Propensity-Modellierung: Wie Verlage das Wachstum ihres Abonnementgeschäfts sichern
Daten. Alle reden darüber – aber wie viele Verlage setzen es wirklich um?
Bei den diesjährigen Digital Publishing Awards gewann The Independent den Preis für die beste Nutzung von Daten. Und was unterschied ihre Datenstrategie? Der Einsatz von Propensity Modelling. Ein Modellierungsansatz, durch den ihre Reichweitenzahlen auf beeindruckende 98 Millionen Leser pro Monat stiegen.
In einer Zeit, in der Daten häufig als das wertvollste Asset überhaupt bezeichnet werden, ist der Einsatz von Propensity Modelling, um mehr über Ihre Kundinnen und Kunden zu erfahren, unvermeidlich. Für moderne digitale Verlage ist es ein wertvolles Instrument – und schlicht unverzichtbar, wenn Sie das Verhalten Ihrer Leserinnen und Leser wirklich verstehen und diese Erkenntnisse nutzen möchten, um den Umsatz zu maximieren.
Und während die Marktsegmentierung seit Langem eingesetzt wird, um bestimmte Kundengruppen gezielt anzusprechen und bestimmte Verhaltensweisen zu fördern, ist Propensity Modelling der nächste Schritt nach vorn. Doch was genau ist ein Propensity Model? Wie ermöglicht es digitalen Verlagen, ihre Abonnentenbasis zu halten und weiter auszubauen? Und wie verbessert es bestehende Strategien der Marktsegmentierung?
Was ist ein Propensity Model?
Ein Propensity Model ist eine spezielle Art statistischen Modells, das verwendet wird, um auf Basis historischer Daten die Wahrscheinlichkeit eines bestimmten Verhaltens oder Ergebnisses vorherzusagen. Im Kontext des digitalen Publishings weist ein Propensity Model einzelnen Nutzerinnen und Nutzern einen Score zu, der ihre Wahrscheinlichkeit abbildet, bestimmte Handlungen auszuführen – etwa ein Abo abzuschließen, zu verlängern oder zu kündigen.
Zentrale Bestandteile eines Propensity Models:
- Dateneingaben: Das Modell nutzt verschiedene Datenpunkte, darunter demografische Informationen, vergangene Verhaltensweisen (z. B. Artikelaufrufe und Engagement-Level) sowie Interaktionshistorien (z. B. Klicks in E-Mails oder Reaktionen). Qualität und Umfang dieser Daten beeinflussen die Genauigkeit des Modells maßgeblich.
- Algorithmen: Propensity Models können mit unterschiedlichen Algorithmen erstellt werden – von logistischer Regression bis hin zu Machine-Learning-Verfahren wie Entscheidungsbäumen oder neuronalen Netzen. Welche Methode gewählt wird, hängt häufig von der Komplexität der Daten und den konkret zu prognostizierenden Ergebnissen ab.
- Score-Vergabe: Nach der Verarbeitung der Eingabedaten erzeugt das Modell für jede Nutzerin bzw. jeden Nutzer einen Propensity Score. Dieser Score quantifiziert die Wahrscheinlichkeit, dass die Person ein definiertes Zielverhalten zeigt – höhere Scores stehen für eine höhere Handlungswahrscheinlichkeit.
Was ist Propensity Modelling?
Propensity Modelling nutzt Daten, um das zukünftige Verhalten von Kundinnen und Kunden vorherzusagen. So kann dieses Modellierungsverfahren Ihnen beispielsweise dabei helfen, zu erkennen, wie wahrscheinlich es ist, dass eine Leserin bzw. ein Leser ein Abo abschließt oder abwandert – und liefert damit belastbare Prognosen zu künftigen Handlungen. Jede Leserin und jeder Leser erhält einen individuellen, personalisierten Propensity Score, wodurch sich die Wahrscheinlichkeit einer bestimmten Handlung einfach identifizieren lässt – z. B. die Wahrscheinlichkeit einer Conversion.
Wie funktioniert das?
Propensity Modelling kann unterschiedliche Ausprägungen haben. Der zentrale Grund, warum es so präzise vorhersagen kann, ist jedoch das Propensity Score Matching. Das Modell betrachtet das Verhalten früherer Leserinnen, Leser und Kundschaft und vergleicht es mit dem neuer Nutzerinnen und Nutzer. Das zukünftige Verhalten lässt sich ableiten, weil sich Gruppen mit ähnlichen Propensity Scores ähneln und ihr Verhalten häufig gegenseitig widerspiegeln. Wenn neue Leserinnen und Leser dieselben Verhaltensmuster und charakteristischen Hintergründe wie frühere aufweisen, ist es wahrscheinlich, dass sie auf die gleiche Weise handeln.
Warum ist Propensity Modelling für digitale Verlage nützlich?
