Lead oder kein Lead, das ist hier die Frage: So setzt du Customer-Experience-Analytics richtig ein

Es ist in aller Munde und die meisten wissen: Keine oder die falsche Customer-Experience-Analytics verhindert den Erfolg einer Brand. Dennoch schwirren um diesen Begriff oft Fragezeichen. Was genau ist CX-Analytics eigentlich und wie setzt du es zielgerichtet ein? Wie ist ein gutes CX-Analytics-Team aufgestellt und was sind die Tools und Buzzwords, die du kennen solltest? Dieser Artikel liefert dir die Antworten. 

Was ist CX Analytics?

Der Begriff Customer Experience ist im modernen digitalen Business nicht mehr wegzudenken. Allzu oft bleibt sie aber unter dem Radar oder wird nur stiefmütterlich behandelt. Wir leben in einer Welt, in der erstklassige Kundenerfahrungen das A und O sind. Kann das deine Marke nicht bieten, kann es eine andere – und weg sind deine Kund*innen. Der Schlüssel zum Erfolg liegt in der Analyse der Customer Experience. Wenn du weißt, was deine Nutzer*innen erleben wollen oder an welcher Stelle sie vielleicht noch nicht zurechtkommen, kannst du dein Angebot zielgerichtet und effektiv optimieren und so deine KPIs fokussierter verbessern. Egal, ob dein Ziel ein Kauf, eine Kontaktaufnahme oder eine Interaktion ist. Wenn du analysierst, wie deine User ticken, kannst du mit deinem Produkt so richtig durchstarten. 

Es war noch nie so einfach wie heute an Kundendaten zu gelangen. Customer-Experience-Analytics bezieht sich auf die Verwendung von Datenanalyse-Techniken, um die Interaktionen von Kund*innen mit einem Unternehmen zu messen, zu verstehen und zu verbessern. Dabei werden verschiedene Datenquellen wie direktes Feedback, Online-Bewertungen, Social-Media-Interaktionen und Transaktionsdaten herangezogen, um ein umfassendes Bild der Kundenerfahrungen zu zeichnen. 

Durch die Nutzung von Customer-Experience-Analytics kannst du auch Muster und Trends in der Kundenerfahrung identifizieren. Diese Erkenntnisse kannst du dann nutzen, um Probleme frühzeitig zu erkennen und Korrekturmaßnahmen zu ergreifen. Und das alles, bevor sie sich auf die Zufriedenheit der Kund*innen auswirken. 

Darüber hinaus kannst du durch Customer-Experience-Analytics auch personalisierte Kundenerfahrungen schaffen. Die Analyse von Kundendaten und -interaktionen macht es dir möglich, individuelle Kundenprofile zu erstellen und personalisierte Angebote und Dienstleistungen anzubieten. Ziel ist es, dein Angebot möglichst gut auf die Bedürfnisse und Vorlieben deiner Kund*innen zuzuschneiden. Doch die Krux liegt in der Auswertung deiner Erkenntnisse und in der zielführenden Umsetzung von Verbesserungen.

Daten, Daten, Daten – die Grundlage

Kund*innen können immer mehr Kanäle nutzen, um mit Unternehmen in Kontakt zu treten. Daher ist es von entscheidender Bedeutung, dass Unternehmen eine nahtlose Omnichannel-Kundenerfahrung bieten können. Eine erfolgreiche Omnichannel-Strategie erfordert jedoch eine genaue Analyse der Kundendaten über alle Kanäle hinweg. Und genau hier kommen Omnichannel-CX-Daten ins Spiel.

Omnichannel-CX-Daten beziehen sich auf die Daten, die bei der Analyse der Kundenerfahrung über alle Kanäle hinweg gesammelt werden. Dies umfasst alle Interaktionen der Kund*innen mit einem Unternehmen, unabhängig davon, ob diese Interaktionen online oder offline stattgefunden haben. Hier ein Beispiel für eine Omnichannel-Customer-Journey:

1. Touchpoint über soziale Medien, z.B. Instagram
2. Wird auf die Website geleitet
3. Lädt sich deine App herunter
4. Bestellt online ein Produkt
5. Ruft den Support per Telefon an
6. Besucht einen Store in der Nähe

Es ist wichtig, Omnichannel-CX-Daten zu sammeln und zu analysieren, da du nur so ein umfassendes Bild der Kundenerfahrung bekommst. Das kann in der oben beschriebenen Customer Journey, z.B. Instagram Analytics sein, die Analyse von Support-Anfragen und Retouren oder auch die Befragung von Mitarebitenden intern zu bestimmten Geschäftsprozessen. Durch die Analyse der Daten kannst du verstehen, wie Kund*innen auf verschiedenen Kanälen interagieren und welche Kanäle am häufigsten genutzt werden. Diese Erkenntnisse kannst du dann nutzen, um die Kundenerfahrung über alle Kanäle hinweg zu verbessern. 

