Adtelligence MACHINE LEARNING Framework

AUTOMATISIEREN SIE IHRE DATA SCIENCE

Machen Sie aus Insights automatisierte Aktionen und Entscheidungen

Maschinelles Lernen ist der Schlüssel, wenn es um die Skalierung Ihres digitalen Geschäfts geht. Angefangen mit manuellen One Time Scores und Triggern, benötigen die meisten Anwendungsfälle eine Menge händischen Aufwand, Arbeitsstunden und Kosten, um erfolgreich zu sein. Dieser Mangel an Skalierbarkeit und Automatisierung führt auf lange Sicht nur zu durchschnittlichen Ergebnissen. Um eine Säule für Ihre digitalen Geschäftsmodelle zu schaffen, sind Automatisierung, Selbstlernen und Optimierung der Schlüssel.

AI framework 5

„AI first“ Ansatz

Nutzen Sie maschinelles Lernen, um Prozesse zu automatisieren und Ihren Umsatz zu steigern

Kreditkartenanbieter sollten mithilfe von KI alle ihre Daten nutzen, um aus dem Nutzerverhalten in Echtzeit zu lernen, zu reagieren und die Kommunikation automatisiert zu personalisieren.

machine learning1 de neu

ADTELLIGENCE MACHINE LEARNING CENTER

MIT INTELLIGENZ AUTOMATISIEREN WIR ALLE IHRE DATENPROZESSE

machine learning3 de

SO FUNKTIONIERT ES

Personalisierte Aktionen werden in Echtzeit ausgelöst

Bei jedem neuen Datensatz aktualisieren sich unsere Modelle für maschinelles Lernen im Handumdrehen, um die nächstbeste Aktion auf dem passenden Kanal auszulösen.

machine learning2 de 1
michaelaltendorf

“Maschinelles Lernen ist die Automatisierung von Data Science. Automatisierte Machine-Learning-Modelle steigern die Produktivität von personalisierten Kundeninteraktionen entlang des Lebenszyklus und verbessern die Skalierbarkeit. Wenn Daten das neue Öl sind, sitzen Zahlungsanbieter auf dem größten fast unberührten Ölfeld. Maschinelles Lernen wird der Grundstein für zukünftige Umsatzmodelle von Zahlungs- und Kartenanbietern sein.

Michael Altendorf, CEO, Adtelligence GmbH

Wow-Erlebnisse für Ihre Kunden schaffen

Die Modellbibliothek bietet eine breite Palette von Möglichkeiten, um den Umsatz zu steigern und die Revenues entlang des Kundenlebenszyklus zu erhöhen. Das Adtelligence AI Framework ermöglicht die Anbindung über APIs. Geben Sie Ihre Daten ein und lassen Sie unsere Modelle trainieren. Wir stellen Ihnen vorgefertigte Modelle zur Verfügung, von Affinitäts-Scores über Clustering bis hin zur Optimierung mit neuronalen Netzen oder Baysean Bandits. Sie können Ihre Scores und Modelle ebenso verwenden, aber auch neue Modelle erstellen.

