Predictive Lead Scoring: Der Blick in die Zukunft ist Gegenwart

So paradox es zunächst klingt: Der Blick in die Zukunft ist Gegenwart. Prediction Modelle sind im Online-Geschäft Alltag und die Analysen werden ausgereifter. Gerade die Bewertung von Leads auf Grundlage wachsender Datenmengen, das sogenannte Predictive Lead Scoring, ist ein Wachstumsfeld – das nicht nur großen Unternehmen mit dicken Budgets nutzen. „Predictive lead scoring is gaining ground with smaller companies“, verkündet Venturebeat. Und beruft sich auf eine Studie, die belegt, dass vor allem kleine Firmen in Technologien zum Predictive Lead Scoring investieren. Wer die Tool-Budgetplanung für 2015 noch nicht abgeschlossen hat, sollte einen Blick in die Lead Scoring Glaskugel werfen.

Die Bewertung von Leads darf nicht eine Frage des Bauchgefühls sein

Bei welchem meiner Kontakte lohnt sich das Nachfassen? Wem sollte ich zuerst ein Angebot erstellen? Im Vertrieb zählt Fingerspitzengefühl und das richtige Timing. Allerdings reicht ein gutes Bauchgefühl oder Sales-Instinkt alleine auf Dauer nicht. „For the most part, companies rely on instinct“ sagt Brian Kardon, CMO bei Lattic Engines. Der frühere Manager, der unter anderem Zwischenstationen bei Eloqua und Forrester eingelegt hat, bevor er zu einem Spezialisten für Anwendungen im Bereich der Prediction Analysen für Marketing und Sales wechselte, sieht den Umgang mit Daten im digitalen Marketing und Vertrieb sträflich vernachlässigt. Dabei sollte nach Ansicht Kardons in der Praxis fundierte Datenanalyse den Vorrang vor Rätselraten über die Erfolgschancen von Leads haben. Gegenüber Business2Community führt Kardon die Bedeutung von Predictive Lead Scoring näher aus:

„It relies on data science to answer these questions by analyzing past ’success events‘ and providing predictions based on a model. It is science, not guessing. […] Modern marketers don’t have to guess which of their leads are best. They can know by applying new technology to all the data that is discoverable about their prospects“.

Predictive Lead Scoring wird vor allem von Technologieunternehmen genutzt

Eine Studie von Accenture hat ergeben, dass sich der Einsatz von Datenanalysen im Marketing seit 2009 verdreifacht hat. Predictive Lead Scoring wird dabei vor allem im High Tech-Bereich eingesetzt: Die Marktforscher von SiriusDecisions ermittelten, dass 78 Prozent der befragten B2B-Unternehmen, die ihre Leads über gezielte Vorhersagen bewerten, aus dem Technologiebereich stammen. Davon bewegen sich 83 Prozent bei einem Jahresumsatz von weniger als 250 Millionen US-Dollar. Es sind also vor allem die kleinen Unternehmen, die auf ausgefeilte Technologien setzen, um sich eine Position am Markt zu erkämpfen. Diejenigen, die Predictive Lead Scoring im Einsatz haben, sind laut Studie überaus zufrieden: „90 percent of users agree that predictive lead scoring provides more value than traditional (map and point-based attribute and activity) lead scoring approaches […]. 98 percent of respondents say they would purchase predictive lead scoring again“.

Personas und Propensität: Die Bewertung von Leads geht über reine Statistik hinaus

Was hebt das Predictive Lead Scoring von bisherigen Verfahren der Lead-Bewertung ab? Die meisten Unternehmen bewerten Sales-Chancen nach einzelnen Datenpunkten beziehungsweise Aktionen des Leads. Dazu gehört die Teilnahme an Webinaren oder ein Download auf der Webseite. Die Bewertung und Einstufung, wie „heiß“ ein Lead ist, geht allerdings nicht weit genug. Brian Kardon erklärt, warum das so ist und was eine vorausschauende Lead-Bewertung demgegenüber für Vorteile bietet: „Most give their lead scoring efforts a failing grade. Rules like ‚give them +5 if they attend the webinar‘ are simply based on guessing what qualifies as a good lead. A better option is to tap into the power of predictive lead scoring. This modern approach augments the demographic and behavioral attributes that are part of basic lead scoring with thousands of additional data points, like funding, credit score, hiring, patents, locations, technologies used, social media activity […]“.

Um bestehende Kunden und Verkaufschancen besser zu verstehen, muss tiefer in die Statistik-Trickkiste gegriffen werden. Die Vorlage hierfür lieferte anno dazumal Karl Propper mit der so genannten Propensitätsinterpretation, die Wahrscheinlichkeiten nicht rein anhand der Häufigkeit beurteilt, sondern auch Einzelfälle in der Realität berücksichtigt. Übertragen auf das Online Marketing heißt das: Jeder Nutzer klickt und kauft anders. Es gibt zwar statistische Muster, aber wirklich relevant in der Bewertung von Leads ist das Profil eines Users. „To make the most of predictive marketing, you need a propensity model, a statistical analysis of your consumers: who they are, what they’re buying, and how they’re buying it. These models gather extensive information about customers, factoring in demographics, location and purchase histories, to predict what they’re likely to buy in the future“ schreibt Arielle Pardes von LeadiD.

In einem Gastbeitrag für Business2Community ergänzt die Autorin, dass Datenanalyse im Predictive Lead Scoring nur die halbe Miete ist. Was zählt, ist die richtige Bewertung und Zuordnung des Userverhaltens in den passenden Kontext: „Put yourself in your customers’ shoes, and really get in their brains before you analyze their data. […] Predictive marketing can do wonders, but data is only half the story. You have to know and understand your consumer base before you can capitalize on past behaviors. A propensity model might tell you what consumers have done in the past, but it’s up to you to make the connections to what that means for your company in the future“.

Ansonsten tappt man in ein ähnliches Fettnäpfchen wie Pinterest: Das Portal versendete hunderte von Glückwunsch E-Mails an User, die kurz zuvor Hochzeitsbilder an ihre Pinnwand geladen hatten. Aus den getrackten Daten leitete Pinterest ab, dass die Nutzer sich in naher Zukunft das Jawort geben werden. Ein Trugschluss. Und für Martin Beck von Marketing Land ein Zeichen, dass Werber sich nicht blind auf Userdaten verlassen sollten: „People seem resigned to the fact that their online behavior is being tracked, but they are less forgiving when data miners intrude into sensitive issues“.

SeriousDecisions erstellte eine Infografik aus den Ergebnissen: