So sorgen Sie dafür, dass KI-gesteuerte Segmente in zusammensetzbaren CDPs funktionieren

KI-gesteuerte Segmente übertrafen in einem kürzlich durchgeführten Vergleichstest die Standardsegmente um bis zu 42 %. Dieses Ergebnis ist typisch für Marken, die von einem regelbasierten Ansatz zu einer KI-gesteuerten Segmentierung übergehen. Der Lift ist tendenziell sogar noch größer, wenn zuvor keine Segmentierung verwendet wurde.

Viele „paketierte“ CDP-Angebote verfügen über gebündelte Datenwissenschaft, die kritische prädiktive KI mit relativ minimaler Konfiguration durchführt. Wenn Sie jedoch einen zusammensetzbaren Ansatz für Ihr CDP verfolgen, fragen Sie sich möglicherweise, wie Sie KI-basierte Segmente über unzählige Kanäle hinweg funktionieren lassen – vorausgesetzt, ein „zusammensetzbares“ CDP ist von den Daten und Attributen abhängig, die sich in Ihrem Data Warehouse befinden.

Was bieten mit Data Science ausgestattete CDPs?

Dieses Thema könnte ein eigener Artikel sein, aber ich würde die paketierten CDP-Data-Science-Angebote grob in drei Kategorien einteilen:

• Verhaltensanreicherungen.
• Benutzerdefinierte Data-Science-Builder.
• Bring dein eigenes mit.

Verhaltensanreicherungen

Mehrere CDPs haben Innovationen mit Angeboten eingeführt, die das Benutzerverhalten in folgende Kategorien kategorisieren:

• Inhaltliche Affinität.
• Kanalaffinität.
• Verhaltensbewertung.

Diese Kategorisierungen können isoliert für die regelbasierte Segmentierung oder als wertvolle Funktionen für die Erstellung benutzerdefinierter Modelle nützlich sein.

Beispiele beinhalten:

• Verhaltensbewertung und Inhaltsaffinität von Lytics, die gut mit dem JavaScript-Tag funktionieren.
• BlueConic verfügt über eine ähnliche Reihe von Verhaltensbewertungen.
• Die Simon Predict-Funktion von Simon Data bietet prädiktive Analysen für bestimmte Marketingergebnisse.

Benutzerdefinierte Data-Science-Builder

Mehrere CDP-Pakete bieten Data-Science-Builder zum Konfigurieren von Modellen für maschinelles Lernen, die eine regelmäßige Bewertung durch benutzerdefinierte Parameter ermöglichen.

Lytics, Blueshift, BlueConic und andere gehörten zu den ersten Anwendern. Die Giganten Adobe und Salesforce verfügen über Prognosefähigkeiten. Sogar mParticle und Twilio Segment haben in den letzten 6 bis 12 Monaten nach Jahren der Förderung der Datenqualität neue Funktionen eingeführt.

Diese „Build Your Own“-Lösungen sind leistungsstark, aber sie zwingen Benutzern von Plattformen, auf denen es häufig nicht-technische Marketingbenutzer gibt, viele halbtechnische Entscheidungen auf. Die Diskrepanz zwischen dem Angebot und dem alltäglichen Endbenutzer führt zu Akzeptanzproblemen.

Bring dein eigenes mit

Alle CDPs können einem bestimmten Kunden Attribute zuordnen. Data-Science-Scores können einer davon sein. Viele Kunden, mit denen ich zusammengearbeitet habe, haben erhebliche Investitionen in die Datenwissenschaft getätigt und versuchen, die Ergebnisse der Datenwissenschaft besser mit Marketingaktivierungen zu verknüpfen.

Für mich war es interessant, dass es auch im Jahr 2023 immer noch Marketing-Data-Science-Übungen gibt, die nicht an einen klaren Marketing-Anwendungsfall gebunden sind. Das CDP kann Lösungen für die Einbindung von Vorhersagebewertungen und Kundeninformationen in Marketingkanäle finden, aber zunächst muss die interne Datenwissenschaft vorhanden sein.

Das ist das Schöne an verpacktem CDP. Dort gibt es tatsächlich Data Science. Dennoch gibt es starke Argumente dafür, komponierbar zu werden. Es bietet theoretisch eine schnellere Wertschöpfung, eine einfachere Implementierung, einen verbesserten Datenschutz und niedrigere Gesamtbetriebskosten. Was kann ein Unternehmen also tun?

Ein Framework zum Verständnis der Datenwissenschaft in Composable

Sehen wir uns drei Szenarien an, in denen sich Ihr Unternehmen in seiner aktuellen Data-Science-Reife befindet:

• Szenario 1: In meinem Unternehmen gibt es bereits Modelle.
• Szenario 2: Mein Unternehmen verfügt über keine bereits vorhandenen Modelle oder Datenwissenschaftsressourcen.
• Szenario 3: Mein Unternehmen möchte maßgeschneiderte Modelle bauen.