Advertise

Nurture leads

Convert

Activate

 Lookalike AudiencesLead ScoreConversion ScoreAudience SegmentationActivity ScoreReferrer Score
FunktionalitätSegmentierungSegmentierungVorhersage und KlassifizierungSegmentierungVorhersageVorhersage
DefinitionLookalike Audiences sind
eine Gruppe potenzieller
Kunden mit ähnlichen
Merkmalen wie z. B.
Girokonten.
Lead Score stuft potenzielle Kunden nach ihrem potenziellen Wert ein.Conversion Score berechnet die Wahrscheinlichkeit, dass ein Interessent innerhalb eines Zeitraums zu einem Kunden wird.Vorhersagen für die Zuordnung eines Kunden zu einem bestimmten Segment des künftigen Kaufverhaltens.Activity Scoring analysiert das Kundenverhalten und stuft es im Vergleich zu anderen Girokonten ein.Wahrscheinlichkeit, dass ein Kunde Freunde und Familie zu einem Produkt einlädt
Typischer Use CaseLookalike Audiences sind Kundensegmente, die den Segmenten für bestehende Konten ähnlich sind und dazu dienen, neue Kunden über verschiedene Kanäle wie Google oder Facebook anzusprechen.Lead Scoring wird im Lead Management eingesetzt, um potenzielle Maßnahmen zur Kunden-
gewinnung zu optimieren.
Conversion Scoring wird zur Vorhersage und
Optimierung von Website-Personalisierung
und Kampagnen für
abgebrochene Warenkörbe verwendet.
Das Festlegen von Kundensegmenten ist eine der gängigsten Methoden, um Kampagnen basierend auf spezifischen Datenpunkten, die das Segment beschreiben (z. B. Alter, Geschlecht, Standort oder Produktkategorien), gezielter auf Gruppen auszurichten.Activity Scoring wird
z. B. von Einzelhändlern, Banken, Glücksspiel- und Zahlungskartenunternehmen verwendet, um den Zustand einer Kunden-
beziehung zu analysieren.
Refer-a-friend-Angebote stellen eine einfache und häufig genutzte Möglichkeit dar, neue Kunden zu fest kalkulierbaren Kosten zu gewinnen, ergänzend
zu den traditionellen Marketingkanälen
Herausforderungen des traditionellen Data-Science-AnsatzesLookalike Audience-Kampagnen erlauben keine 100-prozentige Übereinstimmung, sondern nur eine grobe Auswahl der Zielgruppe, was zu einer durchschnittlichen Zielgruppenansprache und durchschnittlichen Conversion Rates führt.Statisches und periodisches Lead Scoring berücksichtigt nicht das aktuelle Interessentenverhalten und führt zu falschen oder fehlerhaften Vorhersagen.Statische Websites oder Kampagnen sind nicht mehr wettbewerbsfähig, da potenzielle Kunden aufgrund von irrelevanten Inhalten und Produktangeboten jederzeit abspringen können.Mit manueller Segmentierung lässt sich vermeiden, dass an alle Kunden die gleiche Botschaft gesendet wird. Die Menge an Kundenstammdaten, Verhaltens- und Transaktionsdaten nimmt so stark zu, dass eine manuelle Segmentierung einen hohen Arbeitsaufwand verursacht und Kampagnenmanager die Machbarkeit abwägen müssen.Traditionelle Activity Scorings werden periodisch durchgeführt und von Data Scientists oder technikaffinen Growth Marketers analysiert. Automatisierte Warnhinweise sind oft nicht vorhanden oder basieren auf wenigen Datenpunkten.Statische Referrer-Scoring-Modelle übersehen das enorme Potenzial von "Refer-a-friend"-Kampagnen, Partnerprodukten und anderen viralen Einladungsmethoden.
Vorteil dynamischer
Machine Learning Modelle
Automatisiertes Clustering Ihrer Kontodaten
verbessert kontinuierlich die Zielgruppensegmente und automatisiert die Optimierung von Lookalike Audiences schnell und iterativ.
Automatisierte Optimierung von Lead-Scores ermöglicht es, die Datenmenge zu erhöhen und in Echtzeit zu scoren, abhängig von diversen Datenparametern vom Marketingkanal bis hin zum Kontext und Live-
Verhalten auf einer
Website oder App.
Personalisierte Inhalte und Produkte maßschneidernDer ML-basierte Ansatz automatisiert Segmentierung und Clustering von Schlüsselsegmenten. Manuelle Prozessschritte werden automatisiert und Marketer können Zielgruppen in Echtzeit erstellen. Segmente werden automatisch und in Echtzeit mit jedem neuen Datenpunkt aktualisiert.Ein moderner Ansatz
erhöht die Sensibilität und berücksichtigt alle Datenpunkte in Echtzeit und erstellt Affinitäts-Scores pro Kunden-
segment.
Hochgradig personalisierte Angebote für Werber von Freunden optimieren die Anzahl der Neukunden zu einem niedrigen CPA.
Machine Learning TechnikenHDBScan, k-Means (Vektor-quantisierungs-verfahren)Regression, Neuronales Netz, Decision TreeReinforcement Learning, Neuronales Netz, Multi-Armed Bandits & Bayesian OptimizationHDBScan, k-Means (Vektorquantisierungsverfahren)Statistische Korrelation, Bayesian Klassifizierung, Hidden-Markov-ModelleRegression, Neuronales Netz, Decision Tree
GeschäftspotenzialErhöhung von Conversion Rates in Werbekampagnen und Reduktion der Kosten für die KundenakquiseErhöhung der Anzahl potenzieller Kunden und Verringerung der Kosten für CLV-KampagnenHöhere Kundengewinnungsraten, mehr Neukunden, höhere UmsätzeHyper-personalisierte Kampagnen erhöhen den WarenkorbwertVerbesserte Warnmeldungen und gezielte Kampagnen auf Basis der Kundenaktivität erhöhen den Lifetime Value und monatlichen Kundenumsatz.Höhere Kundengewinnungsraten bei geringeren Kosten pro Neukunde

