Category

Allgemein

Wie man eine Umfrage erstellt, die Befragte mögen werden…

By | Allgemein

Wie man eine Umfrage erstellt, die Befragte mögen werden…
und warum dies der Schlüssel zu tieferen und umsetzungsfähigeren Erkenntnissen ist.

Es war ein Glückstreffer, eine zufällige Entdeckung.

Erinnern Sie sich an die heißen Tage im Sommer 2018? An einem dieser Tage wollten wir eine mobile Umfrage mit 16 Fragen starten, von denen 8 offen waren. Mein Kollege David, der neben mir schwitzte, sagte: „Das wird nie funktionieren! Wer will auf 8 offene Fragen antworten, auf einem Handy?“. Dennoch hatten wir keine andere Wahl. Wir fügten sogar noch zwei weitere Fragen hinzu: „Hat dir diese Umfrage gefallen“ und „Warum?“

Das Ergebnis war eine Überraschung. Im Durchschnitt geben etwa 50% der Befragten in herkömmlichen Umfragen an, dass ihnen die Umfrage gefallen hat. Unsere mobile Umfrage erreichte eine Zufriedenheitsrate von 91%. Wow!

Sie werden sich fragen, „warum?“. Das ist genau das, was wir die Teilnehmer gefragt haben. Die am häufigsten genannten Gründe waren „es war einfach“, „das waren gute Fragen“ und „es war schnell“. (tatsächlich betrug die durchschnittliche Zeit 5 Minuten, was eine ziemlich lange Dauer auf einem Mobiltelefon ist).

Sind Sie mit diesen Antworten zufrieden? Wir haben sie genauer überprüft. Wenn ein Grund ein echter Grund ist, muss es möglich sein, seine Nennung dafür zu nutzen, um die Zufriedenheit besser vorherzusagen (in einem multivariaten Modell). Dies ist eine Grunderkenntnis, der Vätern der Kausalitätsforschung wie dem Nobelpreisträger Clive Granger.

Deshalb bauten wir ein flexibles (Machine Learning basiertes) Vorhersagemodell und entdecken etwas ganz Spannendes. Keiner der häufig genannten Gründe sagt gut voraus, warum den Befragten die Umfrage gefallen hat. Stattdessen sind zwei weitere Gründe sehr prädiktiv.

Die Textantwort „Die Umfrage war einfach“ wurde von 10% der Befragten erwähnt und war ein starker Indikator für die Freude an der Umfrage. Außerdem wurden Nennungen, die sich wie folgt zusammenfassen lassen von 9% erwähnt: „Ich mochte die Möglichkeit, meine Gefühle mit meinen eigenen Worten zu beschreiben“. Dies stellte sich als noch stärkerer Prädiktor heraus.

Die jüngsten Versuche, die Teilnahmebereitschaft von Befragten in der Branche zu erhöhen, kreisen typischerweise um vielfältige, unterhaltsame Befragungsvariante und die Nutzung von mehr Gamification-Ansätzen. Aber was wir mit dieser Studie lernten ist, dass es weniger darum geht, ausgefeiltere Fragen zu stellen, als vielmehr darum, sie wirklich einfach zu halten und den Befragten die Möglichkeit zu geben, auf authentischste Weise die es gibt zu kommunizieren: Das verwenden der eigenen Worte.

Sie mögen fragen: „Ok, aber ist die Kodierung von Open-Text-Antworten wirtschaftlich überhaupt machbar und attraktiv?“ Neueste Technologien, die Natural Language Processing und Machine Learning kombinieren, können automatisch große Textmengen kodieren. Das von uns verwendete System muss von einem menschlichen Programmierer trainiert werden. Dann hat seine Ausgabe eine vergleichbare Vorhersagekraft mit menschlichen Kodierungen.

„Ok, aber was bedeutet das für die Verbesserung der Qualität der Erkenntnisse?“

Wir haben gelernt, dass wir die authentischsten und besten Informationen von den Befragten (z.B. Ihren Kunden) erhalten, indem wir sehr einfache Fragen stellen und sie mit ihren eigenen Worten antworten lassen. Gleichzeitig haben wir jetzt die Technologie, um versteckte Erfolgsfaktoren in diesen einfachen Textantworten zu entdecken.

Wir können mit diesen Methoden nicht nur erfahren, was mit Umfragen wirklich Spaß macht, sondern auch, warum Kunden loyal sind oder Ihre Marke eher empfehlen. Wir können auch erfahren, warum sie bestimmte Marken berücksichtigen oder sich für eine neue Produktinnovation entscheiden.

Durch diesen Einsatz extrem einfacher und kostengünstiger Forschungsmethoden können wir wertvolle Erkenntnisse gewinnen, die für den Erfolg entscheidend sind. Was könnte spannender sein?

Wenn Sie tiefer eintauchen möchtest…. z.B. wie Sie das für Ihr NPS-Programm oder Brand Tracker, lassen Sie es mich einfach wissen

Ihr, Frank Buckler

Warum Kunden nicht aus den gleichen Gründen kommen, aus denen sie bleiben: Künstliche Intelligenz enthüllt die wichtigsten Loyalitätstreiber für Mobilfunkbetreiber

By | Allgemein

Warum Kunden nicht aus den gleichen Gründen kommen, aus denen sie bleiben: Künstliche Intelligenz enthüllt die wichtigsten Loyalitätstreiber für Mobilfunkbetreiber

Mobilfunkkunden entscheiden sich oft aufgrund der Netzqualität für einen Anbieter entscheiden. Interessanterweise ist dieser Grund nicht der wichtigste für ihre Loyalität und dafür warum Kunden ihren Anbieter weiterempfehlen. Stattdessen sind attraktive Tarifpakete der wichtigste Treiber für Kundenbindung und -empfehlungen. Dies ist ein zentrales Ergebnis der aktuellen CX-Studie von Success Drivers.

Success Drivers veröffentlichte eine Studie, die die versteckten Treiber der Loyalität zu Mobilfunkbetreibern untersuchte. Die Ergebnisse veranschaulichen die Stärke der NPS.AI Lösungen des Unternehmens, versteckte Kundenbindungs- und Markenwahltreiber anhand von zwei einfachen Fragen aufzudecken: einer Bewertungsskala und einem offenen Textfeld. Die Studie wurde in Zusammenarbeit mit codit.co – einer KI-gestützten Plattform zur Analyse offener Befragungsfragen – durchgeführt.

„Wir haben 1.000 Kunden eine einfache Frage gestellt. Würden Sie Ihren Mobilfunkanbieter einem Freund empfehlen? Und wir fragten: „Warum?“ Am häufigsten wurde „wegen dem guten Netz“ genannt, sagt Frank Buckler, CEO von Success Drivers und fährt fort: „Was wir herausgefunden haben, ist, dass dieser Grund – obwohl er am häufigsten genannt wird – nicht der größte Hebel ist Kunden weiter zu binden.“

Success Drivers KI-Technologie enthüllte die Faktoren, die eher zu einer Anbieter-Loyalität führten. Obwohl das Netz bekanntlich einer der dominierenden Faktoren ist, warum sich Kunden für einen Anbieter entscheiden, hat es nur einen mäßigen Einfluss auf die Loyalität. Unser KI-Algorithmus fand heraus, dass die Zufriedenheit mit dem im Tarif inbegriffenen Leistungen der größte Hebel, Kunden zu binden oder -wenn schlecht ausgeschaltet- Kunden zu verlieren.

