print logo

Predictive Analytics als Katalysator für die Customer Journey

Predictive Analytics ermöglicht die Gestaltung einer guten Kundenbeziehung, denn verfügbare Kapazitäten werden gezielt und kosteneffizient eingesetzt.
Amelie Timm | 14.10.2019
Predictive Analytics als Katalysator für die Customer Journey © Pixabay / TeroVesalainen
 
Unternehmen befinden sich in der Kundenbetreuung in einem Dilemma: Einerseits wollen und müssen sie ansprechbar und nahbar sein - nicht nur im hochpreisigen B2B-Enterprise-Bereich wollen Kunden oft mit “ihrem” Berater sprechen. Das schafft Vertrauen, denn der Betreuer ist oft eine feste Konstante in der Kundenbindung. Andererseits müssen Unternehmen ressourcenschonend agieren und können vor allem reine Serviceanfragen nicht mehr für jeden Kunden persönlich bearbeiten. Unternehmen setzen daher im Kundenservice und After Sales verstärkt auf Automatisierung, das heißt vergangene Handlungen der Nutzer können maschinell ausgewertet werden, um daraus Wahrscheinlichkeiten für zukünftige Handlungen abzuleiten. Je nach Komplexität können automatisch individuelle Maßnahmen ausgelöst werden: Das Chatfenster geht zur richtigen Zeit auf, Emails kommen im genau richtigen Moment mit dem passenden Inhalt an - oder der Kundenberater greift persönlich zum Hörer wenn “sein” Kunde ein Problem hat, das ein persönliches Gespräch unabdingbar macht. Das Verfahren dahinter nutzt Predictive Analytics und ermöglicht durch dessen Nutzung die Gestaltung einer guten Kundenbeziehung, denn verfügbare Kapazitäten werden gezielt und kosteneffizient eingesetzt, wo sie den größten Hebel haben.

Predictive Analytics braucht eine umfassende Datengrundlage


Data-Driven-Marketing ist unlängst ein Trend, mit dem Unternehmen aus dem Nutzerverhalten der Kunden nicht nur Daten sammeln, sondern aus entsprechenden Auswertungen für laufende und kommende Kampagnen Schlüsse ziehen können. Wie lang wird ein bestimmter Kanal benutzt? Wie hoch sind die Öffnungsraten des Newsletters wirklich und welche Teile der Website werden wie oft von welchem Nutzer geklickt? Werden diese anonymisierten Informationen miteinander kombiniert, entstehen Muster, die mithilfe von Predictive Analytics Wahrscheinlichkeiten ergeben, aus denen Handlungsempfehlungen für die Ausgestaltung der digitalen Customer Journey abgeleitet werden können. Verschiedene Verhaltensmuster und Präferenzen der Nutzer werden mittels Profiling festgehalten und zu Nutzerprofilen zusammengefasst. Große Player wie Amazon, Zalando und die Otto Group machen vor, wie sich mit Hilfe gezielter Auswertung der gesammelten Daten und skizzierten Nutzersegmenten Voraussagen über die Wünsche der Kunden, deren Kaufverhalten oder auch die Wahrscheinlichkeit einer Kündigung machen lassen.

