Warum Predictive Analytics und CRM den Vertrieb verbessern

1. Predictive Analytics Definition
2. Was ist Predictive Analytics im Zusammenhang mit CRM?
3. Welche Vorteile bietet die Verwendung von Predictive Analytics mit einem CRM-System?
4. Wie kann Predictive Analytics mit einem CRM-System genutzt werden?
5. Welche Herausforderungen gibt es bei der Implementierung von Predictive Analytics mit CRM-Systemen?
6. Welche Branchen profitieren am meisten von der Verwendung von Predictive-Analytics-CRM?
7. Beispiele von Unternehmen, die Predictive Analytics erfolgreich mit ihrem CRM umgesetzt haben
8. Mit welchen Tools lässt sich Predictive Analytics CRM umsetzen?
9. Fazit
10. Zum Schluss noch ein paar Quick Wins:

Unser Gastautor Michael Munder erklärt dir, was Predictive Analytics im Zusammenhang mit CRM ist, wie du diese beiden Bereiche verbindest und für dich nutzbar machst, um so die Beziehungen zu deinen Kunden zu verstehen und zu vertiefen.

User haben in den letzten Jahren deutlich zunehmend erkannt, welchen Wert ihre Daten haben. Darum sollte es Unternehmen ebenfalls zum Umdenken bewegen, um weiter erfolgreich zu sein.

So hat der Einsatz von mathematisch getriebenen Predictive Analytics und eine daraus abgeleitete Strategie geholfen, um den FC Liverpool zurück an die Fußballspitze zu bringen.

Predictive Analytics Definition

Traditionell verlässt sich z. B. das Marketing auf eher deskriptive Statistiken, welche die Vergangenheit erklären, um daraus zu versuchen intuitives Verhalten abzuleiten. Wie, zum Beispiel: „Chips und Fußball schauen, funktionieren gut, also bewerben wir Chips.“ Wir sehen, dies hat erst mal nichts mit Daten zu tun, sondern kommt eher aus dem Bauch.

Aber was ist Predictive Analytics? Prädiktiv beantwortet uns die Frage: „Was könnte in der Zukunft passieren?“ Und Predictive Analytics nutzt genau dazu eine relevant großen Menge an Daten bis hin zu Big Data, um daraus Vorhersagen abzuleiten. Dazu gehört auch die Wahrscheinlichkeit eines bestimmten Ereignisses, die Prognose zukünftiger Trends oder Ergebnisse. Dies erlaubt in unserem Fall Unternehmen Ableitungen für zukünftige Markt- und Kund*innen-Bewegungen vorherzusehen und darauf zu reagieren.

Dabei werden vergangene Daten aus dem Handeln von Unternehmen, deren Ergebnisse und Daten aus dem Verhalten von Nutzer*innen analysiert und bewertet. So lassen sich Muster und Beziehungen zwischen den Gruppen der Nutzer*innen ableiten. Darauf aufbauend werden diese Daten mit Methoden aus der Statistik, mathematischen Modellen oder dem Machine-Learning bzw. der Künstlichen Intelligenz (im folgenden AI für engl. Artificial Intelligence) mit gegenwärtigen Informationen kombiniert und analysiert, um so Vorhersagen für zukünftiges Verhalten, Ereignisse und Trends sowie Ergebnisse aufzustellen. Dadurch können fundierte Entscheidungen und Maßnahmen oder Vorhersagen abgeleitet werden. 

Was ist Predictive Analytics im Zusammenhang mit CRM?

Predictive Analytics im Zusammenhang mit Customer Relationship Management (CRM), ermöglicht die Nutzung des CRMs auf ein deutlich stärkeres Level zu heben. Die CRM- und weiteren Daten lassen Vorhersagen über das Verhalten sowie die Präferenzen von Kund*innen und Muster in Kundendaten ableiten, die zur Verbesserung der Kundenbeziehungen genutzt werden können. 

Dabei werden Daten, wie Kaufhistorie, demografische Daten, Daten zu Interessen und Interaktionen genutzt und so User und Kund*innen segmentiert. Durch diese First-Party-Daten wird eine 360-Grad-Sicht auf die Kund*innen möglich. Wenn Predictive Analytics in ein CRM-System integriert werden, können so datengestützte Entscheidungen getroffen werden und aus den Segmenten das Verhalten und die Präferenzen der Kundensegmente konzentrierter zu prognostizieren und zu steuern.

