Per Customer Analytics zu mehr Umsatz
22.10.2020 | Data-Science-Team Customer Analytics Künstliche Intelligenz Customer Journey Data Science Demand Forecast
Mit AI- und Data-Science-Lösungen entlang der B2C- und B2B-Customer-Journey Mehrwerte generieren
Webshops, Newsletter, Google-Ads und Smartphone-Apps: Mit der Zunahme der Touchpoints entlang der Customer Journey verfügen Unternehmen auch über immer mehr – größtenteils verborgene - Informationen zu ihren Kunden. Das alleine reicht natürlich noch nicht, um beispielsweise den Umsatz zu erhöhen oder Kunden an der drohenden Abwanderung zu hindern. Erst wenn Unternehmen all die gesammelten Daten systematisch miteinander verbinden, analysieren und daraus die richtigen Schlüsse ziehen, wird aus den Daten ein echter Mehrwert für die Kundenansprache im B2C- und B2B-Bereich.
Doch in der Regel sind die gesammelten Daten ungeordnet und verteilen sich über unterschiedliche Datenquellen. Dadurch bleiben wesentliche Einblicke in das Kundenverhalten ungenutzt: Was sind die wertvollsten Kundentypen? Welche Kampagne passt zu welchen Kunden am besten? Wird das volle Up- und Cross-Selling-Potenzial genutzt? An dieser Stelle hilft ein gezieltes Vorgehen im Rahmen von Customer Analytics.
Connecting the dots: Zentraler Zugriff per Customer Analytics Hub
Erst wenn alle Informationen einheitlich und zentral zusammengeführt werden, entsteht ein umfassendes und zuverlässiges Bild des Kunden – das dann als Grundlage für Data Science und AI-Prozesse genutzt werden kann. pmOne setzt bei entsprechenden Lösungen für Customer Analytics genau an diesem entscheidenden Punkt an. Mit einem Customer Analytics Hub wird zunächst eine zentrale Zugriffsstelle für die Daten der gesamten Customer Journey geschaffen. Das Ergebnis: ein einheitliches Kundenprofil als Grundlage für weitere Optimierungsmaßnahmen.
Erfahrene Data Scientists nutzen dabei die umfassenden Möglichkeiten von Artificial Intelligence, um in den Daten die entscheidenden Insights zu entdecken. Denn erst durch den umfassenden Zugriff auf die Daten der gesamten Customer Journey lassen sich Querverbindungen herstellen und der Datenmasse wertvolle Informationen entlocken.
Wie gut kennen Sie Ihre Kunden?
Zu den zentralen Lösungen auf Basis des Customer Analytics Hub gehört beispielsweise die Erstellung von Kundenprofilen und darauf aufbauend eine Kundensegmentierung und geeignete Empfehlungssysteme. So kann Ihr Unternehmen die wirklich relevanten Kunden identifizieren und in der Folge passgenau ansprechen oder ihnen Produkte empfehlen, die ihren tatsächlichen Wünschen und Anforderungen möglichst nahekommen. Im Ergebnis bedeutet das: höhere Response-Raten und messbare Umsatzsteigerungen.
Ein Beispiel aus der Tourismusbranche zeigt, welches konkrete Potenzial dahintersteht. Die Herausforderung lag bei einem führenden Reiseveranstalter unter anderem in der großen Kundenvielfalt. Das erschwerte die Möglichkeit, Angebote individualisiert zu verteilen. pmOne bündelte zunächst alle relevanten Daten aus unterschiedlichen Quellen. Per Data Science und Machine Learning ermittelte unsere Lösung ähnliche Kundenmerkmale und ordnete die Personen automatisch einer bestimmten Gruppe zu. Auf Basis dieser homogenen Kundensegmente – mit ähnlichen Reisezielen und -ansprüchen und mithilfe selbstlernender Algorithmen ermöglicht unser Recommender-System individualisierte Kundenvorschläge und Kampagnen. Dies reduzierte die Anzahl erforderlicher E-Mail-Aussendungen um die Hälfte, verdreifachte die Conversion-Rate und halbierte zugleich die Abmelderate von Newslettern.
Top oder Flop: Prognosemodelle wissen es besser
Der moderne Customer Analytics Hub kann bei Bedarf noch ein gutes Stück weiter in die Zukunft schauen. Mithilfe eines Absatzmodells lässt sich sehr genau vorhersagen, wieviel Umsatz mit welchem Produkt generiert werden wird und auf welche Kampagnen sich die Ressourcen konzentrieren sollten.
