Detailansicht
AI-enabled marketing optimization
Rebeka Gosztom
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Betriebswirtschaft
Betreuer*in
Raimund Kovacevic
DOI
10.25365/thesis.78864
URN
urn:nbn:at:at-ubw:1-12028.14978.219219-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
E-Mail-Marketing bleibt aufgrund seiner Effizienz, Skalierbarkeit und unmittelbaren Reichweite ein Grundpfeiler von Strategien zur Kundenbindung. Da den Verbraucher:innen immer häufiger mobile Technologien und digitale Plattformen zur Verfügung stehen – insbesondere in technikaffinen Regionen wie Tschechien – hat die Relevanz einer Optimierung der E‑Mail‑Marketing‑Praxis zugenommen. Ein entscheidender Erfolgsfaktor ist dabei die Send Time Optimization (STO), also die Wahl des optimalen Versandzeitpunkts, um die Öffnungsrate zu maximieren. Diese Arbeit untersucht, wie die künstliche Intelligenz Einstein die STO verbessert, anhand einer vergleichenden Fallstudie zweier E‑Mail‑Marketing‑Kampagnen der Česká Spořitelna, einer großen tschechischen Bank und Mitglied der Erste Group, die im Dezember 2024 durchgeführt wurden. Kampagne A nutzte eine herkömmliche, von Menschen kuratierte STO, während Kampagne B die automatisierte Versandzeitoptimierung von Einstein AI einsetzte. Während Kampagne A eine eher bescheidene Öffnungsrate von 48,85 % erzielte, erreichte Kampagne B mit Einsteins optimiertem Versandzeitpunkt einen deutlich höheren Wert von 71,20 %. Der wesentliche Unterschied zwischen den Kampagnen bestand darin, dass Einsteins STO die E‑Mails ausschließlich um 07:00 Uhr und 09:00 Uhr versandte. Um die zugrunde liegenden Verhaltensfaktoren zu ermitteln, wurden verschiedene Machine‑Learning‑Modelle – darunter Logistische Regression, Random Forest, XGBoost, LightGBM, ein Neural‑Network‑Ensemble sowie ein weiteres Mischmodell – auf die Datensätze der beiden Kampagnen trainiert und getestet. Die Analyse konzentrierte sich auf den Einfluss von Kundendemografie (Geschlecht, Alter, Lebensphase – Verpflichtungen gegenüber Familie oder nicht), Kontokennzahlen (Saldo) und zeitlichen Merkmalen (Versandstunde, Wochentag). Bemerkenswert ist, dass sich die Modellgenauigkeit in Kampagne B deutlich verbesserte: Das Neural‑Network erreichte 90,84 % und identifizierte das Geschlecht als wichtigsten Prädiktor bei der gegebenen STO. Ensemble‑ und Interaktions‑Modelle zeigten zudem, dass Lebensphase, Kontosaldo und deren Wechselwirkungen mit dem Versandzeitpunkt maßgebliche Determinanten des E‑Mail‑Engagements sind. Die KI‑gestützte STO übertraf die manuellen Methoden nicht nur in dem reinen Engagement‑Kennzahlen, sondern ermöglichte durch fortgeschrittene prädiktive Modellierung auch die Entdeckung nuancierter Verhaltensmuster. Die Ergebnisse unterstreichen das Potenzial, KI‑Lösungen wie Einstein mit maßgeschneiderten statistischen Modellen zu kombinieren, um E‑Mail‑Marketingstrategien im Bankensektor und darüber hinaus weiter zu optimieren. Für die Kampagnen der Česká Spořitelna wird die fortgesetzte Nutzung von Einstein AI empfohlen; das auf Neural‑Networks basierende Modell zeigt jedoch zugleich, dass die Optimierung noch weiter vorangetrieben werden kann.
Abstract
(Englisch)
Email marketing remains a cornerstone of customer engagement strategies due to its efficiency, scalability, and immediate reach. As consumers increasingly have the availability of mobile technology and digital platforms – especially in tech-adept regions like Czechia – the relevance of optimizing email marketing practices has intensified. One critical aspect of success is Send Time Optimization (STO) – selecting the ideal time to dispatch marketing emails to maximize open rates. This thesis explores how the Einstein artificial intelligence (AI) enhances STO through a comparative case study of two email marketing campaigns run by Česká Spořitelna, a major Czech bank and member of the Erste Group, that was conducted during December of 2024. Campaign A used a conventional, human-curated STO, while Campaign B employed Einstein AI for automated send-time optimization. While Campaign A had a modest open rate of 48.85%, Campaign B, with Einstein’s optimized send time, achieved a significantly higher 71.20% open rate. The key difference between campaign A and B was that Einstein’s STO had emails sent out only at 07:00 AM and 09:00 AM. To uncover the underlying behavioural factors driving these outcomes, various machine learning models – including Logistic Regression, Random Forest, XGBoost, LightGBM, a NeuralNetwork ensemble and a further mixed model – were trained and tested on the two campaigns’ datasets. The analysis focused on the influence of client demographics (gender, age, life phase (has familial obligations or not)), account metrics (balance), and temporal features (send hour, day of the week). Notably, model accuracy significantly improved in Campaign B, with the NeuralNetwork reaching 90.84%, identifying gender as the most influential predictor with the given STO. Ensemble and interaction-feature models further revealed that life phase, client balance, and their interactions with send timing were crucial determinants of email engagement. The AI-driven STO did not only outperform manual methods in raw engagement metrics but also enabled the discovery of nuanced behavioural patterns through advanced predictive modelling. The findings highlight the potential of combining AI like Einstein with tailored statistical models to further optimize email marketing strategies in the banking sector or beyond. As for the campaigns done by Česká Spořitelna, the continued usage of the Einstein AI is recommended, however the NeuralNetwork trained model also reveals that the optimization can be furthered.
Schlagwörter
Schlagwörter
(Deutsch)
KI künstliche Intelligenz Versandzeitpunkt Öffnungsrate E-Mail-Marketing
Schlagwörter
(Englisch)
Email marketing AI Send Time Optimization
Autor*innen
Rebeka Gosztom
Haupttitel (Englisch)
AI-enabled marketing optimization
Publikationsjahr
2025
Umfangsangabe
XII, 85 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Raimund Kovacevic
AC Nummer
AC17596598
Utheses ID
76156
Studienkennzahl
UA | 066 | 915 | |