Die Zukunft des Marketings ist da: Predictive Intelligence

Predictive Intelligence mag wie ein futuristisches Werkzeug klingen, das in einen Science-Fiction-Film gehört. Aber die Marketingspezialisten von heute nutzen die Technologie, um ihren Kunden das zu liefern, was sie wollen, bevor sie überhaupt wissen, dass sie es wollen.

Predictive Intelligence-Tools helfen Unternehmen wie dem Möbelhändler Room & Board, ihr Endergebnis zu verbessern und Kunden effektiver zu erreichen. Sie implementierten die Marketing Cloud-Technologie von Salesforce, die Daten zum Kundenverkehr und prädiktive Analysen analysierte, um Kunden in Echtzeit zusätzliche Käufe vorzuschlagen. Das Ergebnis war ein unglaublicher ROI von 2900 %.

Zugegeben, nicht viele Unternehmen werden so erfolgreich sein wie Room & Board. Aber die Technologie hat sich so weit entwickelt, dass Vermarkter einige neue Enthüllungen nicht ignorieren können – wie ein System, das Empfehlungen basierend auf Kundenverkehrsmustern bietet.

Kunden ein personalisiertes Erlebnis zu bieten, erweist sich weiterhin als positiver ROI. Wenn Sie mit dem Konzept nicht vertraut sind, sollten Sie wissen, was Predictive Intelligence ist und welche Tools zur Verfügung stehen.

Was ist prädiktive Intelligenz?

Predictive Intelligence, manchmal auch als Predictive Analytics bezeichnet, ist eine Methode zur Schaffung eines einzigartigen Kundenerlebnisses für eine bestimmte Person, indem das Kundenverhalten überwacht und ein Profil ihrer spezifischen Präferenzen erstellt wird. Diese Profildaten werden dann verwendet, um vorherzusagen, was die Kunden als nächstes wollen.

Nehmen wir zum Beispiel an, ein Online-Käufer hat gerade einen Flachbildfernseher gekauft. Diese neuen Intelligenztools würden den Kauf erkennen und dem Käufer in Echtzeit eine E-Mail senden, in der er einen Couchtisch oder einen Fernsehtisch vorschlägt. Dadurch entfällt die Notwendigkeit, jeden Aspekt des Kundenprofils manuell zu berücksichtigen, und macht das Marketing effizienter.

Wie es das B2B-Marketing verändert

Vermarkter bewerteten Leads manuell, um festzustellen, in welcher Phase sich potenzielle Kunden in der Customer Journey befanden. Manuelles Lead-Scoring erfolgt, wenn Marketer bestimmten Leads basierend auf ihrer Analyse eine Note oder einen numerischen Wert zuweisen. Wenn ein Vermarkter beispielsweise ein Muster bemerkt, bei dem Leads, die sich eine Produktdemo ansehen, mit einer höheren Rate konvertieren, erhalten Demo-Zuschauer möglicherweise die Note „A“, während Leads, die sich die Demo nicht angesehen haben, die Note „B“ erhalten.

Umgekehrt verwendet das prädiktive Lead-Scoring das Verhalten eines Interessenten und die bisherige Kaufhistorie, um zu bestimmen, wonach er sucht und ob er überhaupt kaufen möchte. Das prädiktive Lead-Scoring verwendet Big Data, um zu bestimmen, welche Leads am wahrscheinlichsten konvertieren, sodass sich Vertriebsmitarbeiter auf die Leads konzentrieren können, die dem Unternehmen den größten Wert bieten.

Lattice Engines und Mintigo sind zwei Unternehmen, die Cloud-basierte B2B-Analysedienste wie Predictive Lead Scoring anbieten. Lattice Engines durchsucht soziale Netzwerke, öffentliche Datenbanken und Webseiten und kombiniert diese Informationen mit internen Kundendaten, um Unternehmen dabei zu helfen, optimale Verkaufschancen zu finden. DocuSign nutzte Lattice Engines, das prädiktive Lead-Scoring-Unternehmen, um die Leads mit der höchsten Conversion-Wahrscheinlichkeit zu finden. Das Ergebnis war eine um 38 % höhere Vorhersagbarkeit von Conversions.