Increase usage

Cross-sell / upsell

Service

Prevent churn

 CLV ScoreNext Best ActionNext Best ProductNext Best CategoryRisk ScoreChurn Score
FunktionalitätVorhersage und KlassifizierungAssoziation und KorrelationAssoziation und KorrelationAssoziation und KorrelationVorhersage und KlassifizierungVorhersage und Klassifizierung
DefinitionDer Customer Lifetime Value Score sagt den potenziellen monetären Wert eines Kunden während seiner Lebenszeit voraus.Next Best Offer
bewertet die Affinität zu einem Sonderangebot.
Der Affinity Score sagt die Produkte voraus, die für einen bestimmten Kundendatensatz oder ein bestimmtes Verhalten am ehesten als nächstes gekauft werden.Next Best Category bewertet einen Kunden hinsichtlich verschiedener Produktkategorien und seiner Affinität für einen Up- oder Cross-Sell in dieser Kategorie.Ein Risiko-Score prognostiziert das potenzielle Risiko, dass ein Kunde nicht fristgerecht zahlt, oder Kundenverhalten einen Verlust verursacht.Churn Scoring prognostiziert potenzielle Kundenabwanderung oder Reduzierung der Ausgaben.
Typischer Use CaseMit Customer Lifetime Values wird ein Kundentyp anhand des bisherigen Kaufverhaltens im Vergleich zu anderen Kunden klassifiziert und ein Score berechnet, um seinen Wert zu messen.Erstellen gezielter Marketingkampagnen per E-Mail, App oder vor Ort.Up- und Cross-Sell-Möglichkeiten für Kunden schaffen. Empfehlungsmaschinen, "Das könnte Ihnen auch gefallen" sind in Shops üblich, um weitere Produkte in der gleichen Kategorie anzuzeigen.Typischerweise für Cross-Sell-Kampagnen, Onsite-, Post- oder E-Mail Kampagnen sowie für In-App- Angebote verwendetAnalyse des Risikos von Betrug, Zahlungsausfällen und anderen GeschäftsrisikenChurn kann auf verschiedene Weise auftreten: Umsatzabwanderung, Nutzungsreduzierung - prognostizierte Abwanderung, Kundenabwanderung.
Herausforderungen des traditionellen Data-Science-AnsatzesEine statische, periodische CLV-
Bewertung kann zu falschen Kampagnen, falschem Timing und zum Übersehen von potenziellen Kunden während eines bestimmten Zeitraums führen.
Zur Schaffung von Affinitäten sind Kaufdaten relevanter als demografische – ebenso aktives
Verhalten in Shops und höheres Churn-Potenzial, wenn keine Transaktionsdaten, Verhaltensänderungen oder Kanalpräferenzen betrachtet werden.
Herkömmliche Empfehlungsmaschinen können das Kundenverhalten nicht in Echtzeit berücksichtigen und basieren auf früheren Käufen anderer KundenCategory Manager oder Marketer erstellen Next Best Category-Kampagnen für Bündelkampagnen oft manuell und müssen viel Aufwand betreiben, damit diese genau sind.Herkömmliche statistische Risk Scorings oder Decision Trees vernachlässigen das Echtzeitverhalten und liefern falsche Scores und negative Scorings potenzieller Kunden anhand statischer Regeln.Statisches Churn Scoring reagiert episodisch und womöglich zu spät im Customer Lifecycle, was zu schlechteren Ergebnissen und höheren Churn-Raten führt. Churn Scores werden oft auf Basis von CRM-Daten berechnet, ohne Berücksichtigung von Online-Touchpoints.
Vorteil dynamischer
Machine Learning Modelle
Dynamisches CLV-Scoring ermöglicht hochgradig zielgerichtete und personalisierte Kundenerlebnisse in Echtzeit, wodurch höhere Conversion Rates und Kaufvolumina erzielt werden.Hochgradig zielgerichtete Angebote, die durch KI-basierte Verhaltens- und Kontextanalysealgorithmen ausgelöst werden, verbessern die Kaufraten und Kundenbindung.Dynamische Empfehlungen und Kundenverhaltensdaten in Echtzeit ermöglichen verbesserte Produktempfehlungen bis hin zu eins-zu-eins- personalisierten Angeboten und Long Tail Kampagnen.Die Echtzeit-Optimierung von Scores ermöglicht die Nutzung des Kundenverhaltens, um Cross-Selling-Möglichkeiten zu verbessern und Anreize für Nutzung und Kauf zu schaffen.Dynamische Ansätze werten ein multidimensionales Datensignal aus, das von den installierten Schriftarten bis hin zur historischen Kaufhistorie reicht, und ermöglichen somit eine wesentlich höhere GranularitätMachine Learning-gestützte RFM-Modelle - Echtzeit-Scoring von Häufigkeit, Frequenz und monetären Werten, einschließlich Online-Kundenverhalten und Kartennutzungsdaten. So können Churn-Prevention-Kampagnen segmentiert und rechtzeitig auf den richtigen Kanal zugeschnitten werden. Die Optimierung von Anti-Churn-Kampagnen ist der Schlüssel zu langfristigen Umsätzen.
Machine Learning TechnikenStatistik, rekurrente Neuronale Netze (RNN)Statistische Korrelation, Bayesian Klassifikation,
Reinforcement Learning, Q-Learning, Association Rule Learning
Statistische Korrelation, Bayesian Klassifikation,
Reinforcement Learning, Q-Learning, Association Rule Learning
Statistische Korrelation, Bayesian Klassifikation,
Reinforcement Learning, Q-Learning, Association Rule Learning
Regression, Neuronale Netze, Decision TreeRegression, Neuronale Netze, Decision Tree
GeschäftspotenzialGrößerer Fokus auf profitable Kundensegmente und
höhere Bindungsraten
Höhere Umsätze, höherer Wert pro Kauf, geringerer manueller AufwandHöhere Umsätze, höherer Wert pro Kauf, geringerer manueller AufwandHöhere Umsätze, höherer Wert pro Kauf, geringerer manueller AufwandWeniger Zahlungsausfälle und Betrug, verbesserte KundenakquiseReduziertes Churn-Risiko, verbesserte Kundenbindung und höhere Umsätze