Die in dieser Studie verwendeten Methoden basieren auf der Kodierung von Text in Inhaltskategorien. Codit.co ist eine KI-gestützte Plattform, die nach der Schulung durch Experten für menschliche Inhalte automatisch Texte mit hoher Präzision kodiert. Die neuartige Deep-Learning-basierte Engine ermöglicht eine schnelle, kostengünstige und genaue Analyse von groß angelegten Open-End-Umfragen oder anderen Textquellen.

Abbildung 1 zeigt das Gesamtbild dieser Studie. Die vertikale Achse ist die Häufigkeit, mit der ein Loyalitätsfaktor genannt wurde und die horizontale Achse zeigt den abgeleiteten Einfluss dieser Faktoren auf die Loyalität. Die Ergebnisse zeigen die Herausforderung der konventionellen Umfrageforschung: nämlich, dass Menschen Schwierigkeiten haben, zu wissen und auszudrücken, was ihr Verhalten antreibt. Selbstlernende KI-basierte Algorithmen helfen, die komplexen Zusammenhänge zwischen den angegebenen Antworten und dem Grad der Loyalität zu finden.

NPS.AI: Eine einfachere CX-Plattform mit tieferen Einblicken

Herkömmliche CX-Programme sind deskriptiv und nicht prädiktiv. Sie geben keine Einblicke in die Gründe, warum sich der NPS-Score verändert hat, oder enthüllen die verborgenen, nicht offensichtlichen Erfolgsfaktoren. Das leistungsstarke webbasierte Dashboard von NPS.AI zeigt alle das: Trended NPS, Wirkung von wichtigen Loyalitätsfaktoren und eine Erklärung für die Veränderung des NPS im Vergleich zur letzten Welle.

Etablierte, renommierte Marken wie SONOS sind überzeugt: Die NPS.AI-Lösung trägt zur Vereinfachung und Kosteneinsparung bei und liefert vor allem Erkenntnisse, die in der Lage sind, Geschäftsentscheidungen auf höchster Ebene zu treffen.

Weitere Informationen: https://nps-ai.success-drivers.com

Warum guter Sex nicht ausreicht: Künstliche Intelligenz enthüllt die Schlüsselfaktoren einer glücklichen Beziehung

By | Allgemein

Warum guter Sex nicht ausreicht: Künstliche Intelligenz enthüllt die Schlüsselfaktoren einer glücklichen Beziehung

Wir haben soeben eine Studie veröffentlicht, die die versteckten Faktoren der Beziehungszufriedenheit untersucht. Die Ergebnisse veranschaulichen die Fähigkeit der Technologie, versteckte Kundenbindungs- und Markentreiber anhand von zwei einfachen Fragen aufzudecken: einer Skala zur Messung der Zufriedenheit und einem offenen Textfeld, das nach dem „Warum“ fragt. Die Studie wurde in Zusammenarbeit mit codit.co – einer KI-gestützten Plattform zur Analyse offener Befragungsfragen – durchgeführt.

Wir fragten Ehepartner oder Partner, warum sie mit ihrer Beziehung zufrieden oder unzufrieden sind. Sie erwähnten am häufigsten „gemeinsame Aktivitäten“ oder „mangelnde Zusammenarbeit“. Was wir herausgefunden haben, ist, dass diese Gründe tatsächlich einen geringen Einfluss auf ihre Beziehungszufriedenheit haben.

Die Success Drivers KI-Technologie enthüllte die Faktoren, die eher zu erfüllten Beziehungen führten. Körperliche Zuneigung ist wichtig und stärkster Faktor um Unzufriedenheit in einer Beziehung zu verhindern (nach dem Vermeiden von Fremdgehen). Unser KI-Algorithmus fand jedoch heraus, dass körperliche Zuneigung eine notwendige, aber unzureichende Bedingung für die Zufriedenheit der Beziehung ist. Wichtig ist, dass glückliche Beziehungen mit guter Kommunikation zwischen den Partnern und über das erwartete hinaus sich gegenseitig helfen verbunden sind.

Die in dieser Studie verwendeten Methoden basieren auf der Kodierung von Text in Inhaltskategorien. Codit.co ist eine KI-gestützte Plattform, die nach der Schulung durch Experten für menschliche Inhalte automatisch Texte mit hoher Präzision codiert. Die neuartige Deep-Learning-basierte Engine ermöglicht eine schnelle, kostengünstige und genaue Analyse von offenen Textantworten mit großer Stichprobe oder anderen Textquellen.

Obige Abbildung gibt eine Übersicht über die Studie. Die vertikale Achse ist die Häufigkeit, mit der ein Beziehungsfaktor erwähnt wurde, und die horizontale Achse zeigt den abgeleiteten Einfluss dieser Faktoren auf die Beziehungszufriedenheit. Die Ergebnisse zeigen die Herausforderung der konventionellen Umfrageforschung: Nämlich, dass Menschen Schwierigkeiten haben, zu wissen und auszudrücken, was ihr Verhalten antreibt. Selbstlernende KI-basierte Algorithmen helfen, die komplexen Zusammenhänge zwischen den angegebenen Antworten und dem Grad der Zufriedenheit zu finden.

Weitere Details zur angewandten Methodik, der Textanalyse-Plattform codit.co und der neuen Generation von Net Promoter Score Programmen (NPS.AI) werden in einem Webinar vorgestellt, das codit.co und Success Drivers gemeinsam am 28. August um 17 Uhr halten. Die Teilnahme über diesen Link ist kostenfrei https://goo.gl/2fGoKr

Gruppenstudie PRICE.AI

By | Allgemein

Testen Sie alle ihre Preise zu skalierbaren Kosten

Viele Hersteller und Händler müssen hunderte oder tausende Preise managen. Etablierte Preismessmethoden, wie etwa Conjoint, sind dafür in diesem Maßstab zu teuer. Einfache Methoden wie PSM sind hingegen zu ungenau.

Price.AI setzt in einer Online-Befragung von potentiellen Kunden eine sogenannte „Implizit-Befragung“ ein, um unbewusste Zahlungsbereitschaften zu messen. Dies ist der wissenschaftlich etablierte Weg, um unbewusste Assoziationen offen zu legen. Wir wenden dies auf die zu testende Preisrange (Default: 7 Preispunkte) an. Auf Basis einer 5-minütigen Online-Befragung errechnet unser Algorithmus eine validierte Preis-Absatz-Funktion und die gewinnmaximale Preisspanne.