Im Hinblick auf die Datenschutz-Diskussion und der Abfrage von Einwilligungen der Nutzer*innen (z.B. bei Apple Betriebssystemen) musst du besonderen Wert darauf legen, die eingewilligten Daten möglichst sauber und ganzheitlich zu erfassen, schlüssig und sinnvoll zu interpretieren und anschließend wieder in den Produktentwicklungszyklus einfließen zu lassen. Daher spielen die recht einfachen Daten aus den Campaign Analytics von Instagram eine genauso große Rolle wie die Session-Screen-Recordings von z.B. Hotjar, aus denen du minutiös jeden Klick der Nutzer*innen nachvollziehen kannst.

Bei CX-Analytics werden vor allem die Micro Conversions angeschaut und versucht, nachhaltig Nutzer*innen an den Service oder das Produkt zu binden. Micro Conversions können einzelne Prozess-Meilensteine sein, wie das Initiieren des Checkouts oder auch sekundäre Interaktionen, wie eine Review von Nutzer*innen, ein Blogbeitrag, der gelesen wird oder ein Produkt-Video, das angesehen wird. Diese Micro Conversions sind auf den ersten Blick keine Conversion im klassischen Sinne, sie beeinflussen aber indirekt die Entscheidungen eurer Nutzer*innen. Somit sind sie ein wichtiger Baustein der Customer Experience und zahlen ebenfalls auf Business-Ziele ein. 

Unternehmen, die primäre und sekundäre Omnichannel-CX-Daten nutzen und analysieren, haben also eine bessere Chance, die Kundenzufriedenheit zu steigern, die Kundenbindung zu fördern und letztendlich den Umsatz zu steigern.

Wie du deinen CX-Daten-Berg erklimmen kannst

Trotz der wachsenden Bedeutung von CX haben viele Unternehmen Schwierigkeiten, CX-Erkenntnisse in Handlungen umzusetzen. Hier sind einige Gründe, warum das der Fall sein könnte:

1. Mangelnde Verbindung von CX-Erkenntnissen und Geschäftszielen: Oftmals wird CX als separate Einheit betrachtet und nicht als integraler Bestandteil des Geschäftsziels. CX-Verantwortliche müssen sicherstellen, dass CX-Erkenntnisse in die Geschäftsstrategie integriert werden und die Geschäftsziele unterstützen. CX Analytics muss also eine höhere Bedeutung erlangen. 
   ⁠
2. Schwierigkeiten bei der Messung von CX: CX ist ein subjektives Konzept und kann schwer zu quantifizieren sein. Es kann immer nur eine quantitative Annäherung sein, niemals aber eine absolute Zahl. Unternehmen haben Schwierigkeiten CX-Erkenntnisse in greifbare Messwerte umzuwandeln, um den ROI der CX-Initiativen zu messen und den Erfolg zu verfolgen.
   ⁠
3. Silo-Denken: CX betrifft alle Bereiche des Unternehmens und erfordert die Zusammenarbeit zwischen verschiedenen Abteilungen, um eine nahtlose Kundenerfahrung zu schaffen. Silo-Denken innerhalb des Unternehmens kann dazu führen, dass Abteilungen schlecht miteinander kommunizieren oder kooperieren und dadurch CX-Erkenntnisse nicht in die Handlung umgesetzt werden können.
   ⁠
4. Mangelnde Ressourcen: Eine erfolgreiche CX-Initiative erfordert Zeit, Geld und Ressourcen. Wenn Unternehmen nicht über ausreichende Ressourcen verfügen, um CX-Erkenntnisse in Handlungen umzusetzen, können sie Schwierigkeiten haben, eine positive Kundenerfahrung zu schaffen. Hier kann künstliche Intelligenz der Gamechanger sein.
   
