Customer Analytics

< Zur√ľck zur √úbersicht

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:

  1. Definition: Was sind Customer Analytics?
  2. Wozu sind Customer Analytics gut?
  3. Customer Analytics: Analysen anhand der 5 Phasen im Customer Lifecycle
  4. Weitere Analysebeispiele
Customer Analytics_CINTELLIC-Wiki

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 √ľbertragen l√§sst.

Customer Analytics wird h√§ufig auch als stetige Betrachtung des Verhaltens eingesetzt, sodass daraus Risiken aber vor allem auch Chancen f√ľr den Business-Prozess abgeleitet werden k√∂nnen. 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 f√ľr die einzelnen Gesch√§ftsentscheidungen. Dabei wird das Augenmerk nicht nur rein auf monet√§re Kundenwerte gelegt, wie es beispielsweise im Controlling vorangetrieben wird. Sondern auch auf klassische ‚ÄúEngagementwerte‚ÄĚ, wie sich ein Kunde verh√§lt und welche Entscheidungen und Schl√ľsse er aus diesem Verhalten zieht.

Die fortlaufenden Analysen bilden eine gute Basis f√ľr aufzusetzende Prozesse wie eine Abwanderungs- oder Betrungspr√§vention, aber auch f√ľr gute Prognosen und Attributionsmodelle, zur Allokation von Werbebudgets. Durch eine Vielzahl von statistischen Methoden k√∂nnen so alle Anwendungen nahtlos durchgef√ľhrt 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 Рauch 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 m√∂glich. Dies sollte die Basis jeder Kommunikations- und Marketingstrategie sein. Voraussetzung hierf√ľr ist eine solide Datenbasis zu den Kunden. ¬†

Customer Analytics_CINTELLIC

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 k√∂nnen Fragestellungen wie zum Beispiel „√úber welchen Kanal ist die Neukundenansprache besonders erfolgreich?‚ÄĚ, analytisch beantwortet werden. Dies kann beispielsweise √ľber Attributionsmodelle geschehen. Daten zu bestehenden Kunden k√∂nnen zeigen, wie Neukunden in der Vergangenheit auf bestimmte Angebote reagiert hatten oder √ľber welche Marketingkan√§le Kunden gewonnen werden konnten.

Die Frage ‚ÄúWie wird meine Marke wahrgenommen?‚ÄĚ bezieht sich auf die Markenbekanntheit und ‚Äďbeliebtheit, was wesentliche Erfolgsfaktoren sind. Auch solch emotionale Werte lassen sich in Zahlen abbilden, etwa durch Befragungen zur Markenbekanntheit und zum Markenimage. Dar√ľber hinaus k√∂nnen aber auch Analysetools ‚Äď wie etwa Text Miner ‚Äď soziale Medien nach Schlagworten durchforsten und zum Beispiel H√§ufigkeiten von Wortkombinationen der Marke mit anderen Begriffen auswerten.¬†

Phase 3 Customer Lifecycle: Conversion

Als eine der ersten Fragen stellt sich au√üerdem h√§ufig: ‚ÄúWer sind meine Kunden √ľberhaupt?‚ÄĚ. Im Customer Lifecycle ist dies besonders in der dritten Phase ‚Äď Conversion ‚Äď relevant, um durch ein besseres Kundenverst√§ndnis in der Lage zu sein, die Kundenbindung aufzubauen und zu st√§rken. W√§hrend f√ľr einen ersten √úberblick eine deskriptive Analyse hinsichtlich soziodemographischer Merkmale und des Kaufverhaltens ausreichend sein kann, geben dar√ľber hinaus RFM-Segmentierungen ein genaueres Bild zum Kundenwert. Weiterf√ľhrende Segmentierungen auf Basis von Clustering-Methoden machen relevante Kundengruppen greifbar und erm√∂glichen 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 ‚ÄúWas ist das passende n√§chste Angebot f√ľr diesen Kunden‚ÄĚ bzw. ‚ÄúWie kann ich den Kunden weiterentwickeln?‚ÄĚ sind in dieser Phase des Customer Lifecycles relevant. Next Best Action Analysen z.B. mittels Scoring-Modellen oder Folgekaufanalysen zeigen Potential f√ľr 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 abwanderungsgef√§hrdeten Kunden Um diese Kunden zu erkennen k√∂nnen kundenindividuell ‚Äď oder auf Kundensegmenten ‚Äď typische RFM-Muster ermittelt werden. Weicht ein Kunde von seinem gewohnten Kaufverhalten ab, kann dies ein Indikator f√ľr Ma√ünahmen zur Churn Prevention sein. Scoring-Modelle k√∂nnen eine Abwanderungswahrscheinlichkeit prognostizieren und so ebenfalls helfen, abwanderungsgef√§hrdete Kunden zu identifizieren.¬†

Kundenlebenszyklus_(luis-eusebio_unsplash)

Weitere Analysebeispiele

Kundendaten sind ebenfalls eine wertvolle Datenbasis f√ľr Analysen, welche nicht den Hauptfokus auf die Kunden richten. Beispielsweise erweisen sich Kundendaten f√ľr folgende Analysen als sinnvoll:

  • Wettbewerberanalysen
  • Standortanalysen

Wenn bei einer Wettbewerbsanalyse z.B. ein Sortimentsvergleich durchgef√ľhrt wird, ist f√ľr die Bewertung des Wettbewerbdrucks auch relevant, wie viele der eigenen Kunden in dem Sortiment einkaufen, f√ľr welches die √úberschneidung vorliegt. Sind dies viele Kunden, besonders wichtige Kunden? K√∂nnen m√∂glicherweise Kunden vom Wettbewerber gewonnen werden?

Auch bei Standortanalysen im PoS-Marketing bieten Kundendaten einen Mehrwert, etwa um Einzugsgebiete abzuleiten, die vorhandene Kaufkraft zu sch√§tzen, oder um f√ľr Neuer√∂ffnungen 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!

CINTELLIC Consulting - Social Media