Machine Learning generiert mehr User-Generated Content

Business Challenge:

Wie generieren wir möglichst viel User-Generated Content in Form von Produkt-Rezensionen?

Viele Unternehmen nutzen Testaktionen, um sich die Meinung der Zielgruppe zu ihren Produkten einzuholen. Aber vor allem hoffen sie auf positive Rezensionen, damit weitere potenzielle Käufer überzeugt werden – denn: User-Generated Content in Form von Produktbewertungen und Rezensionen von anderen Nutzern werden immer mehr zu ausschlaggebenden Faktoren für die Kaufentscheidung.

Unser Kunde aus dem FMCG Bereich führte regelmäßig Produkt-Test Kampagnen durch, bei denen Nutzer sich als Tester bewerben konnten. Im Schnitt gaben aber nur rund 40% der ausgewählten Tester eine Rezension ab und bewertetet das Produkt. Wir wollten die Auswahl der Tester optimieren, um die Quote der abgegebenen Rezensionen deutlich zu erhöhen.

Herangehensweise:

Wenn wir Produktbewertungen erzielen wollen, müssen wir zuerst betrachten, wie sie zu Stande kommen. Die zentrale Rolle spielen dabei die Nutzer. Deshalb stellten wir uns die zentrale Frage, die es zu beleuchten galt: Welche Nutzer geben warum Rezensionen und Bewertungen ab? 

Via Machine Learning analysierten wir die Verhaltensmuster von Nutzern in vorherigen Produkt-Test-Kampagnen des Kunden und identifizierten 80 relevante Eigenschaften, die die Wahrscheinlichkeit einer Rezensionsabgabe erhöhen (darunter bspw. die Facebook Privacy Einstellungen). Mit den trainierten Algorithmen führten wir einen erneuten Produkt-Test durch und ließen die Maschine die Nutzer/Tester auswählen.

Ergebnis:

Mittels unserer algorithmisch gesteuerten Teilnehmerauswahl, wurden von 200 Testern 154 Produktrezensionen verfasst. Das entspricht einer Rücklaufquote von 77%.

Durch Machine Learning gelang es uns, aus dem Pool an Bewerbern die Tester zu identifizieren, die am wahrscheinlichsten eine Produktrezension abgeben würden. Dadurch konnten wir den Erfolg der Produkt-Test-Kampagnen nahezu verdoppeln.