5. Fehlende Verantwortlichkeit: CX-Initiativen erfordern eine klare Verantwortlichkeit innerhalb des Unternehmens. Wenn keine klare Verantwortlichkeit für CX vorhanden ist, können CX-Erkenntnisse zwischen verschiedenen Abteilungen verloren gehen oder nicht in Handlungen umgesetzt werden.

Zusammenfassend gibt es also viele Gründe, warum Unternehmen Schwierigkeiten haben, CX-Erkenntnisse in Handlungen umzusetzen. Unternehmen müssen vor allem sicherstellen, dass CX als integraler Bestandteil des Geschäftsziels betrachtet wird, CX-Erkenntnisse in greifbare Messwerte umgewandelt werden, eine Zusammenarbeit zwischen verschiedenen Abteilungen gefördert wird und ausreichende Ressourcen für CX-Initiativen bereitgestellt werden. Nur dann können Unternehmen eine positive Kundenerfahrung schaffen und den Erfolg ihres Geschäfts sicherstellen.

CX-Analytics in der Praxis 

Du hast dich sicher schon gefragt: Welche Daten sind relevant für meine Ziele?

Das kommt natürlich immer darauf an, was du anbietest und wie Kund*innen mit dir interagieren können. Wir haben das am Beispiel eines Kaufs in einem Onlineshop für dich skizziert und den Kauf dabei in drei Phasen aufgeteilt: 

1. Awareness-Phase

Die Awareness-Phase ist die erste Phase des Kaufprozesses. In dieser Phase wird deine Kundschaft auf das Produkt oder die Dienstleistung aufmerksam gemacht. In der Praxis kann dies durch gezielte Werbekampagnen, Suchmaschinenoptimierung oder Social-Media-Aktivitäten erfolgen. CX-Analytics kann in dieser Phase verwendet werden, um zu analysieren, welche Kanäle am effektivsten sind und daraufin potenzielle Kund*innen anzuziehen.

2. Consideration-Phase

In der Consideration-Phase evaluiert deine Kundschaft verschiedene Produkte oder Dienstleistungen und vergleicht diese miteinander. In einem Onlineshop kann dies durch die Betrachtung von Produktbeschreibungen, Kundenbewertungen und Preisvergleichen erfolgen. CX-Analytics kann in dieser Phase verwendet werden, um das Verhalten der Kund*innen zu analysieren und zu verstehen. So kann herausgefunden werden, welche Produkte oder Dienstleistungen am häufigsten betrachtet werden und welche Informationen für die Entscheidungsfindung am wichtigsten sind.

3. Purchase-Phase

Die Purchase-Phase ist die letzte Phase des Kaufprozesses. In dieser Phase tätigt eure Kundschaft den Kauf. CX-Analytics kann in dieser Phase verwendet werden, um das Kaufverhalten der Kund*innen zu analysieren. Beispielsweise kann analysiert werden, welche Zahlungsmethoden am häufigsten verwendet werden, wie lange der Kaufprozess dauert oder welche Abbruchquoten es gibt. Diese Informationen können verwendet werden, um den Kaufprozess zu optimieren.

Nach dem Kauf folgt die Bestellung (Fullfillment). Es werden eventuell Rückfragen zum Angebot (Customer Support) gestellt. Nutzer*innen zur Seite zu stehen und einen guten Service anzubieten ist ebenfalls ein wichtiger Bestandteil der Customer Experience. Hier stellt sich dann die entscheidende Frage: Kommen deine Kund*innen zurück und kaufen noch einmal bei dir oder werden sie dich sogar weiterempfehlen? Das alles hat mit dem Erlebnis zu tun, das die Kund*innen von Anfang bis Ende gehabt haben. Nur wenn der Prozess reibungslos läuft, hat man als Unternehmen oder Brand die Chance auf eine authentische Weiterempfehlung und wiederkehrende Kundschaft.

Wie kurz im praktischen Beispiel beschrieben, kannst du Daten, rund um die Customer Experience, bei sämtlichen Touchpoints entlang deines Funnels, sammeln und auswerten. 