Mintigo nutzt künstliche Intelligenz, um seine Predictive-Marketing-Plattform zu betreiben, indem kontinuierlich Informationen wie Einstellungstrends, verwendete Marketingkanäle und installierte Technologien gesammelt werden. Als nächstes verwenden sie diese Daten, um zu bestimmen, welche B2B-Leads den höchsten Wert haben. Anschließend wird es mit der internen Marketing-Automatisierungsplattform eines Unternehmens kombiniert, um zu bestimmen, worauf Vertriebsteams ihre Ressourcen konzentrieren sollten.

Predictive Intelligence hilft Vermarktern eindeutig dabei, bessere Einblicke in das Kundenverhalten zu gewinnen. Hier sind einige der Tools, die Marketer verwenden, um effizienter zu werden:

Maschinelles Lernen

In einer Forrester Consulting-Studie aus dem Jahr 2014 wurden 121 Teilnehmer nach ihren drei größten Herausforderungen gefragt. Unter 3 bzw. 4 aufgelistet, analysierten Datenströme aus jeder Kundeninteraktion und wendeten diese Erkenntnisse an, um die Kundenerfahrungen zu verbessern:

Im Zuge der Weiterentwicklung von Big Data arbeiten Marketingspezialisten mit immer größeren Datenströmen, die für Menschen schwierig zu verwalten sein können. Maschinelles Lernen ist eine Lösung für dieses Problem. Maschinelles Lernen ist der Prozess, bei dem Systeme große Datenmengen durchsuchen, um nach Mustern zu suchen, und dann ihr Programm basierend auf den neuen Informationen anpassen.

Staples verwendet maschinelles Lernen, um auf verschiedene Weise Informationen über die Präferenzen seiner Unternehmenskäufer zu sammeln: mit Self-Service-Käufern über ihre Website und ihren Easy Button, während die Leute darauf sprechen. Beides hilft Staples, seinen Einkaufsbedarf besser vorherzusagen. Wenn Käufer im Laufe der Zeit in die Schaltfläche sprechen, erkennt der Bot, was der Kunde braucht und verbessert seine Antworten.

Künstliche Intelligenz

Eines der größten Probleme von Marketern besteht darin, dass sie nicht immer mit Daten versorgt werden, die ihnen ein vollständiges Bild geben. Künstliche Intelligenz kann neue Datenquellen im Web finden, wie zum Beispiel Nachrichten, Updates in sozialen Medien und Datenbanken. All diese zusätzlichen Daten helfen Vermarktern, qualitativ hochwertigere Leads zu finden und Inhalte für ihre Interessenten besser zu personalisieren.

Künstliche Intelligenz ist auch ein starkes Werkzeug für die Personalisierung. KI kann E-Mails speziell auf die Markenpräferenzen Ihrer Kunden zuschneiden, indem sie ihre Einkaufshistorie und ihr Verbraucherprofil verwendet. Das Tool ist so leistungsstark, dass eine Demandbase-Umfrage ergab, dass 80 % der Marketer glauben, dass KI die Marketingbranche in den nächsten 5 Jahren revolutionieren wird:

Obwohl Vermarkter fest an die Macht der künstlichen Intelligenz glauben, sind sie sich noch nicht ganz sicher, wie sie diese implementieren sollen. Nur 26 % der von Demandbase befragten Marketer gaben an, ein sehr sicheres Verständnis von KI zu haben. Stellen Sie sich vor, Sie haben einen Sportwagen in Ihrer Einfahrt, wissen aber nicht, wie man ein Fahrzeug bedient. Das ist die Phase, in der sich viele Vermarkter derzeit mit künstlicher Intelligenz befinden.

Wenn Marketer maschinelles Lernen, künstliche Intelligenz und andere Tools effektiv einsetzen möchten, müssen sie wissen, welche Trends am Horizont liegen. Hier sind drei Trends, die den Wandel im B2B-Marketing vorantreiben.

