Business Application Research Center

Experten für Business Intelligence, Analytics, Big Data, CRM und ECM

BARC-Newsletter

Customer-Analytics-Projekte erfolgreich gestalten

RssRss

15.09.2016

Customer-Analytics-Projekte erfolgreich gestalten

Gute Kundenbetreuung ist die Kunst, den Kunden mit den richtigen Inhalten zum richtigen Zeitpunkt über den richtigen Kanal anzusprechen – und ihn im Idealfall direkt für seine Produkte zu gewinnen. Dies setzt allerdings ein enormes Wissen über den Kunden, seine Bedürfnisse und Präferenzen voraus. Gute Kundenkommunikation kann nur auf der Grundlage guter Kundenanalyse erfolgen. Um dieses Wissen erschließen und nutzen zu können, sind verschiedene technische und organisatorische Voraussetzungen zu schaffen.

In der heutigen Verkaufswelt stehen Unmengen an Daten über Kunden, ihre Bedürfnisse und ihre Erfahrungen in der Nutzung von Leistungen zur Verfügung. Doch echtes Wissen und damit auch ein Wettbewerbsvorteil entsteht erst dadurch, dass Handlungsempfehlungen abgeleitet werden. Dies gilt für beide Seiten. Der Kunde wird dann Informationen teilen, wenn er zum einen erkennt, wofür der Geschäftspartner diese verwenden will und zum anderen, indem er dabei klare Vorteile für sich feststellt. Das Unternehmen darf nicht in der Datenflut untergehen, sondern benötigt gezielte Informationen, um die eigenen Aktivitäten besser steuern zu können. Ein echter Mehrwert entsteht durch den richtigen Kontext.
 

Grenzen von Customer Analytics und häufige Fehler

Verschiedene Customer-Analytics-Projekte sind im Marketing gescheitert, weil ungenaue analytische Modelle mit unvollständigen Daten zu falschen Regeln und damit einer falschen Ansprache der falschen Kontakte geführt haben. Häufige Fehler sind insbesondere:

Fehlerhafte analytische Modelle: Es werden nicht alle relevanten Eigenschaften oder Rahmenbedingungen berücksichtigt. Die Regelbeziehungen werden falsch definiert.

Unvollständige Profile: Nicht alle entscheidungsrelevanten Daten sind bekannt oder die zugrunde gelegten Annahmen sind falsch. Damit werden die Kontakte falsch eingeordnet und die falschen Aktionen gestartet.

Statische analytische Modelle: Oft unterstellen Analysemodelle, dass sich Kunden in einer bestimmten Kundenklasse entweder überhaupt nicht verändern (Gegenbeispiele: Einkommen, Kreditwürdigkeit) oder aber nur in einem festgelegten Muster. Präferenzen können sich aber im Zeitverlauf ändern. Neben übergreifenden Entwicklungen der Gesellschaft oder zumindest im relevanten Marktsegment können auch persönliche Lebensumstände wie Heirat oder Scheidung das Konsumverhalten ändern. Ähnliche Beispiele gibt es im B2B-Marketing: auf geänderte Geschäftstätigkeit und Rahmenbedingungen muss reagiert werden.

Die Realisierung der beschriebenen Potenziale setzt neben der Schaffung der organisatorischen Rahmenbedingungen die richtigen Werkzeuge und ein strukturiertes Vorgehen voraus.

 

Vorgehen in Customer-Analytics-Projekten

Für die Realisierung von Customer-Analytics-Projekten bietet sich die Anlehnung an Vorgehensmodelle an. In BARC-Projekten hat sich ein Modell mit den nachfolgend aufgeführten Phasen als hilfreich herausgestellt:

Projektauftrag: Das Projekt beginnt mit einem Projektauftrag. Durch ihn sind die Ziele möglichst klar dokumentiert. Zudem dient er als Referenz für die Zielerreichung während der gesamten Projektlaufzeit.

Datenverständnis, -selektion, -integration & -aufbereitung: Zur Umsetzung des Projektauftrags müssen zuerst die notwendigen Daten beschafft und bewertet werden. Eine Analyse der Daten auf Basis deskriptiver Statistiken verbessert das Verständnis ihrer wesentlichen Charakteristika („Data Profiling“): was wird durch welche Daten beschrieben und wie werden diese genutzt?

Modellierung & Modellvalidierung: Ziel dieses Schritts ist es einerseits, das geeignete Analysemodell zu finden – also entweder ein in den Softwarewerkzeugen vorhandenes Modell auszuwählen, ein bestehendes Modell anzupassen oder ein neues Modell zu erstellen – sowie gleichzeitig zu prüfen, ob das Modell wie erwartet funktioniert und über eine ausreichende Güte verfügt.

Ergebnisevaluation: Vor der weiteren Nutzung des Modells sollte eine Qualitätssicherung erfolgen. Diese prüft, ob die einzelnen Entwicklungsschritte bis zum fertigen Modell korrekt waren und ob das Modell tatsächlich den anfangs definierten Projektzielen folgt. Dabei werden vor allem spezifische statistische Fehlermaße verwendet.

Operationalisierung: Ist das Modell stimmig, so kann es, in operative Prozesse integriert werden. Ein Data-Mining-Modell, das Kunden analysiert und klassifiziert kann bspw. in das Shop-System eingebettet werden, um Zusatzangebote oder individuelle Preise anzuzeigen; in Lead-Kampagnen können Kundengruppen je nach Kundenwert und Kosten-Nutzen-Verhältnis optimiert angesprochen werden.

Fortlaufende Bewertung der Güte des Modells: Da sich die Rahmenbedingen, unter denen die Modelle Prognosen liefern, häufig ändern, sollte laufend bewertet werden, ob das Modell noch alle Anforderungen erfüllt.

                        

                                  Abbildung 1: Vorgehensmodell Customer Analytics

Am 27. und 28. September 2016 findet in Frankfurt am Main unsere BARC Tagung Advanced und Predictive Analytics statt. Hier können Sie sich mit Praktikern, Herstellern, Serviceanbietern und den BARC-Analysten live zu aktuellen Trends und Technologien rund um Advanced und Predictive Analytics austauschen – unter anderem über deren Einsatz in Customer-Analytics-Projekten.