Die Gruppenstudie

  • Startet Anfang Juni 2018
  • Teilnahmeinteresse bis 17. Mai bekunden.
  • Ihr Input: In unserem Excel-Template notieren Sie Produktbeschreibung, die zu testenden Preispunkte, den Name der zu zeigenden Produktabbildungsdatei und wählen die zum Produkt gehörende Screener-Frage.
  • Sie erhalten: Eine Preis-Absatz-Funktion in Excel je Produkt sowie ein Excel-Tool, in dem durch Angabe der Produktselbstkosten eine Preis-Gewinn-Funktion berechnet und dargestellt wird.
  • Teilnahmekosten: 350 Euro je zu testendes Produkt zzgl. 950 Euro Setup-Kosten (Mengenrabattstaffel auf Anfrage).

Weitere Hintergrundinformationen gibt Ihnen gern Dr. Frank Buckler.
Eine Email genügt: buckler@success-drivers.com

Nachgewiesen: Welche Kreativtechniken Ihre Verkaufszahlen steigern

By | Allgemein

Einladung: Wir nehmen Anfragen zur Studienteilnahme ihrer Marke bis 31. Januar 2018 entgegen

Unsere Gruppenstudie „Creative.AI“ hat in 2017 in sechs verschiedenen Produktkategorien offengelegt, wie Kreativtechniken und Emotionale Trigger in den Kategorien wirken und welche Ansätze Verkaufszahlen kurz und langfristig treiben.

In 2018 erweitern wir diesen Ansatz, indem wir nicht lediglich den Zusammenhang zur Kauf-Intention herstellen. Intention und Kauf korrelieren im Mittel zwar mit guten 0.5. Je nach Produktkategorie und Messansatz variiert die Korrelation jedoch zwischen 0,15 und 0,9. Wir werden für Ihre Kategorie  die konkrete Wirkung auf tatsächliche Käufe nachweisen, den Wirkzusammenhang offenlegen und damit die Prognoseleistung maximieren.

Mit ihrer Teilnahme an der Gruppenstudie profitieren Sie von folgenden Besonderheiten:

  • Sie testen Ihre Spots an einer Zielgruppe, die sich in einer konkreten Kaufphase befinden anstatt Personen zu befragen, die mehrheitlich sich gerade nicht mit dem Kauf dieser Kategorie befassen.
  • Sie weisen den kurz- und langfristigen Sales-Impact von Kreativtechniken (z.B. Promi, Sprecher, Brand Song oder 100 andere), Emotionale Trigger (Indulgence, Family Love oder 130 andere) und ausgelösten Emotionen (Freude, Überraschung, Trauer, etc.) empirisch nach.
  • Sie erhalten Insights, die die emotionale Wirkung ihrer Spots erfassen, die Wirkung der objektiven Werbeinhalte nachweisen und so die Bedeutung der kreativen Stellschrauben verstehen helfen.

Wie wir vorgehen

  1. Copytest von Werbespots in einer Onlinebefragung. Dabei testen wir eine ganze Bandbreite an Wettbewerbsspots, um vielfältige Varianz an Erfolgshebeln zu erhalten. Die getesteten Spots werden mit einer objektivierten Inhaltsanalyse profiliert und so erfasst, welche Kreativtechniken Einsatz finden.
  2. Kaufintention mit verbesserten Methoden messen; wissenschaftlich überprüft und auf dem neuesten Stand.
  3. Re-kontaktieren der Probanden und ermitteln von Käufen und deren Kontextinformationen
  4. Treiberanalyse (selbstlernend, KI-basiert) um die kausale Bedeutung der kreativen Stellgrößen zu ermitteln.

Ihre Teilnahmekosten hängen in erster Linie von der Erreichbarkeit Ihrer Zielgruppe und der Kaufhäufigkeit ab. Der Teilnahmepreis startet schon ab 5 TEUR je getestetem Werbespot.

Der Zeitplan: Melden Sie ihr Interesse bis 31. Januar 2018. Die finale Vereinbarung wird bis 28. Februar 2018 geschlossen. Die Feldphase findet im März und April statt. Die deskriptive Testergebnisse erhalten Sie im April, die Gesamtergebnisse im Ende Mai.

Kontakt: Dr. Frank Buckler, buckler@success-drivers.com

Der Bauplan für erfolgreiche Werbung

By | Allgemein

Kreativität folgt keinen Regeln. Richtig. Doch will sie erfolgreich sein, benötigt sie klare Leitplanken – so wie die Kreativität von Architekten durch die Gesetze der Statik geleitet wird. Was wirkt nun – „Promis?“, „Voice-Over?“, „Welche Musik?“, „Gemeinschaft oder Genuss?“, „Problem oder Lösung?“ – Es gibt hunderte solche Fragen auf die es nun klare Antworten gibt.

KONKRETE LEITLINIE FÜR ERFOLGREICHE WERBUNG – BISLANG FEHLANZEIGE

75% des Werbeerfolgs hängt nicht vom Budget oder Mediaplan, sondern von der „Qualität“ der Kreation ab. Es ist jedoch weitgehend unklar was genau eine gute Werbung ausmacht.

Die Folge: Nur 16% von Werbespots werden aktiv erinnert und nur ein Drittel aller Kreationen schaffen es einen attraktiven ROI zu erzielen.

Andererseits weisen viele erfolgreiche Kampagnen einen ROI mit dem Faktor 10 und mehr auf. Wo kann man sein Geld besser investieren als in solche Werbung? Nirgends, wenn -und nur wenn- man den Bauplan erfolgreicher Werbung kennt.

DIE LÖSUNG: PROFILING KREATIVER TAKTIKEN

Es gibt eine Vielzahl von Testverfahren für Werbung. Copytest-Befragungen, Eyetracking, EEG-Gehirnstrom-Messungen und vieles mehr. All diese Methoden sind gut, nützlich und wichtig.

Zwei Dinge machen sie jedoch nicht: Sie messen nur Reaktionen auf Werbung, nicht jedoch die Wirkung einzelner Gestaltungsparameter. Sie erheben Daten, die für sich allein keine ursächlichen Rückschlüsse zulassen. Beispielsweise wird jede Coke-Werbung tendenziell besser in allen Parametern abschneiden – unabhängig davon wie gut die Werbung selbst ist.

Die nun pilotierte Lösung kombiniert drei moderne Ansätze zu einem:

  1. Copytest-Befragung, die auch die emotionale Wirkung von Werbung misst.
  2. Quantitative Inhaltsanalyse: Experten sezieren jede Werbung und kodieren dabei die verwendeten Creative Vehicles (Celebrity, Humor und 90 andere) und Emotional Triggers (Genuss, Familie, Gemeinschaft und 130 andere).
  3. Ursächlichen Erfolgsbeitrag jeder Taktik ermitteln: Hier werden selbstlernende Algorithmen der Künstliche Intelligenz eingesetzt, um nachzuweisen, was wirkt und was nicht.