Entscheidend ist: Propensity Modelling ist ein Instrument, das digitalen Verlagen dabei helfen kann, sowohl neue Abonnentinnen und Abonnenten zu gewinnen als auch bestehende zu halten.
Auf der Conversion-Seite analysiert Propensity Modelling das Verhalten der Leserinnen und Leser und spielt ihnen passende Inhalte und Angebote aus, sodass die Abschlusswahrscheinlichkeit für ein Abo maximiert wird. So kann einer Leserin bzw. einem Leser, bei der bzw. dem das Modell eine geringe Abschlusswahrscheinlichkeit erkennt, eine personalisierte Werbe-E-Mail mit einem passenden Angebot zugesendet werden, um den Anreiz zu erhöhen. Kundinnen und Kunden hingegen, die mit hoher Wahrscheinlichkeit konvertieren und keine weitere Überzeugungsarbeit benötigen, sollten sofort eine wirksame Paywall sehen, damit sie nicht auf den letzten Metern abspringen. Damit dient Propensity Modelling als Werkzeug, um die effektivsten Methoden zu bestimmen, um Ihre Kundenbasis auszubauen, den Umsatz zu steigern und Ihr Subscription Business zu skalieren – ohne die Gewinnmarge durch unnötige Preisnachlässe zu schmälern.
Auf der Retention-Seite beobachtet Propensity Modelling, wie stark einzelne Personen mit Ihrem Produkt interagieren. Die Modellierung ermöglicht es Ihrem Unternehmen zu erkennen, welche Kundinnen und Kunden eine hohe Neigung haben, ihr Abonnement zu verlängern – und welche nicht. So können Sie Zeit und Budget optimal einsetzen, indem Sie sich auf tatsächliche Churn-Risiken konzentrieren.
Propensity Modelling ermöglicht eine Strategie, die auf das Verhalten und die Bedürfnisse jeder einzelnen Leserin bzw. jedes einzelnen Lesers ausgerichtet ist – weg von einem One-size-fits-all-Ansatz. Während manche Leserinnen und Leser unabhängig davon abonnieren, wie viele Artikel sie lesen oder wie viel gezieltes Marketing sie erhalten, benötigen andere eine individuelle Personalisierung.
Indem Propensity Modelling die Handlungen sowohl bekannter als auch unbekannter Leserinnen und Leser antizipiert, nimmt es die Unsicherheit aus der strategischen Planung. Mit größerer Sicherheit bei Kundenbindung und Conversion können Investitionen in Kampagnen mit hohem ROI getätigt werden – und so die Umsätze maximiert werden.
Welche Arten von Propensity Modelling können digitale Verlage nutzen?
Propensity Modelling kann viele unterschiedliche Aspekte des Nutzerverhaltens prognostizieren. Hier sind einige der wichtigsten Arten, die Sie im digitalen Publishing unbedingt einsetzen sollten:
Propensity to engage: Die Wahrscheinlichkeit, dass eine Leserin bzw. ein Leser auf Werbematerial klickt, das sie bzw. er erhält.
Propensity to convert: Die Wahrscheinlichkeit, dass eine Leserin bzw. ein Leser zu einer zahlenden Kundin bzw. einem zahlenden Kunden wird – und damit eine Orientierungshilfe, um zu erkennen, welche Leserinnen und Leser vor der Conversion mehr Überzeugungsarbeit benötigen, damit sich ihre Abschlusswahrscheinlichkeit für ein Abo maximiert.
Prognostizierter Customer Lifetime Value: Die Wahrscheinlichkeit, dass eine Leserin bzw. ein Leser über einen langen Zeitraum abonniert bleibt – und damit, wie wertvoll sie bzw. er für Ihr Unternehmen über die gesamte Kundenbeziehung hinweg ist. Marketingmaßnahmen sollten auf Kundinnen und Kunden mit hohem LTV fokussiert werden, da sie langfristig den größten Umsatz bringen und eine höhere Rendite auf Ihre Investitionen erzielen. Ihre loyalsten Abonnentinnen und Abonnenten sind zudem oft auch Ihre überzeugendsten Fürsprecher.
Propensity to churn: Die Wahrscheinlichkeit, dass eine aktive Kundin bzw. ein aktiver Kunde Ihr Angebot kündigt. Churn-Risiken müssen so früh wie möglich identifiziert und – sofern möglich – durch gezielte Reaktivierung adressiert werden.
Wie fügt sich Propensity Modelling in die Segmentierung ein?
