Customer Analytics und Product Analytics

Anwendungsfälle

Beim Clustering werden Ähnlichkeiten oder Ähnlichkeitsstrukturen in großen Datenmengen dazu verwendet, Daten einer Gruppe zuzuordnen. Die Besonderheit beim Clustering ist das Ziel, neue Gruppen in den Daten zu identifizieren, während bei einer Klassifikation die Daten bestehenden Klassen zugeordnet werden. Diese neuen Gruppen oder Cluster werden anschließend zur automatisierten Klassifizierung, zur Erkennung von Handlungsmustern oder zur Kunden- oder Marktsegmentierung eingesetzt. Die gefundenen Cluster lassen sich oft nur schwer in Worten beschreiben und gemeinsame Eigenschaften werden in der Regel erst durch eine nachträgliche Analyse identifiziert. Für das Clustering ist es sinnvoll, verschiedene Verfahren und verschiedene Parameter zu probieren. .
Beim Customer Lifetime Value wird der Wert eines Kunden, gemessen zum Beispiel als Deckungsbeitrag, über einen Zeitraum anhand verschiedener Merkmale prognostiziert.
Vorhandene Daten können genutzt werden, um die Zufriedenheit von Kunden zu erhöhen. Empfehlungssysteme können als elektronischer Verkäufer eingesetzt werden, um Kunden passende, zusätzliche Produkte anzubieten (next best offer).
Churn Prevention ist auch bekannt als Retention Management. Dabei geht es um die Identifizierung von abwanderungswilligen Kunden, mit dem Ziel sie durch gezielte Maßnahmen als Kunden zu halten.

Customer Analytics: Digitales Marketing von heute - der Kunde im 360°-Blick

Kundenanalysen beziehen sich auf die Prozesse und die Technologien, die es Organisationen erlauben, detailliertere Einblicke in ihre Kunden und deren Verhalten zu erhalten. Diese Informationen und Analysen werden dann im Weiteren von Marketing, Kundenbeziehungsmanagement, Gestaltung des Shop- oder Webauftritts oder anderen Abteilungen zur Optimierung des Produktangebots genutzt. Die meisten Unternehmen verfolgen dabei die Strategie, Produktangebote stärker an die Bedürfnisse und Verhaltensweisen ihrer Kunden anzupassen.

Im Zuge dessen sehen wir auch immer mehr Unternehmen ihren Fokus und ihre Prozesse noch stärker auf den Kunden zu richten, Stichwort „Face to the Customer“: Das Ziel hierbei ist, ein 360°-Blick über alle „Touchpoints“ des Unternehmens mit dem Kunden (wie beispielsweise Webseite, Point-of-Sale oder Call Center) aufzubauen. Diese Informationen können dann zusätzlich um weitere externe Daten, wie Marktdaten, Social Media oder Wetterdaten, und demographische Merkmale ergänzt werden. Für die Analyse der Kundendaten gibt es eine Reihe an verschiedenen Verfahren, die sehr häufig zum Einsatz kommen und die sich miteinander kombinieren lassen.

Call Center
Call Center
Internet / e-Commerce
Internet / e-Commerce

Wie fängt man an? Oder: Wo muss ich drücken, damit die Euros rauskullern?

 

Auch wenn ein solcher Knopf wünschenswert wäre, funktioniert es so leider nicht. Am Anfang muss ein Unternehmen einige Gedanken darauf verwenden, um herauszufinden, welche Anwendungsfälle es für Customer Analytics im eigenen betrieblichen Kontext gibt.

Aufschlussreich ist es, wenn man dazu die richtigen Leute im Unternehmen befragt. Meistens sind es diejenigen, die schon immer Ideen hatten und versucht haben, diese technisch umzusetzen. Das können die unterschiedlichsten Charaktere sein, die es zu identifizieren gilt, wie zum Beispiel der Excel-Crack im Marketing oder Sales, der komplette Analyse-Spreadsheets aufgebaut hat. Hier sind oft bereits Fragestellungen vorhanden, die bislang technisch nicht abbildbar waren. Solche Ansatzpunkte einfach mal zu sammeln, verschafft schon mal eine gute Ausgangsposition.

Dann geht es darum, Daten zu durchforsten und Potenzial für Anwendungsfälle zu finden, die es am Anfang zu erarbeiten gilt. In diesem Stadium, das gerne den Charakter und die positive Arbeitsatmosphäre eines Versuchslabors haben darf, sollte so wenig wie möglich in IT-Technologie investiert werden. Alles, was man dafür braucht, ist entweder kostenfrei oder zu ganz geringen Kosten beziehbar. Ein größeres Investment ist erst dann sinnvoll, wenn sich ein Anwendungsfall bestätigt hat.

Trotzdem ist es empfehlenswert, eigene Personalressourcen in dieses skizzierte Versuchslabor für Customer Analytics zu entsenden. Idealerweise sind das so genannte Data Scientists, die aber, weil sich derzeit viele Unternehmen mit Big Data und Advanced Analytics befassen, eine rare Spezies sind. Es geht aber auch einfacher: Bekommen motivierte Personen, die ein Grundverständnis von Advanced Analytics haben, Freiraum und ein wenig Zeit, "kullern die Euros" fast von selbst. Denn schnell kommen Anwendungsfälle ans Tageslicht, an die anfangs noch keiner gedacht hat. Best Practices zeigen, dass es auch für Großunternehmen mit mehreren tausend Mitarbeitern ausreichend ist, zum Start 0,5 bis zwei Full-time Equivalents (FTE) für das Versuchslabor freizustellen.

Churn prevention Sales

Recommender Sales

Customer Lifetime Value

Dynamic Pricing Sales

Optimize Campaign Management

Customer Journey Marketing

Smart Mailing Marketing

Webinare Lösungen Kontakt