Die Erfolgsfaktorenanalyse macht messbar, wie valide der ermittelte „Bauplan für erfolgreiche Werbung“ ist. Im Vergleich zu den bislang besten Modellen erklärt dieses 3,1 mal besser wie Werbung wirkt. Dutzende augenöffnender Erkenntnisse unserer Studie belegen dies. Hier drei Beispiele:

Die Studie zeigt, dass Emotionen der Schlüssel für Wirkung ist. Selbst rationale Botschaften werden erst verarbeitet, wenn Emotionen geweckt werden. Jedoch sind nur bestimmte Emotionen produktiv andere wieder äußerst destruktive.

Weiter zeigt die Studie, dass in jeder Produktkategorie andere emotionale Grundbotschaften wirksam sind. Hinzu kommt – die dabei in ihrer Branche üblichen Botschaften sind meist nicht effektiv – genauso wie die „Gemeinschaft“-Botschaft bei alkoholischen Getränken, die „Vertrauen“-Botschaft bei Finanzdienstleister oder die „Relief“-Botschaft bei Medikamenten.

Auch häufige Techniken wie Celebrities oder Voice-Over sind i.d.R. nicht effektiv. Vielmehr sind es ganz bestimmte sehr alte Taktiken, die wahre Wunder wirken.

Diese und dutzende andere Erkenntnisse werden in Zukunft Werbung grundlegend verändern.

AHA-MOMENTE DANK DREIFACHER ERKLÄUNGSKRAFT

Die Erfolgsfaktorenanalyse macht messbar, wie valide der ermittelte „Bauplan für erfolgreiche Werbung“ ist. Im Vergleich zu den bislang besten Modellen erklärt dieses 3,1 mal besser wie Werbung wirkt. Dutzende augenöffnender Erkenntnisse unserer Studie belegen dies. Hier drei Beispiele:

Die Studie zeigt, dass Emotionen der Schlüssel für Wirkung ist. Selbst rationale Botschaften werden erst verarbeitet, wenn Emotionen geweckt werden. Jedoch sind nur bestimmte Emotionen produktiv andere wieder äußerst destruktive.

Weiter zeigt die Studie, dass in jeder Produktkategorie andere emotionale Grundbotschaften wirksam sind. Hinzu kommt – die dabei in ihrer Branche üblichen Botschaften sind meist nicht effektiv – genauso wie die „Gemeinschaft“-Botschaft bei alkoholischen Getränken, die „Vertrauen“-Botschaft bei Finanzdienstleister oder die „Relief“-Botschaft bei Medikamenten.

Auch häufige Techniken wie Celebrities oder Voice-Over sind i.d.R. nicht effektiv. Vielmehr sind es ganz bestimmte sehr alte Taktiken, die wahre Wunder wirken.

Diese und dutzende andere Erkenntnisse werden in Zukunft Werbung grundlegend verändern.

SO SETZEN SIE DIE METHODE BEI SICH UM

Der schnellste Einstieg ist der Quick-Audit, den Success Drivers kostenfrei anbietet. Weiterhin ist der in der Studie verwendete Copytest ein preiswerter Einstieg. Mit Hilfe des in der Studie ermittelten Bauplans, werden anhand des Copytests konkrete Verbesserungsfelder aufgezeigt.

Mittelfristig liegt es nahe, eigene Kategorie-spezifischen „Deep Dive“ Studien durchzuführen und so eigenes spezifisches Know-how aufzubauen. Nutzung von Abverkaufsdaten beworbener Produkte ermöglich es im Model die absatzsteigernde Wirkung einer Anzeige präzise vorherzusagen.

Die beste Forschung trägt aber nur dann Früchte, wenn Sie in gute Kreativ-Strategien übersetzt wird und sowohl das Marketing Management als auch die Kreativagentur voll dahinter steht. Genau dafür haben wir spezifische Workshop-Konzepte entwickelt. Hier nutzen wir unsere Datenbank aus über 60.000 profilierten Beispielspots, um diverse Spielarten bestimmter emotionaler Grundbotschaften und anderer Kreativparameter illustrieren zu können.

Mehr Details zu den Ergebnissen zeigt dieser Vortragsmitschnitt:

BrandGrowth.AI: Eine erprobte, evidenzbasierte Strategie für mehr Wachstum Ihrer Marke

By | Allgemein

BrandGrowth.AI: Eine erprobte, evidenzbasierte Strategie für mehr Wachstum Ihrer Marke

In den letzten Jahren lieferte Neuroscience den wissenschaftlichen Beweis. Das Ergebnis menschlicher Entscheidungen ist im Gehirn bereits ein bis sieben Sekunden, bevor es dem Menschen bewusst wird, nachweisbar. Gut 90% unserer Entscheidungen kann durch unbewusste Emotionen, Einstellungen und Instinkten erklärt werden. Doch noch immer fokussieren die meisten Werbeanzeigen etwaigen Produktnutzen und sonstige USP‘s. Die Folgen sind weitreichend.

Konsumenten treffen wöchentlich tausende Wahlentscheidungen und sind tausenden Werbekontakten ausgesetzt. Es ist weder praktisch möglich noch für Menschen relevant, all diese zu verarbeiten und zu verstehen oder gar „eine Beziehung“ mit einer relevanten Anzahl an Marken davon einzugehen.

Die vor Jahrzehnten entwickelten wissenschaftlichen Modelle von Ehrenberg und Bass gehen von einem anderen Konsumentenbild aus – mit Erfolg. Sie sagen das Konsumentenverhalten und damit die Marktstruktur sehr präzise vorher. Große empirische Studien haben in den letzten Jahrzehnten dies in den hunderten Produktkategorien kulturübergreifend bestätigt.

Ehrenberg und Bass: Ein Meilenstein in der Marketingforschung

In seinem Buch “How Brands Groth” hat Byron Sharp – der aktuelle Director des Ehrenberg-Bass Institutes- anhand überreifender empirischer Studien dargelegt, welche weitreichenden Folgen das neue Konsumentenverständnis für praktische Marketingstrategien besitzt.

Er beweist, dass der Fokus auf dem Gewinnen neuer Kunden effektiver ist, als der des Bindens Bestehender. Cola Cola macht mehr als 50% seines Umsatzes mit Kunden, die nur 2 bis 3 mal im Jahr Coke kaufen. So gut wie jede Marke macht einen relevanten Umsatzanteil mit vielen, wenig gebundenen Kunden – dem „Long-Tail“. Hier liegt ein enormes Wachstumspotential.

Sharp belegt empirisch auch, dass Positionierung auf Basis emotionaler Differenzierung überschätzt ist und zeigt, dass es beim Branding, um viel grundlegendere Dinge geht. Es geht darum

  • Prägnant wahrgenommen und verankert zu sein, um im Moment der Entscheidung in die Auswahl zu gelangen,
  • Durch Wecken der richtigen Emotionen dafür zu sorgen, dass Werbeinhalte verarbeitet werden und es geht darum
  • Konsistent zu bleiben, damit das Markenbild über die Zeit gestärkt statt verwässert wird.

