Smoobu aus Berlin ist die All-in-one-Plattform für Ferienvermietung und gehört zur HomeToGo-Gruppe. Gemma Analytics hat für Smoobu ein Machine-Learning-Modell entwickelt, das für jeden einzelnen Trial-Nutzer vorhersagt, ob er zahlender Kunde wird, und den Prognosefehler gegenüber dem bisherigen Modell halbiert.
Die Ausgangslage
Smoobu hilft Gastgebern jeder Größe, ihre Ferienunterkünfte zu verwalten, mit Buchungen und Kalendern, die über alle Kanäle synchron bleiben. Im Abo-Modell hängt das Wachstum davon ab, wie viele Trial-Nutzer zu zahlenden Kunden werden. Eine genaue Conversion-Prognose ist deshalb Pflicht. Bis dahin kam sie aus einem handgebauten Segmentierungsmodell. Es sortierte Gastgeber in grobe Segmente und gab allen im Segment dieselbe Zahl. Das Modell war langsam, starr und konnte für einzelne Nutzer keine Prognose liefern. Vertrieb und Marketing wussten nicht, welche Trials sich lohnen, und die Conversion litt darunter.
Gemma war seit Ende 2022 als externes Datenteam für Smoobu im Einsatz, vom Event-Tracking mit Snowplow bis zum ersten Datenmodell und den ersten Dashboards. Die Prognose konnte also auf Daten aufsetzen, die bereits sauber erfasst und modelliert waren.
Unsere Lösung
Gemma hat ein ML-basiertes Forecasting entwickelt, das aus historischen Daten und dem Nutzerverhalten im Trial lernt. Statt fester Regeln erkennt das Modell selbst, welche Muster künftige Kunden von den übrigen Trials unterscheiden, auch solche, die das handgebaute Modell übersehen hat. Es kommt mit deutlich weniger manueller Segmentierung aus und braucht keine lange Interaktionshistorie, um eine Prognose abzugeben.
Heraus kommt eine Conversion-Wahrscheinlichkeit für jeden einzelnen Trial-Nutzer. Damit wird gezielte Ansprache möglich: Der Vertrieb konzentriert sich auf die Trials mit den besten Chancen, das Marketing setzt passende Anreize dort ein, wo sie etwas bewirken, und die Neukundengewinnung wird effizienter.
Das Ergebnis
Gegenüber dem handgebauten Segmentierungsmodell hat das Machine-Learning-Modell den Prognosefehler um 50 Prozent gesenkt. Statt einer Zahl pro Segment hatte Smoobu einen Conversion-Score für jeden Trial-Nutzer und konnte gezielt entscheiden, welche Trials Vorrang bekommen.
Tools und Setup
Das Setup baute auf der vorhandenen Datenplattform der HomeToGo-Gruppe auf. Snowplow erfasst das Nutzerverhalten im Web sowie in den iOS- und Android-Apps, Snowflake dient als zentrales Data Warehouse, und dbt formt aus den Rohdaten ein sauberes Datenmodell. Apache Superset liefert die Dashboards, Hightouch übernimmt das Reverse ETL und spielt Daten aus dem Warehouse zurück in die Tools von Vertrieb und Marketing.