Euer CRM meldet ein Abwanderungsrisiko von 78 Prozent. Eure Web Analytics zeigen denselben Kunden hochaktiv, mitten in der Kaufentscheidung. Wer hat recht? Beide – und keiner. Denn CRM und Web Analytics bilden zwei verschiedene Realitäten ab. Und erst wenn man sie zusammenführt, wird daraus die ganze Wahrheit. Genau darüber haben wir uns Gedanken gemacht und eine kleine App gebaut, die zeigt, was passiert, wenn beide Datenwelten miteinander sprechen.
Ein Punkt war uns dabei von Anfang an wichtig: Wenn wir über aktuelle KI-Lösungen sprechen, dann müssen sie unabhängig von bestehenden Systemen nutzbar sein – und sie müssen mit geschützten Daten umgehen können.
Unsere Lösung läuft deshalb lokal in der Unternehmensumgebung, ohne dass sensible Kundendaten das Haus verlassen. Gleichzeitig ersetzt die lokale Verarbeitung keine Datenschutzprüfung: Zweckbindung, Datenminimierung, Zugriffskontrolle, Aufbewahrungsregeln und eine saubere Rechtsgrundlage für die Verknüpfung von CRM- und Web-Daten bleiben auch hier zentral.
Warum CRM und Web Analytics zwei verschiedene Realitäten zeigen
Beide Systeme sind für sich genommen wertvoll – aber sie beantworten grundverschiedene Fragen. Das CRM kennt die Vergangenheit und die Identität eines Kunden, Web Analytics beleuchten sein aktuelles Verhalten. Eine kurze Gegenüberstellung macht den Unterschied deutlich:
CRM zeigt
- Wer der Kunde ist
- Was der Kunde gekauft hat
- Wann der Kunde gekauft hat
- Stufe im Loyalty-Programm und Customer Lifetime Value
- Support-Ticket-Historie
Web Analytics zeigen
- Wie Kunden sich auf der Website bewegen
- Was sie in ihren Warenkorb legen
- Wie lange Kunden bleiben und was sie suchen
- Welche Kampagnen Traffic erzeugt haben
Auf den ersten Blick ergänzen sich diese Perspektiven perfekt. In der Praxis stehen sie jedoch meist nebeneinander – und genau dort verlaufen die Grenzen: Im CRM haben wir keine Ahnung, was der Kunde gerade jetzt auf der Website tut. In den Web-Analytics-Daten wiederum sind die meisten Nutzer anonym unterwegs, also ohne Identity.
Damit fehlt uns jede Historie zu Käufen oder zum Churn, der Abwanderungsquote. Zwei Teams, zwei Dashboards, zwei halbe Geschichten.
Praxisbeispiel Churn: Wenn Datensilos bares Geld kosten
Wie teuer diese getrennten Realitäten werden können, zeigt ein konkretes Beispiel rund um das Thema Churn – also die Gefahr, dass ein Kunde abspringt. Sehen wir uns an, wie ein- und derselbe Kunde aus drei verschiedenen Blickwinkeln aussieht:
Letzte Aktivität
Was CRM sieht
Kein Kauf seit 72 Tagen
Was Web Analytics sieht
4 x diese Woche besucht
Die Wahrheit
Steckt mitten in der Kaufentscheidung
Kaufabsicht
Nicht erkennbar
3 Warenkorb-abbrüche
Möglicherweise preissensibel oder gebremst durch Versandkosten, Kaufhürden bzw. einen fehlenden letzten Anreiz
Prognose
Risiko Abwanderung:
78 %
Hoher Engagement-Score
Kombiniertes Modell: geschätztes Risiko 22 %
Maßnahme
20 % Rabatt senden
Unbekannter Kunde
Gratisversand für den Warenkorb senden
Letzte Aktivität
Was CRM
sieht
Kein Kauf seit 72 Tagen
Was Web Analytics sieht
4 x diese Woche besucht
Die Wahrheit
Steckt mitten in der Kaufent-scheidung
Kauf-
absicht
Nicht erkennbar
3 Warenkorb-abbrüche
Möglicherweise preissensibel oder gebremst durch Versandkosten, Kaufhürden oder einen fehlenden letzten Anreiz
Prog-nose
Risiko Abwan-derung:
78 %
Hoher Engagement-Score
Kombiniertes Modell: geschätztes Risiko 22 %
Maß-nahme
20 % Rabatt senden
Unbekannter Kunde
Gratisversand für den Warenkorb senden
LETZTE AKTIVITÄT
