Quelle: pexels.com

Mit Machine Learning relevante Nutzer vorhersagen

Case Study
Predict

Im Rahmen einer Produkttest-Kampagne galt es, möglichst viel nutzergenerierten Inhalt in Form von Produktrezensionen zu erhalten.
Die Aktion wurde auf Facebook durchgeführt und bestand aus insgesamt drei Phasen:

  • Phase 1: Nutzer bewarben sich als Teilnehmer für den Produkttest. Hierfür wurde eine Facebook-App bzw. mobile Landingpage erstellt, welche aus einer Startseite, einem Bewerbungsformular
    sowie einer Success-Page bestand.
  • Phase 2: Produkttester wurden zufällig ausgewählt und anschließend die zu testenden Artikel an sie versendet. Die Probanden erhielten per Post das Testpaket mit offiziellem Anschreiben, das genaue Instruktionen zum weiteren Testverlauf enthielt.
  • Phase 3: Nach Ablauf des Testzeitraums wurden die ausgewählten Probanden per Facebook-Benachrichtigung und Erinnerungs-E-Mail gebeten, zur Rezensions-App zurückzukehren und darin ihre Meinung
    abzugeben. Für die Produkttester enthielt die Feedback-Applikation nun einen modifizierten User-Flow samt Rezensions-Eingabemaske, Fragebogen und Bewertungsskala.

Ergebnis der ersten Kampagne ohne Machine Learning

Über Facebook Ads und organischen Traffic wurden rund
5.000 Bewerber generiert. Aus diesem Pool wurden zufällig 200 Personen ausgewählt, welche sich als Produkttester qualifiziert hatten. Als Folge wurden so insgesamt 87 Nutzerrezensionen geschrieben, was einer eher unbefriedigenden Rücklaufquote von nur knapp 44 % entsprach.

Ergebnis der zweiten Kampagne mit Machine Learning

Dieselbe Aktion wurde zu einem späteren Zeitpunkt wiederholt, dieses Mal allerdings unter Verwendung eines Machine-Learning-Algorithmus
zur gezielten Auswahl der Testpersonen. Für das Training der künstlichen Intelligenz wurde auf eine Datengrundlage von vier ähnlichen Kampagnen zurückgegriffen, welche in der Vergangenheit bereits erfolgreich durchgeführt wurden.

Auf Basis der Verhaltensmuster in den vorherigen Kampagnen konnten nun 80 relevante Eigenschaften für die Klassifizierung
der Testpersonen identifiziert werden. Aus diesem großen Pool an Nutzercharakteristiken wurden anschließend sechs Relevanzkriterien für die Vorhersage der erwarteten Rückkehrer ausgemacht
– also derjenigen Personen, die nach Erhalt ihres Testpakets zum Schreiben einer Rezension tatsächlich zurückkehren würden.

Somit wurden bei der erneuten Durchführung der Testkampagne nun bereits während der Bewerbungsphase die Nutzer auf Grundlage
ihrer Relevanzkriterien und passenden Verhaltensweisen identifiziert, welche mit hoher Wahrscheinlichkeit in der Rezensionsphase zurückkehren würden. Um ein detailliertes Bild des Nutzerverhaltens auf
der überschaubaren App zu erhalten, wurde das hauseigene Tracking
„Influgraph“ eingesetzt.

Zum Ende der Bewerbungsphase wurden aus allen Teilnehmern gezielt 200 Personen durch den Machine-Learning-Algorithmus ausgewählt.

Diese eigneten sich auf Grund der Vorhersage der künstlichen Intelligenz am meisten als Produkttester.

Das wichtigste Auswahlkriterium war hierbei, dass alle infrage kommenden Nutzer mit einer

Rückkehrwahrscheinlichkeit von mindestens 75 % eingestuft wurden.

Mittels dieser algorithmisch gesteuerten Teilnehmerauswahl wurden nun
154 Produktrezensionen generiert, was einer Rücklaufquote von sogar 77 % gleichkommt. Durch die Verwendung unserer selbstlernenden
Algorithmen konnten somit alle relevanten User identifiziert werden.

Annähernd doppelt so viele nutzergenerierten Beiträge führten damit zu einem deutlich erfolgreicheren Ergebnis der Produkttest-Kampagne.

Unsere Case-Studies:

Newsletter Anmeldung

* Pflichtfelder