Customer Insights Assessment - 
die Potentiale von Customer Insights richtig nutzen

(Den Artikel als PDF downloaden)

Mit dem Trendthema Big Data sind verschiedene Schlagwörter verbunden, wie zum Beispiel Data Governance, Visualisierung von Daten im Business Reporting oder Predictive Analytics. Was verbirgt sich aber hinter diesen Schlagwörtern? Wie kann man sich im Dschungel von Big Data und Analytics zurechtfinden und welchen Weg sollte man als Unternehmen einschlagen, um die Potentiale von Data Analytics richtig zu nutzen? Im Folgenden wird eine Roadmap aufgezeigt, wie Unternehmen den Aufbau von Customer Analytics planen und wie Maßnahmen eingeleitet und umgesetzt werden können, damit die Potentiale von Customer Analytics genutzt werden.

Laut der aktuellen Studie „Big Data Analytics – Auf dem Weg zur datengetriebenen Wirtschaft“ des Barc-Institutes aus dem Jahre 2014 erhoffen sich viele Unternehmen zunächst eine Verbesserung von Geschäftsprozessen und Verringerung von Prozesskosten durch die Implementierung von schnelleren Data Analytics Anwendungen. Im Fokus stehen hierbei einerseits die Anwendung von schnellen Analysemöglichkeiten durch Dashboards und die Visualisierung von Daten. Anderseits ist aber auch der Wunsch nach dem Einsatz von Prognose-Modellen („Predictive Analytics“) besonders stark – etwa zur Vorhersage von Kündigern oder zur Berechnung von Produktkaufwahrscheinlichkeiten.

Insbesondere in diesem Bereich der Prognose-Modelle sehen Unternehmen Potentiale für die Senkung von Prozesskosten und die Verbesserung von Geschäftsprozessen. Als Hindernis wird aber unter anderem das Fehlen von fachlichem und technischem Know-how kritisch gesehen. Auch die konkrete Einbindung von Analytics Ansätzen in die betrieblichen Prozesse stellt häufig ein Hemmnis für die Nutzung von Big Data / Predictive Analytics Ansätzen dar.


Mit der strategischen Zielplanung fängt alles an

Die Bewertung von Customer Analytics sollte immer die strategischen Ziele im Unternehmen, und daraus abgeleitet, die Ziele im Marketing und Customer Relations Management als Startpunkt nehmen. Dies beginnt mit den allgemeinen Geschäftszielen, die sich ein Unternehmen gesetzt hat (wie z.B. Steigerung des Umsatzes, Senkung von Betriebskosten, Einführung neuer Produkte, usw.). Die daraus abgeleiteten Ziele für Marketing- bzw. CRM-Abteilungen oder Data Mining Teams sind dann ein zentraler Ausgangspunkt für die Bewertung und die weitere Nutzung von Customer Analytics Modellen. Ziele für CRM- oder Data Mining-Abteilungen können zum Beispiel die Entwicklung von Kundensegmentierungs- Modellen zur effizienteren Zielgruppenansprache oder die Erhöhung von Responsequoten von Direktmarketing-Maßnahmen sein.

Im nächsten Schritt wird dann ermittelt, welche Analytics Ansätze zu welchen Zwecken bereits im Unternehmen eingesetzt und wie erfolgreich diese umgesetzt werden oder ob noch Verbesserungsansätze bestehen.

Am Anfang einer solchen Bestandsaufnahme und Bewertung steht immer eine Analyse des Datenmanagements. Hierbei werden vorhandene Daten auf ihre Qualität überprüft (Befüllungsgrade, Aktualität, usw.) sowie die Vollständigkeit von Daten in den Bereichen wie Kaufdaten, soziodemographische Daten, Daten zur Kanalnutzung, Responseverhalten auf Marketingaktionen oder mikrogeographische Daten, usw. ermittelt.

Weiterhin stehen dann die eigentlichen Analytics Ansätze wie z.B. Kundenstrukturanalysen, Kundenwert-Modelle (ABC-Analysen oder weiter entwickelte Kundenmodelle) an. Darüber hinaus zählt aber auch die Ermittlung von Ansatzpunkten für mögliche Verbesserungen zu dieser Ist-Analyse.

Auf Basis dieser Bestandsaufnahme kann der Reifegrad einzelner Ansätze sowie der Gesamtreifegrad im Bereich Customer Analytics ermittelt werden. Dieser lässt sich in folgende Stufen einteilen:


Analytics Reifegrade:

  1. Keine Anwendung von (Ad-hoc-) Kundenanalysen
  2. Unregelmäßige Ad-hoc-Analysen / Kunden-Analysen mit einfachen Analytics Ansätzen (z.B. einfache Kunden ABC-Analysen)
  3. Regelmäßige Kundenanalysen mit einfachen Analytics Ansätzen
  4. Regelmäßige Kundenanalysen mit teilweise komplexen Analytics- Modellen (z.B. Scoring-Modelle, Kundenwertprognose-Modelle)
  5. Kontinuierliche Analysen mit komplexen Modellen


Um den Reifegrad der Customer Analytics Ansätze in einem Unternehmen zu ermitteln, hat es sich bewährt, die beteiligten Abteilungen in die Bewertung mit einzubeziehen. Im Rahmen von Workshops und Interviews kann so eine valide Bestandsaufnahme der Customer Analytics Aktivitäten abgebildet werden. Daran anknüpfend können dann die Zielperspektiven – im Rahmen dieser Workshops und Interviews - ermittelt und konsolidiert werden. Die Ergebnisse der Ist-Aufnahme und der Soll-Perspektive können dann in einem Netzwerkdiagramm zur Soll- und Ist-Situation anschaulich dargestellt werden.


Analytics Ansätze im Überblick

Im nächsten Schritt müssen dann die verschiedenen Analytics Ansätze daraufhin überprüft werden, wie diese konkret zur Zielerreichung beitragen können. Abbildung 3 gibt einen Überblick über zentrale Analytics Bausteine und deren jeweiligen Nutzen. Das Spektrum dieser Ansätze umfasst Ad-hoc Analysen (z.B. Kundenstrukturanalysen), Kundenwert- Modelle oder Kundensegmentierungen, Prognose-Modelle bis hin zu Social Media Analytics und mikrogeographische Analysen.

Schließlich erfolgt dann eine Gap-Analyse: Im Mittelpunkt steht hier, welche Modelle vorhanden sind (und mit welchen Verbesserungspotentialen) und welche weiteren Analytics Modelle für die Erreichung der Zielsetzungen notwendig sind. Diese Lücken gilt es dann zunächst aufzuzeigen und einen Prozess zu entwickeln, wie diese Lücken durch den Einsatz neuer Modelle, Weiterentwicklung der Datenqualität, Einpflegen von neuen Kundendaten, usw. geschlossen werden können.

Entwicklung und Umsetzung einer Analytics Roadmap

Schließlich steht dann als weiterer wichtiger Schritt die Entwicklung und Umsetzung der Roadmap an. (Vgl. hierzu Danet Vesset, Henry Morris: The CIO’s Chance of a Lifetime – Using Big Data and Analytics as the Ticket to Strategic Relevance, International Data Corporation (IDC), Framingham, 2014 und Michele Chambers, Thomas W. Dinsmore: Modern Analytics Methodologies – Driving Business with Analytics, Upper Saddle River, 2015). Hierbei sind fünf wesentliche Aspekte zu beachten, die miteinander in Beziehung stehen:

  1. Auf der Grundlage der Gap-Analyse kann ermittelt werden, welche Analytics Ansätze zur Zielerreichung beitragen und welche vorhandenen Ansätze weiter ausgebaut werden können. Daraus lässt sich dann ableiten, welche Ansätze eingeführt werden und welches Ergebnis diese Ansätze liefern sollten. Hierbei ist es aber besonders wichtig, nicht nur mittel- oder gar langfristige Ziele zu verfolgen. Sondern auch, mit den Analytics Ansätzen kurzfristige Vorteile zu erzielen („Quick wins“). Prinzipiell gilt: Es ist besser, mit wenigen ausgewählten Maßnahmen zu starten und diese umzusetzen, als sich zu viel vorzunehmen. Daher muss die Abfolge der einzusetzenden Ansätze genau geplant werden, aber auch die zeitliche Komponente berücksichtigt werden.

