Klaviyo wendet eine Kombination aus Data Science und Machine Learning auf alle Daten in Deinem Account an, um Dir nützliche und umsetzbare Erkenntnisse zu liefern. Dieser Guide, der auf dem entsprechenden Guide im Help-Center von Klaviyo basiert, behandelt die verschiedenen Arten von Predictive Analytics-Daten, die in Deinem Account angezeigt werden. Darüber hinaus geht es um die verschiedenen Verfahren, wie Klaviyo diese Daten berechnet und Anleitungen, wie Du diese Daten nutzen kannst.
Wann steht der Predictive Analytics-Bereich zur Verfügung?
Folgende Bedingungen müssen erfüllt sein, um den Predictive Analytics-Bereich in Kund:innenprofilen sehen zu können:
- Mindestens 500 Kund:innen müssen eine Bestellung aufgegeben haben. Diese Zahl bezieht sich nicht auf die Gesamtzahl der aktiven Profile, sondern auf die Anzahl jener Kund:innen, die tatsächlich eine Bestellung in Deinem Shop getätigt haben. Wenn dieser Abschnitt in einem Profil vorhanden, aber leer ist, bedeutet dies, dass Klaviyo nicht genügend Daten über diese Person hat, um eine Vorhersage treffen zu können.
- Du hast eine E-Commerce-Integration (z. B. Shopify) oder nutzt die API von Klaviyo, um Bestellungen zu versenden.
- Kund:innen konnten bereits mindestens 180 Tage bei Dir einkaufen und haben dies auch innerhalb der letzten 30 Tage getan.
- Du hast einige Kund:innen, die 3 oder mehr Bestellungen getätigt haben.
Der Predictive Analytics-Abschnitt in einem Profil
Im Folgenden siehst Du ein Beispiel für den Predictive Analytics-Bereich im Profil eines Kontakts und die angezeigten Informationen:
Die folgende Tabelle definiert die oben gezeigten Predictive Analytics-Felder. CLV steht für Customer Lifetime Value.
|
Feld |
Definition |
Beispielwert aus dem Screenshot |
|
Historic CLV |
Der Gesamtwert aller bisherigen Bestellungen einer Person, unter Berücksichtigung von Erstattungen und Retouren. Die Gesamtzahl der Bestellungen wird unter diesem Wert angezeigt. |
$1,178 (basierend auf 17 Bestellungen) |
|
Predicted CLV |
Eine Vorhersage, wie viel Geld ein:e bestimmte:r Kund:in im nächsten Jahr voraussichtlich ausgeben wird. Die Gesamtzahl der prognostizierten Bestellungen wird unter diesem Wert angezeigt. |
$363 (basierend auf 5,24 prognostizierten Bestellungen) |
|
Total CLV |
Die Summe aus Historic CLV und Predicted CLV |
$1,541 |
|
Churn Risk Prediction |
Die Wahrscheinlichkeit, dass ein:e Kund:in abwandert, basiert auf der Anzahl und Häufigkeit ihrer:seiner Bestellungen. Jedes Mal, wenn die:der Kund:in eine Bestellung tätigt, sinkt die Abwanderungswahrscheinlichkeit (grün). Aber mit der Zeit, die zwischen den Bestellungen verstreicht, steigt die Abwanderungswahrscheinlichkeit (rot), wobei ein mittleres Abwanderungsrisiko in gelb dargestellt wird. |
11% |
|
Average Time Between Orders |
Die durchschnittliche Anzahl von Tagen zwischen den einzelnen Bestellungen einer:eines Kund:in. |
62 Tage |
|
Predicted Gender |
Das vorhergesagte Geschlecht ist auch ein Teil von Klaviyos Predictive-Analytics-Funktionen; allerdings wird dies nicht in einem Kund:innenprofil angezeigt. |
N/A |
Neben den in der obigen Tabelle aufgeführten Feldern wird im Abschnitt "Predictive Analytics" eines Profils auch eine Timeline für Bestellungen angezeigt. Jedes Häkchen in der Timeline steht für eine einzelne Bestellung. Wenn Du den Mauszeiger über ein Häkchen bewegst, siehst Du den Betrag und das Datum der Bestellung:
Farbige Häkchen stehen für eine retournierte Bestellung:
Das Häkchen in Form einer Raute stellt das nächste prognostizierte Datum für eine Bestellung an, die ein:e Kund:in tätigen wird bzw. könnte. Im Beispiel unten wird erwartet, dass diese:r Kund:in am 26. November 2019 eine Bestellung aufgibt:
Wie werden die CLV-Daten berechnet?
