Der Kunde entscheidet – 1:1-Marketing

Im Marketing hat die Personalisierung in den letzten Jahren zunehmend an Bedeutung gewonnen. Während viele Formen der traditionellen Kommunikation oft als selbstverständlich gelten, bieten uns Online-Medien die Möglichkeit, Zielgruppen genau zu erfassen.

‍

Wir wissen viel über (potenzielle) Kunden und können unsere Botschaft daher immer besser auf deren Wünsche abstimmen, was sich nachweislich positiv auf den Umsatz auswirkt. Zudem erwarten die Kunden mittlerweile auch von uns eine Personalisierung. Obwohl Personalisierungsmöglichkeiten immer selbstverständlicher werden und mittlerweile sogar von Hyperpersonalisierung die Rede ist, stellen wir fest, dass dies in der Praxis noch kaum oder gar nicht umgesetzt wird.

‍

Personalisierung verschafft Unternehmen einen Wettbewerbsvorteil. Unternehmen sind in der Lage, den Markt auf den Kopf zu stellen, indem sie ein extrem personalisiertes Angebot bereitstellen oder eine sehr gute persönliche Übereinstimmung zwischen Anbieter und Verbraucher schaffen, dessen Aufmerksamkeitsspanne schließlich immer kürzer wird. Der Erfolg von Uber Eats und Airbnb ist daher zu einem großen Teil auf den Grad der Personalisierung zurückzuführen, den diese Unternehmen bieten können.

‍

Daten erfassen und speichern

Traditionelle Unternehmen sind sich bewusst, dass sie in Sachen Personalisierung in den letzten Jahren hier und da überholt wurden, und möchten sich deshalb ebenfalls dem Zeitgeist anpassen. Wenn wir uns jedoch ansehen, welche Personalisierungsprozesse tatsächlich umgesetzt werden, gibt es nur eine Handvoll Kunden, bei denen wir beispielsweise mithilfe von maschinellem Lernen und Algorithmen an einer 1:1-Personalisierung arbeiten.

‍

Zugegeben, für viele Unternehmen ist das vielleicht noch ein zu großer Schritt, und ein guter erster Schritt ist die zentrale Erfassung und Speicherung der Daten aus allen Kanälen sowie der Verbesserungsmöglichkeiten im Kundenkontakt. Dies kann in einem Data Warehouse, einem Speicher oder über eine DMP (Data Management Platform) erfolgen, sodass ein Gesamtbild des Kunden entsteht. Die ordnungsgemäße Organisation dieser Datensätze bildet die Grundlage. Wenn ein Unternehmen sein Data Warehouse und die Cloud gut eingerichtet hat, ist es bereits auf einem sehr guten Weg. DMPs werden derzeit noch ziemlich unterschätzt und sind eigentlich erst für große, schnell wachsende Unternehmen mit einem umfangreichen Netzwerk an Datenquellen interessant.

‍

Von der Segmentierung zum maschinellen Lernen

Der erste Schritt besteht darin, alle Daten sorgfältig zu erfassen. Anschließend können Marketingfachleute und CRO-Experten diese Daten in einzelne Kategorien unterteilen. Dazu gehören beispielsweise die Unterteilung nach Mann und Frau, der Wohnort, Interessen und die Frage, ob sich jemand bereits für den Newsletter angemeldet hat.

‍

Sobald diese Daten angereichert sind und ein vollständiges Nutzerprofil entsteht, lassen sich noch weitaus komplexere Komponenten erstellen. Letztendlich werden diese Komponenten und Szenarien so spezifisch, dass es für Menschen schwierig wird, sie noch anhand von Regeln zu identifizieren und zu analysieren. Das ist der Moment, in dem der Wandel stattfindet, und dann muss das maschinelle Lernen zum Einsatz kommen.

