Predictive Marketing: Bedarf früher erkennen, ohne eine eigene Datenabteilung aufzubauen

Kurz beantwortet: Predictive Marketing nutzt Daten und statistische Modelle, um zu erkennen, welche Menschen wahrscheinlich bald Bedarf haben, welche Anfragen am ehesten zum Auftrag werden und welcher Kanal als Nächstes die besten Ergebnisse bringt. Eine eigene Datenabteilung brauchen Sie dafür nicht. Die Werbeplattformen arbeiten bereits mit Vorhersagemodellen, und mit sauberen eigenen Daten aus dem CRM lassen sich diese Modelle auf die richtigen Ziele lenken. Der Nutzen liegt weniger in einer perfekten Prognose als darin, Interessenten früher und mit der passenden Botschaft anzusprechen als der Wettbewerb.

Das Wichtigste in Kürze

• Predictive Marketing beantwortet drei Fragen: Wer wird wahrscheinlich Bedarf haben? Welche Anfrage ist am wertvollsten? Wo bringt der nächste Euro am meisten?
• Vorhersagen sind Wahrscheinlichkeiten, keine Gewissheiten. Sie lohnen sich, sobald sie im Schnitt besser sind als die bisherige Entscheidung.
• Die meisten kleinen und mittleren Unternehmen haben zu wenig Daten für eigene Modelle, können aber die Modelle der Plattformen mit eigenen Daten verbessern.
• Grenzen setzen Datenschutz und Anstand: Sensible Merkmale wie Gesundheit sind für Werbung tabu, wie der bekannte Fall der US-Handelskette Target zeigt.

Ein Heizungsbauer bekommt jedes Jahr im Oktober eine Welle von Notfallanfragen. Die Heizung ist ausgefallen, der Kunde braucht schnell Ersatz und vergleicht kaum. Eine Wärmepumpe, die mehr Marge bringt, aber Planung braucht, verkauft der Betrieb in dieser Lage selten. Hätte er dieselben Kunden im Frühjahr erreicht, als ihre Heizung 20 Jahre alt wurde und die ersten Reparaturen anstanden, wäre die Entscheidung anders ausgefallen. Genau diese Verschiebung nach vorn ist der Kern von Predictive Marketing. 

Was ist Predictive Marketing?

Predictive Marketing bezeichnet den Einsatz von Daten, Statistik und maschinellem Lernen, um künftiges Verhalten von Kunden und Interessenten abzuschätzen und Marketingentscheidungen danach auszurichten. Der Begriff ist eng verwandt mit Predictive Analytics, also der Vorhersageanalyse allgemein. Predictive Marketing ist deren Anwendung auf Werbung, Vertrieb und Kundenbindung. 

Klassisches Marketing schaut zurück: Welche Kampagne hat im letzten Quartal wie viele Anfragen gebracht? Predictive Marketing schaut nach vorn: Welche Menschen werden wahrscheinlich im nächsten Quartal anfragen, und wie erreichen wir sie vorher? Zwischen beiden liegt kein Bruch, sondern ein Schritt. Wer gute Rückblicke hat, besitzt bereits die Daten, aus denen Vorhersagen entstehen. 

Die vier wichtigsten Anwendungen

1. Bedarf früher erkennen

Die wertvollste Anwendung für Unternehmen mit Beratungsleistung ist das frühe Erkennen von Bedarf. Viele Kaufentscheidungen kündigen sich an: Wer ein Haus gekauft hat, renoviert oft in den Monaten danach. Wer sich wiederholt über Förderprogramme für Heizungen informiert, plant wahrscheinlich einen Tausch. Ein Unternehmen, das Büroflächen sucht, stellt vermutlich bald Mitarbeiter ein. Solche Signale gibt es in fast jeder Branche. Wer sie erkennt, kann Menschen ansprechen, bevor sie aktiv suchen und dann mit allen Mitbewerbern gleichzeitig verglichen werden. 

2. Anfragen nach Abschlusswahrscheinlichkeit bewerten

Nicht jede Anfrage ist gleich viel wert. Predictive Lead Scoring bewertet eingehende Anfragen anhand von Merkmalen, die in der Vergangenheit mit Abschlüssen zusammenhingen: Projektgröße, Zeitrahmen, Region, Quelle, Verhalten auf der Website. Der Vertrieb ruft zuerst dort an, wo die Wahrscheinlichkeit am höchsten ist. Wie ein Punktesystem dafür aufgebaut wird, auch ohne maschinelles Lernen, zeigt der Beitrag zum Lead-Scoring. 