Grafik 1: Clusterung von Kundensegmenten durch PA (stark vereinfacht) - Quelle: eigene Darstellung

In der Kombination Predictive-Analytics-CRM bestehen die Ziele darin, wert-basierte Kundenbeziehungen zu erarbeiten und die Abwanderung (Churn) zu minimieren. Dabei wird es in Zukunft essenziell sein, den Usern für ihre Daten deutliche Mehrwerte zu bieten, denn sie sind sich deren Werte zunehmend bewusst. Predictive Analytics erhöht die Intelligenz des CRMs und sind in der modernen CRM-Strategie nicht mehr wegzudenken, vorallem wenn CRM-Fehler vermieden werden sollen. Jedoch muss gewährleistet sein, dass die User motiviert werden, ihre Informationen zu teilen.

Welche Vorteile bietet die Verwendung von Predictive Analytics mit einem CRM-System?

Je nach Strategie und Ziele eines CRMs können durch den Einsatz von Predictive Analytics sehr schnell Vorteile erzielt werden, da dadurch das CRM auf ein neues, ganzheitliches Niveau gehoben wird. Es ermöglicht eine Verbindung zwischen Customer/Client Relation Management, Product Management und Brand Management, um daraus für Kund*innen relevante Interaktionen zu steuern. Dadurch hat es beispielsweise Netflix geschafft, in ihrer Bewerbung des Serien-Hits „Stranger Things“ unterschiedliche Gruppen von Usern mit ganz unterschiedlichem Content für das Streaming zu gewinnen.

⁠Grafik 2: Stranger Things Marketing Content, der mit Hilfe der Personalisierungs- und Predictive Algorithmen für unterschiedliche User*innen Gruppen eingesetzt wurde - Quelle: https://netflixtechblog.com/

Insgesamt ermöglicht die Integration von Predictive Analytics mit einem CRM-System den Unternehmen ein tieferes Verständnis des Kundenverhaltens und der Kundenpräferenzen. So entstehen eine Vielzahl CRM-Vorteile, wie die Verbesserung der Kundenbeziehungen, der Wiederkäufe und so eine Steigerung des Umsatzes, aber auch zur kurzfristigen Umsatzprognose.

Grafik 3: Predictive Marketing Applications - Quelle: Marketing 5.0 - Kotler, Kartajaya, Setiawan

Predictive Analytics kann durch Customer-Relationship-Management-Maßnahmen zur Optimierung der Ressourcenzuweisung, z. B. von Vertriebsmitarbeitern und Marketingbudgets, eingesetzt werden, indem die profitabelsten Kundensegmente identifiziert und entsprechend angesprochen werden. 

Top-Kund*innen und deren spezifischen Interessen- und Nutzungs-Attributen werden zielgerichtet genutzt, um so die Loyalität weiter auszubauen. Auch lassen sich abwanderungsgefährdete Kund*innen identifizieren, sodass das Unternehmen proaktiv Maßnahmen ergreifen kann, um sie zu halten. Umso wichtiger, bei weiter steigenden Customer-Acquisition-Costs. Können, bspw. User identifiziert werden, die in Regelmäßigkeit bei einem Getränkelieferdienst ihre wöchentliche Ration an Wasser bestellt haben, dann jedoch mehrere Wochen nicht, kann es dafür verschiedene Gründe haben (Sommer, Urlaub, Ferien, Krankheiten, Umzug). Über Reaktivierungsmaßnahmen, wie Gutscheine, können diese User ggf. wieder gewonnen werden oder zumindest neue Informationen, z.B. nach einem Umzug.

Dies trägt dazu bei, den Customer Lifetime Value zu steigern. CRM-Projekte können so schneller amortisiert werden bzw. in kürzerer Zeit stärkere Absätze und Erlöse generieren. Mitarbeiter*innen erhalten ein für das moderne Marketing und Kundenmanagement essenzielles Werkzeug, denn es führt zu einer verbesserten Kundenansprache durch das Nutzen von Mustern und die Prognosen der Kundeninteraktionen. So steigert sich das gesamte Kundenerlebnis (Customer Experience – CX) und die Kundenzufriedenheit. Eine Maßnahme daraus ist die Personalisierung von Content, Produkt-Angeboten und Preisen.

Wie kann Predictive Analytics mit einem CRM-System genutzt werden?

