Das Ende der A/B-Tests?
Im digitalen Marketing stehen Komfortfunktionen und die kanalübergreifende Interaktion im Fokus. Die klassische Methode des A/B-Testings gerät hier an Grenzen: Ihr starrer Fokus wird wegen der vielen möglichen Input-Variablen und Varianten schnell unwirtschaftlich. Wir geht es besser?
Das Web hat die Interaktion von Unternehmen mit ihren Kund:innen revolutioniert. Positive Erfahrungen aus anderen Lebensbereichen werden auf traditionelle Organisationen übertragen – und oft enttäuscht. Und die Corona-Pandemie wirkte durch Kontaktbeschränkungen und Abstandsregeln wie ein Katalysator auf Unternehmen, deren Vertriebsmodell sich traditionell durch persönliche Beratung auszeichnet. Es geht jedoch nicht um die Frage, ob dem digitalen oder dem physischen Vertrieb die Zukunft gehört – erforderlich ist ein optimales Verhältnis zwischen digitalen und physischen Kontaktpunkten sowie ein fließender Übergang.
End of A/B-Testing: Neue Werkzeuge sind gefragt
Der Wandel hat Folgen für traditionelle Vorgehensweisen wie den A/B-Test, eine speziell im Online-Marketing beliebte Methode, um verschiedene Varianten der Kundenansprache direkt zu vergleichen. Der Test kann insbesondere in Designfragen entscheidende Auskunft über die unterschiedliche Performance zweier Varianten geben.
Das übergreifende Ziel eines Unternehmens ist es, Websites, Kundenkontakte und Informationen zunehmend auf die Bedürfnisse des jeweiligen Empfängers zuzuschneiden, um die Verkaufschancen zu erhöhen. Ein beliebtes Beispiel hierfür ist ein Vergleich der Conversion-Rate zweier optisch geringfügig unterschiedlicher Webseiten zum selben Zeitpunkt.
Schwachstellen der A/B-Tests
In den vergangenen Jahren wurden jedoch auch vermehrt die Schwachstellen des A/B-Testens offensichtlich. Während der Test von zwei bis vier Varianten eines Kundenbriefs noch valide Ergebnisse hervorruft, führt eine höhere Anzahl vermehrt zu ungenügenden Ergebnissen in Bezug auf Validität und Reliabilität. Dadurch lassen sich Folgeentscheidungen nur schwer treffen.
Unternehmen sollten sich vom starren Fokus auf die optimale Ausgestaltung lösen: Aufgrund der vielen möglichen Input-Variablen ist heutzutage ein klassischer A/B-Test in der Regel unwirtschaftlich.
In einer zunehmend komplexeren Marketing-Welt mit einer Vielzahl an Daten- und Interaktionspunkten gewinnen insbesondere multivariante Methoden mit einer Vielzahl von abhängigen Variablen an Bedeutung. Darin fließen beispielsweise Alter, Demografiedaten, Produktbesitz und insbesondere vergangenes Kundenverhalten ein. Im Zusammenspiel mit maschinellem Lernen und künstlicher Intelligenz können sinnvolle und passgenaue Kundensegmentierungen bereitgestellt werden. Gleichzeitig lassen sich die letztendlichen Auswirkungen auf den Marketing- und Aktionserfolg effektiver prognostizieren und evaluieren.
Use Case
Beim Einsatz von Machine Learning kann aufgrund des großen Kundenstammes die Telekommunikationsbranche als Rollenmodell für andere Unternehmen dienen. Gleichzeitig ist in der Regel die Gewinnung neuer Kund:innen kostspieliger als die Bindung. Hier empfiehlt es sich, dass Marketing-Analysten und Expert:innen für Customer-Relationship-Management (CRM) den Grund für die Abwanderung analysieren und Muster der vergangenen Abwanderungen identifizieren. Zudem können Cluster-Analysen einen entscheidenden Mehrwert bieten, indem sie anschließend gruppenbezogene Retentionsangebote bereitstellen, beispielsweise ein Vertrags-Upgrade auf eine höhere Verbindungsgeschwindigkeit bei einem Internet-Tarif.
Konkrete Anwendungsfälle sind die passgenaue Auswahl der Kund:innen für eine Marketing-Kampagne oder die Identifikation und Clusterung von Abwanderungen, um geeignete Gegenmaßnahmen einzuleiten. Sinnvolle Prognosemodelle helfen zudem dabei, Kosten durch überflüssige Kundenansprachen einzusparen.
Quelle Titelbild: AdobeStock/fran_kie