3. Budget dorthin lenken, wo die nächste Anfrage entsteht

Werbeplattformen nutzen Vorhersagemodelle für jede einzelne Auktion. Wenn Google oder Meta entscheiden, wem eine Anzeige gezeigt wird und wie viel dafür geboten wird, schätzen sie die Wahrscheinlichkeit einer Conversion. Diese Modelle sind gut, aber sie optimieren auf das Ziel, das Sie ihnen geben. Melden Sie jeden Formulareintrag als Erfolg, lernen sie, Formulareinträge zu erzeugen. Melden Sie qualifizierte Anfragen aus dem CRM zurück, lernen sie, Kunden zu finden. Wie diese Rückmeldung funktioniert, beschreibt der Beitrag zum Conversion-Tracking. 

4. Abwanderung und Folgegeschäft vorhersagen

Bei Bestandskunden lässt sich vorhersagen, wer wahrscheinlich bald kündigt und wer für ein Folgeangebot offen ist. Ein Wartungsvertrag, der seit zwei Jahren keine Kontakte außer der Rechnung hatte, ist gefährdet. Eine Anlage, die zehn Jahre alt wird, steht vor dem Austausch. Beides lässt sich aus den eigenen Daten ablesen. Wie Sie Warnsignale systematisch erkennen, zeigt der Beitrag Kundenabwanderung erkennen. 

Wie Vorhersagemodelle funktionieren

Hinter Predictive Marketing stehen Modelle, die aus vergangenen Daten Muster lernen. Vereinfacht: Ein Modell bekommt viele Beispiele von Kontakten, bei denen bekannt ist, ob sie Kunde wurden oder nicht, jeweils mit ihren Merkmalen. Es lernt, welche Kombination von Merkmalen mit einem Abschluss zusammenhängt, und wendet das auf neue Kontakte an. 

Typische Verfahren sind logistische Regression, Entscheidungsbäume und daraus abgeleitete Verfahren wie Random Forests oder Gradient Boosting. Sprachmodelle und spezialisierte Entscheidungsmodelle kommen hinzu, wenn Freitext ausgewertet werden soll, etwa die Beschreibung in einem Anfrageformular. Ein Beispiel für ein solches Entscheidungsmodell ist Jev, das aus Text und Kennzahlen eine Auswahl, einen Score oder eine Ja-Nein-Entscheidung mit Wahrscheinlichkeit macht. 

Für die Praxis wichtiger als das Verfahren sind drei Voraussetzungen: 

• Genug Beispiele. Ein Modell, das aus 30 Abschlüssen lernen soll, findet eher Zufälle als Muster. Für verlässliche eigene Modelle braucht es meist Hunderte bis Tausende Fälle.
• Saubere Zielgröße. Das Modell muss wissen, was ein Erfolg ist. „Formular ausgefüllt“ ist eine andere Zielgröße als „Auftrag erteilt“, und sie führt zu anderen Ergebnissen.
• Rückkopplung. Vorhersagen müssen mit dem tatsächlichen Ausgang abgeglichen werden. Ohne diesen Abgleich merkt niemand, wenn ein Modell schlechter wird.

Was kleine und mittlere Unternehmen davon brauchen

Die meisten Beiträge über Predictive Marketing beschreiben Online-Händler mit Millionen Kunden oder Konzerne mit eigenen Data-Science-Teams. Für einen Handwerksbetrieb, eine Kanzlei oder einen B2B-Dienstleister mit 200 Anfragen im Jahr passen diese Beispiele nicht. Das heißt aber nicht, dass Predictive Marketing für sie irrelevant ist. Es sieht nur anders aus. 

Der größte Hebel liegt für den Mittelstand fast immer an derselben Stelle: Die Vorhersagemodelle von Google, Meta und LinkedIn sind vorhanden und leistungsfähig. Sie bekommen nur oft die falschen Signale. Wer ihnen statt Klicks und Formulareinträgen echte Abschlüsse zurückmeldet, nutzt Predictive Marketing auf Konzernniveau, ohne ein einziges eigenes Modell zu bauen. 

Beispiele nach Branche

Wie Predictive Marketing konkret aussieht, hängt stark vom Geschäft ab. Diese Beispiele zeigen typische Signale und was sich daraus ableiten lässt: 

Predictive Marketing einführen in 5 Schritten

1. Ziel festlegen

Welche Entscheidung soll besser werden? Mögliche Antworten: Wen sprechen wir an? Wen rufen wir zuerst zurück? Wohin fließt das Budget? Wer bekommt ein Folgeangebot? Eine Entscheidung reicht für den Anfang. Wer alle vier gleichzeitig angeht, verzettelt sich. 

2. Daten zusammenführen

Die Grundlage ist ein CRM, in dem jede Anfrage mit Quelle, Merkmalen und Ausgang steht. Fehlt der Ausgang, also ob aus der Anfrage ein Auftrag wurde, kann kein Modell lernen. In vielen Unternehmen ist das der eigentliche Engpass: Anfragen werden erfasst, Abschlüsse auch, aber nicht miteinander verbunden. 

