Kundenloyalität: Wie man mit Data Analytics individuelle Shopping-Erlebnisse schafft

Wenn man Kunden beeindrucken will, dann muss man sie genau kennen. Genauso wie Kunden persönliche Betreuung am Point of Sale gewohnt sind, erwarten sie diese zunehmend von Onlineshops. Passgenaue Beratung, maßgeschneiderte Angebote und individuelle Ansprache im Onlinehandel und Marketing - das sind die Mittel, mit denen man sich die Loyalität der Kunden sichern kann. Schließlich ist Kundenbindung eine der größten Herausforderungen im E-Commerce, wie iBusiness in der Analyse Mythos Kundentreue: Was sind Onlinekäufer noch wert? herausgefunden hat. Schließlich liegt Kundentreue - im Gegensatz zum Stationärhandel - nicht in der Natur des E-Commerce:

• Standortvorteile und Laufkundschaft gibt es im E-Commerce nicht. Jeder Onlineshop ist nur einen Klick entfernt und jederzeit verfügbar - und eben auch die Konkurrenz.
  
• Der Preisvergleich ist im Onlinehandel wesentlich einfacher als stationär, daher wird der Kunde in vielen Fällen zum günstigsten Anbieter gehen.
  
• Stöbern ist im E-Commerce schwierig und wird kaum gemacht. Daher sind die meisten Internetkäufe in die Kategorie Bedarfsdeckung einzuordnen. Bedarfsweckung findet nur wenig statt.
  
• Onlinehandel funktioniert vor allem produktbezogen, nicht händlerbezogen. Während man sich im Stationärhandel einen Händler ausgesucht hat, unter dessen Produkten man eines auswählte, sucht man im E-Commerce nach Produkten und wählt erst im zweiten Schritt den Händler aus.

Analytics soll die Kundenbindung stärken

Deshalb wird Big-Data-Analytics für Händler entscheidendes Tool, um mehr Kundenbindung zu erreichen, wie eine Umfrage   von Xerox   und Forrester Consulting   unter europäischen Einzelhändlern zeigt. Mit 91 Prozent vertritt ein Großteil der befragten Händler die Meinung, dass innerhalb der nächsten zwei Jahre die Nutzung von Big-Data-Analytics für eine engere Kundenbindung sorgen wird.

Nachdem User-Interfaces und Kaufprozesse mittlerweile bis ins letzte Detail optimiert sind, soll nun das Thema "Mass Personalization" massiv an Bedeutung gewinnen und einen ganz anderen Stellenwert erhalten. Vor allem Händler mit breitem Produktportfolio müssen auf die Wünsche und Vorlieben ihrer Kunden zugeschnittene Einkaufserlebnisse entwickeln. Denn je größer das Produktangebot desto unübersichtlicher der Onlineshop, was wiederum Kunden das Stöbern oder die Suche im Sortiment erschwert. Beispielsweise mit personalisierten Designelementen, angepassten und mitlernenden User-Interfaces oder eben auch mit auf den Kunden speziell zugeschnittenen Angeboten und Inhalten kann mithilfe von Analytics das Shoppen für den Kunden einfacher und angenehmer gestaltet und so seine Bindung zum Shop erhöht werden.

Aber eine individuelle Ansprache hilft auch dabei, neue Kunden zu gewinnen: Denn persönliche Empfehlungen bleiben ein entscheidender Kaufimpuls. Das geht aus einer Studie   des ECC Köln   in Zusammenarbeit mit CoreMedia  , IBM und T-Systems Multimedia Solutions   unter 2.000 Smartphone-Besitzern hervor: Bei jedem fünften Kauf verlassen sich die Konsumenten darauf, was ihnen Freunde, Bekannte oder Kollegen empfehlen - im persönlichen Gespräch oder in sozialen Medien. Damit liegt die Mundpropaganda an der Spitze der externen Kaufimpulse. In dichtem Abstand folgen Werbung oder Push-Nachrichten (17,8 Prozent). Auch Kaufempfehlungen eines Onlineshops und Kundenbewertungen sind mit jeweils rund zwölf Prozent wichtige externe Impulsgeber.

