Kunden hinterlassen an jedem Touchpoint wertvolle Daten – sei es im Online-Shop, mobil durch die Nutzung einer App oder mit einer Kundenkarte im stationären Handel. Durch den Einsatz von Customer Analytics können Unternehmen wertvolle Informationen aus diesen Daten ziehen, um Kunden entlang der gesamten Customer Journey personalisiert anzusprechen. So wird der Kunde in den Fokus gestellt. Wie genau das funktioniert zeigen wir anhand von vier verschiedenen Analytics Use Cases im Handel.

So könnte eine Customer Journey aussehen…

Nehmen wir beispielhaft unsere Kundin Anna. Sie ist weiblich, Anfang 30, hat einen sportlichen Kleidungsstil und shoppt gerne Kleider.

Analytics Use Case Customer Journey

Annas Customer Journey könnte wie folgt aussehen: Sie hat einen Account erstellt und Produkte im Online-Shop gekauft. Es folgt ein Kauf im stationären Handel und nach einiger Zeit besucht sie den Online-Shop erneut, allerdings ohne etwas zu kaufen. Den Kauf im Online-Shop holt sie dafür später nach.

Um Annas Customer Journey so positiv wie möglich zu gestalten, kann mit der Unterstützung von analytischen Modellen über unterschiedliche Kanäle und mit individuell getriggerten Inhalten mit Anna kommuniziert werden.

1. Analytics Use Case: Kundenwert Vorhersage

Analytics Use Cases Kundenwert Vorhersage

Werden alle CRM-Daten wie Kundeneigenschaften, Produkt-, Transaktionsdaten und Onsite-Tracking Daten, zusammengeführt, kann man schon nach dem Erstkauf Annas Kundenwert berechnen.

Die Aufgabe einesKundenwert Modells ist die Bewertung von Kunden hinsichtlich ihres zukünftigen, monetären Wertes und kann sowohl zur Verteilung von Budgets als auch für Reportingzwecke (wie verändert sich der Kundenstamm über die Zeit) genutzt werden. Aus den Input-Merkmalen Kundeneigenschaften und den historischen Transaktionsdaten wird anhand von Data Mining Modellen eine individuelle Prognose von Annas zu erwartendem Umsatz (bspw. innerhalb der nächsten 12 Monate) vorhergesagt.

Mit Hilfe dieser Prognose können u.a. Marketingbudgets auf unterschiedliche Kunden(-segmente) verteilt werden, z.B. teure Printwerbung für wertvolle Kunden, günstige E-Mails für weniger wertvolle Kunden. Diese monetäre Dimension (individueller Umsatz) unterstützt z.B. bei der Bestimmung von Auflagenhöhen und hilft bei der Entscheidung darüber, wie viel Budget in Anna investiert werden soll. Ein Kundenwertmodell kann aber keine Aussage darüber treffen, welche Inhalte (z.B. bestimmte Marken oder Produkte) für Anna interessant sind.

2. Analytics Use Case: Next Best Offer

Analytics Use Case Next Best Offer

Um Anna relevanten Content zeigen zu können, muss ihre Affinität für bestimmte Produkte berücksichtigt werden. Ein Ansatz hierfür wäre das Next Best Offer zu bestimmen, wofür Methoden des Collaborative Filterings verwendet werden können.

Hierbei wird typischerweise zwischen user-basiertem und item-basiertem Collaborative Filtering unterschieden:

  • Annahme (user-basiert): Kunden mit ähnlichen Präferenzen mögen ähnliche Produkte

  • Annahme (item-basiert): Kunden mögen Produkte, die den bisher gekauften Produkten ähnlich sind

Ein Vorteil des klassischen item-basierten Collaborative Filterings ist das einfache Einordnen von Items in Kategorien: ein Anzug ist eindeutig Business Formal, ein Rock mit Blumenmuster Feminin verspielt und Sneaker gehören zur Kategorie Sportlich.