Die Nutzung von Predictive Analytics ist von der jeweiligen Situation und der Infrastruktur der Unternehmen abhängig. Für Start-ups oder Unternehmen, die noch über kein CRM-System verfügen, ist es empfehlenswert, beide Systeme gleichzeitig einzuführen. Aber auch bestehende CRM-Systeme können mit Predictive Analytics verbunden werden. So entstehen moderne Customer-Data-Plattformen (CDP). 

In der Praxis sollte im allerersten Schritt eine klare Analyse der Ist-Situation in Verbindung mit den Projekt- und CRM-Zielen, den Voraussetzungen (Technologie und Daten), Erwartungen und relevanten Parametern erfolgen. Für eine erfolgreiche Einführung und Nutzung von Predictive Analytics in Verbindung mit CRM, sollten dazu die folgenden Voraussetzungen erfüllt sein:

• Eine Datenschutz-konforme Erhebung und Verarbeitung von hohen Datenmengen in nahezu realtime
• Aufbau von notwendigen Daten- und Analyse-Layern sowie ggf. Algorithmen für maschinelles Lernen (ggf. sogar Nutzung neuronaler Netze und AI)
• Analyse der bisherigen Daten und Überführung von Kundendaten in hilfreiche Kunden-Segmente und Behavioral-Targeting zur Anwendung
• Ergänzung weiterer Tools zur Überführung der gewonnenen Muster und Erkenntnisse in Methoden, Maßnahmen und automatisierte Kampagnen
• Sicherstellung von belastbaren und hochperformanten Schnittstellen (APIs) zu anderen Teil-Systemen (E-Mail-Marketing, Personalisierung, Supply-Chain, Content-Planung u. a.)
• Anbindung des Kunden-Services

Bei der Einführung, aber auch bei dauerhaft erfolgreicher Arbeit mit Predictive-Analytics-CRM, stellen der Customer Lifetime Value (CLV) und der Customer-Lifecycle die zentralen Elemente dar und gleichzeitig eine der größten Herausforderungen. Der (Predictive) CLV ist der Barwert (Net Present Value) der Summe aller zukünftigen „Einnahmen“ eines*einer Kund*in, abzüglich aller mit diesem*dieser Kund*in verbundenen Kosten. 

Der Customer-Lifecycle stellt dabei die Bemühungen zum Aufbau der Beziehung zu dar. Kund*innen durch CRM und ein hohes Servicelevel werden durch den Customer-Lifecycle verdeutlicht. Predictive Analytics können dabei Flywheel Wirkungen erzeugen. Hierbei ist es wichtig zu beachten, ob es sich um den ersten oder einen wiederholten Cycle zwischen User/Kund*in und Unternehmen handelt. In frühen Phasen einer jungen Beziehung ist es wenig ratsam, personalisierte oder sogar hyperpersonalisierte Maßnahmen anzuwenden. Dies kann schnell abschreckend wirken. Höhere Erfolgswahrscheinlichkeiten zeigen dagegen Maßnahmen, die auf das Vertrauen (Trust) und die grundsätzliche CX einzahlen. 

Zur Vereinfachung werden hier grundsätzliche Beispiele gezeigt:

• Awareness – Marketingkampagnen für spezifische Kundensegmente basierend auf der Prognose von Verhalten und Interessen während der Attract-Phase
• Consideration – Relevante Informationen, Ratgeber, Personalisierung von Content & Empfehlungen, relevante/personalisierte Suchergebnisse, Reviews & Bewertungen, Rezensionen zur Überleitung in die Engage-Phase
• Purchase – Begleitung der Kaufprozesse in Abhängigkeit von den persönlich präferierten Zeitleisten und Kanälen der User, z. B. durch Steuerung von Pricing und Promotions, relevante Kommunikations-Kanäle, relevante Services – hier liegen die Ziele auf die Gewinnung der Beziehung
• Retention – für die Kundensegmente relevante Hilfe, Unterstützung, After-Sale-Services und -Beratung, zur Deckung der Bedürfnisse, Erhebung von spezifischen Feedbacks zur stetigen Optimierung – Gewinnung zur Delight Phase
• Advocacy – Enabling und Empowerment von Loyality-Maßnahmen, Reward-Systeme, Ermutigung zu Empfehlungen in ihren Communitys und Überführung in einen neuen Cycle durch Kundensegment-spezifische/personalisierte Maßnahmen

Grafik 4: Customer-Life-Cycle - Quelle: eigene Darstellung

Und noch ein Ausblick: Durch die aktuellen enormen Entwicklungen in Bezug auf AI, kann in Zukunft ein Dilemma gelöst werden. Denn nun wird es möglich, die aus Predictive Analytics große Zahl an erzeugten Kundensegmenten mit jeweils relevanten und spezifischen Content zu bespielen. 