Klaviyo erstellt automatisch ein Customer Lifetime Value (CLV) Modell mit den Daten Deines Shops und "trainiert" sozusagen dieses Modell mindestens einmal pro Woche aufs Neue.
Wenn Du die benutzerdefinierte API verwendest, um Ereignisse für aufgegebene Bestellungen zu senden, solltest Du überprüfen, ob Dein Bestellwert ein $value-Feld durchläuft. So kannst Du sicherstellen, dass Du CLV-Daten auf der Grundlage Deiner Ereignisse für aufgegebene Bestellungen erhältst.
Obwohl natürlich niemand die Zukunft mit absoluter Sicherheit vorhersagen kann, sind die Predictive Analytics-Funktionen von Klaviyo ein wirkungsvolles Tool zur Optimierung von Marketingausgaben und zur Personalisierung der Kund:innenkommunikation. Allerdings funktionieren die Vorhersagen am besten, wenn sie das Resultat eines Durchschnittswerts sind, der alle Kund:innen einbezieht und nicht für jede:n einzelne:n Kund:in exakt zutreffen müssen. Während einige Kund:innen mehr als den prognostizierten CLV ausgeben werden, werden andere weniger ausgeben; aber im Großen und Ganzen werden sie sich letztendlich gegenseitig ausgleichen.
Der in der Predictive Analytics-Box angezeigte Wert für den Predicted CLV ist zum Beispiel keine exakte Vorhersage. In einigen Fällen kann es sein, dass eine nicht realistische Anzahl von prognostizierten Bestellungen angezeigt wird. Zum Beispiel kann die Anzahl der prognostizierten Bestellungen für eine:n bestimmte:n Kund:in 1,43 betragen. Dies bedeutet, dass Klaviyo erwartet, dass die:der Kund:in eine oder zwei Bestellungen tätigt; es besteht aber auch die Möglichkeit, dass sie:er mehr oder weniger Bestellungen tätigt. Diese Erwartungen ergeben einen Sinn, wenn Du mehrere Kund:innen gruppierst, da Du die Gesamtzahl der Bestellungen oder Ausgaben für die Gruppe vorhersagen kannst. Wenn man fünf Kund:innen mit einer vorhergesagten Anzahl von Bestellungen von 1,43, 0,25, 3,12, 0,78 und 2,97 hat, kann man ungefähr 9 Bestellungen für diese Gruppe erwarten.
Wie wird das prognostizierte Datum der nächsten Bestellung berechnet?
Das prognostizierte Datum der nächsten Bestellung berücksichtigt das Kauf- bzw. Bestellverhalten der:des spezifischen Kund:in und das Kaufverhalten aller Kund:innen. Wenn die Bestellungen der:des Kund:in ein Muster aufweisen, erkennt Klaviyo dieses Muster und trifft eine Vorhersage auf Basis dieses Musters. Wenn die Bestellungen der:des Kund:in kein Muster aufweisen oder wenn Klaviyo nicht genügend Daten über jene:n Kund:in hat, wird Klaviyo eine Vorhersage treffen, die darauf basiert, wie sich die anderen Kund:innen verhalten (haben). Im Folgenden gibt's einige Beispiele zur Veranschaulichung:
1. In diesem Beispiel weisen die Bestellungen der:des Kunden ein bestimmtes Muster auf. Du kannst sehen, dass der Abstand zwischen den einzelnen Bestellungen ungefähr gleich ist. Daher wird die nächste erwartete Bestellung mit dem gleichen Abstand aufgegeben:
Beachte auch, dass die erwartete nächste Bestellung in der Vergangenheit liegt. Dies ist, zusammen mit der prognostizierten Churn Rate von 93 %, ein Indikator dafür, dass diese:r Kund:in in Zukunft wahrscheinlich keine Bestellung mehr aufgeben wird.
2. Im nächsten Beispiel weisen die Bestellungen der:des Kund;in kein bestimmtes Muster auf. In diesem Fall trifft das Klaviyo-Modell eine Vorhersage, die auf den Bestellgewohnheiten Deiner anderen Kund:innen basiert:
FAQ über den Repeat Purchase Nurture Series-Flow
Muss ich vorhandene Profile in diesen Flow hinzufügen? Muss ich dem Flow mitteilen, dass er künftig alle möglichen Profile hinzufügen soll?
Du musst vorhandene Profile nicht wieder hinzufügen oder dem Flow mitteilen, welche Profile aufgenommen werden sollen; er findet das selbst heraus. Jede:r Kund:in, die:der eine Bestellung bei Dir aufgibt, hat ein prognostiziertes Datum für die nächste Bestellung.
