Predictive Scoring

Predictive Scoring hält drei Zahlen auf jedem Kontakt aktuell: Abwanderungswahrscheinlichkeit, prognostizierter Lifetime Value und Kaufneigung. Sie werden in den Kontaktdatensatz geschrieben — und das ist der entscheidende Teil: Sie erscheinen im Segment-Builder als gewöhnliche numerische Felder („ML-Abwanderungswahrscheinlichkeit“, „ML-Kaufneigung“), sodass eine Risikozielgruppe ein Filter ist, den Sie in der Oberfläche setzen und dann an eine Journey übergeben — wie jede andere Regel.

Hinter den Scores stehen zwei Engines, und hier die ehrliche Fassung. Standardmäßig nutzt die Plattform stets verfügbares heuristisches Scoring aus dem Verhalten, das sie bereits erfasst — Recency, Engagement, Bestellhistorie. Deployen Sie den Python-ML-Sidecar, trainiert er kontospezifische Modelle auf Ihren eigenen Daten und übernimmt dieselben drei Spalten. Der Unterschied ist wichtig: Das Feature ist damit nie ein leerer Screen, der auf einen Data Scientist wartet — es funktioniert am ersten Tag und wird später besser, und jeder Scoring-Lauf wird protokolliert, sodass Sie sehen, welche Engine die aktuellen Zahlen erzeugt hat.

Ein Summary-Endpoint meldet Abdeckung und Verteilung — durchschnittliche Abwanderung und Neigung, prognostizierter Gesamtwert, und wie viele Kontakte über den Hochrisiko- und Hoch-Intent-Schwellen liegen — damit Sie die Scores prüfen können, bevor Sie eine Kampagne darauf bauen. Die Scores fließen zudem in Warehouse-Exporte für Ihre eigene Analyse und werden gelöscht, wenn ein Kontakt für eine DSGVO-Anfrage anonymisiert wird — wie jedes andere abgeleitete Attribut. Predictive Scoring ist ab Business enthalten; Details auf Feldebene stehen in der Dokumentation.