Aber wie kann man Kunden genau kennenlernen, während man ihnen nicht an der Ladentheke, sondern in den Weiten des Netzes begegnet? Die Antwort im Digitalzeitalter heißt: durch Daten.

Relevante Daten umfassen ein breites Spektrum an strukturierten und unstrukturierten Daten, in Frage kommen beispielsweise das bisherige Einkaufsverhalten, Transaktionsdaten, aber auch Social-Media-Posts, regionale Daten oder sogar die Wetterlage. Auch Daten, die durch die mobile Gerätenutzung generiert werden, und zum Beispiel den Aufenthaltsort des Kunden aufzeigen, werden immer wichtiger. Dies alles kann Aufschlüsse über das zukünftige Kundenverhalten geben und damit den Absatz beeinflussen. Mit Predictive Analysis und kognitiven Technologien können Marketer in dieser Datenflut die entscheidenden Schlüsselinformationen finden, um den Kunden wirklich zu verstehen und seine Wünsche vorauszuahnen.

Marketer tun sich noch schwer mit der Datenflut

Allerdings sind sich viele Marketing Executives und auch CMOs im Umgang mit diesen Daten noch unsicher und verschenken dadurch Möglichkeiten: Eine IBM-Studie   unter 1.700 CMOs aus verschiedenen Industrien kommt zu dem Ergebnis, dass fast 60 Prozent der Befragten in den letzten Jahren nur wenig Fortschritte bei der Implementierung einer digitalen Marketingstrategie gemacht haben. Sogar 82 Prozent der Befragten fühlen sich schlecht vorbereitet auf die wachsende Datenmasse.

Marketer verschenken Potenzial bei den Daten-Quellen: Für eine individuelle Kundenansprache sind möglichst viele Daten-Quellen - sowohl online als auch offline - entscheidend. Noch liegt der Fokus auf den klassischen Quellen wie CRM-Systeme (72 Prozent) oder Feedback aus Hotline-Gesprächen (44 Prozent). Das zeigt eine Studie im Auftrag von Silverpop  . Social-Media-Kanäle (35 Prozent), Web Analytics (28 Prozent), Warenwirtschafts- Kassensysteme (27 Prozent), Bewertungsplattformen (11 Prozent) oder Predictive-Analytics-Systeme (5 Prozent) erhalten vergleichsweise wenig Aufmerksamkeit.


Mit dem zielgerichteten Einsatz von Marketing und Customer Analytics können Marketing-Verantwortliche die Deutungshoheit über Kundendaten zurückgewinnen, anstatt sich ihnen ausgeliefert zu fühlen. Customer Analytics gibt dabei Einblicke in das Kundenverhalten, Marketing Analytics analysiert die Wirkung und Effektivität von Marketing-Kampagnen.

Effizient eingesetzte Analytics-Tools bewegen genau die entscheidenden Hebel, die für eine gute Kundenbindung sorgen:

• Personalisierung: Von persönlicher Kundenbeziehung träumen viele Marketer. Mit Customer Analytics haben sie die Chance, diese zu verwirklichen, indem sie zielgerichtet auf einzelne Kunden und Mikrosegmente eingehen.
  
• Kontextualität: Kunden möchten relevante Angebote - durch Analytics gewonnene Einblicke helfen Marketern, automatisierte und maßgeschneiderte Kampagnen für Mikro-Kundensegmente zu entwerfen.
  
• Return of Investment: Marketing Analytics hilft dabei, Erfolg zu wiederholen bzw. wo erforderlich dynamisch Kampagnen anzupassen. Omnichannel-Kampagnen können genau gemessen und analysiert werden. Im Erfolgsfall kann die Kampagne unter den gleichen Parametern wiederholt, oder aber mit etwas abgeänderten Parametern verbessert werden.

Customer Analytics für eine bessere Kundenbeziehung

Dass Datenanalyse ein entscheidender Faktor für Kundenzufriedenheit ist, ist vielen Marketern bewusst. Wie diese analysiert werden können - darüber gibt es noch große Unsicherheiten, wie die obige Studie zeigt.

