Kunden zu verstehen und dieses Wissen in das operative Geschäft einfließen zu lassen, um CRM-Prozesse zu optimieren und Kunden langfristig zu binden, ist ein entscheidender Erfolgsfaktor für Unternehmen. Analytisches CRM hilft, das Kundenverhalten zu erfassen, auszuwerten und vorherzusagen.
In diesem Artikel zeige ich Ihnen, was analytisches CRM ist und wie Sie die bereits gesammelten Kundendaten nutzen können, um Ihr Kundenbeziehungsmanagement zu verbessern.
Definition analytisches CRM
Analytisches CRM (Customer Relationship Management) ist die ganzheitliche Analyse von gesammelten Kundendaten. Zu den Kundendaten zählen beispielsweise Aufzeichnungen über Kundenkontakte, Kaufhistorien oder das Verhalten in der Online-Welt. Im Gegensatz zum operativen CRM steht beim analytischen CRM die Extraktion wertvoller Informationen im Vordergrund.
Ziel des analytischen CRM ist es, durch detaillierte Auswertungen ein tiefes Verständnis des Kundenverhaltens zu erlangen. Diese Ergebnisse fließen in das operative Geschäft zurück, um die Kundenbedürfnisse optimal abzudecken. Im CRM wird häufig von einem Closed-Loop-Ansatz gesprochen, also einem geschlossenen Kreislauf der kontinuierlichen Verbesserung durch Daten entlang des Kundenlebenszyklus.
Wer das Verhalten seiner Kunden richtig analysiert, kann sein Angebot passend auf das Kundenbedürfnis zuschneiden und sich langfristig einen Wettbewerbsvorteil erarbeiten. Die Analyse des Kundenlebenszyklus anhand von Kundendaten ist somit ein zentrales Element jedes Unternehmens.
Häufig werden auch Begriffe wie CRM-Analyse oder Customer Insights verwendet.
Komponenten des analytischen CRM
Ein analytisches CRM besteht grundsätzlich aus drei Komponenten:
1. Data Warehouse als zentrale Datenquelle für die Analyse von Kundendaten (360 Grad Kundensicht)
2. Reporting-Anwendungen zur Beantwortung von Fragen und Hypothesen
3. Data Mining zur Mustererkennung in Kundenverhalten
Das Data Warehouse ist eine zentrale Datenbank zur Sammlung, Integration und Aufbereitung von Kundendaten. Heute werden viele verschiedene Quellen aus ERP, CRM und Online-Shop zu einer 360-Grad-Sicht auf den Kunden aggregiert. Dies hat den Vorteil, dass eine zentrale Sicht auf den Kunden entsteht, die unternehmensweit zur Verfügung steht.
Aufbauend auf dem Data Warehouse gibt es verschiedene Reporting-Anwendungen, die Fragen aus Marketing, Vertrieb und Service beantworten. Gleichzeitig dient das Data Warehouse als wichtige Quelle für Data Mining und Machine Learning.
Data Mining beschreibt die Suche nach Mustern in Daten, um diese Erkenntnisse anschließend auf neue, unbekannte Daten anzuwenden. So können Vorhersagen über die zukünftigen Kundenbedürfnisse jedes einzelnen Kunden getroffen werden oder es kann festgestellt werden, welcher Kunde möglicherweise nicht mehr zufrieden ist und abwanderungsgefährdet ist.
Anwendungsfälle des analytischen CRM
Im analytischen CRM gibt es eine Vielzahl von erprobten Analysen und wertschöpfenden Maßnahmen:
- Lead Scoring
- Kundenprofilierung/ Kundenanalyse
- Kundenwert
- Kundensegmentierung
- Empfehlungssysteme
- Zweitkaufanalyse
- Kaufzeitpunkt vorhersagen
- Churn-Prediction
- und viele weitere
Einige Analysen lassen sich über einfache Abfragen abdecken, andere hingegen sind komplexer und mit Data Mining oder maschinellem Lernen zu lösen.
Künstliche Intelligenz optimiert Marketing und Vertrieb
In 6 Fallstudien erfahren Sie:
- Wie Sie 29% mehr Umsatz pro Kampagne machen.
- Wie Sie durch KI und Automatisierung mehr Zeit gewinnen.
- Wie Sie 300% mehr Conversions zur richtigen Zeit machen.
Data Mining im CRM
Im analytischen Customer Relationship Management (CRM) gibt es zahlreiche Anwendungsfälle für den Einsatz von Data Mining. Die Anwendungsfelder unterteilen sich in Interessentenmanagement, Kundenbindungsmanagement und Rückgewinnungsmanagement.
Aufgabenfelder des Data Minings anhand des Kundenlebenszyklus nach Linhoff und Berry
Kunden durchlaufen verschiedene Phasen einer Geschäftsbeziehung mit einem Unternehmen. Entlang dieser Kundenlebenszyklus-Phasen kann man mit Data Mining durch gezieltere Kommunikation und Angebote einen Mehrwert schaffen.