Szenario 1: In meinem Unternehmen gibt es bereits Modelle

Wenn Sie ein sehr ausgereiftes oder „geborenes digitales“ Unternehmen sind, das die erforderlichen Investitionen in Datenwissenschaft getätigt hat, um prädiktive KI in Ihren Marketingsegmentierungen zu unterstützen, habe ich gute Nachrichten für Sie.

Eine zusammensetzbare Architektur ist eine nahtlose Möglichkeit, ein „zusammensetzbares“ CDP zu nutzen und all diese datenwissenschaftlichen Anreicherungen mit Ihren Marketingkanälen zu verbinden. Sie müssen lediglich sicherstellen, dass diese Ergebnisse regelmäßig aktualisiert werden und dass Ihr Composable CDP Einblick in die Ergebnisse hat. (Lesen Sie hier mehr über andere Fallstricke.)

Szenario 2: Mein Unternehmen verfügt über keine bereits vorhandenen Modelle oder Datenwissenschaftsressourcen

Der Aufbau einer Data-Science-Praxis von Grund auf ist harte und kostspielige Arbeit. Ein weiteres Problem ist die Argumentation für den Einsatz von Datenwissenschaftlern, die für andere organisatorische Probleme zuständig sind.

Wir haben beispielsweise einen CPG-Kunden mit einer ausgefeilten datenwissenschaftlichen Praxis zur Vorhersage zukünftiger Preise und der Verfügbarkeit von Zutaten für die Herstellung seiner Produkte. Allerdings konzentrieren sich diese Datenwissenschaftler nicht auf Marketingaktivierungen.

Ich habe keine Erfahrung darin, Produkte oder Chemikalien im Wert von mehreren Milliarden Dollar einzukaufen. Dennoch vermute ich, dass die Nuancen bei der Vorhersage der Preise für Tomaten-Futures andere sind als bei der Vorhersage, ob ein Kunde in den nächsten 90 Tagen abwandern wird. Jedes Modell hätte seine eigenen einzigartigen Eigenschaften und die Erfahrung der Datenwissenschaftler hätte einen großen Einfluss auf den Erfolg der Modelle.

Was bleibt einem Unternehmen also noch zu tun? Sollten sie Dateningenieure, Datenwissenschaftler und Datenanalysten einstellen, um Datenbanken zu erstellen, Funktionen zu entwickeln, Modelle zu erstellen, sie zu interpretieren und sie dann zu erklären, um die Akzeptanz bei einem vielbeschäftigten Marketingteam voranzutreiben?

Immer mehr Unternehmen möchten Data Science „mieten“. Sie könnten eine KI-Plattform wie Predictable oder Ocurate mit eigenwilligen Data-Science-Modellen für bestimmte Marketing-Anwendungsfälle einrichten. Diese Lösungen haben eine sehr schnelle Wertschöpfung.

Alternativ kann sich das Unternehmen für eine individuellere Vorgehensweise entscheiden. Plattformen wie Faraday versprechen Datenanreicherung und hochflexible Modellkonfigurationen. Der Benutzer benötigt jedoch immer noch den technischen Scharfsinn, um zu wissen, was er vorhersagen und wie er ein Modell konfigurieren muss – auch wenn hierfür kein handcodiertes Python erforderlich ist.

Szenario 3: Mein Unternehmen möchte maßgeschneiderte Modelle bauen

Bewerten Sie die Kosten, bevor Sie diesen Weg einschlagen. Um wirklich skalierbare Modelle zu entwickeln, ist die Beteiligung mehrerer hochvergüteter Mitarbeiter erforderlich.

Um es richtig zu machen, benötigen Sie:

• Dateningenieure sammeln und kuratieren die Daten.
• Datenwissenschaftler entwickeln und modellieren die Daten.
• Analysten sollen die Daten interpretieren und begründen, um sie zu nutzen.

In zwei dieser Bereiche finden Sie möglicherweise Mitarbeiter mit einer Begabung. Aber Menschen, die in zwei dieser Bereiche hervorragende Leistungen erbringen, sind selten. Normalerweise sind die Leute in einem dieser drei Bereiche am besten.

Wenn Sie sich für den Aufbau von Marketing-Datenwissenschaft einsetzen, denken Sie über Tools nach, die Ihnen den Einstieg erleichtern. Wenn Sie beispielsweise die Google Cloud Platform verwenden, sollten Sie deren Vertex-Angebot und seinen „Model Garden“ in Betracht ziehen.

Wenn Sie nur Zugriff auf GA-Daten haben, sollten Sie darüber nachdenken, mehr über iBQML zu erfahren, mit dem Sie Daten in BigQuery nutzen können, um spezifische Ergebnisse vor Ort vorherzusagen, die die digitalen Marketingbemühungen ergänzen.

