Quelle: pexels.com

Mit Machine Learning relevante Nutzer vorhersagen

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.

Weitere Beiträge:

Newsletteranmeldung:

* Pflichtfelder