In Bezug auf datengetriebene Analysen im CRM kann man folgendes Fragen:
- Welche Artikel verkaufen sich besonders gut zusammen?
- Welche Kunden soll ich in einer Direktwerbekampagne anschreiben?
- Wie verhält sich ein Bestandskunde?
- Welche Kundengruppen gibt es?
- Welchen Wert hat mein Kunde?
Der Einsatz von Data Mining ist ein wichtiger Bestandteil des analytischen Customer Relationship Managments.
Data Mining im Interessentenmanagement
Häufig werden potenzielle Kunden, die noch keine Geschäftsbeziehung mit dem Unternehmen aufgebaut haben, mit breit angelegten Akquisitionskampagnen nach dem „Gießkannenprinzip“ angesprochen, d.h. es erfolgt keine zielgruppenspezifische Ansprache der potenziellen Kunden.
Genau hier setzt Data Mining mit Methoden an, die potenzielle Kunden identifizieren, die z.B. für ein bestimmtes Produkt besonders affin sind. Auch wenn in der Regel nur wenige Informationen über potenzielle Kunden vorliegen, kann dieser analytische Ansatz dazu beitragen, Akquisitionskampagnen zu optimieren.
Beispiele für Data Mining zur Kundenbindung
Data Mining bietet in dem Aufgabengebiet des Kundenbeziehungsmanagements eine Vielzahl von Anwendungsmöglichkeiten, da die Datengrundlage von bereits vorhandenen Kunden einen größeren Umfang bietet. Data Mining kann dabei helfen, die Kundenbeziehungen und Kundenbindung zu festigen, intensivieren und stabilisieren.
Im CRM kommen immer wieder analytische Fragestellungen auf:
- Welche Artikel verkaufen sich besonders gut zusammen?
- Welche Eigenschaften kennzeichnen einen Stammkunden?
- Welchen Wert hat mein Kunde?
- Welches Produkt kauft mein Kunde als nächstes?
- Welches Produkt ist für meinen Kunden relevant?
- Wann muss ich meine Kunden aktiv ansprechen?
Diese Fragen können mit Hilfe verschiedener Data-Mining-Methoden beantwortet werden. Auf Basis der Assoziationsanalyse können beispielsweise Cross- und Up-Selling-Analysen durchgeführt werden. Clustering-Algorithmen liefern wertvolle Informationen über das Kundenverhalten und können zur Aufdeckung von Cross-Selling-Potenzialen eingesetzt werden.
Kundenbewertungen sind ein wichtiges Verfahren für kundenspezifische Marketing-, Vertriebs- und Servicekonzepte. Mit Hilfe von Klassifikationsverfahren können Kunden in bestimmte Gruppen eingeteilt werden, um z.B. die Bonität oder die Produktaffinität zu bewerten. Diese Klassifikation kann dann als Grundlage für eine Zielgruppenselektion in Kampagnen genutzt werden.
Einsatz im Rückgewinnungsmanagement
Für die Analyse von Kundendaten zur Identifikation von Churn- bzw. Kündigungspotenzialen eignen sich verschiedene Data-Mining-Methoden wie z.B. Entscheidungsbäume oder Neuronale Netze. Um abwanderungsgefährdete Kunden zu identifizieren (Churn Prediction), muss eine Menge von Kunden zu einem bestimmten Zeitpunkt als eindeutige Abwanderer identifiziert werden.
Darauf aufbauend wird ein Modell erstellt, das aus den Kundendaten der Vergangenheit die Abwanderung bzw. Nichtabwanderung ableitet. Basierend auf diesen Ergebnissen können proaktive Maßnahmen zur Stabilisierung der Kundenbeziehung eingeleitet werden.
Zu dem gesamten Thema Churn Prediction habe ich einen interessanten Artikel geschrieben.
Vorteile von analytischem CRM
Mit Hilfe eines guten aCRM-Prozesses werden alle Kundeninformationen über den gesamten Kundenlebenszyklus gesammelt und ausgewertet. Aus den Auswertungen werden dann wichtige Erkenntnisse und Handlungsempfehlungen generiert, die das operative Geschäft verbessern.
Big-Data-Technologien erleichtern insbesondere das Sammeln von vielen Kundendaten. Diese Technologien ermöglichen eine lückenlose Erfassung des Kundenlebenszyklus, was für Unternehmen in der Regel von enormem Wert ist.
Analytisches CRM kann helfen, Rückschlüsse aus dem Kundenverhalten zu ziehen oder mittels Data Mining das Kundenverhalten vorherzusagen. Ein weiterer Nutzen ist die klare Erstellung von Kundenprofilen und gut beschriebenen Kundensegmenten, um Marketingkampagnen zielgerichtet auszusteuern. Analytisches CRM stellt auch eine zentrale Datenquelle für die Erstellung und Analyse einer Kommunikationsstrategie dar.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte
