Das Marketing moderner Unternehmen basiert auf Database Marketing. Marketing Manager stehen vor der Herausforderung, mittels Datenanalyse die Kundenbedürfnisse besser zu verstehen und die Ansprache der Kunden im Marketing zu optimieren. Dafür greifen sie in ihrem beruflichen Alltag auf verschiedenen Methoden und Ansätze zurück. In diesem Artikel gehe ich auf die wichtigen Aspekte von Database Marketing ein.
1. Definition: Was ist Database Marketing?
Beim Database Marketing oder Datenbankmarketing handelt es sich um eine zielgruppenorientierte Form des Direktmarketings auf Basis detaillierter Kundeninformationen. Die benötigten Informationen stellen Datenbanken zur Verfügung, dort erfolgt die Speicherung und Verwaltung. Die gesammelten Daten sind auch für Anwendungen im Bereich Business Intelligence nützlich.
2. Warum ist Database Marketing wichtig?
Viele Unternehmen und deren Marketing-Manager haben heute mehr Kundendaten zur Verfügung als jemals zuvor. Damit rückt das datenbankbasierte Marketing in den Vordergrund, um das sich aus diesen Daten ergebende Potential zu nutzen. Das Database Marketing verhilft zu einer einheitlichen Sicht auf den Kunden über alle Touchpoints hinweg, die Beziehung zwischen Unternehmen und Kunden lässt sich effizienter gestalten.
Dafür werden unterschiedliche Methoden zur Kundenanalyse genutzt. Wer dazu mehr erfahren möchte, kann in diesem Artikel von mir zu: Kundenanalyse mehr erfahren.
2.1 Welche Ziele hat das Database Marketing?
Das Database Marketing soll eine Reihe von Zielen erreichen. Dazu gehören insbesondere die folgenden:
- Verbesserung der Kundenansprache in Bezug auf aktuelle und zukünftige Kunden
- Erfolgreich durchgeführtes Database Marketing führt zu höheren Umsätzen
- Maßgeschneiderte Produkte und Dienstleistungen
- Besseres Verständnis des Kunden und dessen Verhaltens
- Marketer richtet Marketingbemühungen zielgerichteter an Käuferbedürfnissen aus
2.2 Herausforderungen
Im Database Marketing ergeben sich verschiedene Herausforderungen. Erfolgreiche Marketer bewältigen folgende Herausforderungen während ihrer täglichen Arbeit im Database Marketing:
- Datenverfall: Daten haftet ein Verfallsdatum an. Dieses Problem verhandeln Experten im englischen Sprachgebrauch unter dem Begriff „Data decay“. Der Datenverfall ergibt sich auf natürliche Weise etwa durch veraltete Kundendaten wie mittlerweile geänderte E-Mail- und Wohn-Adressen oder veränderte berufliche Verhältnisse. Experten gehen davon aus, dass selbst in einer gut verwalteten Datenbank etwa zwei bis drei Prozent des Datenbestands pro Monat veralten. Das würde bedeuten, dass etwa ein Drittel der Datenbank nach einem Jahr im Prinzip verfallen ist. Zu den Herausforderungen gehört es für den Marketer, den Datenbestand aktuell zu halten und so dem Datenverfall entgegenzuwirken.
- Datenungenauigkeit: Kunden liefern nicht immer akkurate Informationen über sich. Unvollständige Informationen oder Schreib- und Flüchtigkeitsfehler gehören zu den Fehlerquellen. Marketer wirken diesen mit vordefinierten Auswahlmöglichkeiten in Form von Drop-Down-Menüs oder ankreuzbaren Feldern entgegen.
- Zeitnahe Reaktion auf Kundendaten: Das Sammeln und Analysieren von Kundendaten alleine reicht nicht aus. Das Unternehmen muss auch schnell darauf reagieren. Hierbei helfen Tools für Automatisierungen im Marketing. Die Kundenansprach erfolgt damit direkt, angemessen und zeitnah zugleich.
3. Database Marketing Beispiele
Im Database Marketing führen verschiedene Strategien zum Erfolg. Hier sind einige Vorgehensweisen beispielhaft aufgeführt, die in der Praxis der Unternehmen häufig vorkommen.
3.1 Up-Selling
Up-Selling und Next Best Offer stehen in einem engen Zusammenhang. Up-Selling bedeutet, dass Unternehmen bestrebt sind, ihren Kunden zunehmend höherpreisigere Produkte und Dienstleistungen anzubieten.
Der Kunde soll im Zeitablauf zu immer höheren Umsätzen beitragen. Dazu ist eine Analyse der bisherigen Käufe erforderlich und es erfolgt im Rahmen von Next Best Offer eine Vorhersage darüber, mit welcher Wahrscheinlichkeit das Unternehmen an diesen Kunden höherpreisige Angebote machen kann. Das typische Beispiel sind Verträge in der Telekommunikation, die mit der Zeit immer mehr Leistungen beinhalten und damit im Preis steigen.
3.2 Cross-Selling
Querverkäufe spielen im E-Commerce eine bedeutsame Rolle. Unternehmen versuchen Käufer eines Produkts dazu zu bewegen, andere Produkte ebenfalls zu kaufen. Ein typisches Beispiel hierfür wäre der Verkauf eines Laptops über einen Onlineshop, der dem Kunden dazu passende Taschen anzeigt.
Für die Erzielung von Querverkäufen spielen Empfehlungssysteme eine zentrale Rolle. Algorithmen bestimmen aufgrund verschiedener Faktoren, welche Produkte den Kunden interessieren könnten und unterbreiten passende Vorschläge. Für die Ermittlung der Empfehlungen setzen diese Systeme auf maschinelles Lernen.
Große Datenbanken mit umfangreichen Informationen zu den Kunden sind Voraussetzung dafür, dass die Empfehlungssysteme bestmögliche Ergebnisse erzielen.
3.3 Next Best Offer (Wann und wer kauft?)
Next Best Offer bedeutet, dass die Unternehmen für jeden Kunden das passende Angebot finden. Die individuelle Ermittlung der Kundenbedürfnisse ist die Voraussetzung dafür, diese nächstbesten Angebote finden zu können. Die Vorhersage des Angebots erfolgt durch maschinelles Lernen aus großen Datenmengen heraus. Dieser kundenindividuelle Ansatz ist besonders wirksam, weil er die Maßnahmen im Cross-Selling und Up-Selling stärkt.
Für die Personalisierung des Angebots bestehen verschiedene Ansätze. Die Betrachtung bezieht sich auf die letzten Käufe des Kunden, auf den dafür genutzten Kanal und den Preis. Die Vorhersage betrifft das Produkt, das der Kunde als nächstes kaufen möchte, zu welchem Preis er es kaufen möchte und mit welcher Wahrscheinlichkeit es zu einem Kauf kommt. Es ist sinnvoll, das Marketing schnell auf das nächstbeste Angebot für diesen Kunden auszurichten.
3.4 Next Best Action (Was ist die beste Aktion?)
Das Konzept der Next Best Action spielt heute im Kundenservice eine wichtige Rolle. Bei diesem Konzept versuchen die Unternehmen ihre Handlungen bestmöglich auf die Bedürfnisse ihrer Kunden abzustimmen. Im Idealfall nutzt das Unternehmen seine Fähigkeiten im maschinellen Lernen, um individuelle Kundenbedürfnisse zu erkennen, bevor der Kunde selbst davon weiß.
Der Marketing Manager sieht, in welcher Situation der Kunde einen Kontakt per E-Mail wünscht und in welchen Situationen ein persönliches Gespräch zum Beispiel in einem Service-Chat gewünscht oder nicht gewünscht ist. Hier spielen Ansätze aus den Predictive Analytics rein.
4 Was macht ein Database-Marketing-Manager?
Das Database Marketing beinhaltet vielfältige Analysemethoden und bezieht sich auf Daten unterschiedlichster Art. Zudem ist das Database Marketing in vielen Branchen und nicht nur im E-Commerce oder im traditionellen Handel relevant. Entsprechend umfangreich sind die Aufgaben eines Database-Marketing-Managers. Die Kandidaten müssen statistische Analyseverfahren beherrschen und Kenntnisse in den Bereichen Maschinenlernen und künstliche Intelligenz mitbringen.
Grundsätzlich bewegen wir uns hier auf der Schnittstellt zwischen Betriebswirtschaftslehre und Marketing auf der einen und der Informatik auf der anderen Seite. Der Umgang mit Datenbanken, Datensätzen und Werkzeugen für die Datenanalyse gehören zum Alltag. Alle aus den Datenbanken und mittels machinellen Lernen und künstlicher Intelligenz gewonnenen Erkenntnisse muss der Database-Marketing-Manager am Ende in eine erfolgreich durchzuführende Marketing-Strategie umsetzen, bei der die Kundenbedürfnisse im Vordergrund stehen.
Wir begleiten Sie bei der Umsetzung Ihrer Data Science Projekte und das von Anfang an. Erfahren Sie hier mehr.
Weitere Quellen:
- https://clevertap.com/blog/database-marketing/
- https://www.marketing-schools.org/types-of-marketing/database-marketing.html
- https://de.wikipedia.org/wiki/Database_Marketing
- https://www.mso-digital.de/wiki/database-marketing/