‍

Reifegrad der Personalisierung

Als „Branche“ sind wir mittlerweile in einer Phase angelangt, in der der Einsatz von maschinellem Lernen zur Normalität geworden ist, und wir entwickeln viele neue Systeme auf der Grundlage der Kundenwünsche. So sagen wir beispielsweise anhand früherer Käufe oder Suchanfragen voraus, was die Menschen interessiert. Diese Vorhersage wird zur Personalisierung der Website und der Medien mithilfe von Werbung genutzt. Die Entwicklung der Datenreife und der Personalisierung gehen also Hand in Hand. Ist diese Entwicklung abgeschlossen, kann es sinnvoll sein, mit einem DMP zu arbeiten. Dies ermöglicht es, die präzise definierten Zielgruppen und Segmente zu erkennen und ihnen sowohl geräte- als auch kanalübergreifend dieselbe, personalisierte Botschaft anzubieten. In diesem Prozess der „Personalisierungsreife“ haben verschiedene Teams – Marketingfachleute, Datenwissenschaftler, CRO-Experten – zwar jeweils ihren eigenen Schwerpunkt, arbeiten jedoch gemeinsam auf dasselbe Ziel hin: das Angebot für den Verbraucher so interessant wie möglich zu gestalten.

‍

In diesem Zusammenhang muss betont werden, dass es um die Personalisierung sowohl der Medien als auch der Plattformen wie der Website und der App geht. Beide sind für viele Unternehmen ein wichtiger Anlaufpunkt.

‍

Maschinelles Lernen als Standardprodukt

Personalisierung lässt sich nicht losgelöst von den Entwicklungen im Bereich des maschinellen Lernens betrachten. Wir befinden uns mittlerweile bereits in einer Phase, in der viele Tools und Softwareprogramme für maschinelles Lernen – beispielsweise von Google, Salesforce und Adobe – standardmäßig in deren Softwarepaketen enthalten sind. Diese lassen sich auf ähnliche Anwendungsfälle anwenden und können auf Knopfdruck aktiviert werden. In diesem Sinne ist maschinelles Lernen zu einem Massenprodukt geworden, das von Unternehmen in großem Umfang genutzt wird – im Gegensatz zu einer sich noch in der Entwicklung befindlichen Technologie, in die noch viel investiert wird. Diese Tools sind ganz einfach im CRM und im Data Warehouse verfügbar und können grundsätzlich von jedem genutzt werden.

‍

Sind Datenwissenschaftler wichtiger denn je?

Die Frage ist daher, was das für die Arbeit des Datenanalysten bedeutet, der in diesem Prozess der Umsatzprognose usw. eigentlich nicht mehr benötigt wird. Gleichzeitig steigern Unternehmen jedoch zunehmend ihre Reife im Bereich der Personalisierung, wodurch immer mehr „Probleme“ entstehen, die Machine Learning als Standardlösung nicht lösen kann. Das bedeutet also, dass langfristig sogar mehr Datenanalysten benötigt werden, um Machine Learning auf all diese einzigartigen Sachverhalte und Herausforderungen anzuwenden.

‍

Kurz gesagt: Aufgrund der wachsenden Nachfrage wird maschinelles Lernen automatisiert und in großen Softwarepaketen verfügbar gemacht, doch letztendlich wird es viel mehr Anwendungsfälle geben, die einen Datenwissenschaftler erfordern, um richtig interpretiert werden zu können. Die Entwicklung des Internets ist nicht aufzuhalten. Es wird nicht mehr lange dauern, bis Einkaufszentren ein vollständiges Bild von jedem Schritt ihrer Besucher liefern. Das liefert enorme Datenmengen, die es ermöglichen werden, ganz spezifische Personalisierungsprozesse in Gang zu setzen. Dabei wird die Rolle des Datenwissenschaftlers nur noch weiter an Bedeutung gewinnen.

‍

Kleine Schritte

Zugegeben, für viele Unternehmen ist dies noch lange keine Option. Ein realistischerer Plan besteht darin, die Datensätze in Ordnung zu bringen. Die erste Frage, die sich ein Unternehmen stellen kann, lautet: Wie werde ich für meine Zielgruppe interessanter? Und damit speziell für alle Untergruppen innerhalb dieser Zielgruppe. Von dort aus lassen sich dann nach und nach weitere Schritte in Richtung Personalisierung unternehmen. Es ist ein Prozess, Schritt für Schritt.

‍