• Headerbild Berlin
    Anlaufstelle und Drehscheibe des Marketings in der Hauptstadt
  • Fest 2018
    Verleihung M-Ehrenpreis
  • BMT 2018
    Berliner Marketing Tag 2018
  • IMG 1281
    Treffpunkt Berliner Marketing Professionals
  • IMG 1287
    Kompetenz erleben
  • FH9T0212.2
    Veranstaltungen, Fachvorträge und Workshops
  • Start
  • Blog
  • Was bedeutet Customer Analytics für Marketing-Profis?

Berlin

Was bedeutet Customer Analytics für Marketing-Profis?

Im Wettbewerb um die Gunst der Kunden gewinnt derjenige, der sie besser versteht, auf ihre Bedürfnisse reagiert und schneller reagiert. Wer dabei nicht allein auf seinen Bauch vertrauen möchte, zieht Zahlen zu Rate. Wir haben mit Benjamin Aunkofer, einem Data Scientist, darüber gesprochen, wie man mit Customer Analytics vorliegenden Daten wichtige Informationen entnehmen kann.

 

Herr Aunkofer, was ist eigentlich Customer Analytics? Und welcher Zusammenhang besteht zu Predictive Analytics?
Wissenschaftlich betrachtet ist Customer Analytics eine Unterform von Business Analytics mit Blick auf den Kunden. Customer Analytics ist folglich Data Analytics für das Marketing und den Vertrieb und hat zum Ziel, ein besseres Verständnis für die Kunden zu erlangen und den Einfluss von Marketing- und Vertriebsstrategien, aber auch Themen wie das Produkt- und Distributionsmanagement, auf den Kunden zu bewerten. Mit Customer Analytics kann Kundenverhalten statistisch untersucht und dann besser auf diese reagiert werden. Customer Analytics kann eine rückwirkende Betrachtung sein, aus der strategische oder taktische Entscheidungen für Marketing oder Vertrieb abgeleitet werden können.

Predictive Analytics wiederum ist ein Teilbereich im Customer Analytics, der gewisse Entscheidungen auf operativer Ebene automatisieren kann. Prädiktive Analysen, die deutsche Bezeichnung, kommen jedoch auch für andere Bereiche zum Einsatz, beispielsweise in der Logistik oder in der Instandhaltung. Predictive Customer Analytics, also prädiktive Kundenanalysen, ist eine Sammlung von Analyseverfahren, bei der beispielsweise die Profitabilität bestimmter Geschäfte mit Kunden vorab vorhergesagt wird.

Eine der gängigsten Implementierungen von Customer Analytics ist sicherlich Cross-Selling, das viele vermutlich vom Online-Händler Amazon kennen: Wer das eine Produkt kauft, interessiert sich vermutlich auch für gewisse andere Dinge.


Der Nutzen von Customer Analytics scheint nun klar zu sein, doch was gibt es noch außer Cross-Selling? Und was lässt sich wirtschaftlich damit wirklich erreichen?
Ganz konkret können Angebote dahingehend optimiert werden, dass Kunden besser auf diese ansprechen. Intervallmuster der Kundennachfrage können zuverlässig erkannt und bedient werden, dennoch gleichzeitig die Lagerstände bestimmter Waren reduziert werden. Auch können Retouren schon vor dem Kauf vorhergesagt und somit regelbasierte Maßnahmen abgeleitet werden, die Retour-Kosten nachhaltig senken.


Klingt interessant, erscheint jedoch auch anspruchsvoll in der Umsetzung. Welche Qualifikationen benötigen Mitarbeiter dafür? Ist dies für einen Marketing- oder Sales-Manager machbar?
Für die Arbeit mit Daten ist eine gewisse Affinität für IT notwendig, auch Wissen in Statistik darf nicht fehlen, denn sonst drohen Fehlinterpretation beim Erstellen und Auswerten von Analysen. Jedoch lohnt es sich häufig, Fach- und Führungskräfte darin zu schulen, wenn sie sich im Marketing oder Vertrieb gut auskennen. Grundvoraussetzung ist dafür lediglich, dass die Mitarbeiter mit Leidenschaft an diese Herausforderung herangehen. Für sehr anspruchsvolle Realisierungen der Customer Analytics sollten jedoch spezielle Data Scientists in das Projekt-Team geholt werden.