80 % der Marketer glauben, dass KI die Marketingbranche in den nächsten 5 Jahren revolutionieren wird.

Klicken Sie, um zu twittern

3 Trends bei der Vorhersage von Intelligenz

Untersuchungen haben gezeigt, dass Predictive Intelligence zu einem höheren Mitarbeiterengagement und einem höheren Customer Lifetime Value führt. Eine Studie der Aberdeen Group aus dem Jahr 2016 ergab, dass Predictive Analytics die durchschnittliche Gewinnspanne pro Kunde um fast 5 % und den Customer Lifetime Value um 10 % gegenüber Nicht-Nutzern steigern könnte:

Da immer mehr Unternehmen in Predictive Intelligence investieren, ist es wichtig zu wissen, was sie in den nächsten Jahren erwartet.

Der Aufstieg der Chatbots

Chatbots nutzen zunehmend maschinelles Lernen, um intelligenter zu werden und Kunden im Laufe der Zeit bessere Antworten zu bieten. Kunden können Antworten auf ihre Fragen zu einem Produkt oder einer Dienstleistung erhalten, ohne eine FAQ-Seite durchforsten oder zeitraubend telefonieren zu müssen.

Chatbots sind zu einem wichtigen Werkzeug für Unternehmen geworden, die mehr Prozesse automatisieren und die bestmögliche Benutzererfahrung bieten möchten. Allein in den ersten 6 Monaten des Jahres 2016 wurden 58 Millionen US-Dollar in Chatbots investiert. Darüber hinaus prognostiziert Gartner, dass Kunden bis 2020 kaum noch mit einem Unternehmen auf menschlicher Ebene interagieren werden:

Die Technologie wird zweifellos reifen und die von Kunden gestellten Fragen werden wahrscheinlich zu ihrem Verbraucherprofil hinzugefügt, um ein besseres Bild davon zu erhalten, wo sie sich in der Customer Journey befinden und welche Dienstleistungen sie kaufen könnten.

Intelligente Apps

Maschinelles Lernen wird nicht nur ein Werkzeug sein, das sich Tech-Giganten wie Facebook mehr leisten können. Intelligente Apps werden schneller Mainstream als Sie denken. Bald werden die meisten Unternehmen Apps verwenden, die große Datenmengen schnell analysieren und ihr Programm aufgrund neuer Informationen ändern. Und wenn Sie das nicht glauben, glauben Sie Folgendes: Im Jahr 2016 erfuhr TechCrunch, dass 90 % der Startups, mit denen sie sich trafen, vorhatten, maschinelles Lernen einzusetzen, um ihr Kundenerlebnis zu verbessern.

Es wird auch einen wachsenden Marktplatz für Algorithmen geben, die intelligente Apps antreiben. Algorithmia ist ein solcher Marktplatz. Mashape ist ein weiterer Marktplatz für APIs, mit dem Entwickler intelligente Apps erstellen. Marketer werden sich zunehmend auf Algorithmen verlassen, um intelligente Apps auszuführen, die ihren Kunden personalisierte Lösungen bieten.

Marktplätze sind wichtig, weil sie Reibung im Kauf- und Verkaufsprozess reduzieren. Mit einem einfacheren Kaufprozess bedeutet dies eine schnellere Einführung intelligenter Apps und der APIs, die sie unterstützen.

Big Data sorgt für steigende Investitionen

Eine Umfrage von DNV GL – Business Assurance ergab, dass 76 % aller Unternehmen ihre Investitionen in Big Data bis 2019 erhöhen oder beibehalten möchten. Die Umfrage ergab auch, dass die Mehrheit der Unternehmen weltweit Big Data als Chance sieht. Unternehmen, die mehr in Big Data investieren, sehen eine Verbesserung der Effizienz und Entscheidungsfindung, und Unternehmen nutzen Big Data auch als Möglichkeit, kritische Informationen über ihre Kunden zu erfassen und zu speichern:

Mit einem neuen Fokus auf maschinelles Lernen und künstliche Intelligenz müssen die Daten, die diese Prozesse antreiben, von irgendwoher kommen. Big Data gibt diesen Tools die Informationen, die sie benötigen, um ein vollständigeres Bild für Marketer zu zeichnen. Ohne große Datenmengen kann Predictive Intelligence zu falschen Schlussfolgerungen führen und Marketer in die falsche Richtung weisen. Deshalb müssen neben prädiktiven Tools auch Big Data gepflegt werden.

