buy ticket

buy ticket

CRM Trends 2020 – Auch hier geht`s um KI

Ein Gastbeitrag von Matthias Wurdig (Senior Consultant Data Science bei esentri.com)

 

Wir haben bereits in 2019 viel Veränderung im Customer Relationship Management gesehen. Gerade die Machine Learning Komponente hat sich extrem weiterentwickelt. Immer größeren Einfluss auf den Unternehmenserfolg haben Deep Learning Methoden.
Neben den technischen Aspekte sind allerdings Methoden der Zusammenarbeit & New Work ebenfalls wichtige Bausteine in den meist agilen Teams. So ist häufig Unterstützung von außen nötig, wenn innovative Geschäftsprozesse in den Alltag integriert werden sollen.
Wir haben unsere Erkenntnisse aus den vergangenen Monaten zusammengefasst und geben einen Ausblick in die 20 CRM Trends für 2020, in denen speziell Artificial Intelligence eine immer größerer Rollen spielen wird. Denn wer in 2020 im Bereich Customer Relationship Management richtig anpacken möchte, sollte die richtigen Maßnahmen ins Auge fassen. Unterteilt sind die Punkte in folgende Kategorien:

• Descriptive Analytics
• Predictive Analytics
• Marketing Actions
• Infrastruktur

 

Gerade die Zeit zwischen den Jahren ist ideal, um einmal kurz inne zu halten, sich auf die anstehenden Herausforderungen zu konzentrieren und einen Blick in das kommende Jahr zu werfen. Drei kurze Fragen sind essentiell und helfen bereits heute die Ausrichtung für den Erfolg im kommenden Jahr zu legen:

1. Was möchte ich Ende 2020 erreicht haben ?
2. Welche Themen sind mir dabei besonders wichtig ?
3. In welcher Reihenfolge möchte ich die Themen angehen ?

 

Um diese Themen zielgerichtet zu herauszuarbeiten ist es oftmals hilfreich dafür Unterstützung in Anspruch zu nehmen. In einem Workshop kann bei der Identifikation, Auswahl und Priorisierung der CRM Trends für 2020, unternehmensspezifisch herausgearbeitet werden, um den Erfolg im CRM sicherzustellen!

 

Descriptive Analytics – die Kunden verstehen

 

1. Customer Segmentation

Obwohl jeder Webseiten-Besucher oder Kunde individuell ist, lassen sich häufig beim genaueren Betrachten gewisse Muster erkennen, wodurch sich Kunden auszeichnen. Im Versandhandel stellen Einmalbesteller oder Vielkäufer ein viel zitiertes Segment dar. Mit modernen Machine Learning Methoden, wie z.B. Clustering können genau diese Segmente, von Kunden mit ähnlichen Eigenschaften identifiziert werden. Diese Cluster bilden die Grundlage für eine Vielzahl an Marketing-Maßnahmen.

 

2. Basket Case Analysen

Ähnliche Muster, wie bei den Kunden, lassen sich auch in den Warenkörben finden. Mit Hilfe von Data Analytics lässt sich herausfinden, welche Kombinationen der Produkte häufig zusammengekauft werden. Der Klassiker dabei ist die Warenkorbkombination aus Bier, Chips & Windeln. Diese Erkenntnisse helfen sowohl im Retail Bereich wie auch im E-Commerce. Wie genau mit diesen Analysen einen großen Einfluss auf das Business erzielt werden kann, zeigen wir Dir gerne anhand Deiner Daten.

 

3. Net Promoter Score / Zufriedenheitsbefragung

Jeder gute Unternehmer sollte wissen, wie seine Kunden von ihm denken und wie zufrieden sie mit den Services und Produkten sind. Der NPS – Net Promoter Score ist ein anerkanntes und geeignetes Mittel, um dies festzustellen. Zu unterschiedlichen Zeitpunkten im Customer Lifecycle werden die Kunden befragt und bekommen so die Möglichkeit Feedback zu geben. Für jedes Unternehmen ein Geschenk. Richtig eingesetzt, steigern die Maßnahmen die Zufriedenheit und reduzieren gleichzeitig den Churn.

 

4. Customer Journey Analytics

Die Customer Journey Analyse ist einer der wichtigen Bestandteile im Customer Relationship Management. Um zu verstehen wie sich die Kunden entwickeln oder auch auf der Website bewegen. Dabei kann sowohl der komplette Lifecycle betrachtet werden wie auch kleine Ausschnitte wie z.B. die Aktivierung eines Features. Diese Analyse hilft zu verstehen, zu welchen Zeitpunkten das Produkt oder der Service noch Potential für Optimierungen hat. Im Neukunden-Umfeld bietet diese Analyse die Möglichkeit Absprungpunkte der potentiellen Neukunden herauszufinden.

 

5. Visitor Stitching / Cross-Device Visitor Identification

Wie schaffe ich es, Kunden über mehrere Geräte und Sessions hinweg zu identifizieren? Das Zauberwort hierfür lautet Cross-Device Visitor Identification und meint das Zusammenbringen von Kundeninformationen, die zusammengehören. Häufig sind diese Zusammenhänge nicht auf den ersten Blick ersichtlich, da sich nicht jeder Kunde bei jedem Websitebesuch durch einen Login zu erkennen geben. Durch Visitor Stitching lassen sich diese verteilen Informationen über geschickte Verknüpfungen inhaltlich einem Kunden zuordnen.

 

6. Sankey Diagramm Visualisierung

Zur Visualisierung nahezu jeder Customer Journey bietet sich die Verwendung eines Sankey Diagramms an. Das Sankey Diagramm zeigt sehr klar und verhaltensorientiert die Bewegungsströme der Kunden auf. Dabei können sowohl Bewegungen auf einer Website visualisiert werden als auch selbst definierte Touchpoints innerhalb einer Journey. Dies kann z.B. die Aktivierung eines bestimmten Service, die Nutzungsintensität oder die Deaktivierung selbigen sein. Das Sankey Diagramm zeigt auf einen Blick, welche Wege mit welcher Häufigkeit gegangen werden. So können Optimierungspotentiale schnell erkannt und einfach priorisiert werden.

 

Predictive Analytics – die Ereignisse vorhersagen

 

7. Predictive Analytics Scoring

Egal ob Produkt-, Kauf-, Retouren- oder Kündigungswahrscheinlichkeit – mit den richtigen Modellen & Daten lässt sich nahezu jedes Ereignis prognostizieren. Diese Vorhersagen richtig eingesetzt kann die Marketingkosten und den Werbedruck für die Kunden deutlich reduzieren. Ohne dabei auf Umsatz oder Absatz verzichten zu müssen. Die Grundlage für gute und robuste Scoring-Modelle ist eine fundierte Kundensegmentierung und Datengrundlage.

 

8. Deep Learning & Neuronale Netze

Um die Güte von Predictive Analytics Modelle zu erhöhen, eignet sich der Einsatz von sogenannten Deep Learning Verfahren. Gemeint sich dabei sehr tiefe Neuronale Netze, die Informationen ähnlich verarbeiten wie das menschliche Gehirn und dadurch Zusammenhänge erlernen können. Die Herausforderung dieser Methode liegt in der Tiefe der Netze. Gemeint sind damit die Ebenen der Informationsverarbeitung. Genau darin liegt die Komplexität diese enorm große Anzahl der Hidden Layer richtig zu trainieren, damit ein übertrainieren verhindert wird. Doch mit dem richtigen Training und Modell kann die Vorhersagekraft von Predictive Analytics Modellen deutlich verbessert werden.

