Daten: der Schatz des Jahrhunderts und für viele Unternehmen über alle Brächen und Märkte hinweg noch immer ein ungehobener Schatz, besonders wenn es um die Möglichkeiten geht aus Daten Vorhersagen zu treffen.
Eine Branche mit viel Potential und neuen Herausforderungen
Der Peak im E-Commerce ist vorläufig erreicht – der Schub aus der Pandemie flacht ab und egal ob B2C oder B2B das Umfeld ist schwieriger und komplexer geworden. Für Unternehmen heißt es jetzt Hebel zu finden und ihre Verkaufsprozesse auf ein neues Niveau zu heben, um für Kunden weiterhin (oder überhaupt) eine Relevanz im Netz zu haben.
Dazu gehört die Grundlage, dass der Verkauf sich immer an dem Kaufentscheid des Kunden orientieren sollte- nicht andersherum. Dabei helfen weder verkaufspsychologische Tipps und Tricks noch irgendwelche Growth Hacking Aktionen, sondern sie sind vielmehr Schnee von gestern – der Hype der ersten Stunde.
Nun braucht es wirkliche Performance und die kommt aus dem Verstehen der Kunden!
Damit das gelingen kann müssen Unternehmen anfangen nicht nur die richtigen Daten zu erheben, sondern sie so zu nutzen, dass sie ihre Besucher und Kunden verstehen und ihr Verhalten vorhersehbar machen können. Daten sind wie eine Sprache, mit der wir mit unseren Kunden kommunizieren können. Wir sehen sein Verhalten in den Daten und können unser Verhalten so anpassen, dass wir dazu passen.
Data Mining und Data Science, to the help!
Der Ansatz hinter beiden Begriffen: die Daten sollen zu uns sprechen und uns neue Erkenntnisse über Besucher, Interesenten und Kunden geben.
Im Data Mining werden die Datenbestände mit computergestützten statistischen Methoden auf Muster und Trends analysiert und Zusammenhänge aufgezeigt.
Die Data Science als Überbegriff geht noch weiter von der Entwicklung von Vorhersagemodell (predictive modelling) zum Machine Learning und neuronalen Netzen oder der Verwendung von unstrukturierten Daten.
Zum Beispiel kann man anhand der Daten sehr deutlich sehen, wie ein Kauftrend zu bewerten ist, wer aus welchen Situationen heraus kauft oder den Kauf abbricht, wie der gesamte Entscheidungsfunnel des Kaufprozesses ist. Dabei braucht es nicht einmal personenbezogene Daten. Es werden sogar bewusst keine personenbezogen Daten eingesetzt, um unbekannte Aussagen und Zusammenhänge zu finden.
Data Mining und Data Science sind für Unternehmen von hoher Relevanz, um sich im Markt klar zu positionieren. Man kann damit unter anderem
- Kundenbedürfnisse erkennen und besser verstehen
- Genaue Vorhersagen für die Zukunft erstellen
- Zeitreihenprognosen erstellen
- Trends und Anomalien frühzeitig erkennen
- Texte und Bilder maschinell verarbeiten
- Entscheidungsprozesse stützen
- Hypothesen validieren
- Geschäftsprozesse optimieren
Wir können Data Mining und Data Science für Geschäftsmodelle, sowohl im B2B als auch im B2C, branchenübergreifend einsetzen, um deutlich besser auf Kundenbedürfnisse einzugehen.
Dabei können wir ganz gezielt einen Blick auf die Details im Kaufprozess werfen, um dort verstehen und optimieren zu können:
- Customer Lifetime Value Vorhersagen
- Cross- und Up-Selling Optimierung
- Warenkorbanalysen
- Absatz- und Bedarfsprognosen
- Preisoptimierung
- Recommender Systeme (Empfehlungssysteme)
- Kampagnenoptimierungen
- Kundensegmentierungen
Und noch vieles mehr. Der Kunde spricht und sagt uns was er möchte. Wir können antworten.
Wir haben uns darauf spezialisiert, dass Unternehmen verstehen, was ihre Kunden sagen und geben ihnen die Fähigkeit passend darauf zu antworten, so dass ein geschmeidiger Austausch und Prozess stattfindet und der Kunde von Irritiationen verschont bleibt.
Dafür hat sich das CRISP-DM (Cross Industry Standard Process for Data Mining) für uns absolut bewährt. Ein branchenübergreifendes Standardmodell.
Das Modell unterteilt sich in sieben Phasen und ist für Unternehmen klar nachvollziehbar:
Business Understanding:
In der Phase des Geschäftsverständnisses werden konkrete Ziele und Anforderungen für die Arbeit mit Daten festgelegt. Hier geht es darum, dass die Aufgabenstellung klar herausgestellt ist und die Vorgehensweise zumindest grob beschrieben ist.