Die Zuverlässigkeit und den Mehrwert solcher Prognosen im Umfeld von Customer Analytics zeigt ein Projekt für einen AI-driven Demand Forecast bei einem großen Hersteller von Convenient-Food. In diesem hochoptimierten Wettbewerbsumfeld entscheidet die Genauigkeit von Prognosen darüber, ob ein Hersteller wettbewerbsfähig bleiben kann. Denn: je genauer die Prognosen, desto weniger Ausschuss – oder auf der Gegenseite: desto weniger entgangener Absatz. Zudem ist der manuelle Pflegeaufwand für tausende von Produkten immens. Vor dem Hintergrund der steigenden Nachfrage nach besonders frischen Produkten, war dringend ein genaueres und weniger aufwandsintensives System gefordert, als die bisherige manuelle Planung auf Basis von Excel.
Im Rahmen eines Proof-of-Concept haben wir ein Demand Forecasting Tool entwickelt, das über einen lernenden Algorithmus und durch angereicherte Daten die genannten Herausforderungen umfassend löst. Zuerst analysiert das System die Zeitreihen genauer und berücksichtigt dadurch Absatztrends, saisonale Schwankungen und zyklische Mengenentwicklungen. Hinzukommen Wetterdaten (Sonnenscheindauer, Niederschlag, Temperatur etc.) sowie Daten zur Bevölkerungsdichte und zu Feiertags- sowie Wochentagsschwankungen. Dadurch wird aus einem simplen historischen Datenpunkt eine deutlich gehaltvollere Planungsgrundlage.
Customer Analytics zur Optimierung der Kundenbindung per Churn Prediction
Prognosemodelle sind zudem im Stande, auf Basis von Daten aus der Customer Journey die mögliche Abwanderung von Kunden vorherzusagen. So können Unternehmen mittels Kundenanalyse frühzeitig gegensteuern, Engpässe vermeiden und ggf. Kosten sparen. Dies liefert in manchen Fällen die entscheidenden Informationen, um drohende Umsatzeinbrüche zu verhindern. Zahlreiche unserer Kunden aus den Bereichen Versicherung, Industrie oder Telekommunikation setzen erfolgreich Churn Prediction Verfahren ein, um proaktiv Maßnahmen zu ergreifen, die eine Kundenabwanderung verhindern und um Kunden langfristig zu binden.
Iterativ zur kontinuierlichen Verbesserung
Customer Analytics und Customer Services sollten möglichst systematisch ineinandergreifen. Dafür sorgt ein iterativer Kreislaufprozess der Kundeninteraktion, Kundendaten, maschinelles Lernen und den Kundenservice miteinander verzahnt. Dadurch erhöht sich der Umfang an Kundeninteraktionen und gleichzeitig werden die Serviceleistungen kontinuierlich optimiert. Zudem sorgen die Iterationen für schnelle und belastbare Ergebnisse.
Von Daten und Kundenanalyse zu Maßnahmen mit Mehrwert
Ein perfekter Customer Analytics Hub ermöglicht eine ganze Reihe weiterer Lösungen, mit denen Unternehmen ihre Kunden besser verstehen lernen – um ihr Handeln dann danach auszurichten. So liefert etwa die Vorhersage des zukünftigen Customer Lifetime Value Anhaltspunkte, über den „echten Wert“ Ihrer Kunden. Die Anomaly Detection hingegen hilft Ihnen, Ausreißer (z.B. ungewöhnliches Verhalten oder spezielle Vorlieben) in Ihren Kundendaten zu erkennen und zu bewerten. Auch der Einsatz intelligenter Chats Bots gehört zu unserem Leistungsumfang und bietet völlig neue Möglichkeiten bei der Kundeninteraktion.
Auf Basis eines Customer Analytics Hub lassen sich zahlreiche AI- und Data-Science-Lösungen umsetzen
All diese Ansätze aus dem Umfeld von Customer Analytics haben eines gemeinsam: Sie setzen im Kern auf die Macht von Data Science und Artificial Intelligence. Wer diese zukunftsweisenden Verfahren und Technologien einsetzen möchte, muss dafür zunächst die Grundlagen schaffen. Hierzu gehört die Datenintegration im Rahmen eines Customer Analytics Hub. So sorgen die Lösungen für einen nachhaltigen betriebswirtschaftlichen Nutzen und ermöglichen idealerweise sogar den Aufbau neuer Geschäftsmodelle. Hierzu gehören beispielsweise intelligente Produkte oder Kundenempfehlungssysteme.