CX deckt die gesamte Wertschöpfungskette von Attention (Marketing) über Dialog (Support) bis hin zur Reconsideration (Kundenbindung und Re-Aktivierung) ab. Dazu gehören klassische Vertriebskanäle, das Kauferlebnis auf der Website oder in der App. Der Kundensupport und das physische Erlebnis des Produkts, das Unboxing, das Produkt selbst und alle damit einhergehenden Interaktionen in physischer und digitaler Form. Nicht nur der Bereich E-Commerce, sondern vor allem digitale Produkte und Services verlangen eine sorgfältige Betrachtung und kontinuierliche Weiterentwicklung sowie Verbesserung der Customer Experience. 

Abbildung: Sample Customer Journey Map (Quelle: muse case GmbH / iStockphoto)

Die CX ist also übergreifend angesiedelt und betrifft somit auch mehrere Abteilungen und Teams innerhalb eines Unternehmens. Um ein gutes CX-Analytics-Team aufzustellen, musst du also ganzheitlich denken.

Das CX-Analytics Dreamteam

Es gibt verschiedene Fähigkeiten und Eigenschaften, die dein CX-Analytics Dreamteam benötigt, um erfolgreich zu sein.

Zunächst benötigst du jemanden mit Expertenwissen, der oder die in der Lage ist, große Mengen von Daten zu sammeln, zu analysieren und zu interpretieren. Dies erfordert ein breites Verständnis von Datenanalyse-Tools und -Technologien sowie Kenntnisse in Datenmanagement und -modellierung. Darüber hinaus benötigen alle Teammitglieder fundierte Kenntnisse über die Branche und ein tiefes Verständnis für die Bedürfnisse und Erwartungen der Kundschaft. Künstliche Intelligenz (KI) ist besonders gut für die Auswertung von CX-Analytics-Daten geeignet. Vor allem in Kombination mit fähigen Reallife-Analytikern. 

Die KI kann dann folgendes übernehmen:

• Verarbeitung großer Datenmengen: KI-Systeme sind in der Lage, große Mengen an Daten schnell und effizient zu verarbeiten. CX Analytics erfordert oft die Analyse von riesigen Datensätzen, die aus verschiedenen Quellen wie Webseiten, mobilen Apps, Social Media und Kundenfeedback stammen. KI kann dies in einer Geschwindigkeit und einem Maßstab bewältigen, die für Menschen nicht möglich sind.
• Erkennung von Mustern und Trends: KI, insbesondere Maschinelles Lernen, ist effektiv in der Erkennung von Mustern und Trends in Daten. Das bedeutet, dass KI-Systeme in der Lage sind, subtile Veränderungen im Kundenverhalten oder in den Präferenzen zu erkennen, die für das menschliche Auge möglicherweise nicht offensichtlich sind.
• Prädiktive Analyse: KI kann dazu verwendet werden, Vorhersagen über zukünftiges Kundenverhalten zu treffen. Durch das Lernen aus historischen Daten kann KI mögliche Szenarien simulieren und Unternehmen dabei helfen, proaktiv zu handeln und ihre Strategien entsprechend anzupassen.
• Sentiment-Analyse: KI ist in der Lage, die Stimmung hinter Texten zu analysieren, was besonders wertvoll ist, wenn es um Kundenfeedback und Meinungen in sozialen Medien geht. Durch die Identifizierung, ob Kund*innen glücklich, unzufrieden oder neutral gestimmt sind, können Unternehmen gezielte Maßnahmen ergreifen, um die Kundenzufriedenheit zu verbessern.
• Personalisierung: KI ermöglicht es, personalisierte Kundenerlebnisse zu erstellen, indem sie die Präferenzen und das Verhalten jedes Einzelnen erfasst. Dies kann von personalisierten Empfehlungen bis hin zu maßgeschneiderten Marketingkampagnen reichen.
• Automatisierung von Routineaufgaben: KI kann Routineaufgaben, wie das Sammeln und Sortieren von Daten, automatisieren. Dadurch haben die Analyst*innen mehr Zeit, sich auf komplexere und wertvollere Aspekte der Datenanalyse zu konzentrieren.
• Kosteneffizienz: Obwohl die Implementierung von KI zunächst Investitionen erfordert, kann sie langfristig zu Kosteneinsparungen führen, indem sie Prozesse effizienter macht und die Notwendigkeit manueller Eingriffe reduziert.
• Echtzeit-Analyse: KI-Systeme können Daten in Echtzeit analysieren, was es Unternehmen ermöglicht, sofort auf Kundenbedürfnisse und -anfragen zu reagieren und somit die Kundenerfahrung zu verbessern.