Data Understanding:
Hier verschaffen wir uns einen Überblick über den Datenbestand und vor allem über die Datenqualität. Erste Herausforderungen der Datenerhebung in Bezug auf die Aufgabenstellung wird hier bereits erkannt und benannt. Gleichzeitig erstellen wir einen finalen Datensatz, den wir für die nächste Phase benötigen.
Data Preperation:
In dieser Phase werden die Datensätze so vorbereitet das sie sich für eine Modellierung eignen. Hier kommen bereits statistische und mathematische Methoden zum Einsatz, die auch für ein tieferes Datenverständnis sorgen. In der Vorbereitung werden auch Herausforderungen adressiert, die aus den Daten oder den verwendeten Modellen resultieren.
Modelling:
Hier werden für die Aufgabenstellung geeignete Methoden der Data Science auf den vorbereiteten Datensatz angewandt. Meist braucht es hier Optimierung und mehrere Modelle, die erstellt werden müssen.
Evaluation:
Nun muss ausgewertet werden, welches Modell sich am Besten eignet. Dazu gibt es einen Abgleich zwischen den Datenmodellen und der Aufgabenstellung.
Deployment:
In dieser Phase werden dem Unternehmen die Ergebnisse so aufbereitet zur Verfügung gestellt, dass diese für die Entscheidungsfindung gut nutzbar sind. Im besten Fall wird danach gehandelt.
Monitoring:
Werden anhand der Ergebnisse tatsächlich auch Maßnahmen eingeleitet, so müssen diese kontinuierlich beobachtet werden, um weiterhin optimieren zu können.
Data Science ist immer ein kontunierlier Prozess und das CRISP-DM als Grundlage hift dem auch über Jahre hinweg Rechnung zutragen.
Data Mining und Data Science dienen am Ende immer dazu bessere datengetriebene Entscheidungen im Unternehmen zu treffen.
Eine Unternehmenskultur die Daten getrieben (data driven) Entscheidungen umsetzt, kann leichter auf Veränderungen in Märkten reagieren und auch Anfragen und Kundenwünsche viel besser einschätzen.
Denn eine der größten Herausforderungen, dass nicht unbedingt das umgesetzt wird, was Kunden wollen, sondern so auf die Analysen zu vertrauen, dass man konsequent ausschließt und weglässt, was dem nicht entspricht.
So gehen viele Unternehmen lieber den Weg des all-in und on-size-fits-all, dabei liegt der wirkliche Erfolgshebel in dem spezialiserten Aufbau von Prozessen auf Basis dieser Ergebnisse.
Case: Stellt ein Unternehmen fest, dass Kunden ihre Produkte nach den Kriterien »schnell, einfach, verfügbar« kaufen, wenig Loyalität zum Unternehmen haben möchten und sich bei jedem Kaufentscheid neu in den Markt werfen und rein nutzengetrieben entscheiden, statt markenbindend zu kaufen, dann muss die Entscheidung getroffen werden, 80% der Aufwände in die Akquise zu legen. Hier das Budget gleichbleibend in Bindung, Brand Building oder Trust zu investieren ist nach aller Wahrscheinlichkeit her ein Null-ROI.
Beispiel hierfür wären Produkte, wie Büroklammern.
Verkaufspsychologische Empfehlungen unterliegen dem statistischen Denkfehler der Crux des Durchschnitts und führen zu den oben bereits genannten Irritationen:
Ist ein Kunde im Prozess des Vergleichens und Recherchierens, wie beispielsweise bei Produkten wie einer Waschmaschine, dann ist er in dieser Phase nur damit zu versorgen, was ihn dabei stützt. Zeitbasierte Angebote oder andere Behavioral Pattern die ihn zum Kauf schupsen sollen, führen eher zu einem Kaufabbruch. Was im Durchschnitt nicht auffällt, kann vereinzelt ein Genickbruch sein. Oder aber auch eine Benchmark im E-Commerce von 3% Conversion (add to cart) halten.
Diese gehypten Maßnahmen konsequent ausszuschließen hebt die Conversionrate auf ein neues Niveau. Data Science macht möglich, dass wir wissen, wie der Kunde sich innerhalb des Kaufprozesses entscheidet und verhält. Wir können ihn dabei auf seinem Weg passgenau begleiten.
Data Science hilft kundenpsychologisch zu agieren und statt mit Tips, Tricks und Hacks den Kunden zu ändern, gleich seine Sprache zu sprechen und ihn zu verstehen.