Was CRM sieht: Kein Kauf seit 72 Tagen
Was Web Analytics sieht: 4 x diese Woche besucht
Die Wahrheit: Steckt mitten in der Kaufent-scheidung
KAUFABSICHT
Was CRM sieht: Nicht erkennbar
Was Web Analytics sieht: 3 Warenkorb-abbrüche
Die Wahrheit: Möglicherweise preissensibel oder gebremst durch Versandkosten, Kaufhürden bzw. einen fehlenden letzten Anreiz
PROGNOSE
Was CRM sieht: Risiko Abwanderung:
78 %
Was Web Analytics sieht: Hoher Engagement-Score
Die Wahrheit: Kombiniertes Modell: geschätztes Risiko 22 %
MAßNAHME
Was CRM sieht: 20 % Rabatt senden
Was Web Analytics sieht: Unbekannter Kunde
Die Wahrheit: Gratisversand für den Warenkorb senden
Das CRM sieht seit 72 Tagen keinen Kauf und schlägt Alarm. Doch die Web-Daten erzählen eine andere Geschichte: Der Kunde war viermal in dieser Woche auf der Website und hat dreimal einen gefüllten Warenkorb abgebrochen. Er steckt also vermutlich mitten in der Kaufentscheidung: Es gibt Kaufinteresse, aber noch keinen Abschluss.
Die Warenkorbabbrüche deuten darauf hin, dass Preis, Versandkosten, Kaufhürden oder ein fehlender letzter Anreiz eine Rolle spielen könnten – aber sie belegen nicht zwingend ein schwindendes Interesse.
Entsprechend weit liegen die Einschätzungen auseinander: Das CRM allein errechnet ein Abwanderungsrisiko von 78 Prozent, während das kombinierte Modell unter Einbezug des hohen Engagement-Scores aus den Web-Daten ein geschätztes Risiko von 22 Prozent ausweist.
Auch bei der empfohlenen Maßnahme führt die Datenfusion zu einem anderen Ergebnis: Statt pauschal 20 Prozent Rabatt zu senden, könnte ein gezielter Anreiz– z. B. ein kostenloser Versand – für den bestehenden Warenkorb die passendere und margenschonendere Maßnahme sein.
Wer in diesem Fall mit einem Rabatt hereinplatzt, verbrennt Marge und wirkt auf den Kunden inkohärent. Genau das ist das Problem der Datensilos: Ihr habt zwar die Daten – aber ihr seht je nach Blickwinkel nicht dasselbe Bild.
Was die Datenfusion messbar bringt: von AUC 0,76 auf 0,86
Was passiert nun, wenn man CRM und Web Analytics tatsächlich zusammenführt? Um das zu beantworten, brauchen wir eine Kennzahl. AUC (Area Under the Curve) misst, wie gut ein Vorhersagemodell positive und negative Fälle über verschiedene Schwellenwerte hinweg voneinander trennen bzw. korrekt rangordnen kann – in unserem Fall: Kunden, die abspringen, und Kunden, die bleiben.
Die Skala reicht typischerweise von 0,5 bis 1,0. Ein Wert von 0,5 entspricht ungefähr dem Zufall, ein Wert von 1,0 einer hundertprozentigen Trennung. Werte über 0,8 gelten hier in vielen Anwendungskontexten als stark.
Im Vergleich der drei Modelle wird der Effekt der Fusion greifbar. Ein Modell, das nur mit CRM-Daten arbeitet, erreicht einen AUC-Wert von 0,76 – solide. Denn 0,76 bedeutet, dass das Modell in 76 Prozent der zufällig gebildeten Kundenpaare den abwanderungsgefährdeten Kunden höher einstuft als den nicht abwandernden Kunden.
Ein reines Web-Analytics-Modell kommt dagegen auf einen AUC-Wert von 0,68 – und schneidet damit schwächer ab. Das hat einen einfachen Grund: Web-Daten sind oft anonym. Und nur bei den Kunden, die auch im CRM bekannt sind, lassen sich beide Datensätze verknüpfen. Das schränkt die Basis ein.
Das fusionierte Modell schließlich erreicht einen AUC-Wert von 0,86. Damit liegt es um rund 10 Prozentpunkte besser als das reine CRM-Modell. Entscheidend dabei: Das kombinierte Modell kann Muster berücksichtigen, die in den Einzelmodellen fehlen. Es sieht ein vollständigeres Bild – und kann Kunden dadurch besser priorisieren.
