Qualitative Methoden basieren auf subjektiven Einschätzungen von Personen wie z.B. Mitarbeiter oder Kunden. Dafür werden die entsprechenden Personen z.B. interviewt oder gebeten, einen Fragebogen auszufüllen. In Bezug auf das Scoring kommen dafür vor allem zwei Parteien in Frage: Sales Mitarbeiter und Kunden.

MitarbeiterInnen aus dem Verkauf haben oft eine ziemlich gute Vorstellung davon, welche Massnahmen und Inhalte bei KundInnen gut funktionieren und welche nicht. Sie kennen zudem auch aus Erfahrung kundenbezogene Eigenschaften, die erfolgversprechend sind. Diese Erfahrungswerte können dann in ein Scoring Modell fliessen und Assets, die gemäss Aussagen von den Mitarbeitern besser funktionieren, mit einem höheren Score versehen werden.
Eine weitere Möglichkeit ist die direkte Befragung der Kundinnen und Kunden. Die Kundenperspektive kann wichtige Erkenntnisse darüber bringen, was ihnen zu welchem Zeitpunkt im Verkaufsprozess geholfen hat.

Vorteile:

• flexible Anwendung
• Möglichkeit, Hintergründe zu erfragen und Unklarheiten zu beseitigen

Nachteile:

• um valide Aussagen zu treffen, braucht es repräsentative und genug grosse Stichprobe
• Auswertung ist zeitaufwendig
• Transfer von qualitativen Daten (Aussagen von Salesperson) in einen quantitativen Score schwierig
• Analysen müssen immer wieder durchgeführt und Scoring manuell angepasst werden

Attribution Report

Der Attribution Report ist ein geeignetes Mittel, um die Wirksamkeit von Kampagnen und einzelnen Marketing Assets zu ermitteln. Marketing-Attribution ist eine Reporting-Strategie, die es Marketern und Sales-Teams ermöglicht, den Einfluss von Marketingmaßnahmen auf ein bestimmtes Ziel, in der Regel einen Kauf oder Verkauf, zu sehen. Die Multi-Touch-Attribution beispielsweise misst und bewertet alle Interaktionen, die ein Lead auf seinem Weg zum Kauf eines Produkts hat. Dies hilft Kampagnen und Assets zu bewerten. Z. B. durch welche Kampagne kam ein Lead mit deinem Brand in Kontakt oder die letzte Interaktion mit deinem Brand vor dem Kauf eines Produkts. Diese Interaktionen können je nach Impact unterschiedlich gewichtet werden.

Vorteile:

• relativ einfach zu implementieren
• gute Übersicht über gesamte Customer Journey

Nachteile:

• nur Online-Marketing
• Gewichtung der einzelnen Touchpoints oft nicht einfach
• Transfer von Reporting in Score schwierig
• Analysen müssen immer wieder durchgeführt und Scoring angepasst werden

Quantitative Datenanalyse wie beispielsweise logistische Regressionsanalyse

Die Grundidee der logistischen Regressionsanalyse ist es, die Ausprägung einer kategorialen Variable mit einer oder mehreren Variablen vorherzusagen. Was bedeutet das? Vereinfacht gesagt, versuchen wir statistisch vorherzusagen, ob ein Lead etwas bestimmtes machen wird oder nicht. Z.B. wird ein bestimmter Lead konvertieren? Wird ein Lead eines unserer Produkte kaufen? Wir möchten also eine ja/nein-Frage für jeden Lead vorhersagen. Für die Vorhersage nehmen wir die Ausprägung einer oder mehreren anderen Variablen. Ein konkretes Beispiel: Nehmen wir an, wir bieten ein Produkt an und für dieses Produkt existiert auf unserer Webseite eine spezifische Seite mit Produktinformationen. Nun können wir uns fragen, ob die Anzahl der Besuche dieser Produktinformationsseite die Wahrscheinlichkeit für einen Kauf erhöht. Oder anders formuliert, wie wahrscheinlich ist es, dass ein Lead, der diese Seite 1 Mal besucht, schlussendlich dieses Produkt auch kaufen wird? Wie sieht es bei 2 Besuchen aus oder bei 3, usw. Wenn wir dann sehen, dass die Wahrscheinlichkeit für einen Kauf ab dem 3. Besuch stark zunimmt, kann dies in unserem Scoring abgebildet und die entsprechenden Schritte eingeleitet werden. Z.B. soll sich dann eine Salesperson beim Lead telefonisch melden.
Vorteile:

• quantitative Analyse erleichtert Umsetzung der Resultate in Scores
• im Vergleich zu vorherigen Methoden präziser

Nachteile:

• komplex und benötigt statistisches Wissen
• Analysen müssen immer wieder durchgeführt und Scoring angepasst werden

Predictive Scoring mit künstlicher Intelligenz

Viele Marketing Automation Tools bieten inzwischen auch ein Lead Scoring durch maschinelles Lernen. Dabei werden Vorhersagen über Entscheidungen und Verhalten von Leads auf Basis von bisherigen Daten durch einen Algorithmus gemacht. Das heisst, dass ein Algorithmus durch die Analyse von Tausende von Datenpunkten Gemeinsamkeiten von erfolgreich konvertierten Kunden "erkennt", und so das Potential von jedem Lead in einem Score wiedergeben kann. Dieses Verfahren wird laufend angepasst und wird mit zunehmenden Datenpunkten präziser.

Vorteile:

• viele Marketing Automation Tools beinhalten Predictive Scoring
• Scores werden automatische angepasst
• hohe Genauigkeit, wenn genügend Daten vorhanden

Nachteile:

• es müssen genügend Daten vorhanden sein
• Predictive Scoring oft nur in Marketing Automation Tools höherer Preisklasse inbegriffen
• für Eigenentwicklungen braucht es Data Scientists

Scoring Modelle sind nützlich, um einerseits das Potential von neu generierten Leads einzuschätzen und andererseits ihre Bereitschaft für einen Kauf während ihrer Customer Journey zu bestimmen. Dafür gibt es mehrere Methoden, die je nach Ressourcen und Kompetenzen in Frage kommen.

Im nächsten Teil der Serie zeigen wir dir, wie du manuell ein Scoring Modell implementieren kannst und wie du es Schrittweise verbessern kannst.

Referenzen: