Zurück zu Blogs
Blog Img

​Organisieren von Marketing¬technologie, Kunden besser zu bedienen

Wer Personalisierung nutzen will, muss seine Kunden verstehen. Jede Interaktion innerhalb der Customer Journey ist dabei hilfreich. Eine zentrale Kundensicht (Customer View) ermöglicht es Ihnen, datenbasierte Entscheidungen zu treffen und das Kundenerlebnis zu verbessern. Im Webinar „Organizing technology to monetize on customer experience“ von Visser & Van Baars haben Experten von Crystalloids, ANWB und Google Cloud sich mit der Frage beschäftigt: Wie organisiere ich Marketing¬technologie und analytik, um Kunden besser zu bedienen? Eine Zusammenfassung.

Jan Hendrik Fleury: flexible, zukunftssichere Marketing¬technologie

Den Startschuss für das Webinar vom 1. Juli 2021 gibt Jan Hendrik Fleury. Als Commercial Director bei Crystalloids hilft er Kunden wie dem ANWB (niederländischer ADAC), Calvin Klein und Rituals, ihre Daten besser zu nutzen, und zwar durch den Bau von Kundendatenplattformen (Customer Data Platforms, CDPs) für Daten, Analysen und Engagement, insbesondere auf Basis von Google Cloud. Außerdem ist er Mitglied der Kommission Data, Decisions & Engagement (DDE) der Data Driven Marketing Association (DDMA), eine Branchenorganisation, die 335 Unternehmen unterstützt, ihr datengesteuertes Marketing auf die nächste Stufe zu heben.

Fleury betont zunächst, wie wichtig Kundenorientierung (Customer Centricity) und eine zentrale Kundensicht sind: „Bieten Sie Ihren Kunden ein nahtloses Kundenerlebnis und sie werden ihre Daten gern mit Ihnen teilen. Dadurch können Sie Ihre gesamte Customer Journey relevanter gestalten, bessere Entscheidungen treffen und sich einen Wettbewerbsvorteil sichern.“ Fleury beschreibt in seinem Online-Vortrag, wie Sie genügend Daten erheben, Datenströme automatisieren, Qualitäts¬prüfungen durchführen und zudem eine flexible und zukunftssichere Cloud- und Marketing¬technologie umsetzen können.

Alles beginnt mit Daten

Der entscheidende erste Schritt ist natürlich das Erheben von Daten. Fleury: „Das können eigene Daten sein, aber auch externe Daten einer Daten¬management¬plattform. Dann benötigen Sie die entsprechende Zustimmung zum Datenschutz und sollten diese auch verwalten können. Im Enterprise Data Layer, der durch Plattformen wie Google BigQuery oder Amazon Redshift unterstützt wird, finden Prozesse wie Identitäts¬management, Schlagwort¬verwaltung (Tag Management) und die Verwaltung von Metadaten statt.

Verfügen Sie über alle Zutaten für eine zentrale Kundensicht, wie demografische Daten und Verhalten? Dann können Sie modellieren, zum Beispiel mit Lookalike Modelling, Propensity Modelling, Engagement Modelling oder Churn Prediction. Weiter geht es mit Microtargeting, bei dem Sie die Inhalte über owned, paid oder earned Kanäle verbreiten.

Logische Struktur für Daten und Analysen

Was ist eine logische Architektur für Daten und Analysen? Und was sind die Anforderungen an analytische Datenspeicher wie Google BigQuery, Snowflake und Amazon Redshift? Das lässt sich nur schwer in wenigen Sätzen zusammenfassen, so die Erkenntnis aus Fleurys Darstellung zur Architektur von Body&Fit, das serverlose Echtzeitdaten und eine analytische CDP in der Google Cloud nutzt.

Doch funktioniert das in der Praxis auch: Umsatz¬steigerung dank Personalisierung? In aller Kürze: Sie haben Daten, die sie mit der Transaktions-ID des Kunden abgleichen und mit einer KI-Plattform bewerten. Zwei Strategien eignen sich dafür: Audience und Bidding Basierend auf den Daten und der gewählten Strategie können Sie datenbasierte Entscheidungen treffen.

6 Erkenntnisse

Fleury beschließt seinen Vortrag mit sechs Erkenntnissen:

1. Beginnen Sie mit einer klaren Vision und Datenstrategie und gewinnen Sie die Unterstützung der Geschäftsleitung.

2. Priorisieren Sie die wichtigsten User Storys und stimmen Sie sie mit dem Programm-management ab.

3. Warten Sie nicht, bis Sie „alles haben“, denn vieles lässt sich bereits erreichen, ohne dass alle Daten vorliegen.

4. Beginnen Sie schnell, haben Sie keine Angst vor Fehlschlägen und seien Sie agil.

5. Vermeiden Sie einen Vendor Lock-in, nur weil Sie sich bei der CDP für ein Komplettpaket entschieden haben. Verbinden Sie Anwendungen lieber eigenständig miteinander und speichern Sie Ihre Daten und Analysen an einem zentralen Ort.