Kurz zusammengefasst: Wer nur auf das CRM hört, lässt Erkenntnisse liegen. Wer nur auf Web-Daten blickt, hat zu viele Lücken. Erst das fusionierte Modell sorgt für verlässliche Ergebnisse.
In der Praxis bedeutet das: Pro Kampagne konnten hier rund 50 zusätzliche Kunden, die kurz vor dem Absprung standen, korrekt identifiziert werden. Das sind 50 Chancen auf Reaktivierung, die sonst möglicherweise unentdeckt geblieben wären.
Dank SHAP-Werten (mehr dazu weiter unten) wird zudem sichtbar, welche Merkmale die jeweilige Modellvorhersage beeinflusst haben. Ihr müsst also nicht blind dem Algorithmus vertrauen, sondern seht, welche Faktoren den Score im Modell erhöhen oder senken.
Segmentierung: 5 Kundengruppen,
5 präzise Maßnahmen
Und was macht die KI mit dieser verbesserten Datenbasis? Sie ordnet jeden Kunden einem Segment zu – und leitet daraus direkte Handlungsempfehlungen ab.
Da sind zunächst die Champions: niedriges Abwanderungsrisiko, hoher Customer Lifetime Value, aktiv auf der Website. Diese Kunden sind Eure Markenbotschafter. Ladet sie in ein Ambassador-Programm ein und gebt ihnen Zugang zu exklusiven Vorteilen.
Ganz anders die At-Risk High-Value-Kunden, also diejenigen, bei denen es wehtut, wenn sie gehen: hohes Abwanderungsrisiko bei gleichzeitig hohem Wert und sinkender Web-Aktivität. Hier zählt Geschwindigkeit – also ein gezieltes Win-Back mit personalisiertem Angebot innerhalb von sieben Tagen.
Die Promising-Kunden nehmen gerade Fahrt auf: mittleres Risiko, wachsender Lifetime Value, regelmäßige Sessions. Diese Kunden müsst Ihr nicht retten, sondern in Richtung Champions entwickeln.
Beim Segment Need Attention – mittleres Risiko, geringerer Wert, unregelmäßiges Engagement – greift eine Re-Engagement-Sequenz: kein großes Budget, aber ein gezielter Impuls.
Und schließlich die Hibernating-Kunden mit hohem Risiko, niedrigem Wert und keiner nennenswerten Web-Aktivität mehr. Hier lautet die ehrliche Empfehlung: entweder eine kostengünstige Reaktivierung – oder Ihr akzeptiert, dass dieser Kunde verloren geht.
Für die Priorisierung gilt eine klare Regel: Das Segment At-Risk High-Value erfordert sofortige, persönliche Intervention. Hibernating dagegen ist ein Volumenspiel: Übersteigen die Reaktivierungskosten den erwarteten Customer Lifetime Value, ist es wirtschaftlich rational, diese Kunden gehen zu lassen.
Was ich daran so spannend finde: Ihr habt fünf klar definierte Gruppen mit präzise passenden Maßnahmen. Hättet Ihr auf Basis unvollständiger Daten die falschen Maßnahmen ergriffen, würde Euch das bares Geld kosten – etwa, wenn Ihr einen Discount anbietet, obwohl ein Gratisversand ausgereicht hätte.
Unsere App im Überblick
Wie das Ganze konkret aussieht, zeige ich Euch nun anhand von Screenshots aus der App. Für unsere Demo haben wir – statt mit Original-Kundendaten – mit nachgebauten Dummy-Daten gearbeitet.
Screenshot: Startseite mit Dashboard
Quelle: Vision11
Die Startseite ist der Ausgangspunkt jeder Session. Hier zeigt sie, dass 500 CRM-Kunden mit 1.200 Website-Sitzungen abgeglichen wurden, wobei 210 Kunden – also 42 Prozent – erfolgreich in beiden Systemen verknüpft werden konnten.
Das Abwanderungsvorhersage-Modell auf Basis der fusionierten Daten erreicht einen AUC-Wert von 0,864 und liegt damit 0,104 AUC-Punkte über der ausschließlichen Nutzung von CRM-Daten. Das entspricht rund 10,4 Prozentpunkten Verbesserung.