Ein weiterer wichtiger Faktor für ein gutes CX-Analytics-Team ist die Zusammenarbeit von Expertise und Technik. Das Team sollte aus Expert*innen verschiedener Bereiche wie Datenanalyse, UX-Design und Marketing bestehen und in der Lage sein, zusammenzuarbeiten, um ein umfassendes Verständnis der Kundenerfahrung zu entwickeln. Ein offener und kollaborativer Ansatz ermöglicht es dem Team, wertvolle Erkenntnisse zu gewinnen und Strategien zu entwickeln, um die CX zu verbessern.

Neben technischem Know-how und Zusammenarbeit ist auch die Fähigkeit, Daten in Geschäftsentscheidungen umzuwandeln, ein entscheidender Faktor. Die Teammitglieder sollten in der Lage sein, ihre Analyseergebnisse in klare und prägnante Berichte und Präsentationen (CX-Reports) zu übersetzen, die den Entscheidungsträgern helfen, fundierte Entscheidungen zu treffen.

Die CX muss zentraler Bestandteil der Business-Analytics werden und für dein Management und deine Stakeholder eine zentrale Kennzahl sein: für die Vitalität der Produkte. CX ist kein Buzzword, sondern eine Methode. Ein Framework. Spricht man neben klaren Fähigkeiten von Positionen, die in einem Unternehmen zusammenkommen sollten, dann könnte man ein CY-Analytics-Team so zusammensetzen: 

• Deine Produkte müssen als erstes die Bedürfnisse der Nutzer*innen möglichst einfach und niederschwellig befriedigen. Low-hanging-fruit würde man vermuten — in der Praxis aber leichter gesagt als getan. 
• Das UX-Team (User Experience) muss das analytische Ohr stets bei den Nutzer*innen haben und daraus kontinuierlich Hypothesen ableiten, wie das Bedienkonzept und das User Interface (UI) des Onlineshops, des physischen Produkts selbst oder einer Website verbessert werden kann. 
• Dazu gehören nicht nur die optimale Platzierung von “Kaufen”-Buttons und das Anbieten von möglichst bequemen Zahlungsmethoden. Auch der geschriebene Text (UX-Writing) und dessen Tonalität, die Bildsprache und die Geschwindigkeit des digitalen Produkts sind Baustellen für das CX-Analytics-Team. 

Wer glaubt, dass z.B. Onlineshops alle gleich aufgebaut sein sollten und es dort keinen Raum für Innovation oder Verbesserung der CX gibt, demjenigen empfehle ich einen Blick in das Research Repository. Hier werden groß angelegte Studien zum Thema CX bei E-Commerce-Plattformen gesammelt und bewertet. CX-Analytics ist das Sprachrohr der Nutzer*innen und Kund*innen und der Blick auf deren Verhalten. 

Deine Werkzeuge für ein ganzheitliches CX-Analytics

CX-Analytics-Tools sind spezialisierte Softwarelösungen, die Unternehmen dabei unterstützen, die Interaktionen und das Erleben ihrer Kundschaft mit ihren Produkten oder Dienstleistungen zu analysieren und zu bewerten. Diese Tools sammeln und verarbeiten Kundendaten aus verschiedenen Quellen wie Webseiten, mobilen Anwendungen, Social Media und Kundenfeedback. Ziel ist es, Erkenntnisse zu gewinnen, die zur Optimierung der Kundenerfahrung und zur Steigerung der Kundenzufriedenheit und -bindung beitragen können.

Auswahl von CX Analytics Tools:

• Sprinklr: Eine Customer-Experience-Management-Plattform, mit der sich über 21 Social-Media-Kanäle steuern, Markenerlebnisse mittels direkter und personalisierter Kundenkommunikation schaffen und analysieren lassen.
• HubSpot Marketing Hub: Eine Software für die Marketingautomatisierung, mit der umfassende, skalierbare, erlebnisoreintierte Inbound-Marketingkampagnen entwickelt werden können. Die integrierten Analyse-Tools ermöglichen eine Datenerhebung, die dabei hilft, fundierte und strategische Entscheidungen zu treffen.
• Contentsquare: Eine Experience-Analytics-Plattform, die Mikro-Interaktionen von Seitenbesuchern, vom ersten Betreten bis zum Verlassen der Website trackt und diese in Metriken und Grafiken verarbeitet. So werden dem Seitenbetreiber aussagekräftige Insights über die Verhaltensweisen der User gegeben und die Möglichkeit geschaffen, die Customer Experience zu verbessern.
• Optimizely Campaign: Optimizely Campaign ist eine professionelle Omnichannel-Marketing-Software, mit der Nutzer*innen Kampagnen-Mailings erstellen, versenden und auswerten können. Optimizely Campaign lässt sich nahtlos in die gängigen Webanalyse-, E-Commerce- und CRM-Systeme integrieren.
• Google Analytics: Ein weit verbreitetes Tool zur Webanalyse, das Daten über Website-Besuche und Nutzerverhalten sammelt.
• Adobe Experience Manager: Eine umfassende Suite von Lösungen, einschließlich Analytics, Targeting und Kampagnenmanagement, die darauf abzielt, personalisierte Kundenerlebnisse zu schaffen.
• Qualtrics CustomerXM: Ein Tool, das Kundenfeedback in Echtzeit erfasst und analysiert, um tiefere Einblicke in die Kundenzufriedenheit zu erhalten.
• Hotjar: Ein Tool zur visuellen Analyse, das Heatmaps, Besucheraufzeichnungen und Conversion-Trichter anbietet, um das Verhalten von Website-Besuchern zu verstehen.
• Medallia: Eine Plattform für das Erlebnismanagement. Hier wird Feedback von Kund*innen gesammelt und analysiert, um Geschäftsentscheidungen zu verbessern.

Die eierlegende Wollmilchsau zur Verbesserung der CX gibt es nicht. Du benötigst viel mehr ein sorgfältig aufgesetztes und auf deine Bedürfnisse abgestimmtes Set von Analytics- und Customer-Feedback-Tools. Wie findest du jetzt heraus, welche Tools du genau brauchst? Dazu kann es hilfreich sein, sich den gesamten Funnel deiner Nutzer*innen anzuschauen. Denn der Funnel zeigt bestenfalls jeden relevanten Touchpoint der Nutzer*innen mit deinem Produkt oder deiner Plattform. Jeder dieser Touchpoints sollte valide Daten generieren, aus denen Learnings resultieren, die anschließend in deinen Produktentwicklungszyklus einfließen. Makro-Nutzertracking, wie Google Analytics, bildet den Anfang. Hier lassen sich die generellen Akquisitionen, also die Ströme von verschiedenen Medien/Quellen auf dein Produkt erfassen. Du kannst also die Customer Experience in ihrer Entstehung beobachten.

Hotjar und ähnliche Monitoring Tools geben dir die Möglichkeit, hautnah bei der Nutzung deines digitalen Produkts durch die Nutzer*innen dabei zu sein. Das ist besonders hilfreich, um Inkonsistenzen und Schwächen im User Interface (UI) oder Probleme in der technischen Umsetzung zu erkennen und schnell auszubügeln. Qualitative Daten, wie Session Recordings sind relativ zeitintensiv auszuwerten. 

Wie lässt sich der Wert eines Artikels oder eines Videos auf deiner Website in Bezug auf die Conversion deines Produkts bestimmen? Dabei hilft z.B. das französische Tool Contentsquare. Es berechnet auf Grundlage von Nutzerdaten, wie gut einzelne Elemente auf deiner Website performen und hinterlegt dafür einen monetären Wert. Somit lässt sich nach einiger Zeit ein Wert in Euro für verschiedene Banner oder Inhalte errechnen. Super powerful, vor allem für Entscheidungen über Bildinhalte, die leider immer noch sehr stark von persönlichen Geschmäckern beeinträchtigt werden. 

Eine Sammlung mächtiger Customer Journey Analytics Tools findest du auch auf OMR Reviews.

Bei der Analyse können Customer-Experience-Analytics-Plattformen wie Salesforce CRM valide Daten liefern. Customer-Analytics-Plattformen kommen oft mit eingebauten User-Profile-Generatoren, wie beispielsweise der Adobe-Experience-Manager. Diese Art von Tools helfen dir, anonymisierte Profile deiner Nutzer*innen zu erstellen und daraus Learnings zu generieren. Auch wenn du, aufgrund der GDPR-Regulierung, keine Datenbanken mit Namen und E-Mails daraus generieren darfst, kannst du zum Beispiel Erkenntnisse daraus gewinnen, warum Nutzer*innen deinen Shopping Cart verwaisen lassen (Abandoned-Shopping-Cart). Digital-Customer-Experience-Analytics-Tools wie Delve.ai generieren automatisiert und live Personas aus deinen Nutzerdaten. Die widerum zeigen, ob du mit deiner Strategie auf dem richtigen Weg bist und ob deine bereits erstellten Personas — meist vom Management angelegte oder stark beeinflusste Personas, die auf persönlichen Annahmen und Wünschen basieren— den wahren Nutzer*innen entsprechen. 