WELCHE DATEN KÖNNEN VERWENDET WERDEN?

Datenqualität ist der Schlüssel zum Erfolg

Kreditkartenaussteller verfügen über hervorragende Datenquellen, die sie durch datengesteuertes Customer Lifecycle Management nutzen können

Die verfügbaren Datenquellen reichen von statischen Customer Relationship Management (CRM)-Daten – wie Alter und Geschlecht – bis hin zu anspruchsvolleren Informationen wie der Bonität. Produktinformationen, Loyalitätsdaten bieten Einblicke in die Produkte, die ein Kunde derzeit abonniert hat, und Möglichkeiten zum Cross-Selling und Upselling anderer Produkte, die der Kunde noch nicht verwendet. Kreditkartentransaktionsdaten liefern Live-Informationen über das Ausgabeverhalten des Kunden. Diese Erkenntnisse können genutzt werden, um Marketingentscheidungen in Echtzeit zu treffen.

Die Nutzung von First-Party-Daten mit Machine Learning kann die Herausforderungen der Cookie-freien Zukunft meistern.

Die Nutzung von First-Party-Daten mit Machine Learning kann die Herausforderungen der Cookie-freien Zukunft meistern Die meisten Browser unterstützen das Tracking durch Cookies von Drittanbietern nicht mehr. Google hat angekündigt, dass der Chrome-Browser im Jahr 2023 keine Cookies von Drittanbietern mehr akzeptiert. Vermarkter werden weniger Informationen über das Online-Kundenverhalten haben, und Marken werden weniger in der Lage sein, Kunden mit gezielten Nachrichten zu erreichen – es sei denn, sie können Kunden dazu bringen, First-Party-Cookies zu akzeptieren und künstliche Intelligenz zu nutzen, um verfügbare Daten so effektiv wie möglich zu nutzen.

machine learning4 de

Beispiele für die Bandbreite von Datenpunkten

Adtelligence KI Framework

AUTOMATISIEREN SIE IHRE DATA SCIENCE

Wechseln Sie von Erkenntnissen zu automatisierten Aktionen und Entscheidungen