Der Einsatz von Propensity Modelling kann Ihnen helfen, die Marktsegmentierung auf die nächste Stufe zu heben. Traditionell bedeutet Marktsegmentierung, Ihren Zielmarkt in Gruppen mit ähnlichen Merkmalen und Verhaltensweisen zu unterteilen – etwa nach Alter, Region oder Nutzerstatus. Dies geschieht unter der Annahme, dass Kundinnen und Kunden mit ähnlichem Profil ähnlich handeln und daher mit denselben Methoden angesprochen werden können. Je mehr Datenpunkte Sie zu einer einzelnen Person erfassen, desto präziser lässt sich der Grad der Ähnlichkeit zwischen Kundinnen und Kunden bestimmen.
Propensity Modelling erweitert die Segmentierungsstrategie um einen zusätzlichen, entscheidenden Datenpunkt. Verlage müssen nicht nur berücksichtigen, wer ihre Leserinnen und Leser sind, sondern auch, wie sie handeln – und dürfen nicht einfach davon ausgehen, dass ähnliche Menschen sich auch ähnlich verhalten. Segmentierung ist eine wertvolle Strategie, und Propensity Modelling kann sie vorantreiben, indem es eine mathematisch fundierte zusätzliche Sicherheit liefert.
Wenn Sie beispielsweise eine Gruppe von 18- bis 24-Jährigen aus dem Süden Londons ansprechen, ist pauschales Messaging, von dem Sie glauben, dass es für die Gruppe gilt, ein naheliegender Einstieg. Deutlich wertvoller ist es jedoch, mithilfe von Propensity Modelling zu verstehen, welche Personen innerhalb der Untergruppe tatsächlich mit hoher Wahrscheinlichkeit konvertieren.
Während Propensity Modelling zwar Kundenmerkmale berücksichtigt, um Propensity Scores zu berechnen, kann Segmentierung Propensity Modelling umgekehrt ebenfalls unterstützen. Nehmen Sie beispielsweise zwei Kundinnen bzw. Kunden, die beide einen niedrigen Conversion-Propensity-Score haben – jedoch stammt eine Person aus einem einkommensstarken Umfeld, die andere aus einem einkommensschwachen. Die Conversion-Strategien für diese beiden Leserinnen bzw. Leser werden unterschiedlich ausfallen. Während bei der einkommensschwachen Person Conversion möglicherweise Rabatte erfordert, kann es bei der einkommensstarken Person wirksamer sein, den Premium-Mehrwert herauszustellen – etwa indem Sie sicherstellen, dass interessenbasierte, personalisierte Stories zuerst eingeblendet werden, wenn sie die Website öffnen
Herausforderungen bei der Implementierung von Propensity Models
Auch wenn Propensity Modelling digitalen Verlagen erhebliche Vorteile bietet, bringt die Umsetzung eine Reihe eigener Herausforderungen mit sich. Hier sind einige häufige Hürden, die Sie berücksichtigen sollten:
- Datenqualität und -verfügbarkeit: Hochwertige Daten sind die Grundlage für wirksames Propensity Modelling. Verlage kämpfen häufig mit unvollständigen, inkonsistenten oder veralteten Daten, was zu ungenauen Prognosen führen kann. Sicherzustellen, dass die Daten bereinigt, umfassend und aktuell sind, ist ein entscheidender erster Schritt.
- Ressourcenrestriktionen: Die Entwicklung und Pflege von Propensity Models erfordert dedizierte Ressourcen – einschließlich qualifizierter Datenanalystinnen und -analysten sowie einer leistungsfähigen technologischen Infrastruktur. Kleinere Verlage haben oft Schwierigkeiten, diese Ressourcen angemessen bereitzustellen, was ihre Möglichkeiten zur Nutzung der Modellierung einschränken kann.
- Komplexität der Modelle: Propensity Modelling kann anspruchsvolle Algorithmen und statistische Methoden umfassen. Für Teams ohne ausgeprägten Data-Science-Hintergrund kann diese Komplexität überwältigend sein. Das kann zu Fehlinterpretationen der Daten oder zu einer ineffektiven Implementierung der Modelle führen.
- Integration in bestehende Systeme: Die erfolgreiche Einbindung von Propensity Models in bestehende Marketing- und operative Systeme kann eine logistische Herausforderung sein. Verlage müssen sicherstellen, dass CRM, Marketing-Automation- und Analytics-Tools nahtlos mit den Propensity Models zusammenarbeiten, um das volle Potenzial auszuschöpfen.
- Datenschutzbedenken: Angesichts zunehmender Regulierung rund um den Datenschutz (z. B. DSGVO, CCPA) müssen Verlage bei der Erhebung und Nutzung von Kundendaten für Propensity Modelling rechtliche Anforderungen sorgfältig berücksichtigen. Erforderlich ist eine ausgewogene Balance zwischen Personalisierung und Compliance.
