Durch die Vielzahl an Datenquellen, die wir heutzutage nutzen können, um uns ein Bild von "unserem" Nutzer und seiner Interaktion mit uns, unserer Brand oder unseren Produkten zu machen, geschieht oftmals das Gegenteil: Wir wissen überhaupt nicht mehr, welche Daten wir als erstes betrachten sollen. Dieser "data overkill" hindert uns daran, die passenden Antworten auf unsere (business-relevanten) Fragen zu finden. In der Praxis bekommen wir durch Reportings in regelmäßigen Abständen Kennzahlen ausgespuckt, die im besten Falle eine positive Tendenz nach oben aufweisen, aber uns nicht dazu befähigen, die richtigen Entscheidungen zu treffen. Die umsetzbaren Ableitungen fehlen. Das Gebot der Stunde lautet daher, ein neues Kennzahlen-Framework zu definieren: agil, dynamisch und zu Aktionen verleitend.
Abhilfe können hier vorgelagerte Überlegungen strategischer Art leisten.
- Was wollen wir in Zeitraum X erreichen (Objective)?
- Welche Maßnahmen können uns dabei unterstützen (Goal)?
- Und - jetzt kommen wir wieder zurück zu den Daten - welche Metriken helfen uns dabei, zu beurteilen, ob unsere Maßnahmen erfolgreich sind bzw. die erhoffte Wirkung zeigen (KPI)?
Wer sich nun an das OKR-Modell erinnert fühlt, liegt damit richtig. Damit wir die richtigen Fragen stellen können, müssen wir uns über unser Vorhaben erst einmal im Klaren sein. Nun können uns die Daten auch passende Antworten liefern. Wenn wir die Kundenbindung in unserem Onlineshop stärken möchten, sollten wir die Customer bzw. User Journey unserer Kunden analysieren. Wie interagiert sie oder er mit unserem Shop? Wo gibt es evtl. Engpässe oder negative Erlebnisse (Customer Experience) in der Interaktion mit unserem Unternehmen? (vgl.
Kundengetriebenes Marketing: CDPs als der Kernpfeiler einer neuen Infrastruktur
)
Kennzahlen sind zu funnel-lastig
Um diese Fragen zu beantworten, existieren Frameworks, die dabei unterstützen, das Kundenerlebnis schematisch abzubilden. Die Modelle unterteilen die Kundeninteraktion in einzelne Phasen. Jeder der Phasen kann anhand von Daten bzw. Metriken auf ihren "Erfolg" hin bewertet werden.
Klassischerweise würden wir anhand des STDC-Modells beurteilen, ob in der "See"-Phase - im Sinne von Attraction - neue Reichweite aufgebaut werden konnte. Hier blicken wir auf Metriken wie "neue Besucher", "Engagement Rate" oder auch "Impression Share". In der transaktionslastigen "Do"-Phase geben uns "Conversion Rate", "Cart Abandonment" oder auch der "Average Order Value (AOV)" Auskunft über den Erfolg des Journey-Abschnitts.
Nun haben wir es aber mit zwei Herausforderungen zu tun: Zum einen handelt es sich bei den eben benannten Metriken um stark "funnel-lastige" Kennzahlen, basierend auf historischen Daten, und weniger um kundenzentrierte Metriken. Zum anderen werden wir viele dieser Daten, die meist von Drittanbietern stammen, in Zukunft nicht mehr erheben bzw. auswerten können.
Neue Metriken zur Erfolgsmessung
Eine Lösung dafür bietet die Perspektive des kundengetriebenen Marketings (vgl.
Datengetriebenes Marketing ist tot, es lebe das kundengetriebene Marketing
. Indem wir den Blick auf den Kunden selbst richten und nicht mehr "nur" auf die Phasen des Funnels, erreichen wir eine neue Qualität der Erfolgsmessung. Dafür müssen wir die Hoheit über unsere Kundendaten zurückerlangen und diese in einer "single source of truth" zusammenführen. So werden wir unabhängig von Dritten und können eine ganzheitliche "Customer Intelligence" aggregieren. Hierdurch versetzen wir uns in die Lage, die Customer Journey nicht mehr als linearen Funnel zu verstehen, sondern als dynamische Interaktion zu gestalten (Hyper-Personalisierung).
Neue Daten-Dimensionen wie Psychographie und Intention können dabei helfen, Nutzer noch besser zu verstehen und die Journey passender zu kontextualisieren. So können wir den Nutzer selbst noch mehr in den Fokus stellen und neue Metriken zur Erfolgsmessung heranziehen.
Bessere Budgetallokation
Ein historischer Customer Lifetime Value gibt bekanntermaßen Aufschluss über das bisherige Kaufverhalten. Wesentlich spannender ist es jedoch, zu analysieren, wie das Kaufverhalten in Zukunft aussieht (Predictive Analytics). So lassen sich durchgeführte Maßnahmen innerhalb einer Customer Journey besser bewerten. Die "predicted purchases" und ein vorhergesagter AOV geben uns eine Einschätzung darüber, wie sich unser Kunde im kommenden Zeitraum X verhalten wird. Stimmt die Vorhersage oder konnte das Verhalten positiv sogar beeinflusst werden? Wie wertvoll ist dieser Kunde im Zeitraum X für unser Unternehmen (RLV - Residual Lifetime Value)? "Customer Lifespan" wird zum neuen dynamischen Richtwert in der Erfolgsmessung der Kundenbindung.
Auch lassen sich Kunden(-segmente) durch Wahrscheinlichkeiten, "alive" zu sein, in einer anderen Qualität bewerten. So lässt sich in Kombination bspw. mit einem RLV das Marketingbudget effizienter in Segmente allokieren, die ansonsten vielleicht abgewandert wären. Der neue Ansatz des kundengetriebenen Marketings eröffnet die Möglichkeit, dynamische und kundenzentrierte Metriken in die Erfolgsmessung eines Unternehmens einfließen zu lassen. Die Konsequenz sind bessere Budgetallokation und ein gesteigerter ROI über kontextualisierte Personalisierung der Customer Journey. (vgl.
Die neue Ära der Segmentierung - wie Nutzer passgenauer angesprochen werden können
)
Maturitätsmodell für kundengetriebenes Marketing
Dimitrios Haratsis
Bild: elaboratum
ONEtoONE-Autor Dimitrios Haratsis ist Advisor im kundengetriebenen Marketing bei elaboratum
und namhafter Experte auf dem Gebiet des datengetriebenen Marketings sowie der Marketing Technology. Er berät Unternehmen zur Entwicklung von datengetriebenen Strategien in der Post-Cookie-Ära.