 

9 Net Lift Scoring

Wer heute schon auf klassisches Scoring setzt kann mit Net-Lift oder Up-Lift Modelling das nächste Level erreichen. Dabei werden keine reinen Kauf- oder Kündigungswahrscheinlichkeiten vorhergesagt, sondern die Wahrscheinlichkeit in Relation zur Reaktion auf eine werbliche Ansprache gesetzt. Dies bedeutet: wie beeinflusst die Werbung die Kauf- oder Kündigungsentscheidung des Kunden. Gerade im Kündigungsumfeld besteht immer die Gefahr auch die sogenannten „Schlafenden Hunde“ zu wecken.

 

10. Net Promoter Score (NPS) Prediction

Da viele Kunden Zufriedenheitsbefragungen und Umfragen einfach ignorieren, fehlt oftmals eine solide Datengrundlage wie zufrieden einzelne Kunden sind. Diese Lücke kann allerdings mit Predictive Analytics geschlossen werden. So können mit Vorhersagemethoden für jeden einzelnen Kunden Zufriedenheitswerte errechnet werden. Dieser Wert kann wiederum für weitere Maßnahmen und Prognose Modelle, wie z.B. Churn Prediction verwendet werden.

 

11. Churn Prediction

Immer mehr Unternehmen setzten auf Subscription & Vertragsmodelle. Die Kunden kaufen ihre Services nur noch im Abo auf monatlicher oder jährlicher Nutzungsbasis. Was für den Kunden und die Unternehmen viele Vorteile bringt, birgt für die Anbieter das Risiko einer Vertragskündigung. Um die besonders kündigungsgefährdeten Kunden frühzeitig zu erkennen, kann mit Data Science eine Vorhersagen über die Kündigungswahrscheinlichkeit jedes Kunden vorgenommen werden, um entsprechende Gegenmaßnahmen zu durchzuführen.

 

Marketing Actions – die praktische Anwendung

 

12. Agiles Campaign Management & Marketing Team

Kampagnen Manager, Texter, Grafiker und Data Scientisten. Jeder trägt dazu bei, dass eine Sales E-Mail oder Call-Center Kampagne ein Erfolg wird. Häufig sind diese Positionen organisatorisch jedoch in hierarchisch getrennten Teams zugeordnet. Dies hat eine erhöhte Komplexität, mehr Abstimmungsaufwand und meist Verzögerungen zur Folge. Daher empfiehlt es sich, wenn die beteiligten Personen in kleinen agilen Team zusammenarbeiten und sich am besten ein Büro teilen. Dass schafft ein „Wir Gefühl“, steigert die Motivation und Geschwindigkeit, wodurch wiederum deutlich bessere Ergebnissen erzielt werden.

 

13. Customer Success Management

Ziel jedes Unternehmen sollte es sein, glückliche Kunden zu haben. Speziell um die Interessen der Kunden im Unternehmen zu vertreten, gibt es sogenannte Customer Success Manager. Sie kümmern sich um die Kunden, helfen z.B. beim Onboarding und stehen für dem Kunden für Fragen zur Verfügung. Je nach Unternehmen, kann dies ein sehr gut ausgebildeter Service Agent sein, der eine bestimmte Kunden persönlich bereut und das Kundenfeedback direkt in das Unternehmen widerspiegelt. Grundlage für die erfolgreiche Arbeit der Success Manager, sind NPS Befragungen & Prediction sowie weitere tiefgehende Analysen aus dem Bereich Data Science, um z.B. die Schwachstellen in der Aktivierung oder Einrichtung der Produkte zu identifizieren.

 

14. Omni Channel Strategy

Nichts ist ermüdender als in der Call Center Warteschlange zu hängen und mit Werbeversprechen bespielt zu werden, wenn man nach einer Lösung für ein Problem sucht. Daher ist es klug, wenn sich Unternehmen für eine Omni Channel Strategie entschieden. Diese sollte neben der einheitlichen Aussteuerung von Werbebotschaften, auf der Website, in Mails vor allem auch den „Service Status“ berücksichtigen. Nur mit einem ganzheitlichen Ansatz fühlt sich der Kunde verstanden und respektiert.

 

15. Personalisierung

Gerade bei Marketing und Sales Kampagnen im E-Mail Bereich, wird häufig nach dem Gießkannen Prinzip verfahren: „Viel – hilft viel“. Kurzfristig mag diese Strategie sogar in Teilen erfolgreich sein. Langfristig vergrault man seine Kunden jedoch schnell. Daher ist es sinnvoll mit personalisierter Ansprache und individuell zugeschnittenem Content zu überzeugen. Dies tut nicht nur der Conversion Rate gut, sondern erweckt beim Kunden auch echtes Interesse. Wodurch wiederum die Kundenbeziehung gestärkt wird. Damit das passende Mailing zum richtigen Kunden gelangt – wird anhand von Scoring Modellen die Conversion prognostiziert und der Content optimiert.

 

16. E-Mail Baukasten-Prinzip

Damit die Personalisierung ihre volle Wirkung entfalten kann, bietet es sich an z.B. für E-Mails nach dem Baukasten Prinzip vorzugehen. Dabei werden mehrere Content Elemente erstellt, jedoch nur bei Aktivierung z.B. bei zu niedriger Kundenzufriedenheit auch tatsächlich ausgespielt und dem Kunden angezeigt. So kann eine Sales E-Mail neben dem eigentlichen Ziel noch weitere Service Aspekte adressieren.

 

Infrastruktur – die technische Grundlage

 

17. Data Lake

Vom relationalem DWH und transaktionalem Big Data Cluster hin zum Data Lake. Beide Architekturen haben ihre Vorteile und jeweils spezifischen Use-Cases. Eine ganzheitliche Data Lake Infrastruktur verbindet diese Welten auf sinnvolle Weise miteinander. So werden weiterhin transaktionale Daten kostengünstig in Object Stores gespeichert, während deren Aggregate für Analysezwecke und zum Reporting in relationalen Modellen vorgehalten werden. Entscheidend sind die richtige Verteilung sowie der Austausch der Daten.

 

18. Decision Engine

Ein Kunde hat sich für mehrere Produkte qualifiziert und ich sollte ihm zu mehreren Produkten Werbeanzeigen ausspielen. Eigentlich ein Glücksfall, doch was tun, wenn das Marketingbudget oder die Werbefläche nur eine Anzeige erlaubt? Mit Hilfe einer Decision Engine kann eine Vielzahl konkurrierender Anzeigen aller Art miteinander vergleichen werden und kundenindividuell die Beste Option angezeigt werden. Die Optimierung kann dabei ebenso auf Service wie auch Salesaspekte gelegt werden.

 

19. Artificial Intelligence Factory

Ein Schlüssel, um das Customer Relationship Management erfolgreich zu gestalten, ist Predictive Analytics erfolgreich umzusetzen. Sobald Scoring Modelle eingesetzt werden, muss sich jedes Unternehmen über die Automatisierung dieser Gedanken machen. Wie können kontinuierlich und automatisiert die eingesetzten Modelle optimiert werden. Mit unserer “Artificial Intelligence Factory” bieten wir die Möglichkeit, genau dies zu tun. Scoring Modelle aller Art werden automatisch überprüft und kontinuierlich verbessert.

 

20. Realtime Customer Data Platform

Damit eine Omni Channel Strategie ihre volle Wirkung entfalten kann, ist es von großem Vorteil eine Realtime Customer Data Platform zu verwenden. Hier werden kurzzeitig die relevanten Informationen der Kunden gesammelt und in Echtzeit per Streaming prozessiert. Bereits definierte Machine Learning Modellen werden hier in Echtzeit berechnet und sorgen dafür das z.B. die Website bereits beim nächsten Klick in personalisiertem Look erscheint.
Gerade in großen Einsatzgebieten mit einer Vielzahl von Predictive Analytics Anwendung empfiehlt sich zusätzlich der Einsatz einer Desicion Engine, um zu entscheiden welche der Personalisierungsmöglichkeiten „gewinnt“.

Neugierig geworden?
Dann schaut doch mal direkt auf der Seite von Essentri nach.
Hier geht`s zu essentri.com .