KI und Machine Learning steigern die Relevanz beim Nutzer


Eine lernende, datengetriebene Künstliche Intelligenz (KI) stellt die Basis all dieser Optimierungen dar. Wenn alle Daten zu Warenbeständen und Kunden widerspruchsfrei in einer zentralen Datenbasis zusammengeführt werden, kann die KI sie automatisiert auslesen. Interessant werden Verknüpfungen zwischen unterschiedlichen Marketingkanälen, also etwa wenn durch bestimmte Auslöser automatische E-Mails oder Chatbot-Fenster aktiviert werden. Daten werden immer dann gesammelt, wenn ein User beispielsweise auf der Website platzierte Leadmagneten wie Whitepaper und Webinarangebote nutzt, wo er persönliche Daten hinterlässt oder auch bestimmte Zonen der Website wie den Hilfebereich mehrfach aufruft. Es ist dabei nicht zwingend notwendig, dass Daten via Kontaktformular hinterlassen werden, sondern auch aus Cookies gewonnene Informationen lassen Muster des Nutzerverhaltens zu. Vordefinierte Szenarien ermöglichen es der KI, diese Trigger in Echtzeit zu erkennen und damit auf Kundenbedürfnisse zu reagieren, in dem an die Kunden die jeweils attraktivsten, weil genau passenden Angebote ausgesteuert werden. Das gleiche gilt für Werbemaßnahmen, die mit relevantem Content individualisiert Nutzer in ihren aktuellen Bedürfnissen abholen und damit auch dem Werbetreibenden selbst jede Menge Geld einsparen können. Eine besonders präzise Zielgruppenansprache durch Segmentierung ist dabei besonders hervorzuheben, denn dadurch erreichen Kampagnen gezielt die richtigen Empfänger und Bannerschaltungen zahlen sich optimal aus.

Schlau ist, wer kundenzentriert mitdenkt


Es geht bei Predictive Analytics also nicht zuletzt auch um User Centricity. Daten und Algorithmen ermöglichen ein persönlicheres und befriedigenderes Erlebnis für den Kunden, denn er wird mit individuell zugeschnittenen Angeboten an einem Punkt abgeholt, wo er aller Wahrscheinlichkeit nach sowieso zu der Handlung bereit ist, zu der die Kampagne dann den ausschlaggebenden Trigger gibt. Die aus diesem Wissen ableitbaren Rückschlüsse müssen allerdings auf die Sortimentsgestaltung im Einkauf genauso Einfluss haben dürfen, wie auf die Vorbereitung für das Kundengespräch im Vertrieb. Die hohe Kunst wird, das Marketing situativ richtig zu kanalisieren- mobil oder stationär, E-Mail oder Pop-up, Gutschein oder Video, mit Ton oder ohne.

Aus der Praxis: Kundenbindung bei Cloud-Abos oft besonders fragil


Obwohl bei E-Mail-Kampagnen und Profiling die Gedanken zunächst zu typischen B2C-Produkten wie Fast Moving Consumer Goods (FMCG) wandern, hat Predictive Analytics insbesondere bei Kundenbindungsmaßnahmen für B2B-Services hohes Potenzial. Beispielsweise etabliert sich Digital Asset Management als SaaS-Lösung zunehmend als einfach und schnell einzuführende Lösung in der Marketing-Praxis. Kundenbindungsprogramme bei Cloud-Lösungen für Unternehmen gewinnen für eine langfristig ausgelegte Kundenbeziehung immer mehr an Bedeutung, da Cloud-Abos Gefahr laufen, tendenziell als austauschbarer und unverbindlicher gegenüber On-Premise-Lösungen wahrgenommen zu werden.

Die Marke bindet künftig das Cloud-Produkt an den Kunden


Bei Cloud-Abo-Modellen muss also das Markengefühl stärker in den Vordergrund rücken. Bindung, Vertrauen und ein authentisches Markenerlebnis festigen gerade in sehr rational geprägten Umfeldern wie dem Cloud-Bereich die Kundenbindung. Unternehmen müssen durch entsprechende Touchpoints auch im After Sales dafür sorgen, dass Cloud-Kunden sich genauso angesprochen und abgeholt fühlen wie im klassischen On-Premises-Projektgeschäft. Dadurch kann vor allem der After-Sales-Prozess bei Cloud-Lösungen so gestaltet werden, dass rechtzeitig automatisierte Gegenmaßnahmen eingeleitet werden, beispielsweise bei nahendem Auslaufen eines Vertrags. Chatbots und E-Mail-Automation können zielgerichtet und persönlich zugeschnitten sowohl an Touchpoints der Customer Journey vor und nach dem Abschluss, eingesetzt werden.