#8/ 2020
5/12

Serienmäßige Orakel

KI-basierte Systeme zur Prognose von Kundenverhalten, der Reichweite von Inhalten und der Wirksamkeit von Social-Media-Posts und Online-Ads etablieren sich in den Medienunternehmen. Und sie arbeiten erstaunlich präzise.

"Das System macht uns regelmäßig auf Tageszeitungs-Abonnenten aufmerksam, die in den nächsten Wochen oder Monaten mit hoher Wahrscheinlichkeit kündigen wollen“, sagt Dr. Christoph Mayer, Leiter der Abteilung „Data Science“ und Partner bei der auf Medien spezialisierten Hamburger Unternehmensberatung Schickler. In den letzten Monaten entwickelte Mayer und sein Team für einen regionalen bayerischen Tageszeitungsverlag mit rund 100.000 Abonnenten eine Art Vorwarnsystem für Abonnentenschwund. Ziel: das Medienunternehmen möchte einer Kündigung möglichst zuvorkommen und die Leser halten.

Was wie Science Fiction klingt oder an die berühmte Glaskugel erinnert, nämlich die Vorhersage, wie sich Abonnenten zukünftig verhalten werden, nennt sich „Predictive Analytics“ und hat sich in den letzten Jahren immer stärker in den großen Medienhäusern etabliert. Die New York Times, der Boston Globe, der britische Economist, die Financial Times, die altehrwürdige BBC genauso wie die Osloer Tageszeitung Aftenposten, aber auch Netflix und Google haben bereits Erfahrungen und solche Vorhersage-Maschinen in Betrieb oder gerade in der Entwicklung. Netflix begann bereits vor mehr als zehn Jahren mit der Entwicklung solcher Prognose-Systeme für seine Kunden.

Es geht dabei nicht nur um Churn Prediction, also darum, kündigungsbereite Leser und Nutzer zu identifizieren. Es geht häufig auch um das Gegenteil: Chancen zu erkennen. Die Bereitschaft etwa ein Abo abzuschließen, die mögliche Reichweite von Nachrichten, Meldungen oder Social-Media-Posts abzuschätzen und sogar Preisentwicklungen vorauszusehen. 

Die Online-Makler-Plattform McMakler versucht etwa Immobilienpreise vorherzusagen. Bei Caterpillar prognostizieren Algorithmen den Wartungsbedarf ihrer Baufahrzeuge. Diese „Predictive Maintenance“ ist mittlerweile in praktisch jedem Bagger und jeder Planierraupe des Herstellers serienmäßig mit verbaut. Bei der App „Hopper“ prognostiziert ein Algorithmus, wie sich der Preis eines Linienfluges entwickeln wird und informiert den Nutzer dann über den idealen Zeitpunkt für den möglichst preiswerten Ticketkauf. 


Der Technologie-Bewerter Gartner sieht „Predictive Analytics“ in seinem jährlich im Juli veröffentlichten Hype-Cycle bereits auf dem Weg zur produktiven Standard-Technologie: Der Hype um Predictive Analytics liege bereits in der Vergangenheit, in spätestens zwei Jahren sei „Predictive Analytics“ vollkommen ausgereift.

Die wohl bekannteste Anwendung ist die Textvorhersagesoftware von Google. Dabei handelt es nicht etwa um eine simple Wiedergabe der häufigsten Sucheingaben. Das Programm versucht auf Basis des Surfverhaltens, der Inhalte der  Cookies auf dem Browser eine Vorhersage zu treffen, was der Anwender mit den ersten Buchstaben seiner Eingabe meinen oder wollen könnte.

Technisch gesehen ist „Predictive Analytics“ ein auf künstlicher Intelligenz und „Machine Learning“ basierendes Verfahren. Das Grundprinzip solcher Vorhersagen liegt in den Daten der Vergangenheit: So wurden etwa bei dem Projekt von Schickler Daten von 100.000 Abonnenten der letzten fünf Jahre mit jeweils 100 Eigenschaften analysiert. Das ergab rund 600 Millionen Datenpunkte. 

Bei der Analyse stellte man etwa fest, dass der Anteil der Kündiger in den ersten zwei Jahren nach Abschluss eines Abonnements besonders hoch ist, dann sinken die Kündigeranteile. Ein Beispiel: Die Geschenkabos, die man etwa daran erkennen kann, dass Rechnungs- und Lieferadresse unterschiedlich sind, haben eine sehr geringe Lebensdauer. Hat ein Abo drei, vier Jahre überstanden, hält es mit großer Wahrscheinlichkeit noch weitere vier Jahre. Auch Zustellungsprobleme leiten oft eine Kündigung ein. Mit diesen und anderen Daten trainierte man den Algorithmus. Und der lernte, welche Eigenschaften ein typischer Kündiger aufweist. 

Damit lässt man im Tageszeitungsverlag nun monatlich seinen Abo-Bestand analysieren. Das System bietet eine Vorhersagequalität von bis zu 70 Prozent, im Durchschnitt von 57 Prozent. Anders gesagt: Tests haben ergeben, dass von hundert vom System als am kritischsten eingestuften Abonnenten bis zu 70 dann tatsächlich gekündigt haben.

Bei einem ähnlichen Projekt von Mittmedia, einem der größten Medienunternehmen in Schweden mit mehreren Tageszeitungen, Druckereien und Radiosendern, stellte Projektleiter und Chief Digital Officer Robin Govik weitere Faktoren fest, welche die Kündigungswahrscheinlichkeit nach oben treiben: Wenn der Leser in der Vergangenheit etwa bereits viele Abonnements hatten. Oder immer wieder Zahlungsschwierigkeiten hatten oder erst nach Mahnungen bezahlt haben. „Bei Lesern mit solchen Eigenschaften sind Kündigungen sehr wahrscheinlich", sagt Govik. Digital-Abonnements, die per In-app-Purchase oder als Reaktion auf eine Marketing-Kampagne abgeschlossen werden, erweisen sich dagegen als sehr langlebig. Digitale Leser, die früher bereits Print-Abonnenten waren, seien ebenfalls sehr treu. "Genauso wie die Abonnenten, die auf der Website sehr stark Bildergalerien nutzen“, meint Grovik.

Einer der Verlage, der sich sehr früh mit Datenanalyse und Prognosen beschäftigt hat, ist die norwegische Schibsted-Gruppe. Doch dort ging man 2016 in eine ganz andere Richtung: Da man künftig immer stärker von den Einnahmen von digitalen Nutzern abhängig ist, entwickelte Schibsted für seine Osloer Tageszeitung Aftenposten mit Bordmitteln ein Prognosemodell, um Nachrichtenleser zu identifizieren, die wahrscheinlich ein Online-Abonnement abschließen werden. „Nachdem wir das digitale Engagement der Nachrichtenleser bei Aftenposten über vier Wochen lang messen, können wir mit 78 prozentiger Genauigkeit vorhersagen, wer in den nächsten zwei Wochen ein Abonnement kaufen wird“, sagt Ciarán Cody-Kenny, Datenwissenschaftler und einer der damaligen Teamleiter. Und nicht nur das: Wandte man das Modell auf eine Facebook-Kampagne zum Online-Abo an, stiegen die Konvertierungsraten um 22 Prozent bei gleichzeitiger Reduzierung der Kosten pro Bestellung um 35 Prozent.

Die Financial Times entwickelte eine Metrik, die analysiert, wie häufig Nutzer die Website in den letzten 90 Tagen besucht und wie viel sie in diesem Zeitraum gelesen haben. Damit kann sie die engagiertesten Nutzer identifizieren, ihren Lifetime-Value abschätzen und die passende Vertriebskampagne zuordnen. 

Der Boston Globe nutzt prädiktive Analysen zur Bestimmung optimaler Zeitpunkte für die Erhöhung oder Senkung der Paywall. Außerdem weiß man dadurch, welche Online-Nutzer den Globe wahrscheinlich nicht abonnieren werden – und kann sich so weitere Marketing-Maßnahmen und damit Kosten sparen. Oder den Leser auf andere Weise nutzen: Etwa mit einem E-Mail-Newsletter-Anmeldeformular, das ihm angezeigt wird. Oder eine Video-Pre-Roll-Anzeige mit einem hohen CPM, um maximale Werbeeinnahmen zu erzielen. Oder er bekommt eine freundliche Aufforderung, den Globe auf Facebook zu Liken, so dass er dessen Reichweite zu vergrößern hilft.

„Wir bieten personalisierte Online-Angebote, die mit einer Applikation für Machine Learning, die auf unsere umfassende Kundendatenbank zugreift, generiert werden“, sagt Denise Law. Sie war bis November letzten Jahres Produktmanager beim Economist und wechselte dann zu Facebook. Durch den Einsatz von Verhaltens-Scoring und prädiktiven Modellen verdreifachte sich seit 2016 die Anzahl der digitalen Abonnements. Spezielle Lese-Empfehlungen für bestimmte Leser-Segmente sorgten zusätzlich für eine längere Verweildauer auf der Website. Die Kosten für die Akquise von Online-Abonnenten sanken um 80 Prozent. 

Laut der kürzlich erschienenen Studie „Paywalls - How to start your subscription strategy“ der FIPP, ein Verband internationalen Medienhäuser, der unter anderem zusammen mit dem deutschen Verband der Zeitschriftenverleger VDZ den Digital Innovators‘ Summit in Berlin veranstaltet, erzielt The Economistdie höchsten digitalen Abonnentenzahlen in der Zeitschriftenbranche. Den Grund sieht die Studie darin, dass das digitale Abo-Modell permanent verbessert wird.

Die Londoner The Times entwickelte im letzten Jahr einen individualisierten Nachrichtendienst namens James, der einen E-Mail-Newsletter mit Hilfe von Predictive Analytics sorgfältig auf jeden Abonnenten einzeln zuschneidet. Menschen in Gruppen zu segmentieren oder sie mit Personas zu beschreiben, so denkt man bei der Times, sei mittlerweile irrelevant. Es gehe darum, individuelle Verbraucherbedürfnisse zu verstehen, vorherzusagen und zu erfüllen: Den richtigen Inhalt zur richtigen Zeit, im richtigen Format an die richtige Person zu bringen.

Die Times erhielt Unterstützung vom Google Digital News Innovation Fund und arbeitete mit dem belgischen Analyse- und KI-Unternehmen Twipe zusammen. Sie kopierten das Testmodell von Netflix, das eine ständige Anpassung an das Verhalten der einzelnen Kunden erlaubte. 

Ein Beispiel: Für einige Empfänger war das beliebteste E-Mail-Layout eine Mail ohne Fotos. Doch das brach mit allen Branchenstandards. Also musste die individuelle Benutzerpräferenz aus den Daten abgeleitet werden. Das System wählt nun für jeden Benutzer aus, welches Format er angezeigt bekommt. Eine automatische Anpassung an das, was der Benutzer tut oder nicht tut. James schickte über einen Zeitraum von zwölf Monaten 14 Millionen personalisierte E-Mails. Rund 70 Prozent der Abonnenten lesen aktiv diesen Dienst. Die Kündigungen des Newsletter-Abonnements gingen um 49 Prozent zurück. 


Die BBC setzt Predictive Analytics ein, um die Nutzung von Nachrichteninhalten vorherzusagen und Lücken in der redaktionellen Ausgabe aufzudecken. „Dabei geht es uns vor allem darum, sicherzustellen, dass die Redaktionen diese blinden Flecken  kennen. Und wenn sie nicht darüber berichten, dann geschieht das aus freien Stücken und auf Basis einer bewußten Entscheidung, nicht aus mangelndem Wissen“, sagt Ben Fields, Lead Data Scientist bei der BBC.

Auch im Werbebereich etablieren sich Prognose-Systeme. „Im Jahr 2017 fragte uns der Werbeverkauf, ob wir die Emotionen, die durch Artikel der Times hervorgerufen werden, vorhersagen können“, berichtet Alexander Spangher, Datenexperte bei der New York Times. „Wenn ja, könnten wir die Anzeigenkunden in die Lage versetzen, Online-Ads in dem individuellen Kontext anzuzeigen, in dem sie am relevantesten sind?“ Das Data Science-Team der Times startete das Projekt „Project Feels“: Dazu wurden in sieben Kategorien von Emotionen gebildet, darunter Liebe, Traurigkeit und Angst (die übrigens die höchsten Klickraten und die meisten Reaktionen auslösten). Nach dem üblichen Lernprozess und dem Training des Algorithmus erhielt man einen leistungsfähigen Satz von Modellen, die recht präzise vorhersagten, welche Emotionen die Artikel bei den Lesern hervorrufen würden. „Eine emotionale Reaktion der Leser auf Artikel sorgte auch für höhere Interaktion mit der Werbung. Damit waren wir dann auch in der Lage, das Werbeengagement der Nutzer vorherzusagen“, freut sich Spangher. „Heute können wir mit diesem Mechanismus Display-Werbung passender platzieren und erreichen damit eine höhere Akzeptanz und bessere Klickraten.“

„Warum will Netflix wissen, wann der Abspann läuft“, fragte kürzlich der US-Blogger und Autor bei entrepreneur.com, Zach Bulygo. Seine Antwort: Sie wollen sehen, was die Zuschauer anschließend machen. Netflix hat mittlerweile weltweit 182 Millionen Kunden. Seit mehr als zehn Jahren verbessert Netflix seine Personalisierungsalgorithmen, die darauf abzielen, genau vorherzusagen, was Benutzer als Nächstes sehen werden. Mehr als 800 Entwickler arbeiten an dem Prognose-System.


Die Company hat ein klares Bild davon, wie lange Kunden Netflix pro Monat nutzen müssen, damit die Wahrscheinlichkeit einer Abo-Kündigung gering ist, folgerte Bulygo. Er vermutet: „Wenn man jeden Kunden dazu bringen kann, sich mindestens 15 Stunden pro Monat Inhalte anzusehen, ist die Wahrscheinlichkeit, dass er kündigt, um 75 Prozent geringer. Wenn er weniger als fünf Stunden schaut, besteht eine 95prozentige Wahrscheinlichkeit, dass er kündigt.“

Eine Lösung für dieses Problem ist „Post Play“, das automatisch die nächste Episode einer Serie abspielt, es sei denn, der Benutzer schaltet diese Funktion aktiv aus. Bei Spielfilmen macht Netflix basierend auf der Bewertung des gerade gesehenen Films Vorschläge für weitere Spielfilme, die dann ebenfalls automatisch starten. Wenn den Leuten die Filme ausgehen und sie keine Möglichkeit haben, neue Filme zu finden, werden sie ebenfalls eher kündigen. Netflix will vermeiden, dass die Benutzer auf externe Quellen angewiesen sind, um neue Filme zu finden. Rund 75 Prozent der Zuschaueraktivität basiert auf diesen Vorschlägen - der Empfehlungsalgorithmus scheint zu funktionieren. 


Man hat außerdem erkannt, dass die Prognosen über die künftigen Bewertungen von Filmen oder Serien nicht wirklich nützlich sind. Für eine valide Prognose sei wesentlich entscheidender, was die Netflix-Kunden tatsächlich anschauen, und weniger, wie sie die Filme bewerten. Einfach gesagt: Auch ein schlechter Film kann Spaß machen.

„Social Media ist ein typischer Bereich, in dem Computer in der Lage sind, die Auswahl von Kanälen und Publikationszeiten besser als Menschen vorherzusagen und zu optimieren, da eine extrem große Anzahl von Variablen berücksichtigt werden müssen“, erklärt Joe Rudkin, Head of Marketing bei Echobox. Als „Social Media Publisher“ befüllt das 2013 gegründete Start-up-Unternehmen die Social-Media-Kanäle von mehr als 600 Medienunternehmen weltweit, darunter The Guardian, Le Monde, New Scientist und in Deutschland ProSiebenSat.1 und die Augsburger Allgemeine.

Echobox überwacht permanent die Newsfeed-Algorithmen von Facebook, Instagram, LinkedIn und Twitter und modelliert sie nach. „Wir verwenden die Vorhersagen des maschinellen Lernens darüber, welche Inhalte auf welchem Kanal und zu welcher Zeit erfolgreich sein werden“, sagt Rudkin. Dadurch könne man vorauszusagen, welche Online-Reichweite Post erzielen werden, welche Hashtags relevant sind, das Timing von Posts zu optimieren und Inhalte zu erkennen, die es wert sind, zu anderen Zeiten erneut veröffentlicht zu werden.

Auch im Bereich Software-as-a-Service finden die Vorhersagemaschinen Anwendung: So kann Moovly, ein Portal, auf dem die Mitglieder Multimedia-Inhalte wie animierte Präsentationen und professionell aussehende Videos erstellen können, mit einer Genauigkeit von 82 Prozent vorhersagen, wer innerhalb von 24 Stunden für ein Abonnement bezahlen wird. Im Projekt stellte sich heraus, dass lediglich drei Metriken ausreichen, um die Zeit bis zum Abonnement ziemlich genau vorherzusagen: 1. Anzahl der Logins seit der Eröffnung eines Kontos, 2. Projekte, die seit der Eröffnung eines Kontos erstellt wurden, 3. Anzahl der Logins vor der zweiten Begrüßungs-E-Mail. Die Vorhersage „Tage bis zum Abonnement“ hilft, Abonnenten von „ewig-freien“ Benutzern mit einer Genauigkeit von 97,2 Prozent zu unterscheiden. Damit stieg die Konversionsrate: Wurden alle Benutzer angesprochen, lag sie zwischen 4 und 16 Prozent, wurden die besten 20 Prozent der Kunden aus dem Heat-Score angesprochen, lag die Konversionsrate zwischen 79 und 84 Prozent.

Beim eingangs erwähnten regionalen bayerischen Tageszeitungsverlag, für den die Unternehmensberatung Schickler die Kündiger-Identifikation realisiert hat, beginnt man nun damit die Konzepte zu entwickeln, die Abonnenten vom Kündigen abhalten sollen. Dazu soll in den nächsten Monaten ein Arsenal von Maßnahmen entwickelt werden, die Abonnenten zum Bleiben bewegen. Etwa Geburtstagswünsche, Briefe oder Mails aus der Chefredaktion, Einladungen, kleine Geschenke oder andere Vorteile, optimierte Zustellung, Konvertierung zum Digital-Abo, das ja keine Zustellprobleme kennt. Es macht außerdem Sinn, alle digital gestützten Maßnahmen als Marketingprozesse zu automatisieren. So entstehen selbstständige Abläufe, die permanent im Hintergrund ablaufen und nicht von Mitarbeitern initialisiert werden müssen.

Predictive-Analytics- und KI-Projekte sind anspruchsvoll. Und sie erfordern bestimmte Voraussetzungen. Gibt es etwa keine oder kaum verfügbare Kunden- oder Nutzerdaten, könnte es schwierig werden in diese neue Welt der Prognosen, der Chancen- und Vorwarnsysteme einzusteigen. Medienunternehmen, die bereits CRM-Systeme für Abonnenten, Leser und Nutzer oder entsprechende Profil-Datenbanken betreiben sind jetzt im Vorteil. 

Obwohl sich die Projektaufwände schlecht schätzen lassen und jedes Haus andere Bedingungen und Anforderungen mit sich bringt, sollte für die Realisierung einer Anwendung im Bereich „Predictive Analytics" bei guter Datenverfügbarkeit mit mindestens 150 Manntagen gerechnet werden. 

Eine Studie des Fachverlags IDG und der Lufthansa ermittelte 2018, dass 64 Prozent der Firmen mit erfolgreich abgeschlossenen Predictive-Analytics-Projekten mit den Ergebnissen und dem Kosten-Nutzen-Verhältnis sehr zufrieden oder zufrieden sind. 

Auf einen Aspekt sollten man außerdem besonders achten: Predictive-Analytics-Algorithmen machen zwar bislang unentdeckte Trends und Zusammenhänge sichtbar und für die Zukunft produktiv und nutzbar. Sie schreiben aber lediglich die Trends der Vergangenheit fort. Bedeutet für Medienunternehmen, dass diese gleichzeitig ihr Innovationspotenzial weiter entwickeln müssen und auch außerhalb ihrer Vorhersagesysteme nach neuen Formaten und Produkten suchen müssen. Sorgfältige Tests und permanente Vergleiche mit Kontrollgruppen sind deshalb wichtige Erfolgsfaktoren. Datenanalyse und Predictive Analytics sind keine Einmal-Projekte, sagen die meisten Experten. Sie sind eher ein permanenter Prozess im datengetriebenen Medienunternehmen der Zukunft.

Der Autor

Olaf Deininger: Der Wirtschaftsjournalist und Digitalexperte blickt auf eine langjährige Erfahrung in leitenden Positionen zurück, unter anderem als Chefredakteur von „handwerk magazin“ (2014 bis 2019) in München, Ent- wicklungsleiter beim Deutschen Landwirtschaftsverlag (München), Chefredakteur beim Deutschen Sparkassenverlag in Stuttgart sowie Kreativdirektor/Chef der Entwicklung bei der Internetagentur PopNet (Hamburg). Olaf Deininger veröffentlichte Studien, Marktüberblicke und Produktvergleiche zu Business-Software und IT-Lösungen.