Data-driven Marketing: Gute Daten, schlechte Daten
In der Dauer-Soap „Gute Zeiten, schlechte Zeiten“ kann, wer das will, seit 1992 das Auf und Ab in Beziehungen verfolgen. Oft sorgen hier fehlende Informationen zu Missverständnissen, die dann mühselig wieder aus dem Weg geschafft werden müssen. Bei GZSZ geht das am Ende häufig gerade noch einmal gut aus. Ganz anders in den Beziehungen zwischen Unternehmen und ihren Kund:innen: Geraten diese in eine Schieflage, neigen Kund:innen dazu, sie abrupt und ohne zweite Chance zu beenden. Und auch hier spielen fehlende oder falsche Informationen eine entscheidende Rolle…
Ein zentraler Baustein für ein gutes Customer-Relationship-Management ist daher die Qualität der erhobenen Daten. Denn die richtigen Daten helfen Unternehmen, ihren Kunden individuell relevante Angebote zu unterbreiten und sie auf diese Weise langfristig zu binden. Mit Hilfe voraussagender Analysen lassen sich dabei konkrete Bedürfnisse identifizieren – und damit auch die richtigen Zielgruppen für bestimmte Botschaften.
Data-driven Marketing und Künstliche Intelligenz (KI)
Der Einsatz von KI unterstützt Unternehmen zunehmend dabei, die richtige Person zum richtigen Zeitpunkt mit den richtigen Angeboten anzusprechen. Damit die KI hier sinnvolle Entscheidungen treffen kann, ist eine gute Datengrundlage essenziell. Denn fehlende oder schlechte Daten sorgen dafür, dass ihre Vorhersagen unzutreffend sind.
Dies gilt sowohl für Daten, die in die Analysen einfließen, als auch für Trainingsdaten, die zum Anlernen der KI benutzt werden. Gerade Trainingsdaten haben bei der Einführung KI-gestützter Analysen eine besondere Bedeutung. Denn deren Qualität beeinflusst schon zu einem sehr frühen Zeitpunkt den Wert der späteren Resultate.
Hier einige Beispiele für Irrtümer einer KI, die aufgrund schlechter (Trainings-)Daten entstehen können:
- Eine Bilderkennungssoftware, die mit stereotypen Motiven trainiert wurde, und daher bestimmte Personengruppen nicht berücksichtigt.
- KI gestützte Vorhersagen, die einzelne Personengruppen diskriminieren, da die KI über die Auswahl der Trainingsdaten Vorurteile ihrer Bediener:innen übernommen hat.
- Ein Chatbot, der sich über eingehende Kontakte weiterentwickelt und extremistische Ansichten erlernt, da er gezielt mit entsprechenden Informationen bespielt werden kann.
Oft bleibt bei derartigen KI-Projekten nur die Möglichkeit, das Projekt abzubrechen und den „Stecker zu ziehen“. Denn in einem fortgeschrittenen Stadium der KI wirken sich entsprechende Anpassungen kaum mehr aus.
Voraussetzung für Data-driven Marketing: hochwertige Datenpools
Bevor Unternehmen ihre gesammelten Daten für Analysen nutzen, gilt es zunächst, die verfügbaren Daten selbst zu analysieren. Daten sind heutzutage schnell erhoben – auch im Rahmen der gesetzlichen Möglichkeiten. Quantität ist daher in den meisten Fällen vorhanden. Das allein reicht jedoch nicht aus. Viel wichtiger ist die Qualität der Daten. Dies gilt insbesondere, wenn eine KI zum Einsatz kommt. Um die Datenqualität beurteilen zu können, sind folgende Punkte zu beachten:
Kriterien guter Datenqualität
Quelle: Vision11
Vollständige und aktuelle Daten
Fehlende Werte sind noch kein Hindernis. Denn aussagekräftige Analysen können sich nicht nur auf einzelne Werte stützen. Doch für Auswertungen ist ein gewisser Füllstand bei den einzelnen Variablen von Bedeutung. Dabei ist jedoch immer zwischen dem Datenbedarf und den gesetzlichen Datenschutzbestimmungen abzuwägen.
Einzelne, unbedingt erforderliche Datenfelder können auch als Pflichtfelder gekennzeichnet sein. Aber auch hier gilt: Nur erforderliche Daten erheben und speichern.
Konsistente und einzigartige Daten
Viele verschiedene Touchpoints ermöglichen eine Vielzahl potenzieller Datenquellen, erhöhen aber auch die Komplexität des Datenmanagements. So ist etwa sicherzustellen, dass die einzelnen Daten dem richtigen Kontakt zugeordnet werden können. Denn nur auf diese Weise lässt sich ein aussagekräftiger Datenpool schaffen, der eine umfassende Sicht auf den Kunden zulässt.
Ebenfalls zu beachten: Kontakte, die mit ein- und demselben Kunden über verschiedene Kanäle stattfinden, sollten nicht separat erfasst werden. Dubletten sollten vermieden und gegebenenfalls in einem einzigen Datensatz – einem sogenannten Golden Record – zusammengefasst werden. Im ungünstigsten Fall können zu einem Kontakt auch widersprüchliche Daten vorliegen. Auch das ist bei einer Zusammenführung zu berücksichtigen.
Das richtige Datenformat
Gerade bei Verarbeitung und Analyse großer Datenmengen ist darauf zu achten, dass die Daten in einem korrekten und einheitlichen Format gespeichert sind. Unterschiedliche Datenformate sind potenzielle Fehlerquellen, insbesondere bei automatisierten Analysen. Auch die Genauigkeit der Daten kann eine Rolle spielen, etwa wenn bei einer Segmentierung kleine Unterschiede eine Rolle spielen. Sind die Daten so stark aggregiert, dass keine Unterscheidungen mehr möglich sind, eignen sie sich nicht als Segmentierungsvariablen.