6. Setzen Sie auf Datenschutz und Sicherbei by Design und seien Sie Kunden gegenüber transparent. Wenn sie die Kontrolle über ihre Daten haben, vertrauen sie Ihnen und sind bereit, ihre Daten zu teilen.

Arnold Moeken: Omnichannel-Personalisierung bei ANWB

Ein gutes Praxisbeispiel für Personalisierung ist das Omnichannel-Personalisierungs¬programm des ANWB, mit dem das Unternehmen den DDMA Customer Data Award gewann. Arnold Moeken, Manager des Customer Analytics Department bei ANWB und Mitglied der DDE-Kommission von DDMA, berichtet im Rahmen des Webinars über das Programm.

Mit fast 5 Millionen Mitgliedern verfügt der ANWB über einen wahren Schatz an Kundendaten. „Bis dahin gab es nur eine Reihe von Einzel¬initiativen. 2016 haben wir uns an ein Omnichannel-Personalisierungs¬programm gewagt, um unsere Kunden¬kontakte auf allen Kanälen besser nutzen zu können“, erinnert sich Moeken.

Propositionen, Moment, Kanäle und Methode – alles muss passen

„Ziel des Programms ist es, die richtigen Propositionen im richtigen Moment über die richtigen Kanäle und mit der richtigen Methode anzubieten“, so Moeken. Das alles beginnt, natürlich, bei Daten. Nach dem Erheben und Extrahieren von Daten wird Intelligenz hinzugefügt. Dadurch ist ANWB in der Lage, um – in Kombination mit den richtigen Inhalten sowie dank Marketing Proposition Engine und Dashboards – Mitgliedern und Kunden die besten Propositionen anbieten zu können.

Ein fortwährender Kreislauf, erklärt Moeken. „Über unser Dashboard überwachen und optimieren wir laufend unsere Propositionen. Übrigens werden auch die Modelle regelmäßig verbessert. Hierfür hat ANWB eine Modellfabrik mit mehr als 200 Algorithmen, die täglich prognostizieren, wie wahrscheinlich Kunden bestimmte Dienstleistungen oder Produkte kaufen.

Ambition und Vision sind alles

Moeken betont, dass Ambition und Vision alles sind: Das Unternehmen muss sich auf eine kollektive Vision bzgl. der Personalisierung einigen und ambitioniert sein, das Personalisierungs¬programm zum Erfolg zu machen. Moeken: „Bisher waren alle Initiativen in unserem Unternehmen Silos. Zum Glück haben wir uns kollektiv aufeinander abgestimmt und konnten alle Kanäle verbinden und optimieren.“

Eine Reihe von Rahmen¬bedingungen ist dabei laut Moeken relevant. „Zum Beispiel braucht man strukturelle und relevante Propositionen. Das Wichtigste bei uns war allerdings die Governance.“ Das Programm, das auf Ambition und Vision basiert, erklärt Moeken, war multidisziplinär mit Marketing-, IT- und BusinessLine-Abteilungen.

5 Prinzipien und ein 7-Schichten-Modell

ANWB hat fünf Architektur¬prinzipien entworfen:

1. Zentrale Daten

2. Zentrale Analytik

3. Zentrales Kampagnenmanagement

4. Zentrale CDP/Zentrales Identitätsmanagement

5. Zentrales Contentmanagement

Diese Prinzipien wurden anschließend auf ein Personalisierungs¬modell mit sieben Schichten übertragen: Touchpoints, Content Delivery, Content Management, CDP, Kampagnen¬management, Analysen und Daten. Das Modell ist wiederum in ein analytisches und ein operatives CRM-Konzept unterteilt.

Analytisches CRM-Konzept: Technologie

Moeken: „Bislang hatten wir BlueConic, Portrait und ein paar maßgeschneiderte Sachen. Doch wir hatten eine Menge Probleme und konnten beispielsweise nicht skalieren. Dann haben wir uns eine neue zentrale Plattform geholt: AWS.“

Zudem hat ANWB mit KNIME eine neue Analyse¬plattform und mit IBM Watson eine neue Kampagnen-management¬plattform eingeführt, die mittlerweile von Unica Campaign abgelöst wurde. Nach und nach hat ANWB die gesamte Marketing¬technologie zentralisiert.

Die wichtigsten Erkenntnisse

Ob das Personalisierungs¬programm Früchte trägt? Die Zahlen und Fakten sprechen für sich: Sowohl Share of Impressions und Share of Clicks auf der Website als auch die Klickrate (CTR) in der App sind beispielsweise um mehr als 200 Prozent gestiegen, und sogar das Printmagazin „Kampioen“ wird jetzt personalisiert.

Moeken endet mit einer Reihe wichtiger Lektionen für Unternehmen, die Personalisierung planen:

1. Der feste Glaube an Personalisierung hat Vorrang vor einem Business Case.

2. Holen Sie sich die entsprechenden Kenntnisse und Erfahrungen ins Haus. Suchen Sie bei Bedarf auch extern – so hat ANWB Crystalloids gefunden.

