Auffrischen und Anreichern von Kundendaten
Auf dem Weg zur 360°-Kundensicht
Eine 360°-Sicht auf den Kunden ist das traditionelle Ziel des Kundendatenmanagements. Es gilt, die Kundendaten mit externen Daten anzureichern und stets aktuell zu halten. Das ist im Zeitalter von Big Data schwieriger denn je. Eine 360°-Sicht ist ohne die entsprechende Technikunterstützung kaum mehr erreichbar, da man so niemals alle Daten komplett erfassen kann. Softwarelösungen zur Schaffung einer 360°-Sicht werden somit unabdingbar. Es gilt Quellen aus Social Media, Blogs, Foren, Internetseiten, Lokalisierung, Navigation und vielen anderen zu evaluieren und entsprechend zur Anreicherung zu nutzen. Aus Big Data Smart Data zu machen bedeutet, neue Daten und Datenquellen permanent den jeweiligen Kunden zuzuordnen und die 360°-Sicht so kontinuierlich up to date zu halten. Gerade im digitalen Zeitalter ist dies für Unternehmen besonders wichtig. Denn Kundenerlebnismanagement steht und fällt insbesondere mit der Art, Menge und Qualität der zur Verfügung stehenden Daten.
Auffrischen und Anreichern von Kundendaten ist zunächst einmal nichts Neues. Es ist ein Standardprozess im Kundendatenmanagement. Das Ziel dieses Prozesses ist es, eine 360°-Kundensicht zu erreichen, also alle Daten aus allen Quellen aktuell und in definierter Qualität zur Kundenanalytik zur Verfügung zu haben. Dabei teilte man bisher Kundendaten in die folgenden Kategorien ein:
Kunden-Verhaltensdaten (Bestellungen, Transaktionen, Zahlungshistorie, Verweildauer etc.),
den Kunden beschreibende Daten (Attribute, Charakteristiken, Selbstangaben, Demografie etc.),
Kundencharakteristiken (Meinungen, Vorlieben, Bedürfnisse, Wünsche etc.),
Kunden-Interaktionsdaten (Angebote, Ergebnisse, Kontext, Click Streams, Notizen etc.).
Die ursprüngliche Idee einer 360°-Kundensicht war, "alles über jeden Kunden zu wissen". Der Nutzen stellt sich ein, wenn es gelingt, das Kundenwissen auf Basis einer 360°-Kundensicht in jeder geeigneten Kundeninteraktion in Aktionen und Maßnahmen umzusetzen. Dazu dient vor allem Predictive Analytics. Ein gängiges Beispiel hierzu ist eine Kaufempfehlung im Webshop auf Basis einer Regelmaschine und eines prädiktiven Modells als Cross- beziehungsweise Upselling beim Abschluss einer Kaufinteraktion. Weiteren Nutzen erzielt man in vielfältiger Hinsicht, bei der Senkung von Kunden-Akquisitionskosten, zielgerichteter Kundenansprache in neuen geografischen Gebieten, proaktiven Kundenbindungsmaßnahmen, Priorisierung von hochwertigen Kunden, gezieltem Upgrading von Kunden aus niedrigerwertigen in höherwertige Kundensegmente und bei vielem anderen.
- Self-Service Analytics bauen die vorherrschende Rolle der Daten aus
Ähnlich wie sich die Landschaft der Business Intelligence von statischen Reports zur interaktiven Self-Service Daten verändert hat, so wandelt sich deren Herrschaft. Ansätze wie die Isolation der Daten in einem Unternehmen oder Neutralisation der gesamten Prozesse haben ausgedient. Unternehmen müssen lernen, was Führung bedeutet in einer Welt der Self-Service Analytics. Neue Prozesse und beste Methoden werden sich etablieren, um die Daten zu schützen, während Geschäftsleute ihre Antworten von den Daten bekommen. - Vermarkter und Verkäufer nutzen Social Intelligence
2014 haben Unternehmen erstmals angefangen soziale Daten ernsthaft analysiert. Im kommenden Jahr werden die Verantwortlichen aus diesem Potential ihren Vorteil ziehen. Durch das Beobachten von Online-Unterhaltungen von Beginn an, werden Unternehmen in der Lage sein, wann ein Thema beginnt ein Trend zu werden und worüber die Kunden reden. Soziale Analytics öffnen die Tür zu bedarfsgesteuerter Produktoptimierung. Und als weiteres Resultat wird dieser soziale Vorteil den Wettbewerb vermitteln, dass solche Unternehmen eine unheimliche Fähigkeit haben, in die Zukunft zu schauen. - Die Analytic-Kompetenzen innerhalb eines Unternehmens wachsen
Der heutige Datenanalyst ist vielleicht ein operativer Manager, ein Verantwortlicher der Lieferkette oder eine Vertriebsperson. Neue Technologien, die einfache Nutzung und Browser-basierte Analytics erlauben, lassen Menschen unmittelbar Geschäftsfragen beantworten, während Daten-Analysten weiterhin die komplexen und hochentwickelten Datenanalysen bearbeiten und die Ergebnisse in das Tagesarbeit einfließen lassen. Unternehmen, die diese Entwicklung als strategischen Vorteil erkennen, werden anfangen, den "Alltaganalysten" bei seiner Arbeit mit Daten, Werkzeug und Training zu unterstützen. - Nutzer-Communities im Bereich Software machen den Unterschied
Die Consumerization of IT ist nicht länger eine Theorie, sie ist Fakt. Menschen gebrauchen Technologie, die ihnen Spaß macht und Analyse-Software gehört dazu. Der Wunsch, sich im Unternehmen und außerhalb mit anderen Nutzern auszutauschen und zu sprechen, nimmt enorm zu. Die Unternehmen, die diese Entwicklung unterstützen, haben eine wachsende Gemeinde. Und für potenzielle Kunden wie der Blick auf zufriedene und gesunde Produkt-Gemeinden zu einem wichtigen Entscheidungsaspekt auf dem überfüllten Marktplatz der Angebote.
Von Little Data zu Big Data
Die Quelle war "Little Data", bestehend aus Unternehmensdaten und externen Datenquellen, die in der Regel käuflich angeboten wurden und werden. Die Aufgabe bestand darin, all diese Datenquellen zu integrieren, um eben durch kontinuierliches Auffrischen und Anreichern der Unternehmenskundendaten die gewünschte Rundumsicht auf den Kunden zu haben. Das war schon eine ordentliche Aufgabe, die vor allem auch eine professionelle Datenmanagementplattform erforderte.
Das ist heute im Zeitalter von Big Data noch schwieriger geworden. Denn insbesondere die Quellenvielfalt und die Menge an Daten sind kaum mehr überschaubar. Dazu kommt, dass neue Datenquellen spontan und jederzeit entstehen, während alte Datenquellen plötzlich versiegen können. Schließlich ist noch die schiere Menge an Daten zu bewältigen, die auch neuere Ansätze wie einen auf Hadoop basierten Datensee an ihre Grenzen stoßen lassen. Daraus folgt als Konsequenz: Das Thema "360°-Kundensicht" muss neu kontextuiert und angesichts der unüberschaubaren Vielfalt an Quellen sowie der schieren Menge an Daten anders angegangen werden.