Als drittes weist Sharp nach, dass es darauf ankommt in jeder Hinsicht die Marke „verfügbar“ zu halten, um das volle Potential auszuschöpfen. „Make it Easy to Buy“ heißt das Motto. Das beinhaltet nicht nur die Verbreitung im Handel für FMCG-Produkte, sondern auch deren Sichtbarkeit dort oder dem Vermeiden von diversen z.T. im Nachhinein trivial wirkenden Kaufhindernissen.

BrandGrowth.AI: Success Drivers’ Lösung für mehr Wachstum Ihrer Marke

Wir haben unsere erprobten Analytics-Lösung im Wachstumspaket „BrandGrowth.AI“ zusammengestellt. Es beinhaltet die zentralen Schritte, die wir im Markt existierenden Marken empfehlen, um ihre Position langfristig zu stärken und Wachstum zu generieren.

1. Be Broad – Bearbeiten Sie ein möglichst großes Potential

Schritt 1 – Define your playground

Ist Head&Shoulders ein Shampoo oder ein Männer-Anti-Schuppen-Shampoo? Die Marke wird von Männern und Frauen gekauft, die zudem zu großem Teil keine relevanten Schuppenprobleme haben. Mit selektivem Targeting wäre die Marke nicht die weltweit meistverkaufte Shampoo-Marke. Doch wie findet man das richtige Ausmaß, die geeignete Definition des „Spielfelds“? Genau dafür gibt es Methoden wie die Überschneidungsanalyse, die hier helfen.

Wenn sie glauben ihre Marke besitzt einen echten USP, dann wäre dies ein Anlass darüber nachzudenken, das Kategorie-Verständnis zu erweitern oder zu wechseln. Warum? Rationale Entscheidungsprozesse sind eher bei der Auswahl der Produktkategorie und weniger in der Auswahl von Marken zu finden.

Schritt 2 – Finden Sie ihr Set an Category Entry Points

Sie fahren mit Ihrem Auto an einem McDonalds vorbei, haben aber noch nicht gefrühstückt. Wenn die Marke nicht bei Ihnen als Frühstücksoption abgespeichert ist, so fahren sie in der Regel einfach weiter ohne zu bemerken, dass es eine Option gewesen wäre. Haben Sie sich schon einmal gefragt, warum Tomatensaft fast ausschließlich im Flugzeug getrunken wird? Das Flugzeug ist (aus unbekannten Gründen) ein zentraler Category Entry Point (CEP) für Tomatensaft.

Marken wachsen wenn sie mit einer steigeneden Anzahl an CEPs assoziiert werden. Wir identifizieren qualitativ für sie potentielle CEPs, messen deren Bedeutung mit impliziten Messmethoden und stellen fest, inwieweit ihre Marke heute bereits mit dem CEP assoziiert wird?

Schritt 3 – Category.AI – Find your category drivers

Für die Käufer einer Kategorie gilt es den kleinsten gemeinsamen Nenner zu finden, der es ermöglicht so viele Käufer wie möglich zu überzeugen. Unsere AI-basierte Treiberanalyse deckt die zentralen Hebel jeder Produktkategorie mit Hilfe einfacher Markenbefragungen auf.

Hier finden wir, dass der zentrale Treiber für die Bier-Kategorie, dass Erfrischungserlebnis ist. Wir entdecken, dass in der Kategorie Hautreinigung der Duft, als zentraler Kaufindikator fungiert. Wir weisen nach, dass eine Bank sich in aller erster Linie um ihre Kompetenzreputation im Bereich Finanzierung und Anlage kümmern sollte.

Diese Kerntreiber sind der Leuchtturm für ihr Marketing. Zu weilen wirkt es zu trivial, dass ein Bier erfrischt, ein Shampoo gut riecht und eine Bank gut berät. Es ist daher oft die Regel statt die Ausnahme, dass Marken sich von diesem Leuchtturm zu weit entfernen.

Diese Fallstudie am Beispiel der Marke SONOS illustriert das Vorgehen.

2. Build Brand – Maximieren Sie die “mentale Verfügbarkeit”

Markenbildung hat zum Ziel, die mentale Verfügbarkeit zu stärken, indem es Gedächtnisstrukturen im Zusammenhang mit der Marke stärkt. Dies erreichen Verantwortliche durch einzigartige Markenelemente (Logo, Farben, Figuren, Melodien, Geschichten und Assoziationen), die konstant über Jahre und Jahrzehnte verwendet werden. Diese Verankerung gelingt jedoch erst dann, wenn es gelingt mit Werbeinhalten emotional zu involvieren – oder wenn die Marke in emotional involvierenden Kontexten gezeigt wird (Stichwort Sponsoring).

Schritt 4 – Creative.AI – Identify the DNA of successful advertising:

Unsere Lösung Creative.AI ist daraus ausgerichtet herauszufinden, welche emotionalen Archetypen und Kreativtechniken in der Lage sind emotional positiv zu involvieren und damit eine tiefere Verankerung der Markenelemente zu bewirken. Mehr über Creative.AI finden Sie hier

Viele großangelegte Studien belegen, dass mindestens 70% des Effektes von Werbung davon abhängt, wie gut diese gemacht ist. Der evidenzbasierten Optimierung kreativer Inhalte kommt daher eine entscheidende Bedeutung zu.

Erst wenn dieser Schritt vollzogen wurde, ergibt es Sinn die Verteilung von Marketingbudgets genauer zu optimieren:

Schritt 5 – Media.AI – Mediaplanung mit maximaler Reichweite

Nach aktuellem Stand der Forschung liefert der erste Werbekontakt den höchsten ROI, sodass wiederholte Kontakte nur dann sinnvoll sind, wenn sich keine alternative Zielgruppen finden, die ähnlich gut reagieren. Wie Sharp nachwies zeigt Werbung gerade bei Gelegenheitskäufern (long tail) die größte Hebelwirkung, nicht unbedingt in der „Kernzielgruppe“.

Demnach zielt gute Mediaplanung weniger auf trennscharfes Targeting, sondern darauf, kostenminimal Reichweite unter den potentiellen Käufern der Kategorie zu erzielen. Media.AI erhebt (stichprobenartig) die individuellen Medianutzungsprofile der Kategorie-Käufer und findet mit Optimierungsalgorithmen der Künstlichen Intelligenz, die reichweitenmaximale Kombinationen von Medienkanälen, -typen und Schaltzeiten bei bestehendem Budget.

Schritt 6 – Mix.AI – Mix Modeling im digitalen Zeitalter

Marketing Mix Modeling ist eine etablierte Methode. Sie bedarf jedoch einem Update. Im digitalen Zeitalter bedingen sich Kanäle immer mehr. Ein TV-Spot generiert Adword Klicks – ein indirekter Effekt dem Rechnung getragen werden muss. AI-basierte Treiberanalysen bilden nicht nur diese indirekten Beziehungen ab, sondern finden ebenfalls verborgene Verbund- d.h. Interaktionseffekte zwischen Kanälen. Mehr zu unserem MMM-Ansatz.