3. Architektur ist die Hauptzutat: Überlegen Sie sich vorab, was Sie erreichen möchten. So vermeiden Sie einen Vendor Lock-in.

4. Zusammenarbeit ist das A und O: Statt in Silos, arbeitet ANWB jetzt als ein Unternehmen.

Rokesh Jankie: eine Architektur für Marketinganalyse

Zu guter Letzt hat ein Mitglied der KI-Kommission von DDMA das Wort: Rokesh Jankie, Google Cloud Sales Engineering Manager bei Google Cloud in Amsterdam. Er behandelt Fragen wie: Wie genau baut man eine Architektur für Marketing¬analyse? Und wie schafft man mit Daten Werte?

Jankie nennt drei Use Cases für Marketing¬analyse, die derzeit heiß diskutiert werden: das Verständnis der Customer Journey auf Basis von Trendspotting, Self-Service-Analysen und Kunden¬segmentierung, das Prognostizieren von Marketing¬ergebnissen anhand einer Lifetime Value (LTV)-Vorhersage und das Personalisieren von Kundenerfahrung mittels Sentiment Monitoring, datengesteuerter Segmentierung und eines Personalization Engine.

LTV-Vorhersage: selbst zur Tat schreiten

Jankie erklärt, dass Datenexperten, die lediglich SQL beherrschen, problemlos selbst eine Lifetime Value-Vorhersage erstellen können. Nachdem Sie Daten erhoben haben, geben Sie diese in einen Cloud-Trainer ein. Hierfür können Sie pretrained oder eigene Modelle verwenden. Die Daten werden transformiert und analysiert und werden anschließend in einem Tool wie Google Data Studio oder Tableau visualisiert.

Danach aktivieren Sie die Daten beziehungsweise Sie profitieren vom Wert der Daten, indem Sie Erkenntnisse in Maßnahmen umsetzen und so das Kundenerlebnis verbessern. Zum Beispiel über Werbeplattformen, E-Mail-Plattformen, Content-Optimierung, CRM-Plattformen und soziale Plattformen.

„Das Interessante: In einer Welt, in der die Cloud im Geschäftsbetrieb eine zentrale Rolle hat, sieht man, dass sich mühelos mehrere Informations¬quellen anzapfen lassen, um eine 360-Grad-Ansicht des Kunden zu erhalten“, so Jankie.

Stufenplan für Customer Lifetime Value (CLV)-Berechnung

Als Grundlage für die eigene Berechnung des Customer Lifetime Value benötigen Sie ein Data Warehouse wie Google BigQuery oder Amazon Redshift. „Als Data Scientist oder Datenwissenschaftler beschäftigen Sie sich mit dem Kopieren von Datensätzen. Die können schon mal einige Terabyte groß sein, was ein Subset erforderlich macht. Doch welche Daten wählt man dann? Und repräsentieren diese den gesamten Datensatz ausreichend? Bei Google haben wir gesagt: Warum nicht das Modellieren – den KI-Teil – zu den Daten bringen, statt die Daten zum Modell?“, so der Google-Spezialist.

Sein Arbeitgeber hat dafür auf BigQuery ML gesetzt, mit dem sich Modelle für maschinelles Lernen mithilfe von Standard-SQL-Abfragen entwickeln und ausführen lassen. Jankie listet die Vorteile auf: das Erstellen von Prognosemodellen, ohne Annahmen auf Grundlage der Daten zu treffen, schnelle Durchführung von Iterationen, umfangreiche Möglichkeiten zur Nachoptimierung und die Möglichkeit, Algorithmen von u. a. TensorFlow, K-means Clustering und Matrix¬faktorisierung zu nutzen. Darüber hinaus ist Skalieren ohne operative Schwierigkeiten möglich, gelten für die IT lediglich Mindest-anforderungen, reichen Benutzern minimale Kenntnisse über maschinelles Lernen und sind zentrale Governance- und Überwachungs-Tools vorhanden.

Jankies Schlussfolgerung: BigQuery ML demokratisiert maschinelles Lernen (ML) unter anderem, indem es Datenanalysten ermöglicht, Modelle mit vorhandenen BI-Tools und Tabellen¬kalkulationen zu erstellen, wofür SQL-Kenntnisse ausreichend sind.

Zum Abschluss: AutoML

Jankie beendet seinen Vortrag mit einem kurzen Abstecher zu Googles AutoML, ein Tool zum Trainieren benutzerdefinierter ML-Modelle bei minimalem Aufwand und mit minimalen ML-Kenntnissen. „AutoML lässt sich unter anderem für den Customer Lifetime Value und die Vorhersage von Kundengewinnung und -abwanderung (Customer Conversion & Churn) einsetzen. Dank der grafischen Benutzer¬oberfläche muss man keine Programmier¬kenntnisse besitzen, um ML-Anwendungen zu nutzen: einfach eine Tabelle hochladen und die entsprechende Spalte auswählen, und schon erstellt AutoML das Modell, das am besten zu Ihren Daten passt.“