3. Mit einfachen Regeln beginnen

Bevor ein Modell zum Einsatz kommt, lohnt ein Blick auf die Daten von Hand. Oft zeigen sich drei, vier klare Muster: Anfragen mit genanntem Zeitrahmen schließen doppelt so oft ab, Anfragen aus bestimmten Postleitzahlen kaum, Anfragen über Empfehlungen am häufigsten. Diese Regeln sind bereits eine Vorhersage und oft gut genug. 

4. Die Plattformen mit Abschlüssen füttern

Melden Sie qualifizierte Anfragen und Abschlüsse an Google, Meta und LinkedIn zurück, etwa über Offline-Conversions oder die Conversions API. Ab dann optimieren die Plattformen auf Kunden statt auf Klicks. Das braucht eine saubere technische Umsetzung und eine Rechtsgrundlage nach DSGVO, bringt aber in der Regel den größten Fortschritt pro investierter Stunde. 

5. Messen und nachjustieren

Vergleichen Sie regelmäßig Vorhersage und Ergebnis. Bekommen hoch bewertete Anfragen tatsächlich mehr Aufträge? Steigen die Kosten pro Abschluss oder sinken sie? Ein Modell, das vor einem Jahr gut war, kann heute daneben liegen, weil sich Markt, Angebot oder Zielgruppe verändert haben. 

Die Grenzen der Vorhersage

Predictive Marketing hat einen Ruf, der zwischen Wundermittel und Überwachung schwankt. Beides hat einen wahren Kern. 

Vorhersagen sind Wahrscheinlichkeiten. Ein Modell, das sagt, ein Kontakt werde mit 30 % Wahrscheinlichkeit Kunde, liegt in sieben von zehn Fällen „falsch“. Trotzdem ist es nützlich, wenn es besser sortiert als der Zufall oder das Bauchgefühl. Wer von Predictive Marketing Gewissheit erwartet, wird enttäuscht. 

Die Vergangenheit ist nicht die Zukunft. Modelle lernen aus dem, was war. Ändert sich der Markt plötzlich, etwa durch eine neue Förderung oder ein neues Gesetz, liegen sie eine Zeit lang daneben. 

Nicht alles, was sich vorhersagen lässt, darf genutzt werden. Das bekannteste Beispiel ist die US-Handelskette Target, die laut einem Bericht der New York Times aus dem Kaufverhalten auf Schwangerschaften schloss und Kundinnen gezielt Babyprodukte bewarb. Die Geschichte, wie dabei angeblich ein Vater von der Schwangerschaft seiner Tochter erfuhr, ist bis heute das Lehrbeispiel dafür, wo Predictive Marketing kippt. Was damals passiert ist und was es für Unternehmen heute bedeutet, beschreibt der Beitrag Target, die Schwangerschaft und die Werbung. 

In der EU ist die Grenze heute klar gezogen. Gesundheitsdaten, und dazu gehört eine Schwangerschaft, zählen nach Art. 9 DSGVO zu den besonders geschützten Daten. Online-Plattformen dürfen nach dem Digital Services Act keine Werbung auf Profiling mit solchen Daten stützen. Für Unternehmen heißt das: Predictive Marketing arbeitet mit Signalen wie Region, Interessen, Verhalten auf der eigenen Website und Angaben, die der Interessent selbst macht, nicht mit sensiblen Merkmalen. 

Predictive Marketing als Dienstleistung

Viele Unternehmen haben weder die Datenmenge noch die Zeit, um Predictive Marketing selbst aufzubauen. Für sie ist ein Dienstleister sinnvoll, der die Bausteine bereits zusammengeführt hat. LeadRaum verbindet dafür drei Funktionen: Das PreMarketing-System wertet digitale Signale aus, die auf entstehenden Bedarf hindeuten, sodass Interessenten angesprochen werden, bevor die Suche beginnt. Die Software verteilt das Budget in Echtzeit auf die Werbeplattformen, auf denen gerade die günstigsten qualifizierten Anfragen entstehen. Und jede Anfrage wird anhand gemeinsam definierter Kriterien vorqualifiziert, unter anderem mithilfe des Entscheidungsmodells Jev. Das Ergebnis ist kein Blick in die Glaskugel, sondern ein Vorsprung von einigen Wochen gegenüber Mitbewerbern, die erst werben, wenn gesucht wird. 

Wie sich Zielgruppen so genau ansprechen lassen, dass jeder Interessent eine passende Botschaft bekommt, und wo dabei die Grenze verläuft, beschreibt der Beitrag zum Microtargeting. Einen breiteren Überblick über KI-Werkzeuge in Kampagnen gibt der Beitrag KI im Marketing.