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 Prognosemodell für Upgrades erstellen

Jordan beginnt damit, das Ergebnis zu definieren, das für seine Upgrade-Strategie am wichtigsten ist: ein:e Nutzer:in, die vom kostenlosen Tarif zu Pro wechselt. Anstatt sich auf generische Trigger wie „Zeit seit der Anmeldung“ zu verlassen, möchte er vorhersagen, welche Nutzer:innen tatsächlich wahrscheinlich konvertieren werden. So kann sein Team auf echte Signale reagieren, 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 auf Pro in 7 Tagen“.
3. Als Ziel-Event wählt er sein angepasstes Event aus: upgraded_to_pro.
4. Jordan setzt das Prognosefenster auf 7 Tage, legt einen Aktualisierungszeitplan fest und erstellt die Prognose.

Schritt 2: Nutzer:innen basierend auf der Upgrade-Wahrscheinlichkeit segmentieren

Nach Abschluss des Trainings weist Braze jeder berechtigten Nutzer:in einen Event-Wahrscheinlichkeitswert (0–100) zu. Jordan nutzt diesen Wert, um umsetzbare Segmente zu erstellen – eines für Nutzer:innen mit hoher Kaufabsicht, die möglicherweise keinen Rabatt benötigen, und ein weiteres für Nutzer:innen, die ohne Unterstützung wahrscheinlich nicht konvertieren werden.

1. Jordan navigiert in Braze zu Segments.
2. Er erstellt zwei Segmente mithilfe des Event-Wahrscheinlichkeitswert-Filters und wählt die von ihm erstellte Prognose aus. Die beiden Segmente sind:
   • Wahrscheinlich bereit zum Upgrade: Wert über 70
   • Braucht einen Anstoß zum Upgrade: Wert über 40 und unter 70

Tipp

Prognose-Filter können mit beliebigen anderen Nutzerattributen oder -verhaltensweisen kombiniert werden. Jordan plant, diese Segmente basierend auf Nutzerinteressen weiter zu verfeinern – beispielsweise durch Priorisierung von Nutzer:innen, die häufig Fitness-Tracking-Features verwenden. So erhält er vier Untergruppen, die er gezielter ansprechen kann, sodass Inhalte und Messaging auf die Bedürfnisse jeder Nutzer:in abgestimmt werden können.

Schritt 3: Messaging nach Absichtsstufe personalisieren

Nachdem Jordan nun klare Upgrade-Absichtssignale hat – und verfeinerte Untergruppen basierend auf dem Nutzer:innenverhalten –, entwickelt er eine Messaging-Strategie, die sich an die Bedürfnisse jeder einzelnen Person anpasst. Schluss mit einheitlichen Massennachrichten.

Er wählt E-Mail als primären Kanal für diese Campaign. Warum? Weil Jordan den Mehrwert von Pro für Nutzer:innen mit hoher Absicht erklären und zögerlicheren Nutzer:innen ein überzeugendes Argument liefern möchte – beides erfordert Platz, visuelle Elemente und einen starken CTA. E-Mail bietet ihm die Flexibilität, dies gut umzusetzen, ohne Nutzer:innen unter Druck zu setzen, und ermöglicht es ihm, die Performance über das Klickverhalten zu verfolgen.

Jordan erstellt einen Canvas, der das Erlebnis basierend auf den soeben erstellten Segmenten aufteilt. Er fügt einen Zielgruppenpfad-Schritt hinzu, um folgende Gruppen anzusprechen:

• Hohe Absicht, fitnessorientierte Nutzer:innen
• Hohe Absicht, andere Nutzer:innen
• Niedrige Absicht, fitnessorientierte Nutzer:innen
• Niedrige Absicht, andere Nutzer:innen

Außerdem legt er das Canvas-Konversions-Event auf das angepasste Event upgraded_to_pro fest, sodass Braze Upgrade-Konversionen automatisch verfolgt, während Nutzer:innen den Flow durchlaufen.

Beispielnachrichten pro Pfad

• hohe absicht, fitness
• hohe absicht, andere
• niedrige absicht, fitness
• niedrige absicht, andere

Schritt 4: Ergebnisse messen und Strategie optimieren

Nach der Durchführung der Campaign überprüft Jordan die Performance in Canvas Analytics, um zu verstehen, wie gut die personalisierten Pfade abgeschnitten haben – und ob die Kombination von prädiktiver Absicht mit 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
• Niedrige Absicht, Fitness
  • Öffnungsrate: 27 %
  • Klickrate: 12 %
  • Konversionsrate: 8 %
  • 50 %-Rabattangebot enthalten
• Niedrige Absicht, Sonstiges
  • Öffnungsrate: 23 %
  • Klickrate: 9 %
  • Konversionsrate: 6 %
  • 50 %-Rabattangebot enthalten

Im Vergleich zur früheren Einheitskampagne des Teams (bei der ein pauschaler Rabatt nach 7 Tagen nur zu 5 % Konversionen und übermäßigem Messaging führte) zeigt der gezielte Ansatz einen deutlichen Uplift in allen Gruppen – mit verbesserter Effizienz und weniger unnötigen Rabatten.

Der Funnel-Bericht zeigt zudem eine deutliche Reduzierung der Abbruchraten in wichtigen Schritten, insbesondere bei Nutzer:innen mit niedriger Absicht, die personalisierte Nachrichten erhalten haben. Mehr Nutzer:innen öffnen, klicken und führen ein Upgrade durch – was den Wert von absichtsbasiertem Targeting bestätigt.

Jordan nutzt diese Insights, um:

• A/B-Tests für Betreffzeilen und CTA-Formulierungen zu untersuchen
• Die Rabattschwelle für Nutzer:innen mit mittlerer Absicht neu zu bewerten
• Segments basierend auf zusätzlichen Verhaltensweisen wie Content-Aufrufen oder App-Feature-Nutzung weiter zu verfeinern

Mit Predictive Events und mehrschichtiger Segmentierung verfügt sein Team nun über eine skalierbare Strategie, die Messaging basierend auf Nutzerabsicht und -verhalten anpasst – und so mehr Upgrades erzielt, ohne das Markenvertrauen zu gefährden.