganz geringen Aufwand nur noch bei dem Data Understanding und Preparation. Können auch gerne unsere Kunden fragen, denn es gibt Kunden, die haben hunderte von Modellen im Einsatz bei uns und die werden nicht in Data Science gemacht, sondern im Marketing. Also auch Atelier Goldener Schnitt, die haben-- hat hier vorhin den Use Case gezeigt, die haben, glaubt man gar nicht, ist eigentlich 'ne eher, eher ältere Marke und so weiter, aber die haben Dutzende von Modellen im Einsatz, ja, im Marketing, ohne eine weitere Person eingestellt zu haben. Denn das sieht alles nicht bei CrossEngage doch aus, sozusagen so wie son paar kryptische Werte, sondern da links unten seht ihr das, ne. Da ist 'ne Ampel. Passt das vom Modell? Ja, in diesem Fall alles klar, akzeptabel ist gelb, ist nicht richtig toll. Ja, da ist irgendwas, ne, im Response-Modell nicht so richtig gut. Da könnt ihr bei uns bei CrossEngage einfach anrufen. Unsere Data Scientist, die helfen euch, wenn ihr da, ähm, ähm, wenn ihr da Fragen habt. Aber wichtig ist einfach, dass das, dass das nicht so kryptisch aussehen muss. Das kann man auch anders machen und das ist bei uns der Fall. Also ein No-Code-Model-Builder verwenden. Ganz wichtig, No-Code-Model-Builder. Ähm, wichtig ist auch, man denkt immer, man braucht so viele Daten, aber eigentlich braucht man nur Transaktionsdaten am Anfang. Da kann man echt schon viel mit machen. Ja, also gekauft, wann, ne, Kunden-ID, Rechnungsname, welche Position, welche Artikel, welche Menge. Am besten noch ein paar Kundendaten, äh, Stammdaten haben wir auch von der Registrierung. Damit kann man starten. Und dann kann man Verhaltensdaten, Klickdaten, Open-Daten, Produktdaten alle noch hinzufügen. Aber damit könnt ihr starten. Ja, ist ganz wichtig. Tipp Nummer drei mit Transaktionsdaten starten. Und dann bitte automatisieren. Testen und automatisieren. Das zeige ich jetzt nur mal in CrossEngage, weil ich natürlich von CrossEngage bin und das kennt ihr aber auch aus anderen, aus anderen Tools, diese Flowcharts, wo man einfach einen A-B-Test, das ist der dritte Knoten, äh, machen kann, um dann zu schauen, wie hat sich das denn alles verändert, äh, wie sind denn die Ergebnisse, ne? Nur um auf dieses Modell zu kommen, ich glaube, da, da sind wir sehr, sehr gut als CrossEngage mit unserem No-Code-Model-Builder, dass wir das alles, ähm, mit in einem Paket anbieten können, damit ihr selber das im Marketing machen könnt. Ja, das heißt, der Tipp vier: Automate und A/B-Test, und zwar immer. Fangt mit kleinen Gruppen an, aber probiert das aus und geht, geht, geht, geht erst mal über diesen Use Case und macht den, macht den richtig gut. Und dann habt ihr den Support auch vom Management und das ist der, das ist der Schlüssel daran und rechnet das immer auf den Wert runter. Und daher, wir sind CrossEngage, wir haben eine Customer-Data-und Prediction-Plattform, die Interesse, ähm, daran hat, an unseren Cases, was wir so tun, ähm, oder vielleicht auch an Teilen der Software oder an der Software. Kontaktiert uns gerne, auch, ja, auch inhaltliche Fragen, ähm, wie wir bestimmte Dinge machen. Wir haben echt viele Cases jetzt gemacht. Ähm, kommt einfach auf uns zu. Und ansonsten hoffe ich, dass das Thema ein bisschen greifbar geworden ist in den letzten achtundzwanzig Minuten. Ähm, habt da keine Angst vor. Ähm, es gibt Systeme, mit denen wir das machen können. Ich glaube, ihr sitzt im, im, im Fahrersitz, denn ihr kommt, ihr kennt die Use Cases, ihr kennt eure Themen, ähm, macht nur den Schritt. Also sozusagen geht nur sicher, dass ihr euren Case immer auf den Wert rechnet, ähm, dann kommt ihr in jedem Management durch. Mit diesen Worten, herzlichen Dank. Haben wir noch Fragen? Wenn nicht, Folien stelle ich natürlich gerne bereit. Kontaktiert mich gerne auf LinkedIn, stellt Fragen. Wie gesagt, das ist, ähm, und die-- wir werden mal sehen will, wie man so 'nen Case ganz durchrechnet sozusagen oder wie man da auch politisch sozusagen rangehen kann, wie das läuft. Schauen Sie sich gerne noch mal die Session von mir von gestern an. Da habe ich diesen Spam2BAM-Case eine halbe Stunde vorgestellt, wie wir vorangegangen sind, ähm, was genau die Ergebnisse sind, wie das Test Design ist, wie wir es ausprobiert haben. Ähm, hier heute noch mal, ja, jetzt haben wir einen schönen Case, wie geht ihr eigentlich, ähm, voran? Von daher, herzlichen Dank für die Aufmerksamkeit. Wenn sonst nicht-- wenn sonst keine Fragen mehr sind, dann wünsche ich euch noch eine wunderbare UMKW und, äh, ja, und einen schönen Mittag. Lasst es euch schmecken. Ich hoffe, bis bald. Kontaktiert mich per LinkedIn, wenn's was gibt. Danke schön. Tschau.
Automatisch erstellt & redaktionell aufbereitet — kann vereinzelt Fehler enthalten.