Dabei ist Kundendatenanalyse im Internet nichts Neues: In den 1990er-Jahren begannen Website-Betreiber mit Web Analytics besser zu verstehen, woher der Traffic auf ihrer Website kommt und wie man ihn erhöhen könnte. In den 2000er-Jahren wurden dann soziale Netzwerke wie Facebook und Twitter immer wichtiger. Und Unternehmen erkannten, dass sie in den sozialen Kanälen nicht nur mit ihren Kunden kommunizieren, sondern die daraus entstehenden Daten nutzen können, um die Kunden besser zu verstehen. Das war die Geburtsstunde von Social Media Analytics und Sentiment-Analyse.

Der nächste entscheidende Schritt war Customer Behaviour Analytics. Während die Webanalyse vor allem die Frage nach den "Was" beantwortet, fragt Behaviour Analytics nach dem "Wie" und "Warum". Warum kommen Kunden auf eine Website und - fast noch wichtiger - warum verlassen sie sie vorzeitig? Behaviour Analytics erfasst die Aktionen auf einer Website auf viel granularerem Level und ermöglicht so tiefere Einblicke ins Kundenverhalten. Mit Predictive Analytics folgte dann der nächste Entwicklungsschritt.

Mit Predictive Analytics Entscheidungen verbessern

Welche Angebote werden am erfolgreichsten sein? Auf welche Kunden muss man besonders eingehen, um sie zu behalten? Solche Fragen beantworten Predictive Analytics mit Hilfe von komplexen Algorithmen und genauer Datenanalyse. Dazu sammelt das Tool Informationen aus verschiedenen Quellen. Diese Daten können sowohl strukturiert sein (z.B. Transaktionen) als auch unstrukturiert (z.B. aus Social Media). Eine ganz neue Möglichkeit verändert die bisherige Datenanalyse weitreichend: Predictive-Analytics-Tools geben - wie der Name schon sagt - aufgrund ihrer Analyse automatisierte Echtzeit-Empfehlungen für die Zukunft.

Folgende Anwendungsmöglichkeiten ergeben sich mit Predictive-Analytics-Tools:

• Vorausschauende Analysen
  Durch vorausschauende Analysen können Einblicke in das aktuelle aber auch zukünftige Kundenverhalten gewonnen werden. Diese Einsichten helfen Marketern dabei, die richtigen Entscheidungen zu treffen und das Kundenerlebnis für jeden einzelnen Kunden zu optimieren.
  
• Decision Management
  Analytics statt Bauchgefühl: Auf Daten basierendes Entscheidungsmanagement gibt Marketern Empfehlungen in Echtzeit, damit sie Kunden jederzeit personalisierte Angebote unterbreiten können. Möglich wird dies durch vorausschauende Analyse, lokale Regeln, Scoring und Optimierung.
  
• Real-time Scoring
  Mit Real-time Scoring können Transaktionsdaten wie großvolumige Verkäufe oder Daten aus dem Kundenservice und Beschwerdemanagement verarbeitet werden. Dadurch kann die Aktualität des Scores verbessert werden. Mit Real-time Scoring können Vorhersagen "on demand" generiert werden, sie müssen also nicht mehr vorher berechnet werden. Dadurch können Serviceteams direkt auf die Vorhersagen und Empfehlungen reagieren, während sie gerade mit dem Kunden in Kontakt sind.
  
• Customer Lifetime Value Segmentation
  Traditionell werden Kunden in Segmente eingeteilt, sodass bestimmte Kampagnen auf sie zugeschnitten werden können. Predicitve-Analytics-Tools gehen einen Schritt weiter: Sie segmentieren Kunden nach Lifetime Value und geben Empfehlungen, wie diese Kunden gehalten werden können.
  
• Cross-Campaign Optimization
  Mit Hilfe von Cross-Campaign Optimization können die besten und profitabelsten Entscheidungen für einzelne Kunden getroffen werden. Mit Hilfe von mathematischer Optimierung werden bisherige Kampagnen untersucht, um für eine zukünftige Kampagne geeignete Kunden auszuwählen. Wenn man das bestmögliche Angebot für jeden Kunden ausfindig macht, kann sich der Erfolgsfaktor einer Kampagne um bis zu 20 Prozent erhöhen.
  
• Closed Loop Analysis
  Closed Loop Analysis erfasst Empfehlungen, die tatsächlichen Ergebnisse wie die Reaktion des Kunden auf die Empfehlung, und bindet sie in den analytischen Prozess mit ein. Dadurch werden Vorhersagen und Empfehlungen kontinuierlich verbessert.
  