Die Grenzen verschwimmen aber, wenn man an Personen, in diesem Fall Anna, denkt. Denn vielleicht trägt sie auf der Arbeit eine Bluse und einen Blazer und zuhause Jeans und T-Shirt. Anna trägt also unterschiedliche Stile und man kann sie nicht eindeutig einer Stilkategorie zuordnen, was eine Empfehlung von Produkten/Kleidungsstücken auf Basis ähnlicher Kunden (user-basiert) schwieriger macht.

Die besten Ergebnisse liefert jedoch eine Kombination beider Ansätze, weshalb die Verwendung von Methoden wie z.B. dem ALS (Alternating Least Squares) Algorithmus dem aktuellen State of the Art entsprechen. Hierbei werden Item- und User-Interaktionen berücksichtigt und mit Hilfe einer Matrix-Faktorisierung können individuelle Produktempfehlungen für Kunden bestimmt werden. Diese Empfehlungen können Anna dann als Next Best Offer im wöchentlichen Newsletter angezeigt werden.

3. Analytics Use Case: Warenkorbabbruch Mailings

Analytics Use Case Warenkorbabbruch Mailings

Die Produktempfehlung führt dazu, dass Anna sich durch den Online-Shop klickt und ein blaues Shirt in ihren Warenkorb legt, das sie am Ende aber doch nicht kauft. Der verlorengeglaubte Umsatz dieser Customer Journey kann allerdings durch eine Warenkorbabbrecher Kampagne zurückgeholt werden.

Anna erhält per E-Mail eine Erinnerung an das blaue Shirt und geht daraufhin zurück zu ihrem Warenkorb, um den abgebrochenen Kaufprozess fortzusetzen. Was aber tun, wenn das Shirt mittlerweile ausverkauft ist?

4. Analytics Use Case: Image Based Recommendation

Analytics Use Case Customer Journey

Anna sollten im Online-Shop nun Empfehlungen ähnlich aussehender Produkte angezeigt werden, damit sie nicht frustriert ihren Kaufprozess abbricht.

Bei Image Based Recommendations geht es also um die Identifizierung ähnlicher Produkte, basierend auf dem originären Produktbild.

Hierfür können Convolutional Neural Networks verwendet werden. Diese Netzwerke sind eine Form des Deep Learnings, bei dem ein Algorithmus lernt, Bildmerkmale aus einem Foto zu extrahieren und das Bild daraufhin zu klassifizieren.

Um selbst ein gutes Convolutional Neural Network trainieren zu können, benötigt man sehr viele Bilder und der Prozess ist daher enorm aufwändig. Für den Use Case Image Based Recommendation kann man jedoch auf ein bereits trainiertes Netzwerk (wie z.B. das GoogLeNet) zurückgreifen. Man extrahiert mit Hilfe dieses Netzwerkes Informationen aus den Produktbildern, welche anschließend in numerischer (strukturierter) Form vorliegen. Anstelle einer Klassifikation werden diese Informationen nun dafür genutzt Bilder hinsichtlich ihrer optischen Ähnlichkeit miteinander zu vergleichen.

Image Based Recommendation

So bekommt Anna eine Reihe an Shirts empfohlen, die Ihrem ursprünglichen Wunschprodukt sehr ähnlich sind. Idealerweise findet Anna dadurch ein Produkt, dass ihr vielleicht noch besser gefällt und kann Ihren Einkauf im Online-Shop zufrieden zu Ende führen.

Die ideale Customer Journey

Eine erfolgreiche Customer Journey ist ein Prozess, der einen hohen Grad an Individualisierung erfordert und hierfür bietet sich der Einsatz analytischer Modelle an, die genau darauf spezialisiert sind. Die vorgestellten Analytics Use Cases sind nur eine Auswahl an Möglichkeiten in diesem speziellen Fall, denn mittlerweile sind noch mehr analytische Modelle möglich und anwendbar. Customer Analytics Modelle können ebenso gut auf andere Branchen erweitert und adaptiert werden, um jede Customer Journey so optimal wie möglich zu gestalten und eine tiefgehende Kundenbindung zu stärken.