Anwendungsfall: Abonnement-Upgrades mit intelligenterem Targeting prognostizieren

Dieses Beispiel veranschaulicht, wie eine fiktive Marke Braze Predictive Events einsetzt, um die für ihr Geschäft relevanten Ergebnisse zu definieren – wie beispielsweise das Upgraden auf eine Pro-Mitgliedschaft – und gezielte Strategien zu entwickeln, die die Ergebnisse verbessern.

Nehmen wir an, Jordan ist Lifecycle-Strateg:in bei Steppington, einer Gesundheits- und Fitness-App mit kostenlosen und kostenpflichtigen Angeboten. Das Team von Jordan hat sich zum Ziel gesetzt, die Anzahl der Pro-Upgrades zu erhöhen, ohne die gesamte kostenlose Nutzerbasis mit Rabattnachrichten zu überfluten. Derzeit versenden sie nach sieben Tagen eine Werbeaktion mit dem Titel „Pro mit 50 % Rabatt testen“ an alle Nutzer:innen der kostenlosen Version. Das führt zwar zu einigen Conversions (etwa 5 % über 7 Tage), jedoch auch zu übermäßiger Ansprache – einschließlich der Rabattierung von Nutzer:innen, die wahrscheinlich ohnehin upgradet hätten.

Um das Targeting zu verbessern und die Messaging-Ermüdung zu reduzieren, verwendet Jordan Predictive Events, um die Wahrscheinlichkeit zu modellieren, dass Nutzer:innen innerhalb der nächsten 7 Tage auf Pro upgraden. Er definiert ein angepasstes Event: upgraded_to_pro und nutzt dieses anschließend, um ein Prognosemodell zu trainieren und die Nutzer:innen in intelligente, handlungsorientierte Gruppen zu segmentieren.

Dieses Tutorial führt Sie durch den Prozess, den Jordan durchlaufen hat:

• Ein Prognosemodell für upgraded_to_pro innerhalb von 7 Tagen
• Segmente, die dazu beitragen, die Conversions zu erhöhen und gleichzeitig weniger Nachrichten insgesamt zu versenden

Schritt 1: Ein prädiktives Modell für Upgrades erstellen

Jordan beginnt damit, das Ergebnis zu definieren, das für seine Upgrade-Strategie am wichtigsten ist: den Wechsel von Nutzer:innen vom kostenlosen Tarif zu Pro. Anstatt sich auf allgemeine Trigger wie „Zeit seit der Registrierung“ zu verlassen, möchte er prognostizieren, welche Nutzer:innen tatsächlich wahrscheinlich konvertieren. So kann sein Team auf echte Signale reagieren und nicht nur auf Annahmen.

1. Im Braze-Dashboard navigiert Jordan zu Analytics > Predictive Events.
2. Er erstellt eine neue Event-Prognose und nennt sie „Upgrade to Pro in 7 days“.
3. Als Ziel-Event wählt er sein angepasstes Event aus: upgraded_to_pro.
4. Jordan legt das Prognosefenster auf 7 Tage fest, definiert einen Zeitplan für Updates und erstellt die Prognose.

Schritt 2: Nutzer:innen anhand der Upgrade-Wahrscheinlichkeit segmentieren

Nach Abschluss des Trainings weist Braze jeder berechtigten Nutzer:in einen Event Likelihood Score (0–100) zu. Jordan nutzt diesen Score, um handlungsorientierte Segmente zu erstellen: eines für Nutzer:innen mit hoher Absicht, die möglicherweise keinen Rabatt benötigen, und ein weiteres für Nutzer:innen, die ohne Unterstützung wahrscheinlich keine Conversion durchführen.

1. Jordan navigiert in Braze zu Segments.
2. Er erstellt zwei Segmente mithilfe des Filters „Event Likelihood Score“ und wählt die von ihm erstellte Prognose aus. Die beiden Segmente sind:
   • Upgrade wahrscheinlich: Score über 70
   • Braucht einen Anstoß zum Upgrade: Score über 40 und unter 70

Tipp

Prädiktive Filter lassen sich mit beliebigen anderen Nutzerattributen oder Verhaltensweisen kombinieren. Jordan plant, diese Segmente anhand der Interessen der Nutzer:innen weiter zu verfeinern, etwa indem er Nutzer:innen priorisiert, die häufig Fitness-Tracking-Features verwenden. So erhält er vier Untergruppen für ein präziseres Targeting, sodass Inhalte und Messaging auf die Bedürfnisse jeder Nutzer:in abgestimmt werden können.