Schritt 7 – SLC-Brand Tracker: Die 3 zentralen KPIs immer im Blick

Brand Tracker messen heute vor allem das Brand Image, um zu überprüfen, ob die Marke noch definitionsgemäß wahrgenommen wird. Viel entscheidender ist es jedoch zu tracken, wie prägnant, „likable“ und kontinuierlich die Markenführung ist:

  • Prägnanz (Brand Salience): Sie misst wie viele Ankerpunkte, die Marke besetzt um erinnert und im Bedarfszeitpunkt abgerufen zu werden. Um die Prägnanz einer Marke optimal zu messen, muss ein eigenes Messinstrument entwickelt werden, dass alle Marken-„Cues“ abtestet.
  • Sympathie: Ist die Marke positiv besetzt und wird sie mit dem Grundnutzen der Kategorie assoziiert?
  • Kontinuität: Setzt die Markenkommunikation an existierenden Gedächtnismustern an oder verwässert sie indem sie Neue aufbaut?

3. Reach out – Maximieren Sie die “physische Verfügbarkeit”

Wir verstehen unter “physischer Verfügbarkeit”, dass die Marke im Bedarfszeitpunkt im Wahrnehmungsfeld des Konsumenten ist und dabei gewisse Knock-Out-Kriterien erfüllt (z.B. gesuchte Packungsgröße, Preiskategorie, etc.). Der Verbreitungsgrad im Handel ist hier nur eine offensichtliche Komponente von vielen.

Schritt 8 – RNB.AI: Identifizieren Sie die Gründe NICHT zu kaufen

Marken deren scheinbare Erfolgsursachen die „Convinience“ ist, haben meist bestimmte Knock-Out-Kriterien eliminiert. Leuchtende Beispiele sind Paypal, Google Search oder das iPhone. Interessanterweise ist es für Marketingexperten im Vorhinein keineswegs offensichtlich was genau diese Kriterien sind. Es bedarf genauerer Nachforschung. Wir empfehlen hierfür einen zweistufigen Ansatz

  1. Qualitative Forschung: Tiefeninterviews, Fokusgruppen oder Communities
  2. Quantitative Exploration: Unser AI-basierte Treiberanalyse liest aus einer dafür durchgeführten quantitativen Befragung, welche Kriterien tatsächliche „Show-stopper“ sind.

Der Ansatz ist sowohl für eine aktuelle Produktkategorie am Markt als auch für Neuproduktkonzepte gedacht und erprobt.

Schritt 9 – Sales.AI: Maximieren sie die Schlagkraft am POS

Die Schlagkraft am POS lässt sich durch vielfältige Maßnahmen steigern: Displays, In-store Möbel, Demo-Events, Verkäufertrainings, Preis-Promotions, u.v.m.. Doch deren Wirksamkeit ist nicht unmittelbar in den Daten abzulesen. So haben einige Maßnahmen langfristige (Training) und andere kurzfristige (Preis-Promotions) Effekte. Sales.AI baut einen geeigneten Datensatz auf und bewertet den ROI dieser Verkaufsförderungsmaßnahmen.

Schritt 10 – Price.AI: Finden Sie Preispunkte die mehrheitsfähig sind und langfristig die Erträge maximieren

Ein zu tief angesetzter Preispunkt gefährdet das langfristige „Überleben“ eines Produkts – ein zu hoch angesetzter Preis reduziert die faktische Verfügbarkeit und verhindert, dass das volle Ertragspotential ausgeschöpft wird. Der Preis ist nicht nur der am einfachsten zu ändernde Marketingparameter, er ist bekanntermaßen auch der mit der größten Ertragswirkung.

Price.AI setzt auf einer impliziten Messung der Preisbereitschaft auf und modelliert Ursachen, Bedingungen und Stellhebel der Zahlungsbereitschaft. Dies ermöglicht ein valides Finden und Managen langfristig optimaler Preispunkte.

The BrandGrowth.AI Audit – Find out what works for you

BrandGrowth.AI ist eine Zusammenstellung von Tools die an den bedeutendsten Stellschrauben für Markenwachstum ansetzen. Sie liefert Fokus, höchste Validität und Durchblick im Dschungel methodischer Möglichkeiten.

Wir bieten Neukunden einen kostenfreien Audit-Workshop indem wir mit Ihnen individuell beleuchten, was für Sie konkret zu tun ist um Ihre Marke auf die nächste Ebene zu heben. Mit etwas Glück ergeht es Ihnen danach wie T-Mobile USA, die 4 Jahre nach der Durchführung von Category.AI ihren Marktanteil verdoppelten und heute Rekordgewinne einfahren.

Wie T-Mobile-USA durch Causal Machine Learning den Marktanteil verdoppelte

By | Allgemein

Wie T-Mobile-USA durch Causal Machine Learning den Marktanteil verdoppelte

Was kann man einer Marke raten, die ein qualitativ schlechteres Produkt hat, in einem weitgehend commoditisierten Markt operiert und seit Jahren massive Verluste einfährt? Der Weg aus der Miesere scheint einem im Sumpf festsitzenden Münchhausen zu gleichen. Unsere Analysen waren die entscheidende Informationsbasis für eine beispiellose Erfolgsgeschichte in der sich der Marktanteil in nur 4 Jahren verdoppelte und heute Gewinne überborden. Lesen Sie wie ähnliche Effekte auch bei Ihnen möglich sein werden.

Der geniale Frontalangriff

Wir schreiben das Jahr 2013. T-Mobile-USA war so gut wie zum Tode geweiht. Jahre massiver Verluste lagen hinter ihr. Doch der Mutterkonzern fand keinen Käufer für die ungeliebte Tochter. John Legere übernahm als CEO die Führung des Unternehmens und erhielt von der Zentrale Narrenfreiheit. Schlimmer konnte es ja nicht mehr werden.

Seine Strategie war es alle Hebel in Gang zu setzen, sodass sich Kunden wieder für T-Mobile entschieden. Er reduzierte die Preise, löste die Vertragsbindung auf und gab Top-Smartphones einfach kostenlos dazu. Das Ganze umrahmte er mit einer Kommunikationsstory „The Un-Carrier“ in der er T-Mobile als Robin Hood der Mobilfunkunternehmen feierte.

Die Kundenzuwächse ließen nicht lang auf sich warten. Allein blieb die Frage zurück: Warum kommen die Kunden eigentlich zu uns? Ist es der Preis, die Vertragsbindung, die Smartphones oder die emotionale Anziehungskraft der neuen Positionierung? Herkömmliche Methoden gaben widersprüchliche Antworten. Man konnte jede Antwort erhalten, wenn man die Insights nur entsprechend filterte. Kommt Ihnen das bekannt vor?

Kausales Machine Learning im Einsatz

T-Mobile kam mit dieser Frage auf Success Drivers zu, denn die Frage des Warum, die Frage nach dem zentralen Erfolgsursachen ist unser Spezialgebiet. Konventionelle Korrelations- und Regressionsanalysen hatten bislang keine überzeugenden Antworten liefern können.

