Dir wurde dieser Newsletter weitergeleitet?

Hier kannst du dich kostenlos anmelden:
✉️ https://subscribe-now.beehiiv.com/p/so-analysiert-ihr-eure-abo-daten?_bhlid=3d04ebedc60a91c5b7b5920ea18e1b82018aa317

1. Deep Dive

Aus dem Interview mit Dr. Ana Moya

1. Findet die passende Analyse-Methode für eure Fragestellung

Aktuell wird oft versucht, jedes Problem mit KI zu lösen. In vielen Fällen ist das aber gar nicht sinnvoll, weil eine deutlich simplere Analysemethode (z. B. ein einfacher Hypothesentest oder eine deskriptive Statistik) ausreicht.

Ana empfiehlt daher, sich für jede Fragestellung diese vier Arten von Analysen vor Augen zu führen und zu überlegen, welche Komplexität für die Frage angemessen ist:

• Deskriptive Statistik: Was passiert?

• Explorative Statistik: Warum passiert es?

• Prädiktive Statistik: Was wird wahrscheinlich passieren?

• Präskriptive Statistik: Was sollte ich nun tun?

Wichtig: All diese Analysen funktionieren nur dann, wenn sie auf einer soliden Datengrundlage basieren. Sonst gilt die alte Regel: Shit in, shit out!

2. Um Churn zu verringern, braucht ihr Modelle, die erklären, warum Nutzer kündigen

Viele Unternehmen führen gerade Prediction Scores ein, um zu analysieren, welche Nutzer eine besonders hohe Wahrscheinlichkeit haben, ein Abo abzuschließen, ein Abo-Upgrade anzunehmen oder ihr Abo in den nächsten X Monaten zu kündigen.

Dabei gibt es zwei Wege, diese Modelle zu bauen:

1. Vortrainierte Modelle, die bereits mit Abo-Daten optimiert wurden und die oft bereits in Tools integriert sind, wie zum Beispiel bei Piano

2. Selbst trainierte Modelle, die man inhouse entwickelt und mit den eigenen Daten füttert

Obwohl letzteres deutlich komplexer ist und viel Know How im Data Science Team erfordert, empfiehlt Ana diesen Weg.

Sie sieht darin zwei Vorteile:

1. Man ist Tool-agnostisch, kann diese Analysen also unabhängig von den eingesetzten Systemen für Abo-Management und Co einsetzen und Daten aus verschiedenen Quellen zusammenführen.

2. Bei diesen Modellen kann man genauer verstehen, wie sich einzelne Variablen auf die Kündigungs-Wahrscheinlichkeit auswirken.

Vortrainierte Modelle sind zwar schneller einsatzbereit und können oft auch von Laien implementiert werden, aber sie bleiben oft eine Black Box. D. h. jeder Nutzer bekommt einen Wert zwischen 0 und 100 zugewiesen, aber man kann nicht genau nachvollziehen, warum.

Wenn man nun mit so einer Blackbox arbeitet, kann man eine Maßnahme (z. B. eine E-Mail-Kampagne) testen und schauen, ob sich die Kündigungswahrscheinlichkeit dadurch verringert.

Besser ist es allerdings, wenn man versteht, dass z. B. Zahlung auf Rechnung einen großen Einfluss auf die Kündigungswahrscheinlichkeit hat. Dann kann man mit Maßnahmen testen, wie man Nutzer zu einer anderen Zahlungsweise mit geringerer Churn-Rate lenkt.

Den Erfolg dieser Maßnahme kann man dann in zwei Schritten messen:

1. Wurden weniger Abos auf Rechnung bestellt?

2. Haben die Nutzer in dieser Testgruppe seltener gekündigt?

Man sollte also eher versuchen, die Input-Variablen zu verbessern, statt sich auf den Output wie einen Churn-Score zu fokussieren.

Ein statistisches Modell ist dann besonders sinnvoll, wenn es euch hilft, die Muster hinter den Kündigungen zu verstehen, denn dann könnt ihr gezielte Hypothesen und Maßnahmen entwickeln und priorisieren.

3. Der Unterschied zwischen einer CDP, einem CRM, einem Data Warehouse und einem Data Lake

Wenn es um Daten geht, begegnen einem diese Begriffe ständig und es hilft, die Unterschiede zu verstehen. Im Grunde handelt es sich um verschiedene Arten, wie man Daten speichert und strukturiert.

1. Ein Data Lake sammelt Daten aus verschiedenen Quellen in unterschiedlichen Formaten. Darunter sind auch Daten, bei denen man noch nicht weiß, ob und wie man sie verwenden wird und oft sind die Daten noch nicht final strukturiert und bereinigt.

2. Ein Data Warehouse hat im Gegensatz dazu schon eine klarere Struktur. Die Daten liegen (symbolisch gesehen) schon in etikettierten Boxen auf Paletten in einem Regal in einer Lagerhalle. Stellt es euch vor wie ein Ikea Lager, in dem man immer weiß, wo man das Billy-Regal findet und wie viele davon noch vorrätig sind.

3. Eine Customer Data Platform (CPD) organisiert die Daten um den Kunden herum. Während im Data Warehouse alle möglichen Daten liegen, bündelt die CDP verschiedene Quellen und alle Touchpoints mit euren Nutzern, um genau zu verstehen, was einen Kunden interessiert, was er zuletzt gekauft hat und wann er die Website zuletzt besucht hat.
   
   Zusätzlich bietet eine CDP operationale Funktionen, wie z. B. Personalisierung und Kampagnenmanagement, um Marketing- und Kommunikationsmaßnahmen, datengestützt auszuspielen.

4. Ein Customer Relationship Management (CRM)-System verwaltet die Interaktionen zwischen euch und euren Kunden. Im Gegensatz zur CDP hat das CRM aber meist eine eingeschränktere Sicht auf Interaktionen innerhalb bestimmter Systeme und enthält noch nicht die Daten von allen Touchpoints.

Jedes dieser Systeme hat seine Vor- und Nachteile, es hängt also immer vom Einsatzgebiet ab, was ihr gerade braucht. Wichtig ist aber, dass die Daten sauber abgeglichen werden, damit ihr eine Single Source of Truth habt, und keine widersprüchlichen Informationen, die dann zu Chaos führen.

Wie gefällt dir diese Ausgabe?

👍 👎

2. Events

📅 19. bis 21. September | Hamburg | re:publica Hamburg im Rahmen des Reeperbahn Festivals

So schreibst du Newsletter, die begeistern

Jetzt anmelden

📅 25. September | Online | MVFP Akademie

Newsletter als Geschäftsmodell: Wie kann ich mit redaktionellen E-Mails Geld verdienen?

Tickets

📅 Am 27. September | Hamburg

Steady Growth Day

Jetzt anmelden!

📅 19. November | Hamburg

Subscription Tour (ausgebucht)

Dabei sind Stern, ZEIT, Spiegel, Chefkoch und DRIVE (dpa & Highberg).

Auf die Warteliste eintragen

3. Was bisher geschah

4. Zum Schluss