Predictive Customer Intelligence-Beispiele

Unternehmen tendieren zum verstärkten Einsatz von Predictive Analytics. Aber es ist nicht nur eine Technik für die Zukunft. Derzeit verwenden Unternehmen Vorhersagetools, um ihr Endergebnis zu verbessern und effizienter zu werden.

Innenansicht

InsideView ist ein Marketing- und Vertriebsunternehmen, das eine effektivere Methode benötigt, um festzustellen, welche Leads es wert sind, verfolgt zu werden. Zu dieser Zeit hatte InsideView nur zwei Vertriebsmitarbeiter und die Bestimmung, welche eingehenden Leads die höchste Priorität hatten, war ein langwieriger 18-tägiger Prozess , eine Zahl, die das Unternehmen drastisch reduzieren wollte.

Anschließend wandten sie sich an die Predictive Analytics-Lösung von SalesPredict, um intelligente Einblicke in das Lead-Scoring zu erhalten. Die Lösung nutzte Tausende von Signalen, um Erkenntnisse über die Kaufabsicht eines Leads zu gewinnen. Predictive Analytics ermöglichte es InsideView, für jeden Lead einen Score zu erstellen, der in die bestehende Marketingautomatisierung des Unternehmens integriert wurde.

Das Ergebnis? Der Lead-Qualifizierungsprozess von InsideView wurde jetzt auf 2 Tage verkürzt. Darüber hinaus stieg die Konversionsrate um 25 % und das Unternehmen verzeichnete ein 100-prozentiges Wachstum in seiner qualifizierten Vertriebspipeline.

US-Mobilfunk

US Cellular wollte wissen, welche Website-Optimierungen sie implementieren können, um den Umsatz zu steigern und wie effektiv jede dieser Maßnahmen war. Sie beauftragte Cardinal Path, eine Kaufabsichtsanalyse (eine Form der prädiktiven Analyse) durchzuführen, um herauszufinden, welche Website-Aktionen zukünftige Käufe am besten vorhersagen.

Es bestand die Überzeugung, dass potenzielle Kunden, die die Funktion zum Hinzufügen zum Warenkorb oder zur Filialsuche auf der Website des Unternehmens nutzten, höherwertige Leads waren. Cardinal Path stellte fest, dass potenzielle Kunden, die die Funktion "Jetzt chatten" oder "Angebote" von US Cellular verwendet haben, mit größerer Wahrscheinlichkeit einen zukünftigen Kauf tätigen als potenzielle Kunden, die einen Filialfinder verwendet haben. US Cellular nutzte diese Erkenntnisse, um sich auf qualifiziertere Leads zu konzentrieren, was zu einer Steigerung des Customer Lifetime Value um 61 % führte.

Welche Technologie werden Sie nutzen?

Predictive Business Intelligence-Technologien wie Machine Learning und KI sind keine Fremdwörter mehr, die Sie ignorieren können. Sie sind hier, um zu bleiben und das digitale Marketing, wie wir es kennen, zu verändern. Beides ermöglicht es Marketingspezialisten, personalisierte Lösungen für Kunden zu entwickeln und auf dem Laufenden über verwandte Trends zu bleiben, kann Ihrem Unternehmen helfen, in Zukunft effizienter zu werden.

Beginnen Sie mit der Personalisierung der Post-Click-Landingpage-Erfahrung Ihrer Kunden und melden Sie sich noch heute für eine Instapage Enterprise-Demo an.