CX-Analytics und Chat GPT — die perfekte Symbiose

Der Einfluss von Künstlicher Intelligenz auf Customer-Experience-Analytics haben wir weiter oben schon besprochen. Aber wie kann der Open AI Chatbot Chat GPT genutzt werden, um bei CX Analytics zu unterstützen?

ChatGPT, wie andere groß angelegte Sprachmodelle, kann eine entscheidende Rolle bei der Verbesserung von CX Analytics-Tools spielen. Hier sind einige spezifische Wege, wie du ChatGPT nutzen kannst:

• Kundenservice-Optimierung: ChatGPT kann in Chatbots integriert werden, um eine natürlichere und menschenähnliche Interaktion mit Kund*innen zu ermöglichen. Durch die Verarbeitung von natürlicher Sprache kann ChatGPT komplexe Anfragen verstehen und darauf reagieren, wodurch die Kundenzufriedenheit erhöht und wertvolle Erkenntnisse für die Analyse gewonnen werden können.
• Feedback-Analyse: ChatGPT kann für die Verarbeitung und Analyse von offenem Kundenfeedback eingesetzt werden. Es kann große Mengen an Text durchsuchen und relevante Informationen extrahieren, um Trends, Stimmungen und wichtige Themen zu identifizieren, die in der Kundenkommunikation auftreten. Stichwort Predictive-Customer-Experience-Analytics.
• Automatisierte Zusammenfassungen: CX-Analysten müssen sich oft durch enorme Mengen an Daten kämpfen. ChatGPT kann automatisierte Zusammenfassungen von Kundengesprächen, Umfragen und Feedback erstellen, sodass Analyst*innen schnell auf die wichtigsten Erkenntnisse zugreifen können.
• Fehlererkennung und Lösungsvorschläge: ChatGPT kann als intelligentes Support-Tool verwendet werden, um häufig auftretende Probleme zu identifizieren und Lösungsvorschläge zu generieren. Dies kann dazu beitragen, wiederkehrende Probleme in der Kundenerfahrung zu beheben und die Zufriedenheit zu erhöhen.
• Training und Unterstützung für Mitarbeiter*innen des Kundenservice: ChatGPT kann als virtueller Trainer und Assistent für Mitarbeitende des Kundenservice dienen, indem es ihnen hilft, Kundendaten und -verhalten besser zu verstehen und effektive Kommunikationsstrategien zu entwickeln.
• Vorhersage-Analyse: Obwohl ChatGPT hauptsächlich ein Sprachmodell ist, kann es in Kombination mit anderen KI-Technologien verwendet werden, um Vorhersagen über Kundenverhalten zu treffen. Zum Beispiel kann es dazu beitragen, Szenarien zu erstellen, die zeigen, wie Kund*innen wahrscheinlich auf bestimmte Produkte oder Dienstleistungen reagieren werden.

Insgesamt kann die Integration von ChatGPT in CX-Analytics-Tools dazu beitragen, tiefergehende Erkenntnisse zu gewinnen, die Kundenzufriedenheit zu erhöhen und eine effizientere und effektivere Kundenbetreuung zu ermöglichen. Dabei ist es wichtig, ethische Überlegungen zu berücksichtigen und sicherzustellen, dass die Privatsphäre der Kund*innen gewahrt bleibt.

Der Guide zur Umwandlung von Daten in konkrete Verbesserungen

Jetzt hast du Basiswissen und kannst CX-Analytics besser verstehen. Wenn man die Materie durchschaut hat, merkt man schnell, dass das Analytics-Team der Grundstock für ein optimales Ergebnis ist.