Wir setzen auf einer landesweiten Befragung von Kunden und Nichtkunden auf. In dieser maßen wir die Bereitschaft zu T-Mobile zu wechseln, die Wahrnehmung des Markenimage, inwieweit die neue Positionierung bereits gelernt wurden und vor allem die Einschätzung der Zielkunden bzgl. der zentralen Kaufkriterien wie Netzqualität, Preis, Vertragsbindung, Service oder Devices.

Mit diesen Daten führten wir eine Universelle Strukturmodellierung durch – ein Verfahren des Kausalen Machine Learning. Diese zeichnet sich durch drei bestechende Eigenschaften aus:

  1. Misst Kausalität nicht Korrelationen und vermeidet so die klassische Scheinerkenntnisse.
  2. Deckt Indirekte Effekte auf und ist so im Gegensatz zu klassischen Treiberanalysen und Regressionsansätze den wahren Gesamteffekt zu beziffern
  3. Ist selbstlernend und modelliert dadurch bislang unbekannte Nichtlinearitäten und Interaktionen.

Die Bedeutung der Erkenntnisse sind immens

Die Erkenntnisse der Analyse waren vielfältig. Die bedeutendste und zugleich überraschende Einsicht war diese:

Weder das Thema Preis, Vertragsbindung noch Top-Geräte hat einen massiven direkten Einfluss auf den Kauf. Es war die „Robin Hood“-Positionierung, die die Kunden anzog. Die Preisgestaltung, fehlende Vertragsbindung oder Gerätezugaben waren lediglich Hebel die die Wahrnehmung dieser Positionierung befeuerten.

Wir empfahlen statt in einem weiteren Preiskampf das Wachstum zu erhalten, kreativ neue Wege zu suchen und umzusetzen, welche die Positionierung weitere belegen. Genau dies war dann der Pfad des Unternehmens in den kommenden Jahren. T-Mobile bot etwa Kunden der Wettbewerber an, die Wechselgebühr bei vorzeitiger Kündigung zu übernehmen.

“Success Drivers provided us the confidence to advise our business partners on the most effective and efficient means for sustaining our brand momentum.” lässt sich der Director Consumer Insights, T-Mobile USA zitieren.

Learnings

Das Fallbeispiel zeigt, die zentrale Bedeutung eines präzisen Verständnisses darüber, aus welchen Beweggründen Kunden in ihrem Markt handeln wie sie handeln.

Branchenwissen von Experten ist eine notwendige jedoch keine hinreichende Voraussetzung, denn die vielen, zeitgleich wirkenden Ursache-Wirkungsbeziehung kann ein Mensch nicht „im Kopf“ dechiffrieren. Kausale Künstliche Intelligenz kann helfen, wie das Beispiel eindrucksvoll zeigt.

Das Beispiel zeigt auch, wie die konventionelle Statistik in solchen realen Fragestellung oft nicht ausreicht. Denn unsere Märkte sind komplex und intransparent. Erfolgsursachen beeinflussen sich gegenseitig (indirekte Effekte), wechseln ihre Bedeutung je nach Kontext (Interaktion) und je nach Ausprägung (Nichtlinearität). Maschinelle Lern-Algorithmen können hier das Management unterstützen, wertevolle Informationen aus dem Ozean an Daten zu extrahieren.

Sie haben Fragen? Lassen Sie mich es wissen!

Frank Buckler

p.s. Weiterführendes zu NEUSREL und die Universelle Strukturmodelierung finden Sie hier.

Datenqualität bereinigen durch Machine Learning

By | Allgemein

Datenqualität bereinigen durch Machine Learning

Neue, wirksamere Wege zum Vermeiden von Bad Response Effekten, Sampling-Bias, und schwankenden KPI’s.

Manche Befragte klicken sich in Windeseile, manche erratisch durch den Fragebogen. Die Stichprobe einer Befragung ist oft weit weg von einer Zufallsauswahl. Übermäßig Quotierung verschärft das Problem statt zu lösen. Interne Auftraggeber fragen sich des Öfteren, warum ein NPS (oder andere KPI‘s) gefallen oder gestiegen ist und finden keine sinnvolle Begründung. Zweifel in die Datenqualität kann das Vertrauen in eine ganze Studie zu nicht machen. Doch es gibt neue Wege dem zu entgegnen.

Das Beispiel Bad Response Effekte

Viele Marktforscher haben ihre eigenen „praktischen“ Regeln entwickeln, dem zu entgegnen. Zu kurze Befragungszeiten oder zu viele Zustimmungen führen zum Ausschluss eines Befragten. Es werden auch gelegentlich Testfragen eingeführt, um zu prüfen ob ein Befragter „aufpasst“.

Das Problem: Was genau ist die richtige Befragungszeit bei der ein Fall ausgesondert werden sollte? Bei welcher Zustimmungsquote unterscheidet sich ein Fan von einem unehrlichen Befragten? Was genau sagt die Testfrage wirklich über das Befragungsverhalten der Person?

Die Antwort auf diese Frage ist unbekannt und ist mit herkömmlichen Mitteln kaum aus den Daten zu beantworten.

Selbstlernende Analysemethoden – auch unter dem Trendwort „Machine Learning“ bekannt, bieten die Möglichkeit unbekannte, komplexe Zusammenhänge zwischen Indikatoren und ihren Auswirkungen aus Daten zu erlernen.

Bad Response Indikatoren sind etwa die Interview-Dauer, die Antwort auf eine Trick/Konsistenzfrage oder die Anzahl gleicher Antworten hintereinander u.v.m. Der Trick versucht nun nicht mehr eine Bedeutung (= Einfluss) dieser Indikatoren auf die Ergebnisse (willkürlich) anzunehmen, sondern den kausalen Einfluss aus den Daten herauszulesen. Dies ist mit Machine-Learning-basierenden Ursache-Wirkungsanalysen (insb. NEUSREL) möglich. Die Analyse ergibt beispielsweise folgende Ergebnisse. In dem Plot sieht man, dass die Kundenzufriedenheit extrem für Interviewlängen untern einer bestimmten Minutenzahl in die Höhe schießen (Skala ist hier auf 100 normiert).

diagrammsatisfaction

Das ermöglicht es uns sinnvolle Entscheidungsregeln abzuleiten. Daneben sehen Sie einen Scatterplot der gleichen Variablen und sehen einen anderen Zusammenhang. Eventuell sind die Speeder jüngere Menschen, die perse unzufriedener mit dem Anbieter sind. Das Machine Learning liefert also kausal bereinigte Erkenntnisse statt die üblichen Scheinkorrelationen.

Werden die Daten für eine Treiberanalyse verwendet, empfiehlt es sich sogar die suspekten Fälle gar nicht auszusondern. Dadurch dass die Bad Responses durch die Indikatorvariablen gut beschrieben sind, rechnet eine Machine-Learning-basierte Treiberanalyse (insb. NEUSREL) die Bad Response-Effekte einfach raus. Das Aussondieren von Fälle würde mit Verfälschungseffekte einhergehen, die nicht nachprüfbar sind.