Data-driven Marketing: Systeme und Tools
Ein qualitativ hochwertiger Datenpool ist die Grundlage für wertvolle, kundenspezifische Erkenntnisse. Um das Optimum aus diesen Daten herauszuholen, sollte die jeweils am besten geeignete Technologie ausgewählt werden. Hersteller bekannter CRM-Systeme, aber auch Anbieter kleinerer, branchenspezifischer Lösungen integrieren zunehmend KI-gestützte Funktionen in ihre Tools. Beispiele hierfür wären etwa „Einstein“ (Salesforce Marketing Cloud) oder „Sensei“ (Adobe). Tools wie diese ermöglichen es den Usern, ihre Kund:innen noch besser zu verstehen und gezielter anzusprechen.
Kundensegmentierung, Customer Lifetime Value und Churn Prevention
Quelle: Vision11
Datenbasierte realistische Kundensegmente:
Unternehmen haben vielleicht bestimmte Wunschkund:innen, die sie gerne ansprechen möchten. In der Realität sind diese aber vielleicht gar nicht ausschlaggebend. Auch zielgruppenspezifische Differenzierungen, etwa nach Altersgruppe, Geschlecht, Einkommen etc., reichen nicht aus, die relevanten Kunden zu finden. KI-gestützte Segmentierungen hingegen beziehen sämtliche verfügbare Daten in die Bildung der Kundensegmente mit ein. Auf diese Weise erkennen sie möglicherweise Muster, die mit gängigen Methoden nicht berücksichtigt werden können.
Persönliche Customer Journeys
Die Erkenntnisse aus einer KI-gestützten Segmentierung sorgen für eine individuellere Kundenansprache. Zusammen mit der Analyse des bisherigen Kundenverhaltens lassen sich persönliche Präferenzen ermitteln, die im (automatisierten) Dialog mit dem Kunden berücksichtigt werden können. Darüber hinaus ist es möglich, Touchpoints kundenspezifisch zu personalisieren. Dies kann z. B. die Gestaltung einer Website sein – oder ein Chatbot, der automatisiert mit dem Kunden kommuniziert. Dadurch erfährt der Kunde eine gewisse Wertschätzung, die zu einer langfristigen Kundenbindung beitragen kann.
Churn Prevention
Trotz bester Kundenbindungsmaßnahmen wird es immer wieder Kunden geben, die zu anderen Unternehmen wechseln. Auch hier können KI-gestützte Algorithmen helfen, unzufriedene oder abwanderungswillige Kunden frühzeitig zu erkennen, so dass sich Maßnahmen einleiten lassen, um deren Verlust zu verhindern.
Vorhersage des Kundenwerts
Beim Einsatz von Marketingmaßnahmen – gerade, wenn diese mit höheren Kosten verbunden sind – sind Unternehmen daran interessiert, den Wert einzelner Kunden zu kennen und ihre Maßnahmen entsprechend auszusteuern. Dabei reicht es nicht aus, nur den historischen Kundenwert zu berücksichtigen. Viel interessanter ist, welchen Wert ein Kunde in Zukunft haben wird. KI-gestützte Analysen können helfen, hier aussagekräftige Prognosen zu erstellen.
Verbesserung der Datenqualität
Nicht zuletzt kann eine KI auch dabei unterstützen, die Aufbereitung der Daten zu vereinfachen und damit letztlich auch die Datenqualität zu verbessern. So können fehlerhafte, unvollständige oder doppelte Datensätze KI-gestützt identifiziert werden.
Für eine hochwertige Datenanalyse – und damit auch für ein erfolgreiches Customer-Relationship-Management – ist daher immer auf ein gutes Zusammenspiel zwischen einem geeigneten technischen System und einem hochwertigen Datenpool zu achten. Letztlich darf aber auch der Faktor Mensch nicht vernachlässigt werden. Denn Letzterer muss das Zusammenspiel von Daten, Technologien und abgeleiteten Maßnahmen überwachen, um mögliche Fehlerquellen frühzeitig zu erkennen.
In der Welt der Soap Operas ist es oftmals die emotionale Intelligenz der Protagonisten, die dafür sorgt, dass aus „schlechten Zeiten“ wieder gute werden. Im modernen Customer-Relationship-Management dagegen sorgt die Verbindung aus Künstlicher Intelligenz und menschlichem Urteilsvermögen dafür, dass schlechte Zeiten gar nicht erst entstehen können.
Sie wollen mehr über Data-driven Marketing und Datenqualität erfahren?
Gerne rufe ich Sie für ein weiterführendes Gespräch zurück:
Christoph Scherer
+4915110831302
Weitere Posts
In der Dauer-Soap „Gute Zeiten, schlechte Zeiten“ kann, wer das will, seit 1992 das Auf und Ab in Beziehungen verfolgen. Oft sorgen hier fehlende Informationen zu Missverständnissen, die dann mühselig wieder aus dem Weg geschafft werden müssen. Bei GZSZ geht das am Ende häufig gerade noch einmal gut aus. Ganz anders in den Beziehungen zwischen Unternehmen und ihren Kund:innen: Geraten diese in eine Schieflage, neigen Kund:innen dazu, sie abrupt und ohne zweite Chance zu beenden. Und auch hier spielen fehlende oder falsche Informationen eine entscheidende Rolle…