Wie bereits oben erwähnt, formen Unternehmen ihre Teams meist traditionell nach Ressorts und damit von Haus aus in Silos. Hier entstehen Informationsverluste oder es können wichtige Erkenntnisse aus dem Feedback der Kund*innen verloren gehen. Denn Erkenntnisse, die beispielsweise durch den Dialog mit den Nutzer*innen im Telefonsupport, durch detaillierte Nutzerbefragung direkt auf der Website oder in dedizierten Nutzertests gewonnen werden, müssen ihren weiten Weg auf den Schreibtisch der UX-Designer finden. 

Mehr noch: Die Stakeholder und vor allem Geldgeber*innen müssen verstehen, dass nur so, und nicht durch Annahmen und Geschmack der Entscheider*innen, die Customer Experience nachhaltig verbessert werden kann. 

Ein Beispiel aus dem E-Commerce

Einem Onlineshop werden im Customer Support häufig Falschlieferungen oder Lieferverzögerungen durch fehlerhafte Adressangaben gemeldet.

Dies kann durch ein mangelhaft gestaltetes/implementiertes Adress-Formular (oder auch durch technische Fehler darin) ausgelöst werden. Der Customer Support bildet den Startpunkt der CX-Optimierung, gefolgt von den Data-Analytics-Spezialisten, die durch die Nutzerdaten aus Google Analytics, Hotjar oder Fullstory Daten gewinnen. Diese umreißen das Problem genauer und gemeinsam mit den UX-Designern können die Kernprobleme herausgearbeitet werden. Anschließend macht sich die UX-Unit auf, um Hypothesen zur Verbesserung der Customer Journey aufzustellen und konkrete Konzepte zu erarbeiten.

Auf dem Weg vom Erkennen eines Problems in der CX, bis zur Optimierung, stellen sich den Produkt-Teams kommunikative Hindernisse in den Weg. Denn nicht jeder Stakeholder oder jede Führungskraft kann die oft recht komplizierten Daten-Fluten interpretieren. Interpretationsspielräume auf dem Weg zu validen Daten erschweren die Erkenntnisgewinne zusätzlich. 

Das Ziel eines CX-Analytics-Teams sollte jedoch nicht darin bestehen, eine Sammlung an Nutzerdaten anzulegen und in einer Galerie, z.B. Tableau, zur Schau zu stellen, damit die Führungskräfte einen Haken bei “Analytics” setzen können. Das Ziel muss sein, reelle Werte aus den gewonnenen Daten zu generieren. Nur durch eine saubere Aufgabenteilung werden Daten dazu führen, dass das Team in der Lage ist, die Customer Experience stetig zu verbessern. CX bildet eine Klammer zwischen Analyse und Gestaltung (UX-Design). Der iterative Design-Prozess ist damit, was Input & Outcome angeht, rund. 

Predictive-Customer-Experience-Analytics: in den Rückspiegel schauen, um die Zukunft vorherzusagen

Wenn dein CX-Analytics-Team gut aufgestellt ist und du wahrnehmbare Verbesserungen an dein CX vornimmst,kannst du nun auch Predictive-Customer-Experience-Analytics (PCEA) anwenden. PCEA ist ein Analyseprozess deiner Daten, um Vorhersagen darüber zu treffen, wie sich deine Kund*innen in Zukunft verhalten werden. PCEA kombiniert Customer Experience (CX) und Predictive Analytics (PA), um eine fundierte Entscheidungsfindung in Bezug auf die zukünftige Interaktion mit Kund*innen zu ermöglichen.

PCEA nutzt, ebenso wie CX-Analytics,  Kundenfeedbacks, Interaktionsdaten und Verhaltensmuster. Nur geht es bei PCEA darum, dass du voraussagen kannst, wie deine Kund*innen in Zukunft reagieren werden. So kannst du Probleme in der Kundenerfahrung identifizieren und beheben, bevor sie auftreten. Hier kanst du beispielsweise die Gainsight-Plattform nutzen. Diese bietet Module für Produktakzeptanz, Feedback, Kundenbindung und Lifetime-Revenue-Management oder, wie oben beschrieben, kann hier auch Chat GPT ein unterstützendes Tool darstellen. PCEA kann also als Weiterführung von CX-Analytics gesehen werden. Denn so nutzt du deine gewonnenen Daten nicht nur, um ad hoc Verbesserungen vorzunehmen und zu reagieren. Du kannst deine Daten auch als Glaskugel nutzen und so agieren, bevor Probleme entstehen.