  2. Damit einhergehend sind dann in der Regel auch Maßnahmen bezüglich des Datenmanagements notwendig. So gilt es zu ermitteln, wie die Datenqualität verbessert werden kann, welche Daten noch in das Datawarehouse eingepflegt oder neu erhoben werden müssen bzw. ob ggf. neue Merkmale aus vorhandenen Daten gebildet werden müssen.

  3. Darüber hinaus ist auch die Mitarbeiterentwicklung von Bedeutung. Diese kann kurzfristig durch Schulungen zu Statistik-Tools, Analytics Methoden und ihre Anwendung erfolgen. Mittelbis langfristig kann auch der Teamausbau durch weitere Recruiting- Maßnahmen durchgeführt werden, um weiteres Know-how aufzubauen.

  4. Auch Fragen der Organisation und Einbindung von Analytics Ergebnissen in laufende Prozesse müssen geklärt werden. So ist zu überprüfen, wie die Analytics Prozesse in die allgemeinen Unternehmensprozesse eingebunden werden – wie z.B. Analytics Modelle in die Kampagnenplanung regelmäßig integriert werden oder wie regelmäßige Ad hoc Analysen (z.B. Kundenstrukturanalysen) in das allgemeine Business Reporting eingepflegt werden, usw.

  5. Letztendlich muss entschieden werden, welches der zahlreichen am Markt verfügbaren Analytics Tools für das Unternehmen am geeignetsten ist (falls noch nicht vorhanden), um die anstehenden und zukünftigen Analyseaufgaben möglichst kostengünstig, aber auch leistungsfähig umsetzen zu können. Wichtig sind hierbei einerseits die Funktionalitäten bzgl. der geplanten Analysemodelle. Andererseits aber auch die Einbindung und technische Implementation in die vorhandenen Systeme sind hier wichtige Entscheidungsfaktoren. Hier ist es wichtig, möglichst langfristig zu planen, damit auch zukünftige Anforderungen erfüllt werden können.


Um einen Nutzen aus den gewonnenen Erkenntnissen der verschiedenen Analytics Ansätze zu generieren, ist es schließlich auch zentral, die Ergebnisse zu messen, zu bewerten und die grundlegenden Ansätze und deren Nutzen im Unternehmen zu kommunizieren. Dies stellt oftmals eine große Herausforderung dar, da statistische Verfahren für viele Unternehmensangehörige eine „Black box“ darstellen. Daher ist es umso wichtiger, die beteiligten Abteilungen hinsichtlich der Anwendung und der Umsetzung statistischer Ansätze zu beraten.


Zusammenfassung:

Im Customer Relations Management wird der Kunde zunehmend stärker in den Fokus gestellt. Wir beobachten derzeit einen Wandel von der produkt- zur kundenzentrierten Sichtweise. Um diesen Wandel konsequent voranzutreiben, müssen Unternehmen aber die vorhandenen Potentiale, die in den Kundendaten liegen und mit den Analytics Ansätzen verbunden sind, stärker nutzen.

Um Customer Analytics Ansätze gewinnbringend einzusetzen, ist eine Bewertung der Ist-Situation und der Soll- Situation wichtig. Diese sollte zwingend auf der Grundlage von Business Zielen erfolgen. Im Anschluss kann dann eine Roadmap entwickelt werden, die die Implementierung verschiedener Analytics Ansätze aufzeigt.

Die Umsetzung der Roadmap ist unter anderem davon abhängig, wie die Klippen der Organisation, der Teamentwicklung, des Tooleinsatzes, des Data Managements und der Einbindung in Unternehmensprozesse gemeistert werden. Zentral ist es hierbei auch, „Quick wins“ zu generieren und nicht nur auf langfristige Erfolge zu setzen. Langfristiges Ziel sollte es aber sein, Analytics in das Unternehmen zu integrieren, den Nutzen auszuschöpfen und Daten-getriebene Analysen erfolgreich einzusetzen. Gelingt dies, so wird Customer Analytics zu einem wichtigen Schalthebel für die Ertragssteigerung und Kostenoptimierung im Customer Relations Management in Ihrem Unternehmen. 


Download PDF: Customer Insights Assessment

Laden Sie sich hier den vollständigen Artikel zum Thema "Customer Insights Assessment" herunter und erfahren Sie, wie mit Hilfe eines standardisierten Bewertungsprozesses der „Datenschatz“ in Ihrem Unternehmen schrittweise gehoben werden kann: Download PDF "CI Assessment"