Wenn Sie über einen robusteren BigQuery-Aufbau verfügen, nutzen Sie BQML, das Daten außerhalb nativer GA-Daten bewerten kann. Die „Starter“-Konzepte in diesen Fähigkeiten können organisatorische Impulse für weitere Investitionen in die Datenwissenschaft geben.

Wie nutze ich Data Science in Composable CDP?

Nach der Bereitstellung eines CDP stellt sich häufig die Frage: Wie optimieren wir die Datenwissenschaft, wenn das CDP und der angeschlossene Marketingkanal überlappende Funktionen haben? Dazu können Zielgruppen gehören, die in Kanäle mit Prognosefunktionen wie Facebook, Google Ads, das ESP der Marke usw. exportiert werden.

Die Antworten, die ich gebe, sind spezifisch für die Anwendungsfälle eines Kunden. Ihre Werbetools verfügen im Allgemeinen über Daten, die das CDP und Ihr Data Warehouse nicht haben. Ich empfehle zielgerichtete Seed-Zielgruppen aus Ihrem Data Warehouse oder CDP und nutze gleichzeitig die besten Gebote der Werbeplattformen, die Sie für Akquise- und Remarketing-Anwendungsfälle nutzen.

Meiner Erfahrung nach übertreffen gut ausgewählte, KI-gestützte Seed-Zielgruppen die Lookalikes von regelgesteuerten Zielgruppen. Beispielsweise führte ein Werbetreibender kürzlich auf Facebook einen direkten Vergleich zwischen Lookalikes von Zielgruppen, die KI-basierte Vorhersagen verwenden, und Lookalikes von regelbasierten, engagierten Kunden durch. Die Conversion-Rate der KI-gestützten Seed-Zielgruppe übertraf die des regelbasierten Segments um 25 %.

Ihr ESP verfügt möglicherweise über Kenntnisse zum E-Mail-Engagement, die Ihrem Data Warehouse fehlen. Wenn dies der Fall ist, verwenden Sie den oben genannten Adtech-Ansatz. Wenn Sie die Daten Ihres ESP gesammelt haben, verwenden Sie CDP/Data Warehouse-gesteuerte Segmentierung und Entscheidungsfindung. Dies ermöglicht Ihnen auch die flexible Nutzung mehrerer ESPs, wenn Sie geografische oder markenspezifische Anforderungen haben. Aber auch hier hängen spezifische Empfehlungen von bestimmten Anwendungsfällen und Daten ab.

Wichtige Überlegungen bei der Ausweitung der KI-Nutzung in zusammensetzbaren CDPs

Nehmen wir an, Sie sind davon überzeugt, dass Sie die KI-Nutzung in Ihrem Composable CDP starten oder erweitern möchten. Hier ist eine Checkliste mit Fragen, die Sie sich stellen sollten:

Sind alle Marketingdaten in Ihrem Cloud Data Warehouse verfügbar?

Dazu können Website-Daten wie GA4, Daten aus der Interaktion mit eigenen Kanälen wie E-Mail und der gesamte Transaktions-/Treueverlauf gehören.

Dazu können Identitätslösungen oder regelbasiertes Matching zur kanalübergreifenden Lösung des Kunden gehören. Einwilligungsdaten sind für jede Nutzung von Erstanbieterdaten von entscheidender Bedeutung.

Verfügt Ihr Team über die notwendigen Fähigkeiten, um KI zu nutzen?

Dazu gehört der Zugang zu Dateningenieuren, Datenwissenschaftlern, Marketinganalysten und Marketing-Operations-Praktikern.

Haben Sie einen taktischen Plan für den Einsatz der KI-basierten Zielgruppen?  

Dies hat eine strategische Komponente. Doch die konkreten Taktiken werden beim Roadmapping von Anwendungsfällen oft übersehen. Es sollte einen Marketing-Betriebsplan geben, der die Notwendigkeit bestimmter Daten beim Aufbau einer Zielgruppe und die praktische Anwendung dieser Zielgruppe in jedem Kanal festlegt.

Verfügen Sie in Ihrem CDP über einen Messplan für KI-basierte Zielgruppen?

Der Messplan sollte spezifische Testzielgruppen und eine Möglichkeit zur Messung der Steigerung und des ROI umfassen. Stellen Sie sicher, dass die Erfolgskriterien im Vorfeld klar dargelegt werden und die Beteiligten sich darüber im Klaren sind, was ein erfolgreicher Test für künftige Rollouts bedeutet.

Viel Glück bei der Einführung von KI in Ihren CDP-Bemühungen – zusammensetzbar oder nicht. Wahrscheinlich gibt es für Sie einen Weg, die Funktion auf eine Weise in Ihre Arbeitsabläufe zu integrieren, die kostengünstig ist und den ROI Ihres Marketingteams steigert.