Das Beispiel Sampling-Bias

Stichprobenverzerrungen treten beispielsweise durch sich nicht-zufällig unterscheidende Teilnahmebereitschaften der Probanden auf. Indem Sie Indikatoren für diese Teilnehmerbereitschaft messen –etwas Alter, Geschlecht, Einkommen oder auch „Mitteilungsdrang“-  können Machine-Learning-basierte Ursache-Wirkungsanalysen den Zusammenhang zwischen Indikator und Antwortverhalten bestimmen. Wenn Sie nun beispielsweise zu wenige Senioren im Sample haben, kennen Sie nun genau die Verzerrung dadurch auf jede Frage und können Sie korrigieren.

Für die Verwendung der Daten in Treiberanalysen genügt es gute Indikatoren für den Sampling-Bias Teil des Treibermodells zu machen, denn dieses rechnet alle Bias-Effekte automatisch heraus. Dies erlauben jedoch nur Machine-Learning-basierte Treiberanalyse (insb. NEUSREL). Somit wird eine zu starke Quotierung vermieden, die selbst neue Quotierungs-Bias erzeugen.

Das Beispiel Schwankende KPI‘s

Wenn Werte von KPI’s wie NPS, TRIM, etc. sich unerklärbar von Welle zu Welle ändern, kann das zwei Ursachen haben:

  1. Eine oder mehrere zentrale Ursache des Treibers hat/haben sich geändert. Dem kann man nur dann auf den Grund gehen, wenn man mit Treiberanalysen verstehen lernt, was wirklich das KPI treibt.
  2. Die beschriebenen Verzerrungen wie etwas Bad Response oder Sampling Bias haben sich zwischen den Wellen geändert. Etwas mehr Senioren, etwas mehr Männer, etwas weniger Probanden mit „Mitteilungsdrang“ – es gibt viele Ursachen dafür. Diese können einzig und allein dadurch kontrolliert werden, dass wir wie oben beschrieben Indikatoren für Verzerrungen mit messen.

Um den wahren unverzerrten KPI Wert über alle Befragten zu ermitteln, benötigt man ein Treibermodel, dass möglichst präzise den KPI anhand der Treiber, der Kontextvariablen und der Indikatoren für Verzerrungen vorhersagen können. Verfahren wie NEUSREL sind universell einsetzbar egal wie die Variablen verteilt sind oder Nichtlinearitäten in sich tragen. In der Regel erzielen sie zudem 20-80% höhere Erklärungsgüte als herkömmliche lineare Modelle.

Das Treibermodell wird dann zur Simulation genutzt. Ändert man die Werte der Indikatorvariablen so, dass der Standardmittelwert entsteht, dann liefert das Treibermodel Schätzwerte für jeden Befragten, die dann aggregiert den korrigierte KPI ergibt.

Fazit

Machine-Learning-basierte Ursache-Wirkungsanalysen bieten neue Möglichkeiten Datenqualität zu verbessern. Sie führen zu einer konsistenten objektiven Behandlung von Bad Response und Sampling-Bias. Sie führen zu plausibleren, weniger erratischen Änderungen von KPI’s zwischen Wellen und einen nachprüfbaren Qualitätscheck der Feldorganisation. Als schönen „Nebeneffekt“ erhält man durch das Modeling ein Verständnis für Erkenntnisse die sie ohne dem nicht hätte: Einblicke in die kausalen Zusammenhänge ZWISCHEN den Daten – Aussagen darüber, welche Bedeutung Marketingaktionen oder Kundeneinstellungen besitzen. Die selbstlernende NEUSREL-Treiberanalyse macht‘s möglich.

p.s. Weiterführendes zu NEUSREL und die Universelle Strukturmodelierung finden Sie hier.

Retouren-Quoten senken mittels Kausalanalysen.

By | Allgemein

Wie der führenden Retourenforscher Professor Walsh durch Kausalanalysen effektiven Hebeln zum Senken der Retourenquote auf die Spur kam.

Die extrem hohen Retouren-Quoten im eCommerce sind ein ungelöstes Problem. Ein Problem das besonders durch die knappen Margen brisant bleibt. Herkömmliche BI-Analyseergebnisse stellten sich in der Vergangenheit sehr oft als irreführend heraus. Den Grund nennt man „Scheinkorrelation“.

So stellten wir beispielweise fest, dass quergestreifter Kleidung weniger zurückgesendet wurde. Eine klassische Scheinkorrelation: denn die Querstreifen kamen vor allem bei preiswerten Produkten vor, deren Retourenquote i.d.R. geringer war. Unter sonst gleichen Umständen werden quergestreifte Waren MEHR -nicht weniger- zurückgesendet. Eine Erkenntnis, die Sie nur durch Kausalanalysen ermitteln können.

Der Retouren-Versteher

Genau aus diesem Grund hat Professor Walsh von der Universität Jena mit seinem Forscherteam seit Jahren auf den Einsatz von Kausalanalysen gesetzt. In diversen Studien identifizierte er damit für die Branche neue Erkenntnisse.

So deckte er in der im Harvard Business Manager erschienen Studie auf, dass sich der Einsatz von Sanktionen und Retourhürden langfristig nicht auszahlt. Und er zeigte einen klaren strategischen Weg auf: Die Retourenquoten sinken mit der Möglichkeit das Produkt vor dem Kauf genauer kennenzulernen. Virtuelle TryOn’s, Avatare und konkrete Produktbewertungen von Peers sind enorme Hebel. Letzteres ist ein Hebel mit extrem hohen ROI, da das Invest vergleichsweise gering ist.

Selbstlernende Kausalanalyse deckt auf

Mit seiner aktuellen Studie setzte das Forscherteam, um Gianfranco Walsh noch einen drauf. Sie identifizierten durch kausalanalystische Betrachtung von Befragungsdaten von Konsumenten, dass allein die kundenbezogene Reputation eines Anbieters einen signifikanten Einfluss auf die Retourenquote hat.

Diese Reputation wird bestimmt durch folgende Komponenten: Kundenorientierung, Guter Arbeitgeber, Finanziell Solide, Wahrgenommene Produktqualität und Gesellschaftliche Verantwortung. Obwohl dieses Maß als sehr abstrakt erscheinen mag, ermöglicht das neue Kausalmodell, sehr präzise beispielsweise den Effekt einer schlechten Presse (z.B. bezüglich Kundenorientierung) zu messen und die Auswirkungen auf die Marge zu quantifizieren.

„Es gibt zudem eine Reihe von unternehmensindividuellen Retourenhebel. Die ermitteln Sie am erfolgreichsten durch eine selbstlernende Kausalanalyse – so wie es NEUSREL ermöglicht“ empfiehlt Walsh.

p.s. Weiterführendes zu NEUSREL und die Universelle Strukturmodelierung finden Sie hier.