• Analytical Process Automation
  Vorausschauende Datenanalyse bedeutet bislang auch Handarbeit - beispielsweise das Aktualisieren von Modellen. Dadurch können sich Fehler einschleichen. Predictive-Analytics-Tools automatisieren viele dieser Tätigkeiten, sodass dadurch die Ergebnisse genauer und verlässlicher werden.

Wenn sie diese Funktionen nutzen, haben Marketer mit Predictive Analytics ein wertvolles Tool an der Hand, um ihre Kampagnen zielgerichtet zu planen und die Kunden personalisiert über alle relevanten Kanäle und Kontakte hinweg anzusprechen. Solche Kampagnen bringen Kunden die überraschenden, positiven Erlebnisse, die für Kundenloyalität 2.0 nötig sind.

Die Zukunft wird kognitiv

Und was bringt die Zukunft in der Analyse von Kundendaten? Die Zukunft wird kognitiv - und diese Zukunft hat bereits begonnen. Kognitive Computersysteme wie IBM Watson   lernen und werden so zu Experten auf ganz verschiedenen Gebieten. Wie auch bei Predictive Analysis ziehen sie Schlüsse aus verschiedenen Datensystemen. Dadurch können sie Muster und Trends erkennen, zukünftiges Kundenverhalten voraussagen und darauf basierend Marketern und Händlern Handlungsempfehlungen geben. Somit können Marketer Kunden nicht nur hyperpersonalisiert ansprechen, sondern eine echte Interaktion mit ihnen starten. Auch kognitive Systeme selbst werden zu digitalen Kundenberatern: Bei dem Outdoor-Hersteller North Face etwa führt der kognitive Verkaufsassistent einen natürlichsprachigen Dialog mit Kunden und verhilft so den Outdoor-Fans zur optimalen Ausrüstung für eine Berg- oder Radtour.

Das amerikanische Handelsunternehmen 1-800-Flowers   hat einen 'Gift Concierge Service' namens GWYN eingerichtet, der Kunden online bei der Auswahl des perfekten Geschenks berät. Mit Hilfe von kognitiver Technologie können Kunden GWYN in natürlicher Sprache mitteilen, was sie suchen, anstatt sich durch das reichhaltige Angebot durcharbeiten zu müssen oder die klassische Suchfunktion zu verwenden. Sie erhalten entsprechende Vorschläge und können ihre Bestellung dann direkt in der natürlichsprachigen Anwendung absetzen.

Auch in Deutschland wird die Bedeutung steigen. Unter anderem weil Facebook im Frühjahr 2016 eine Entwicklerschnittstelle vorgestellt hat, die es Marken und Medien erlaubt, eigene Chat-Bots zu entwickeln. Die ersten Chat-Bos sind bereits online. Allerdings spucken sie eher vorgefertige Antworten aus Datenbanken aus, als selbst zu texten (siehe Messenger im E-Commerce: Neuer Trend 'Conversational Commerce'). Auch verstehen sie bisher eher ausgewählte Stichworte als komplexe Sätze. Doch es wird nicht mehr lang dauern, bis sie wesentlich mehr leisten können.

Außerdem ermöglichen die kognitiv gewonnenen Einsichten automatisierte und individualisierte Omnichannel-Marketingkampagnen im großen Maßstab. Auf Basis von detaillierten Analysen unterschiedlichster Daten werden vom Tool fortwährend neue bzw. auf neue Gegebenheiten angepasste Regeln für die Hyper-Personalisierung von Kampagnen vorgeschlagen. Deren Umsetzung kann jedem Kunden das Gefühl geben, etwas ganz Besonderes zu sein.

---

iBusiness-Gastautorin Marilies Rumpold-Preining ist seit März 2016 Leiterin des Geschäftsbereichs IBM Cognitive Commerce in Deutschland, Österreich und der Schweiz. In dieser Rolle gestaltet sie die IBM Cognitive Commerce-Strategie weiter aus, um die strategische Ausrichtung der Kunden mit integrierten Partner & Customer Engagement Lösungen zu erleichtern.