Welche Unternehmen setzen denn bereits auf Customer Analytics?
Unternehmen aller Branchen und Größenklassen nutzen bereits Customer Analytics. Dies ist auch völlig einleuchtend, sollten der Kunde und seine Bedürfnisse im Rampenlicht des Unternehmens stehen. Allerdings beschränkt sich Customer Analytics bei den meisten Unternehmen noch auf die rudimentären Analysen, die gängige CRM- oder BI-Systeme liefern: Die quantitative Untersuchung nach Häufigkeiten im Bestellverhalten der Kunden.
Gegenwärtig sind viel tiefere Blick in die Daten möglich, jedoch braucht es dann tatsächlich Unterstützung durch qualifizierte Data Scientists, die mit erfahrenen Marketing- und Vertriebsprofis zusammenarbeiten können.


Was ist denn derzeitig der Trend im Kontext von Customer Analytics?
Neben der nachfrageorientierten Lageroptimierung (B2B & B2C) sind insbesondere im B2C-Bereich gerade Systeme mit Dynamic Pricing der letzte Schrei. Dynamic Pricing ist ein Anwendungsbereich für Predictive Customer Analytics, bei dem der optimale Preis für jeden Kunden individuell – oder zumindest Kundengruppen- oder Shop-Plattform-abhängig – festgesetzt wird. Dabei sollen beispielsweise die potenzielle und wahrscheinliche Kaufkraft des Kunden, die Produkt-Saison, die vermutliche Dringlichkeit, regionale Einflüsse sowie Wettbewerbspreise berücksichtigt werden. Dabei setzen wir auf maschinelles Lernen.


Können Sie maschinelle Lernen in diesem Kontext kurz erläutern?
Maschinelles Lernen, oft auf Englisch als Machine Learning (ML) bezeichnet, ist ein Teilgebiet der künstlichen Intelligenz (KI). Beim maschinellen Lernen kommen Algorithmen zum Einsatz, die Muster aus Datenmengen heraus erkennen können und dadurch Regeln ableiten können. Oft ist es dabei möglich, dass Systeme entwickelt werden, die mit jedem Ereignis (z. B. einen Verkauf oder einer Retour) daraus lernen und das Regelsystem (z. b. zur Preisoptimierung oder Retour-Vermeidung) verbessern.


Wie können Unternehmen den Einstieg in Customer Analytics finden?
Viele Unternehmen haben den Einstieg längst gefunden und befassen sich allmählich mit dem Einsatz von Machine Learning im Customer Analytics. Dafür gilt es, gute Data Scientists zu finden, was wiederum eine eigene Herausforderung darstellt. Andere Unternehmen müssen tatsächlich nun einen sinnvollen Anfang finden. Dann heißt es, erstmal grundlegende statistische Datenanalysen über Kundenverhalten – im Rahmen des gesetzlichen Datenschutzes – vorzunehmen, daraus zu lernen und sich langsam zu steigern. Wenn dazu die daten-affinen Mitarbeiter fehlen, sollte über Qualifizierungsmaßnahmen oder über die Hinzunahme von externen Dienstleistern nachgedacht werden.
 


18 07 customer analytics aunkofer

Benjamin Aunkofer ist Chief Data Scientist bei DATANOMIQ, einem herstellerunabhängige Beratungs- und Service-Partner für Business Intelligence, Business Analytics und Data Science. Darüber hinaus ist er ein Co-Gründer des Connected Industry e.V., dem Verband für Digitalisierung und Vernetzung, sowie Organisator der Data Leader Days am 14./15. November 2018.

Comments powered by CComment

Das könnte Sie auch interessieren

 

© 2019 Marketing Club Berlin e.V. | Alle Rechte vorbehalten.
Realisierung und Umsetzung durch schönwiese.kommunikation, Nicole Schönwiese