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.[/vc_column_text]

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
[/vc_column][/vc_row]

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
Audiences

Lead Score

Conversion Score

Audience
Segmentation

Activity Score

Referrer Score

Functionality

Segmentation

Prediction

Prediction and Classification

Segmentation

Prediction

Prediction

Definition

Lookalike audiences are a group of potential customers who have similar data characteristic such as current accounts

Lead Score ranks prospects according to their potential value as high potential customers

Conversion Score calculates the potential for a prospect to become a customer within a certain time period

Predictions for the correlation of a customer to a specific customer segment of future purchasing behavior

Activity Scoring analyzes customer behavior and ranks it compared to other current accounts

Potential of a customer to invite friends and family to your product

Typical use case

Lookalike audiences are customer segments that are similar to current account segments and are used to target new customers across different channels such as Google or Facebook

Lead scoring is used in lead mgmt to optimize potential efforts to win a customer

Conversion scoring is used to predict and optimize website personalization and abandoned cart campaigns

Creating customer segments is one of the most common ways to target campaigns more specific to groups based on specific data points which describe the segment such as age, gender, location or product categories

Activity scoring is used by e.g., retailers, banks, gaming and payment card companies to analyze the health of a customer relationship

Refer-a-friend offers create a simple and often used way to win new customers at a statically calculable cost, in addition to traditional marketing channels

Challenges of traditional data science approach

Lookalike audience campaigns do not allow a 100% matching but a rough audience selection, resulting in average targeting and average conversion rates

Static and periodic lead scoring does not allow to leverage current prospect behavior and leads to wrong or incorrect predictions

Static website or campaigns are no longer competitive, as prospects can bounce any second due to irrelevant content and product offerings

Creating customer segments manually can be a good start to avoid sending the same message to all customers. The amount of customer master data, behavioral and transactional data is increasing to a level that manual segmentation produces a high amount of workload and a trade-off for each campaign manager to which level it is feasible

Traditional activity scoring is periodic and analyzed by data science or tech savvy growth marketeers. Automated alerting functions are often not in place or based on a small number of data points

Static referrer scoring models overlook the huge potential of „refer-a-friend“ campaigns, partner products and other viral invitation methods

Advantage of dynamic Machine Learning models

An automated clustering of your current account data improves the audience target segments continuously and automates optimization of lookalike audiences fast and iterative

Automated optimization of lead scores allows to increase the amount of data and to score in real-time depending on a variety of data parameters from marketing channel to context and live behavior on a website or app

Tailoring personalized contents and products

The ML based approach automates segmentation, clustering of key segments. It automates manual process steps and allows the marketeer to create audiences in real-time. Audience segments are updated automatically up to real-time with every new data point

A modern approach increases the level of sensitivity and takes all data points into account in real-time and creates affinity scores per customer segments

Highly personalized offers for friend referrers optimize number of new customers for a low CPA

Machine Learning techniques

HDBScan, k-Means (vector quantization method)

Regression, Neural Network, Decision Tree

Reinforcement Learning, Neural Network, Multi-Armed Bandits & Bayesian Optimization

HDBScan, k-Means (vector quantization method)

Statistical correlation, Bayesian classification, Hidden Markov Models

Regression, Neural Network, Decision Tree

Business potential

Increase conversion rates in ad campaigns and reduce customer acquisition costs

Increase the number of high potential customers and reduce CLV campaign costs

Higher customer acquisition rates, more new customers, higher revenues

Hyper-personalized campaigns increase cart value

Improved alerts and targeted campaigns based on customer activity increase lifetime value and customer revenues per month

Higher customer acquisition rates with lower costs per new customer

Increase usage

Cross-sell / upsell

Service

Prevent churn

CLV Score

Next Best Action

Next Best Product

Next Best Category

RiskScore

Churn Score

Functionality

Prediction and Classification

Association and Correlation

Association and Correlation

Association and Correlation

Prediction and Classification

Prediction and Classification

Definition

Customer Lifetime Value Score predicts the potential monetary value of a customer during his lifetime

Next Best Offer scores the affinity to a special offer

The affinity score predicts the products which fit best as next purchase for a specific customer data set or behavior

Next Best Category ranks a customer against a variety of product categories and its affinity for an up- or cross-sell in that category

A risk score predicts the potential risk of a customer not paying according to terms or risk of behavior for potential loss caused by his behavior

Churn Scoring predicts potential customer attrition or reduction in spend

Typical use case

Customer lifetime values are used to classify a specific customer type based on its past purchasing behavior compared to other customers and calculate a score to benchmark its value

Creating targeted marketing campaigns via email, app or onsite

Creating upsell or cross-sell opportunities for customers. Recommendation engines, „You may also like“ are common on any shop to show further products in the same category

Typically used for cross-sell campaigns, onsite, across mail or email campaigns as well as in-app offers

Analyzing the risk of fraud, payment defaults and other business risks

Churn can occur in a variety of ways: revenue churn, usage reduction – predicts churn, customer churn

Challenges of traditional data science approach

Static periodic CLV scoring may trigger wrong campaigns, wrong timing and overlooking of high-potential customers during a certain period

For creating affinities, purchase data is of much greater interest than purely demographic data. In addition, active behavior on shops and higher churn potential if neither transaction data nor behavioral changes or marketing channel preferences are considered

Traditional recommendation engines can not take real-time customer behavior into account and are based on past purchases of other customers

Next best category campaigns are often created manually by category managers or marketeers for bundle campaigns and need high amounts of efforts to be precise

Traditional decision-tree or statistical risk scoring do not take real-time behavior into account and lead to incorrect scores and negative scoring of potential customers according to static rules

Static churn scoring reacts episodically and potentially too late in a customer’s lifecycle leading in declining results and higher churn rates. Today, churn scores are often calculated based on CRM data without leveraging online touchpoints

Advantage of dynamic Machine Learning models

Dynamic CLV scoring allows highly targeted and personalized customer experiences in real-time which leads to higher conversion rates and purchase volume

Highly targeted offers triggered by AI based behavior and context analysis algorithms improve purchase rates and customer engagement

Dynamic recommendations and real-time customer behavior data improve product recommendations up to 1to1 personalized offers and allow long tail campaigns

Real-time optimization of scores allow using customer behavior to increase cross-selling opportunities and incentive usage and purchases

Dynamic approaches score on a multidimensional data signal from installed font types to historic purchase history and allow a much higher granularity

Machine Learning powered RFM modelling – Scoring recency, frequency and monetary values in real-time including online customer behavior and card usage data. This allows churn prevention campaigns to be segmented and tailored on time on the right channel. Optimizing anti churn campaigns is key for a long-term revenue stream

Machine Learning techniques

Statistics, Recurrent Neural Networks (RNN)

Statistical correlation, Bayesian classification, Reinforcement Learning, Q-Learning, Association Rule Learning

Regression, Neural Network, Decision Tree

Regression, Neural Network, Decision Tree

Business potential

Higher focus on profitable customer segments and higher retention rates

Higher revenues, higher value per purchase, lower manual efforts

Higher revenues, higher value per purchase, lower manual efforts

Higher revenues, higher value per purchase, lower manual efforts

Lower payment defaults, lower fraud and improved customer acquisition

Reduced churn risks, improved customer retention and higher revenues