Selina Dvorak

• Diese Masterarbeit untersucht die Auswirkungen von KI-gestützter Predictive Analytics auf die Leadgenerierung und zentrale Performance-Marketing-Kennzahlen am experimentellen Beispiel eines IT-Dienstleistungs-KMU. Die Problemstellung ergibt sich aus der zunehmenden Relevanz von datengetriebenen Entscheidungsprozessen im digitalen Marketing. Ziel der Arbeit war es, zu analysieren, inwiefern KI-basierte Predictive Analytics Methoden bei der Zielgruppen Segmentierung die Effizienz der Leadgenerierung verbessern, die Kosten pro Lead (CPL) senken, den Return on Investment (ROI) steigern und die Conversion-Rate beeinflussen. Basierend auf einer theoretischen Grundlage zu Performance-Marketing und Predictive Analytics wurde ein konzeptioneller Rahmen entwickelt, der die Integration von KI-basierter Predictive Analytics in datengetriebene Marketingstrategien abbildet. Die empirische Untersuchung erfolgte in Form eines Quasi-Experiments auf der Plattform LinkedIn, wobei eine Experimentalgruppe mit KI-gestützten Predictive Analytics einer Kontrollgruppe mit manuellen Marketingstrategien gegenübergestellt wurde. Die Ergebnisse zeigen, dass Predictive Analytics eine signifikante Reduktion der Kosten pro Lead und eine Steigerung der Leadanzahl bewirkt. Allerdings wurde keine signifikante Verbesserung der Conversion-Rate festgestellt, was darauf hindeutet, dass ergänzende Maßnahmen erforderlich sind, um den gesamten Prozess zu optimieren und weitere Anpassungen vorzunehmen. Obwohl die Analyse vielversprechende Effekte aufzeigt, sind einige Limitationen zu berücksichtigen. Die Untersuchung erstreckte sich über einen Zeitraum von vier Wochen, wodurch keine langfristigen Effekte untersucht werden konnten. Zudem wurde ein einzelnes Unternehmen betrachtet, wodurch die Übertragbarkeit der Ergebnisse auf andere Branchen oder Unternehmensgrößen nur eingeschränkt möglich ist. Die Arbeit liefert sowohl wissenschaftliche als auch praxisrelevante Erkenntnisse für die Implementierung von Predictive Analytics im Performance-Marketing und legt den Grundstein für weiterführende Forschung zur langfristigen Wirkung von KI-gestützten Strategien in verschiedenen Branchen.
• This master's thesis examines the impact of AI-supported predictive analytics on lead generation and key performance marketing indicators, using an IT service SME as an experimental case study. The growing importance of data-driven decision-making in digital marketing necessitates a deeper understanding of how AI-driven methods influence marketing efficiency. The research question is: What impact does the use of AI-based predictive analytics have on lead generation and Performance-Marketing KPIs at an IT services SME? The study aims to determine the extent to which AI-based predictive analytics methods improve the efficiency of lead generation in target group segmentation, reduce the cost per lead (CPL), improve the return on investment (ROI), and influence the conversion rate. Building on a theoretical foundation in performance marketing and predictive analytics, a conceptual framework was developed to illustrate the integration of AI-based predictive analytics into data-driven marketing strategies. The empirical research was conducted as a quasi-experiment on the Social Media platform LinkedIn, comparing an experimental group utilizing AI-supported predictive analytics with a control group employing manual marketing strategies. The findings indicate that predictive analytics leads to a significant reduction in costs per lead and an increase in the number of generated leads. However, no significant improvement in conversion rate was observed, suggesting that additional optimization measures are required. While the results highlight the potential benefits of AI-driven approaches, certain limitations must be considered. The four-week duration of the study prevented the analysis of long-term effects, and the focus on a single company restricts the generalizability of the findings to other industries or company sizes. Nonetheless, this research offers both academic and practical insights into the implementation of predictive analytics in performance marketing and establishes a foundation for future studies on the long-term impact of AI-driven marketing strategies across various industries.