Durchbruch im Data-driven-Marketing: So gelingt die Conversion-Rate-Optimierung

conversion rate optimierung

05.03.2024
Philip Leung

Die Conversion Rate gehört zweifelsohne zu den wichtigsten Markern, um den Erfolg einer Website zu messen. Sie zeigt, wie viele Besucher der Seite eine gewünschte Aktion ausführen, zum Beispiel sich für einen Kauf entscheiden, ein Formular ausfüllen oder ein Newsletter-Abo abschließen. Frischer Content und allgemeine Aktualisierungen zeigen oftmals keine nennenswerten Verbesserungen. Denn viel zu komplex sind die Bedürfnisse der verschiedenen Zielgruppen. Umso wichtiger ist es heutzutage, sich Technologien wie maschinelles Lernen zunutze zu machen. Welche konkreten Maßnahmen zur Conversion-Rate-Optimierung geeignet sind, erfahren Interessierte im folgenden Beitrag.

Emil Frey – Wachstum im digitalen Zeitalter

Conversion-Rate-Optimierung — Zur Success Story von Emil Frey Kiattisak // Adobe Stock

Als wichtiger Akteur in seinem Bereich und mit ehrgeizigen Wachstumsplänen machte sich Automobilhändler Emil Frey daran, personalisiertere digitale Marketingmöglichkeiten zu erkunden – die es ihnen ermöglichen würden, ihren Umsatz zu steigern, indem sie mit den Kunden im Markt in Kontakt treten, die am wahrscheinlichsten kaufen.

Das Ergebnis: Durch automatisiertes Frequency Capping über Ads Data Hub wurde viel Zeit bei der Kampagnenverwaltung eingespart. Das Unternehmen hat außerdem seine Conversion Rate mehr als verdoppelt, während sich die Kosten pro Lead fast halbiert haben. Darüber hinaus schnitten Zielgruppen mit Conversion-Neigung im Zeitrahmen nach dieser Fallstudie um 1.650 Prozent besser ab als die ähnliche Zielgruppenkontrollgruppe.

Welche Maßnahmen waren dafür notwendig?

Zuerst wurden die Kampagnenaktivitäten konsolidiert und personalisierte Mitteilungen erstellt. Danach wurde ein Kaufneigungsmodell (Purchase Propensity Model) basierend auf Rohdaten aus dem Web-Tracking erstellt und über das Marketing-Data-Warehouse genutzt. Schließlich wurden Leistungs- und Interaktionsdaten verwendet, um die ideale Kontakthäufigkeit pro Funnel-Stufe zu ermitteln, um die Medieneffizienz zu verbessern.

Personalisierung der Customer Journey mit Vorhersagemodellen

Relevanz ist heute das wichtigste Erfolgskriterium, um Kund*innen mit Werbebotschaften zu erreichen. Dafür ist die Personalisierung von Marketingkampagnen an allen Touchpoints der Customer Journey unerlässlich.

Aber wie kann ein Advertiser wissen, wann welche Botschaft oder welches Angebot zur gewünschten Conversion führen? Daten sind hier der Schlüssel. Prädiktive Vorhersagemodelle werden eingesetzt, um Kunden nach der Wahrscheinlichkeit zu kategorisieren, dass sie in der Customer Journey vorankommen. Ist ein Kaufabschluss zu erwarten oder wird der User doch eher abspringen oder eine andere Conversion erzielen?

In jedem dieser Fälle muss der User mit der entsprechenden Kommunikation oder einem attraktiven Angebot abgeholt werden. Der Advertiser kann seinen Einsatz anhand der Wahrscheinlichkeit anpassen und so die Werbeeffizienz steigern.

Maschinelles Lernen (ML) heißt das Zauberwort

Herkömmliche Methoden basieren häufig auf grundlegenden demografischen oder verhaltensbezogenen Ähnlichkeiten, um Zielgruppen für Werbung zu identifizieren. Im Gegensatz dazu nutzen ML-gestützte Vorhersagemodelle maschinelles Lernen, um große Datenmengen zu analysieren, wie zum Beispiel das Kaufverhalten von Kunden in der Vergangenheit, den Browserverlauf und Interaktionsmuster. Dies ermöglicht eine genauere Identifizierung potenzieller Nutzer, die wahrscheinlich auf ihrer Customer Journey vorankommen. Dabei zielen unterschiedliche Modelle auf verschiedene Phase der Customer Journey ab. Von der Bekanntheit über die Kundenkonversion bis hin zur Kundenbindung kann man Predictions auf bestimmte Marketingaktionen zuschneiden.

Der Köder muss dem Fisch schmecken und nicht dem Angler

Wer sich nun fragt, was das bringt, sollte die Umfrageergebnisse der McKinsey Studie* zu Personalisierung in der Werbung unter die Lupe nehmen. Dabei geben 71 Prozent der Verbraucher an, dass sie erwarten, dass Unternehmen personalisierte Interaktion anbieten und 76 Prozent sind frustriert, wenn dies nicht der Fall ist.

Werbung wird per se nicht als schlecht angesehen, da oft hilfreich im Angebots-Dschungel, nur sollte sie relevant sein. Hier muss angesetzt werden, um die Bemühungen zur Kundenakquise zu optimieren und den Umsatz zu maximieren.

Die nächsten Schritte, um den Köder auszuwerfen

Wer bereit ist, die Leistungsfähigkeit von Vorhersagemodellen zu nutzen, sollte eine Beratung nutzen, in der gemeinsam Ziele und Erfolgskriterien bis hin zu einem Proof of Concept definiert werden. So kann man sein Potenzial nutzen.

Emil Frey – Wachstum im digitalen Zeitalter

Personalisierung der Customer Journey mit Vorhersagemodellen

Maschinelles Lernen (ML) heißt das Zauberwort

Der Köder muss dem Fisch schmecken und nicht dem Angler

Die nächsten Schritte, um den Köder auszuwerfen

AI-Chatbot

Generative künstliche Intelligenz

Customer Data Platform e-dialog

Data-driven Marketing