Ich habe gesehen, dass der Flow eine bedingte Teilung hat. Woher kennen wir das prognostizierte Datum für Einmalkäufer:innen?
Da Klaviyo bei Einmalkäufer:innen nicht viel über ihr Kaufverhalten weiß, berechnet es ihr prognostiziertes Datum der nächsten Bestellung anhand der Daten aller Deiner Kund:innen.
Unsere Marke hat 3 Typen der Produktfrequenz. Bei einigen Produkten kommen die Kund:innen zufällig zurück. Andere stocken ihren Vorrat zwischen 60 und 90 Tagen wieder auf, bei der letzten Gruppe sind es zwischen 100 und 120 Tagen. Können wir der App beibringen, dass sie weiß, was die:der Kund:in gekauft hat und basierend auf dem Produkt Erinnerungen senden?
Die App berücksichtigt nicht, welche Produkte die:der Kunde bestellt hat. Wenn Du also Produkte mit unterschiedlichen Aufstockungszyklen hast (wie beispielsweise bei Kontaktlinsen), wird von Klaviyo empfohlen, stattdessen mehrere durch Placed Order ausgelöste Flows für jeden Aufstockungszyklus zu erstellen, indem Du Folgendes hinzufügst:
- Trigger Filters, um jeden Flow auf Produkte zu beschränken, die denselben Zyklus haben
- Time delay, also Zeitverzögerung, die den bekannten Zyklus widerspiegelt, damit Du Nachschub-E-Mails zum richtigen Zeitpunkt sendest-
Da das prognostizierte Datum nicht berücksichtigt, was die:der Kund:in zuletzt bestellt hat und auch nicht den wahrscheinlichen Wiederbeschaffungszyklus für dieses Produkt, sollte ein:e Kund:in, die:der für die meisten ihrer:seiner Produktkategorien bekannte Wiederbeschaffungszyklen hat, bei einem Repeat Purchase Nurture Series-Flow bleiben und diese Funktion nicht verwenden.
Was beim Repeat Purchase Nurture Series- Flow noch beachtet werden sollte:
- Ein Countdown bis zum prognostizierten Datum der nächsten Bestellung wird von Klaviyo nicht empfohlen, da Wiederholungskäufer:innen die gleiche Abfolge von E-Mails vor jeder Bestellung erhalten, was zu Abmeldungen führen kann.
- Dieser Flow sollte die Verwendung von Replenishment Flows nicht ersetzen, wenn Kund:innen die allgemeinen Zyklen für die meisten Deiner Produktkategorien kennen.
- Wenn Du einen hohen Prozentsatz an Wiederholungskäufer:innen hast, solltest Du diese Funktion vielleicht nur für Kund:innen verwenden, die bereits einmal gekauft haben, um sie für ihren zweiten Kauf zu animieren.
Wie wird Predicted Gender berechnet?
Der Algorithmus von Klaviyo zur Vorhersage über das Geschlecht, Predicted Gender, verwendet den Vornamen einer:eines Kund:in zusammen mit Volkszählungsdaten, um eine Vorhersage über ihr:sein Geschlecht zu treffen: entweder wahrscheinlich männlich, wahrscheinlich weiblich oder unsicher. Aber Achtung: Klaviyo kennt aktuell nur die Namen, die im angloamerikanischen Raum am populärsten sind, also ist dieses Feature aktuell für alle anderen Sprachräume unzuverlässig.
Da das vorhergesagte Geschlecht immer noch eine Vermutung ist, solltest Du sicherstellen, dass Du bei der Verwendung von gezielter Kommunikation einige Informationen für beide Geschlechter einschließt.
Du hast Fragen? Wir helfen Dir gerne!
Falls Du Fragen haben solltest oder Unterstützung oder Beratung benötigst, melde Dich gerne jederzeit bei uns. Wir von Tante-E sind eine der führenden Shopify-Experten-Agenturen in Deutschland mit Standorten in Berlin und Köln und einer der ersten Klavio-Partner im deutschsprachigen Raum, sodass wir auch im E-Mail-Marketing eine hohe Expertise vorweisen. Wir betreiben nicht nur eigene Onlineshops auf Shopify, wir haben auch zahlreiche Projekte wie Shop-Setups oder Shop-Optimierungen realisiert, sodass wir Expert:innen im Bereich E-Commerce und der Shopify-Plattform sind. Falls Du also Fragen haben solltest, sind wir jederzeit für Dich da. Melde Dich einfach bei uns, wir freuen uns sehr auf Dich.
Bildquelle: Klaviyo
