Analytisches CRM: aus Kundenbeziehungen lernen

Kunden verstehen und diese Erkenntnisse in das operative Geschäft einfließen lassen, ist für Unternehmen eine entscheidende Erfolgseigenschaft. Analytisches CRM hilft bei der Sammlung, Auswertung und Vorhersage von Kundenverhalten.

In diesem Artikel gehe ich auf folgende Aspekte des analytischen CRMs ein:

Definition analytisches CRM

Analytisches CRM (Customer-Relationship-Management) ist die ganzheitliche Analyse der gesammelten Kundendaten. Unter Kundendaten fallen beispielsweise Aufzeichnungen zu Kundenkontakten, Kaufhistorien oder das Verhalten aus der Onlinewelt. Anders als das operative CRM, fokussiert sich das analytische CRM auf die Extraktion wertvoller Informationen.

Ziel des analytischen CRM ist durch genaue Auswertungen ein tiefes Verständnis des Kundenverhaltens zu erlangen. Diese Ergebnisse fließen in das operative Geschäft zurück um Kundenbedürfnisse optimal abzudecken. Im aCRM spricht man häufig von einem Closed-Loop-Ansatz, also ein geschlossener Kreislauf, der kontinuierlichen Verbesserung durch Daten entlang des Kundenzyklus.

analytisches CRM im closed-Loop-Ansatz
aCRM Colsed Loop

Wer das Verhalten seiner Kunden richtig analysiert, kann sein Angebot genau auf das Kundenbedürfnis genau 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, die zur Sammlung, Integration und Aufbereitung von Kundendaten dient. Heute werden viele verschiedene Quellen aus ERP, CRM und Online-Shop zu einer 360-Grad Kundensicht aggregiert. Dies hat den Vorteil, dass es eine zentrale Sicht über den Kunden erstellt wird, die im kompletten Unternehmen 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 maschinelles Lernen.

Data Mining beschreibt die Suche nach Mustern in den Daten, um diese Erkenntnisse dann auf neue unbekannte Daten anzuwenden. So können Vorhersagen über das künftige Kundenbedürfnis jedes einzelnen Kunden getätigt, oder bestimmt 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 wertschöpfenend Maßnahmen:

Einige Analysen lassen sich über einfache Abfragen abdecken, andere hingegen sind komplexer und mit Data Mining oder maschinellem Lernen zu lösen.

Jetzt zum datasolut Newsletter anmelden

Erhalten Sie tiefe Einblicke wie Sie mit künstlicher Intelligenz und maschinellem Lernen Ihr Marketing optimieren können, sowie Zugang zu exklusiven Whitepapern und praktischen Anleitungen.

Mit der Anmeldung zu unserem Newsletter stimmst du unserer Datenschutzerklärung zu.

Data Mining im CRM

Für den Einsatz von Data Mining gibt es im analytischen Customer Relationship Managment (CRM) viele Anwendungsfälle. Die Aufgabenfelder unterteilen sich in das Interessentenmanagement, Kundenbindungsmanagement und Rückgewinnungsmanagement.

Analytische Anwendungsfälle im CRM von Data Mining entlang des Kundenlebenszyklus.Kundenanalyse entlang der Customer Journey
Analytische Anwendungsfälle entlang des Kundenlebenszyklus.

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

Oft werden die potentiellen Kunden, die noch keine Geschäftsbeziehung mit dem Unternehmen aufgebaut haben, mit groß angelegten Akquisitionskampagnen nach dem „Gießkannenprinzip“ angesprochen, d.h. es erfolgt keine zielgruppenspezifische Ansprache der potentiellen Kunden.

Genau hier setzt Data Mining mit Methoden an, um potentielle Kunden zu identifizieren, die z.B. für ein bestimmtes Produkt besonders affin sind. Auch wenn für potentielle Kunden meist wenige Informationen zur Verfügung stehen, kann diese 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, zu intensivieren und zu stabilisieren.

Im CRM kommen immer wieder analytische Fragestellungen auf:

Diese Fragestellungen können mit Hilfe von unterschiedlichen Data Mining Methoden beantwortet werden. So können auf Basis der Assoziationsanalyse z.B. Cross- und Up-Selling-Analysen durchgeführt werden. Clusteralgorithmen liefern wertvolle Informationen über das Kundenverhalten und können dazu genutzt werden Cross-Selling-Potential aufzudecken.

Kundenbewertungen stellen ein wichtiges Verfahren für kundenspezifische Marketing-, Vertriebs- und Servicekonzepte dar. Die Kunden können mit Klassifikationsverfahren in bestimmte Gruppen zugeordnet und werden damit beispielsweise nach Bonität oder Produktaffinität beurteilt. Diese Klassifikation kann dann als Grundlage für eine Zielgruppenselektion für Kampagnen herangezogen werden.

Jetzt zum datasolut Newsletter anmelden

Erhalten Sie tiefe Einblicke wie Sie mit künstlicher Intelligenz und maschinellem Lernen Ihr Marketing optimieren können, sowie Zugang zu exklusiven Whitepapern und praktischen Anleitungen.

Mit der Anmeldung zu unserem Newsletter stimmst du unserer Datenschutzerklärung zu.

Einsatz im Rückgewinnungsmanagement

Für die Analyse der Kundendaten zur Identifikation von potentiellen Churn oder Kündigern eignen sich verschiedene Data Mining-Methoden wie bspw. Entscheidungsbäume oder Neuronale Netze. Um abwanderungsgefährdete Kunden (Churn Prediction) zu identifiziert, muss man für einen bestimmten Zeitpunkt eine Menge von Kunden als eindeutige Abwanderer bestimmen.

Darauf aufbauend wird ein Modell erstellt, um aus den Kundendaten der Vergangenheit, die Abwanderung bzw. Nicht-Abwanderung abzuleiten. Resultierend aus diesen Ergebnissen können pro-aktive Maßnahmen eingeleitet werden, um die Kundenbeziehung zu stabilisieren.

Zu dem ganzen Thema Churn Prediction habe ich einen interessanten Artikel geschrieben.

Vorteile von aCRM

Mit Hilfe von einem guten aCRM-Prozess werden über den kompletten Kundenlebenszyklus alle Informationen zu Kunden gesammelt und ausgewertet. Aus den Auswertungen werden so wichtige Erkenntnisse und Handlungsempfehlungen generiert, die das operative Geschäft verbessern.

Big Data Technologie macht besonders die Sammlung von vielen Kundendaten einfach. Diese Technologien ermöglichen die komplette Aufzeichnung des Kundenlebenszyklus, was für Unternehmen in der Regel einen enormen Wert hat.

Ein analytisches CRM dabei helfen Rückschlüsse aus Kundenverhalten zu ziehen oder Kundenverhalten durch Data Mining vorher zu sagen. Ein weiterer Nutzen ist die klare Erstellung von Kundenprofilen und gut beschriebenen Kundensegmenten, um so gezielt Marketingkampagnen auszuspielen. Auch bei der Erstellung und Analyse von einer Kommunikationsstrategien ist das analytische CRM eine zentrale Datenquelle.

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

Laurenz Wuttke datasolut Gmbh
Ich freue mich, wenn Sie sich zu unserem Newsletter anmelden.

Jetzt zum Newsletter anmelden!

Den datasolut Blog abonnieren und Expertentipps zu Marketingoptimierung mit künstlicher Intelligenz erhalten.

  • Spannende Interviews
  • Interessante Case Studies
  • Bewährte Praxistipps

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.