Schritt 3: Messaging nach Absichtsstufe personalisieren

Jordan verfügt jetzt über klare Signale zur Upgrade-Absicht und über verfeinerte Untergruppen auf Basis des Nutzerverhaltens. Damit entwickelt er eine Messaging-Strategie, die sich an den Bedürfnissen der einzelnen Nutzer:innen orientiert. Massenversand nach dem Gießkannenprinzip gehört damit der Vergangenheit an.

Als primären Kanal für diese Campaign wählt er E-Mail. Warum? Jordan möchte Nutzer:innen mit hoher Absicht den Mehrwert von Pro erklären und zögerlichere Nutzer:innen überzeugen. Für beides braucht er Platz, Bilder und einen starken CTA. Per E-Mail kann er das flexibel umsetzen, ohne Nutzer:innen unter Druck zu setzen, und die Performance über das Klickverhalten tracken.

Jordan erstellt ein Canvas, das die Experience anhand der Segmente aufteilt, die er gerade erstellt hat. Er fügt einen Schritt mit Zielgruppenpfaden hinzu, um folgende Gruppen anzusprechen:

• Hohe Absicht, fitnessorientierte Nutzer:innen
• Hohe Absicht, sonstige Nutzer:innen
• Geringe Absicht, fitnessorientierte Nutzer:innen
• Geringe Absicht, sonstige Nutzer:innen

Außerdem legt er das angepasste Event upgraded_to_pro als Konversions-Event des Canvas fest. So trackt Braze Upgrade-Konversionen automatisch, während Nutzer:innen den Flow durchlaufen.

Beispielnachrichten pro Pfad

• hohe absicht, fitness
• hohe absicht, sonstige
• geringe absicht, fitness
• geringe absicht, sonstige

Schritt 4: Ergebnisse messen und Strategie optimieren

Nach dem Durchlauf der Campaign prüft Jordan die Performance in Canvas-Analytics. So sieht er, wie gut die personalisierten Pfade abgeschnitten haben und ob die Kombination aus prognostizierter Absicht und Verhaltenssignalen die Upgrade-Raten verbessert hat.

E-Mail-Performance nach Pfad:

• Hohe Absicht, Fitness
  • Öffnungsrate: 34 %
  • Klickrate: 20 %
  • Konversionsrate: 13 %
  • Kein Rabatt verwendet
• Hohe Absicht, Sonstiges
  • Öffnungsrate: 30 %
  • Klickrate: 17 %
  • Konversionsrate: 11 %
  • Kein Rabatt verwendet
• Geringe Absicht, Fitness
  • Öffnungsrate: 27 %
  • Klickrate: 12 %
  • Konversionsrate: 8 %
  • Angebot mit 50 % Rabatt enthalten
• Geringe Absicht, Sonstiges
  • Öffnungsrate: 23 %
  • Klickrate: 9 %
  • Konversionsrate: 6 %
  • Angebot mit 50 % Rabatt enthalten

Im Vergleich zur bisherigen Einheits-Campaign des Teams (bei der ein pauschaler Rabatt nach 7 Tagen zu nur 5 % Konversionen und zu viel Messaging führte) zeigt der gezielte Ansatz einen deutlichen Uplift in allen Gruppen – mit höherer Effizienz und weniger unnötigen Rabatten.

Der Funnel-Bericht zeigt außerdem einen klaren Rückgang der Abbrüche bei den wichtigsten Schritten, insbesondere bei Nutzer:innen mit geringer Absicht, die personalisiertes Messaging erhalten haben. Mehr Nutzer:innen öffnen, klicken und führen ein Upgrade durch – ein Beleg für den Wert von absichtsbasiertem Targeting.

Jordan nutzt diese Insights, um:

• A/B-Tests für Betreffzeilen und CTA-Formulierungen auszuprobieren
• Die Rabattschwelle für Nutzer:innen mit mittlerer Absicht neu zu bewerten
• Segmente anhand zusätzlicher Verhaltensweisen wie Inhaltsaufrufen oder der Nutzung von App-Features weiter zu verfeinern

Mit Predictive Events und mehrstufiger Segmentierung verfügt sein Team nun über eine skalierbare Strategie, die Messaging an die Absicht und das Verhalten der Nutzer:innen anpasst – für mehr Upgrades bei gleichzeitigem Erhalt des Markenvertrauens.