Best Practices für erfolgreiche Propensity Models
Um die Wirksamkeit von Propensity Modelling zu maximieren, sollten Verlage die folgenden Best Practices anwenden:
- Mit klaren Zielen starten: Definieren Sie, was Sie mit Propensity Modelling erreichen wollen – ob höhere Conversion-Raten, geringerer Churn oder stärkere Kundeninteraktion. Klare Ziele steuern die Modellentwicklung und die Datenerhebung.
- In Datenqualität investieren: Stellen Sie sicher, dass Ihre Daten korrekt, konsistent und relevant sind. Etablieren Sie Prozesse für regelmäßige Datenbereinigung und -validierung und erwägen Sie Investitionen in Tools zur Verbesserung der Datenqualität.
- Zielgruppe segmentieren: Nutzen Sie Propensity Scores, um Ihre Zielgruppe in aussagekräftige Segmente zu unterteilen. Richten Sie Ihre Marketingstrategien auf diese Segmente aus, um Relevanz und Wirksamkeit zu erhöhen.
- Modelle kontinuierlich überwachen und aktualisieren: Propensity Models sollten nicht statisch sein. Prüfen und verfeinern Sie Ihre Modelle regelmäßig anhand neuer Daten und veränderter Nutzerverhaltensweisen, um Genauigkeit und Relevanz zu erhalten.
- A/B-Testing nutzen: Setzen Sie A/B-Tests ein, um Ihre Modellannahmen zu validieren und unterschiedliche Marketingansätze zu testen. So erkennen Sie, welche Maßnahmen für welche Zielgruppensegmente am effektivsten sind.
- Teamübergreifend zusammenarbeiten: Fördern Sie die Zusammenarbeit zwischen Marketing-, Data-Analytics- und IT-Teams. Ein multidisziplinärer Ansatz kann zu umfassenderen Erkenntnissen und innovativen Strategien für den Einsatz von Propensity Modelling führen.
Zentrale Erkenntnisse
Im Kern ermöglicht Propensity Modelling in Kombination mit Segmentierung, Ressourcen in Akquise- und Retention-Maßnahmen effizient zuzuweisen.
Für moderne digitale Verlage ist es essenziell, über reine Segmentierung hinauszugehen, wenn sie ihre Umsätze maximieren und eine aktive Kundenbasis erhalten wollen. Angesichts der großen Menge verfügbarer Daten, die sich nutzen lässt, ist eine hinreichend präzise Prognose des zukünftigen Kundenverhaltens heute Realität – und kann sich als entscheidend erweisen, um die Zukunftsfähigkeit Ihres Geschäfts zu sichern.
Eine leistungsfähige Subscription-Experience-Plattform kann Segmentierung und Zukunftsprognosen abdecken. So sind Nutzersegmente beispielsweise in Zephrs Subscription-Plattform im Rules Builder integriert und ermöglichen eine einfache, codefreie Personalisierung, während „Optimize“ (Zephrs leistungsstarke neue Analytics) das Verhalten Ihrer Kundinnen und Kunden überwacht, um kritische Verhaltensmuster frühzeitig zu erkennen.
FAQs zu Propensity Models
F: Wie beginne ich mit der Implementierung von Propensity Modelling?
A: Beginnen Sie mit der Definition Ihrer Ziele, sammeln Sie hochwertige Daten und wählen Sie die passenden Tools bzw. die geeignete Software aus. Zudem kann es sinnvoll sein, für die Modellentwicklung mit Datenanalystinnen/-analysten oder Data Scientists zusammenzuarbeiten.
F: Welche Daten benötige ich für wirksames Propensity Modelling?
A: Zu den wichtigsten Datentypen zählen demografische Informationen, Kennzahlen zum Nutzerverhalten (z. B. Seitenaufrufe, Verweildauer) sowie die bisherige Kaufhistorie. Je umfassender Ihre Datenbasis, desto präziser werden Ihre Prognosen.
F: Wie häufig sollte ich meine Propensity Models aktualisieren?
A: Es empfiehlt sich, Ihre Modelle regelmäßig zu überprüfen und zu aktualisieren – mindestens quartalsweise. So bleiben sie relevant, wenn sich Nutzerverhalten und Marktbedingungen verändern.
F: Kann Propensity Modelling für mehr als nur Subscription Services genutzt werden?
A: Ja. Propensity Modelling lässt sich in zahlreichen Branchen einsetzen, um Kundenverhalten vorherzusagen – einschließlich E-Commerce, Handel und Dienstleistungssektor – und unterstützt so Marketingstrategien sowie operative Effizienz.
F: Welche potenziellen ROI-Vorteile bietet die Implementierung von Propensity Modelling?
A: Durch die präzise Prognose von Kundenverhalten können Verlage die Wirksamkeit ihres Marketings erhöhen, Churn reduzieren, die Kundenbindung verbessern und letztlich das Umsatzwachstum vorantreiben – und damit einen höheren Return on Investment erzielen.