Predictive Marketing – Was lässt sich überhaupt vorhersagen?

Eine Landkarte der ML-Tasks im Social-Media-Marketing: Engagement, CTR, Conversion, Churn, LTV, Sentiment – und die Frage, wann ML wirklich lohnt und wann eine schlanke Heuristik schneller zum Ziel führt.

1. Das Problem: Vorhersage ≠ Reporting

Marketing-Teams sind umgeben von Daten – Impressionen, Reichweiten, Click-Streams, Engagement-Zeitreihen. Der größte Teil davon endet in Dashboards. Dashboards sind Descriptive Analytics: Sie zeigen, was war. Predictive Analytics verschiebt die Frage in die Zukunft: Was wird passieren, wenn nichts eingreift? Erst diese Frage rechtfertigt den Aufbau eines ML-Modells.

"If you can't measure it, you can't improve it." – Peter Drucker (oft zugeschrieben)

Die folgende Tabelle trennt die beiden Welten sauber:

2. Die Landkarte der Predictive-Tasks

Sechs Task-Familien decken den Großteil des Marketing-Bedarfs ab:

• Engagement-Prediction (Likes, Shares, Kommentare) – binäre Klassifikation high_engagement ∈ {0,1} oder Regression auf eine Zielgröße.
• CTR-Prediction für Ads – stark imbalanced (Positiv-Rate oft <3 %), kalibrierte Wahrscheinlichkeiten zwingend.
• Conversion / Lead-Scoring – Klassifikation auf seltenes Event, oft mit Kosten-sensitiven Schwellen.
• Churn-Prediction – „Wer kündigt im nächsten Monat?". Klassisches binäres Setup.
• Customer-Lifetime-Value (LTV) – Regression auf langfristigen Erlös; oft als Survival-Analyse formuliert.
• Sentiment / Topic-Klassifikation – NLP-Aufgaben auf Texten, Reviews, Kommentaren.

3. Wann lohnt sich ML – und wann reicht eine Heuristik?

ML rechtfertigt sich durch drei Bedingungen, die alle drei erfüllt sein müssen:

1. Labels existieren in ausreichender Menge. Faustregel: mindestens einige tausend Beispiele pro Klasse.
2. Das Signal ist über die Zeit stabil. Bei viralen, einmaligen Phänomenen lernt das Modell Rauschen.
3. Eine bessere Entscheidung bringt messbaren Mehrwert. Wenn der Business-Impact einer 1-%-Verbesserung im Cent-Bereich liegt, lohnt der Aufwand nicht.

❌ Falsche Frage

"Können wir mit ML herausfinden, welche Posts viral gehen werden?"

Virale Posts sind Long-Tail-Ereignisse. Es gibt nicht genug Beispiele, das Signal ist instabil, und Klassen sind extrem imbalanced.

✅ Richtige Frage

"Können wir vorhersagen, welche Posts in den oberen 20 % der Engagement-Verteilung landen werden?"

Ein wohldefiniertes binäres Label, genug Beispiele, evaluierbare Metrik (PR-AUC, Lift).

4. Datenexploration als erster Schritt

Bevor ein Modell trainiert wird, lohnt sich eine ehrliche explorative Analyse. Das folgende Snippet erzeugt einen synthetischen Social-Media-Datensatz mit realistischen Korrelationen und untersucht die wichtigsten Merkmale.

import pandas as pd
import numpy as np

rng = np.random.default_rng(42)
n = 1000

# Realistische Korrelationen einbauen: Posts mit Bild haben mehr Likes,
# Posts zur Prime-Time (18-22h) ebenfalls.
hour = rng.integers(0, 24, n)
has_image = rng.integers(0, 2, n)
text_len = rng.integers(20, 280, n)

prime_time = ((hour >= 18) & (hour <= 22)).astype(int)
base_likes = 5 + 8 * has_image + 6 * prime_time
likes = rng.poisson(base_likes)

df = pd.DataFrame({
    "hour": hour,
    "has_image": has_image,
    "text_len": text_len,
    "likes": likes,
    "high_engagement": (likes > np.quantile(likes, 0.8)).astype(int),
})

print("Verteilung der Zielvariable:")
print(df["high_engagement"].value_counts(normalize=True).round(3))
print()
print("Mittlere Likes nach Bild-Verwendung:")
print(df.groupby("has_image")["likes"].mean().round(2))
print()
print("Mittlere Likes nach Tageszeit-Bucket:")
df["time_bucket"] = pd.cut(df["hour"], bins=[0, 6, 12, 18, 24],
                           labels=["Nacht", "Vormittag", "Nachmittag", "Abend"])
print(df.groupby("time_bucket", observed=True)["likes"].mean().round(2))

Die Ausgabe macht zwei Dinge sichtbar: Erstens ist high_engagement per Konstruktion bei ~20 % – das ist die Positiv-Rate, mit der das spätere Modell umgehen muss. Zweitens sind die beiden Haupttreiber (has_image, Prime-Time) sofort in den Gruppen-Mittelwerten erkennbar. Diese Art der Validierung vor dem Modelltraining verhindert, dass später ein komplexes Modell etwas zeigt, was eine 2-Zeilen-Heuristik schon geliefert hätte.

5. Diskussion: Vorhersage vs. Kausalität

Ein Punkt wird in der Praxis dauerhaft unterschätzt: Vorhersage ist nicht Kausalität. Ein Modell, das mit 90 % Genauigkeit vorhersagt, wer klickt, sagt nichts darüber aus, wer wegen der Anzeige klickt. Diese Lücke wird in Artikel 04 (Uplift-Modelling) explizit adressiert.

Ein zweiter, häufig übersehener Punkt: Data-Drift ist im Social-Media-Kontext die Norm, nicht die Ausnahme. Algorithmen der Plattformen ändern sich, Nutzerverhalten verschiebt sich saisonal, virale Trends überschreiben Muster. Jedes produktive Modell braucht ein Monitoring, das Drift erkennt – und einen Plan für regelmäßiges Retraining.

6. Abschluss-Quiz

7. Weiterführend

• Nächster Artikel: Engagement-Prediction mit klassischen Modellen (Artikel 02 dieser Serie).
• Querverweis: Kategorie recommendation-systems.
• Knowledgebase: machinelearningwithpytorchandscikit-learn.md – Kapitel zu Klassifikation und Evaluierungsmetriken.

Quellen

• Machine Learning with PyTorch and Scikit-Learn (Sebastian Raschka et al.) – Kapitel 6 (Model Evaluation).
• Generative AI Foundations in Python – Abschnitt zu Predictive vs. Descriptive Analytics.