Customer Analytics
Sie fragen sich, was sich hinter dem Begriff „Customer Analytics“ verbirgt? Dann sind Sie hier genau richtig. Wir geben Ihnen in diesem Artikel umfassende Informationen zum Thema.
Mit folgenden Inhalten, können Sie Ihr Wissen erweitern und/oder auffrischen:
Definition: Was sind Customer Analytics?
Customer Analytics beschreibt eine datenbasierte und systematische Untersuchung von Kundenverhalten und Kundenmustern. Dabei zeigen verschieden einzusetzende Methoden einen kausalen Blick in die Vergangenheit, der sich unter bestimmten Voraussetzungen in die Zukunft übertragen lässt.
Customer Analytics wird häufig auch als stetige Betrachtung des Verhaltens eingesetzt, sodass daraus Risiken aber vor allem auch Chancen für den Business-Prozess abgeleitet werden können. Oft eingesetzte Untersuchungen betrachten zielgerichtet einzelne Customer-Journeys im Online- und Onsitemarketing. Dabei werden stets historische Daten, z.B. aus den Bestellprozessen der Kunden oder aus eingesetzten Trackingtools, verwendet.
Wozu sind Customer Analytics gut?
Customer Analytics bieten ein tiefes und sehr gutes Fundament für die einzelnen Geschäftsentscheidungen. Dabei wird das Augenmerk nicht nur rein auf monetäre Kundenwerte gelegt, wie es beispielsweise im Controlling vorangetrieben wird. Sondern auch auf klassische “Engagementwerte”, wie sich ein Kunde verhält und welche Entscheidungen und Schlüsse er aus diesem Verhalten zieht.
Die fortlaufenden Analysen bilden eine gute Basis für aufzusetzende Prozesse wie eine Abwanderungs- oder Betrungsprävention, aber auch für gute Prognosen und Attributionsmodelle, zur Allokation von Werbebudgets. Durch eine Vielzahl von statistischen Methoden können so alle Anwendungen nahtlos durchgeführt werden.
Customer Analytics: Analysen anhand der 5 Phasen im Customer Lifecycle
Vielleicht stellen Sie sich die Frage, mit welcher Analyse nun begonnen werden sollte? Wo der größte Mehrwert geboten wird, hängt von vielen Faktoren ab. Maßgeblich sind das Geschäftsfeld, die Unternehmensstrategie und die vorliegenden Daten.
Eine Herangehensweise an die Kundendaten bietet der Customer Lifecycle – auch Kundenlebenszyklus genannt. Abhängig von der aktuellen Phase (Awareness, Acquisition, Conversion, Retention oder Loyalty), in welcher Kunden sich befinden, empfehlen sich unterschiedliche Maßnahmen.
Je besser man den Kunden kennt, umso eher ist eine passende, personalisierte Kundenkommunikation möglich. Dies sollte die Basis jeder Kommunikations- und Marketingstrategie sein. Voraussetzung hierfür ist eine solide Datenbasis zu den Kunden.
Customer Lifecycle Phasen & Customer Analytics
Phase 1 & 2 Customer Lifecycle: Awareness & Acquisition
In den ersten beiden Phasen des Customer Lifecycles, Awareness und Acquisition, liegen meist nur wenige Datenpunkte zu den einzelnen potenziellen Kunden vor. Trotzdem können Fragestellungen wie zum Beispiel „Über welchen Kanal ist die Neukundenansprache besonders erfolgreich?”, analytisch beantwortet werden. Dies kann beispielsweise über Attributionsmodelle geschehen. Daten zu bestehenden Kunden können zeigen, wie Neukunden in der Vergangenheit auf bestimmte Angebote reagiert hatten oder über welche Marketingkanäle Kunden gewonnen werden konnten.
Die Frage “Wie wird meine Marke wahrgenommen?” bezieht sich auf die Markenbekanntheit und –beliebtheit, was wesentliche Erfolgsfaktoren sind. Auch solch emotionale Werte lassen sich in Zahlen abbilden, etwa durch Befragungen zur Markenbekanntheit und zum Markenimage. Darüber hinaus können aber auch Analysetools – wie etwa Text Miner – soziale Medien nach Schlagworten durchforsten und zum Beispiel Häufigkeiten von Wortkombinationen der Marke mit anderen Begriffen auswerten.
Phase 3 Customer Lifecycle: Conversion
Als eine der ersten Fragen stellt sich außerdem häufig: “Wer sind meine Kunden überhaupt?”. Im Customer Lifecycle ist dies besonders in der dritten Phase – Conversion – relevant, um durch ein besseres Kundenverständnis in der Lage zu sein, die Kundenbindung aufzubauen und zu stärken. Während für einen ersten Überblick eine deskriptive Analyse hinsichtlich soziodemographischer Merkmale und des Kaufverhaltens ausreichend sein kann, geben darüber hinaus RFM-Segmentierungen ein genaueres Bild zum Kundenwert. Weiterführende Segmentierungen auf Basis von Clustering-Methoden machen relevante Kundengruppen greifbar und ermöglichen eine zielgruppengenaue Kundenkommunikation.
Phase 4 Customer Lifecycle: Retention
In der Phase Retention geht es vor allem darum, den Kunden zu weiteren Interaktionen zu bewegen. Fragen wie “Was ist das passende nächste Angebot für diesen Kunden” bzw. “Wie kann ich den Kunden weiterentwickeln?” sind in dieser Phase des Customer Lifecycles relevant. Next Best Action Analysen z.B. mittels Scoring-Modellen oder Folgekaufanalysen zeigen Potential für Cross Selling und Up Selling. Auch bei der Kundenbindung ist die Emotionalisierung einer Marke wesentlich.
Phase 5 Customer Lifecycle: Loyalty
Ein besonderes Augenmerk innerhalb der Bestandskunden gilt den abwanderungsgefährdeten Kunden Um diese Kunden zu erkennen können kundenindividuell – oder auf Kundensegmenten – typische RFM-Muster ermittelt werden. Weicht ein Kunde von seinem gewohnten Kaufverhalten ab, kann dies ein Indikator für Maßnahmen zur Churn Prevention sein. Scoring-Modelle können eine Abwanderungswahrscheinlichkeit prognostizieren und so ebenfalls helfen, abwanderungsgefährdete Kunden zu identifizieren.
Weitere Analysebeispiele
Kundendaten sind ebenfalls eine wertvolle Datenbasis für Analysen, welche nicht den Hauptfokus auf die Kunden richten. Beispielsweise erweisen sich Kundendaten für folgende Analysen als sinnvoll:
- Wettbewerberanalysen
- Standortanalysen
Wenn bei einer Wettbewerbsanalyse z.B. ein Sortimentsvergleich durchgeführt wird, ist für die Bewertung des Wettbewerbdrucks auch relevant, wie viele der eigenen Kunden in dem Sortiment einkaufen, für welches die Überschneidung vorliegt. Sind dies viele Kunden, besonders wichtige Kunden? Können möglicherweise Kunden vom Wettbewerber gewonnen werden?
Auch bei Standortanalysen im PoS-Marketing bieten Kundendaten einen Mehrwert, etwa um Einzugsgebiete abzuleiten, die vorhandene Kaufkraft zu schätzen, oder um für Neueröffnungen das Kundenpotenzial zu prognostizieren.
Auch hier gilt: Je umfassender und vollständiger die Datenbasis einer Analyse, umso präziser sind die Ergebnisse und umso besser die auf Grundlage der Analysen getroffenen Entscheidungen!