Das Balkendiagramm auf der linken Seite macht diese Verbesserung auf einen Blick sichtbar, während das Donut-Diagramm rechts die Verteilung der Kunden auf die Segmente zeigt: Champions bilden mit 30 Prozent die größte Gruppe, das kommerziell dringlichste Segment At-Risk High-Value macht hier 2,8 Prozent der Kundenbasis aus.
Der Digital Twin: Alles über einen Kunden auf einen Blick
Dieser Screen vereint alles, was über einen bestimmten Kunden bekannt ist, in einer einzigen Ansicht.
Screenshot: Digital Twin
Quelle: Vision11
Zu sehen ist ein Platinum-Kunde mit einem Lifetime Value von 22.761 Euro und einer Abwanderungswahrscheinlichkeit von nur 3 Prozent – eingestuft als Champion. Der linke Bereich zeigt alles, was das CRM weiß: 40 Bestellungen, 11.380 Euro Umsatz, letzter Kauf vor 28 Tagen. Rechts steht, was die Website weiß: 3 Sitzungen in diesem Monat, 7 Artikel in den Warenkorb gelegt, 3 davon abgebrochen, letzter Besuch erst vor 4 Tagen.
Ohne Datenzusammenführung würden diese beiden Bilder nie nebeneinander betrachtet – das CRM-Team und das Web-Analytics-Team würden jeweils nur die halbe Wahrheit kennen.
Der Churn Score: Erklärbare KI dank SHAP
Der nächste Bildschirm erklärt den Abwanderungs-Score desselben Kunden in verständlicher Sprache.
Screenshot: Churn Score, SHAP-Erklärung, Handungsempfehlung
Quelle: Vision11
Die drei Anzeigen bestätigen einen guten Zustand: nur 2,7 Prozent geschätzte Abwanderungswahrscheinlichkeit, ein kürzlicher Kauf und aktives Browsen auf der Website. Das Balkendiagramm darunter – eine sogenannte SHAP-Erklärung – zeigt, welche Merkmale die Modellvorhersage beeinflusst haben: Grüne Balken senken den Score im Modell, rote Balken erhöhen ihn. In diesem Fall treiben die Warenkorbabbrüche und die Tage seit dem letzten Website-Besuch das geschätzte Risiko leicht nach oben.
Am unteren Rand hat die KI daraus eine konkrete Handlungsempfehlung abgeleitet: eine Warenkorb-Rückgewinnungs-E-Mail mit kostenlosem Versandangebot – weil dieser Kunde dreimal Artikel in den Warenkorb gelegt hat, ohne den Kauf abzuschließen.
Vom Segment zum Kampagnen-Briefing
Sehen wir uns nun beispielhaft an, was passiert, wenn die App wertvolle Kunden mit hohem Abwanderungsrisiko identifiziert hat.
Screenshot: Segment mit hochwertigen aber ernsthaft gefährdeten Kunden
Quelle: Vision11
Diese Ansicht konzentriert sich auf ein Segment aus 14 hochwertigen Kunden, die ernsthaft gefährdet sind, sich von der Marke zu lösen. Ihr durchschnittlicher Lifetime Value beträgt 6.002 Euro, ihre Abwanderungswahrscheinlichkeit liegt bei 61 Prozent – und sie wiesen in den letzten 30 Tagen so gut wie keine Web-Aktivität auf. Ein deutliches Warnsignal!
Anstatt das Problem nur zu markieren und das Marketing-Team damit allein zu lassen, hat die App bereits ein vollständiges, sofort einsatzbereites Kampagnen-Briefing generiert.
Das Spannende daran: Durch das Zusammenführen der Daten habt Ihr präzisere Informationen, jeder Kunde lässt sich klarer einem Segment zuordnen – und die KI spricht auf dieser Basis direkte Handlungsempfehlungen aus.
Fazit: Erst die Fusion der Daten aus CRM und Web Analytics zeigt die ganze Wahrheit
CRM und Web Analytics erzählen jeweils nur die halbe Geschichte. Erst wenn beide Realitäten zusammenkommen, entsteht ein vollständiges Bild eures Kunden – mit messbar besseren Prognosen, klaren Segmenten und Maßnahmen, die wirklich passen.
Wollt Ihr wissen, wie das Ganze mit Euren Daten aussehen könnte? Dann vereinbart jetzt Euren persönlichen Demo-Termin mit uns!
