Analytisches CRM: aus Kundenbeziehungen lernen

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

In diesem Artikel zeige ich Ihnen: was analytisches CRM ist und wie Sie die breits gesammtelten Kundendaten nutzen können, um Ihr Customer Relationship Management zu verbessern.

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

  1. Definition analytisches CRM
  2. Komponenten des analytischen CRM
  3. Anwendungsfälle des analytischen CRM
  4. Data Mining im CRM
  5. Vorteile von analytischem CRM

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 es, durch genaue Auswertungen ein tiefes Verständnis des Kundenverhaltens zu erlangen. Diese Ergebnisse fließen in das operative Geschäft zurück um Kundenbedürfnisse optimal abzudecken. Im CRM 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 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, 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 eine zentrale Sicht über den Kunden erstellt wird, die im kompletten Unternehmen zur Verfügung steht.

Kundendaten als Grundlage für die 360 Grad Kundensicht
360 Grad Kundensicht ist die Grundlage für erfolgreiches analytischen CRM.

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 innerhalb der Daten, um diese Erkenntnisse anschließend 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 wertschöpfenden Maßnahmen:

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

Download:

KI Use Cases für Marketing und Vertrieb

Jetzt eintragen und spannende KI-Projektbeispiele aus der Praxis erhalten:

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 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:

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 unterteilt werden, um damit beispielsweise die Bonität oder Produktaffinität zu beurteilen. Diese Klassifikation kann anschließend als Grundlage für eine Zielgruppenselektion in Kampagnen herangezogen werden.

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 identifizieren, 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 gesamten Thema Churn Prediction habe ich einen interessanten Artikel geschrieben.

Vorteile von analytischem CRM

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

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

Ein analytisches CRM kann dabei helfen, Rückschlüsse aus dem Kundenverhalten zu ziehen oder Kundenverhalten mittels Data Mining vorherzusagen. Ein weiterer Nutzen ist die klare Erstellung von Kundenprofilen und gut beschriebenen Kundensegmenten, um so gezielt Marketingkampagnen auszuspielen. Auch bei der Erstellung und Analyse einer Kommunikationsstrategie stellt das analytische CRM eine zentrale Datenquelle dar.

Ihr Kontakt: Vinzent 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.

Auch interessant für Sie