Welche Herausforderungen gibt es bei der Implementierung von Predictive Analytics mit CRM-Systemen?

Die Herausforderungen auf dem Weg zu und als Predictive Analytics Unternehmen, liegen wie in allen daten- und technisch orientierten Projekten in drei wesentlichen Bereichen:

1. Daten – Verfügbarkeit & Infrastruktur

Predictive Analytics ist auf große Datenmengen, deren Qualität und Quantität angewiesen. Ungenau oder inkonsistente Daten können die Vorhersagen beeinträchtigen und zu fehlerhaften CLV führen. Die Qualität der vorhandenen CRM-Daten muss gewährleistet sein. Eine mehrfache Erfassung oder auch größere Lücken in der Erhebung der Daten müssen bereinigt und vermieden werden. 

In jedem Fall solltest du bei der Einführung von Predictive Analytics unbedingt darauf Wert legen, die Grundlagen im Tracking, und der Erhebung der Daten – unter Einhaltung des Datenschutzes – ganzheitlich und in der Tiefe aufzubauen. Wie bei jeglicher Arbeit mit personenbezogenen Daten sind bei der Erhebung und Verarbeitung unbedingt die Richtlinien und Gesetze zum Datenschutz und zur Datensicherheit zu beachten. Es muss sichergestellt werden, dass die Daten auf sichere Weise erfasst und gespeichert werden.

2. Technologie-Stack und -Entwicklung 

Die Integration von Predictive Analytics mit einem CRM-System kann komplex sein und technisches Fachwissen erfordern, was zu Schwierigkeiten bei der effektiven Zusammenarbeit der beiden, aber auch weiterer angeschlossener Systeme führen kann. Verfügt der Technologie-Stack über moderne Schnittstellen und ist die Kommunikation zwischen den Systemen sauber und eindeutig? Sind die Verbindungen belastbar? Sind die Speicher- und Verarbeitungskapazitäten ausreichend tief und groß? Bieten die Systeme benutzerfreundliche Anwendungen? Diese und weitere Fragen gilt es zu klären.

3. Personal – Zugang, Ausbildung, Fachwissen

Um saubere und erfolgreiche Arbeit mit Predictive Analytics und CRM zu gewährleisten, erfordert es ein gut ausgebildetes und motiviertes Personal (intern/extern) mit gutem Fachwissen aufzubauen sowie kontinuierlich weiterzubilden.

Da sich CRM-Systeme sowie Predictive Analytics und deren Projekte an den Schnittstellen der digitalen Transformation befinden, liegt eine große Herausforderung im Zusammenführen von Kulturen und im Begleiten von Veränderungen, von Prozessen und Arbeitsabläufen.

Hier bieten crossfunktionale-Teams aus Expert*innen und Spezialist*innen eine gute Basis.

Ergänzend sei zudem auf Herausforderungen auf Ebene von Entscheidungswegen sowie der Investitionsbereitschaft basierend auf einem grundlegenden Verständnis zur Zielsetzung und zu möglichen Erfolgen auf Seiten aller Stakeholder hingewiesen. 

Unternehmen, die bereits über ein CRM-System verfügen, stehen in der Regel vor größeren Herausforderungen, dieses mit Predictive Analytics aufzuwerten. Mit Blick auf die Umsetzungszeit, die Komplexität solcher Projekte und deren Ergebnisse, haben Unternehmen, die ohne Altsysteme und deren – oftmals – Lasten, einen klaren Vorteil.

Welche Branchen profitieren am meisten von der Verwendung von Predictive-Analytics-CRM?

Predictive-Analytics-CRM können und werden in nahezu allen Branchen und Sektoren eingesetzt, in denen Vorhersagen gemacht oder Muster in Daten erkannt werden müssen, um daraus CRM-Maßnahmen abzuleiten. So z. B.:

• Banken & Finanzen: potenziellen Betrug zu erkennen, Kreditrisiken vorhersagen und die finanzielle Leistung zu prognostizieren.
• Transportwesen: Optimierung von Logistik und Lieferkette, Vorhersage des Wartungsbedarfs und Verbesserung der Flottenleistung
• Gesundheitswesen: Patient*innen zu identifizieren, bei denen das Risiko besteht, dass sie bestimmte Krankheiten entwickeln, und um die Behandlung von Patient*innen zu optimieren. 

Im Predictive-Analytics-Vertrieb, ob B2B oder B2C, werden Prognosen und Maßnahmen zur Gewinnung und das Halten von Kund*innen zu erarbeiten, durch eine von Beginn an optimierte Arbeit an der Kundenbeziehung. Begleitend werden Predictive Analytics zur Vorhersage von Umsätzen und zur Optimierung des Lagerbestands eingesetzt.

• Möbel-Branche: Von relevanten und kundensegment-spezifischen Beratungen, zu Einrichtungsstilen, hochgradigen Services zu dazu passenden Einrichtungsgegenständen und Folge-Anschaffungen
• Mode-Branche: Überführung von erstes gewecktes Interesse aus Influencer-Marketing zu einer Community zu enger intensiven Kundenbeziehung

Die spezifischen Anwendungen von Predictive Analytics können je nach Branche variieren, aber die grundlegenden Prinzipien und Techniken sind weitgehend gleich.

Beispiele von Unternehmen, die Predictive Analytics erfolgreich mit ihrem CRM umgesetzt haben

Die erfolgreiche Nutzung von Predictive Analytics Unternehmens-CRM zeigt sich in vielen Unternehmen. Einige erfolgreiche Beispiele von Unternehmen ihre Kundenbindung mit Hilfe von Predictive-Analytics-CRM zu verbessern sind:

• Spotify personalisiert über die eigenen Algorithmen und Recommendations den Musik-, Podcast- und weiteren Content für die User. Darin liegt eines der wichtigen Geheimnisse, mit denen das Customer-Engagement und Satisfaction genutzt werden konnte, um ein Alleinstellungsmerkmal zu erreichen.
• Uber setzt Predictive Analytics ein, um seinen Ride-Hailing-Service zu optimieren, einschließlich der Vorhersage von Nachfrage und Fahrerverhalten, und um das allgemeine Kundenerlebnis zu verbessern.
• Die Lufthansa nutzt Predictive Analytics, um ihre Flugplanung basierend auf dem Verhalten, dem Interesse und der Nachfrage der Kund*innen zu optimieren. Auch werden Marketing und Kundenservice in ihrer Relevanz gesteigert und personalisiert.
• Douglas setzt Predictive Analytics in Kombination mit CRM und Kundenkarten-/Loyalitäts-Programm ein, um seine Marketing- und Kundenbindungsprogramme zu personalisieren und die Filialabläufe zu optimieren. Vor allem in der Überleitung zu Omnichannel-Kund*innen kann das Unternehmen den CLV verdoppeln. Dabei greift Douglas auf massive Daten zurück, die aus dem Verhalten von 44 Mio. Kartenbesitzer*innen entstehen.
• In der Möbel-Branche konnte porta.de durch eine Kombination von Predictive Analytics und eCRM die Kundenbindung innerhalb eines Jahres verdoppeln und so den Customer-Lifetime-Value deutlich erhöhen.

Mit welchen Tools lässt sich Predictive Analytics CRM umsetzen?

Zur Umsetzung von Predictive Analytics CRM-Lösungen bestehen aus technischer Sicht die wichtigsten Faktoren in der Datenerhebung, der Datenanalyse, der Segmentierung, der systemischen Bereitstellung der Vorhersagen und Empfehlungen und die Bearbeitung dieser durch das CRM sowie der Kanäle, die dieses bearbeitet.

Dazu ist, wie zuvor beschrieben, eine Bewertung der Voraussetzungen (technisch, monetär, u. a.), der Anforderungen (Funktionen, Investions- und Kostenvolumina) und der Ziele (wirtschaftlich, Benutzerfreundlichkeit, Anwendungsgebiete) sowie aller relevanten Rahmenbedingungen auf dem Weg zum Predictive-Analytics-CRM-Unternehmen entscheidend.

Die Tool-Landschaft kann über lose Systeme, integrierte Best-of-Breed Lösungen und ganzheitliche Marketing-Cloud-Anbieter bis zu kompletten Eigenentwicklungen gewählt werden. In den letzten Jahren haben sich zu dem Customer Data Plattformen (CDP) - inkl./exkl. Customer-Engagement-Plattformen (CEP) – entwickelt. Auch haben sich CRM-Systemanbieter stark weiterentwickelt und Predictive Analytics ergänzt. Best-of-Breed und Eigenentwicklungen haben den Vorteil, dass sie individuell auf die Bedürfnisse, die Kapazitäten und den jeweiligen Entwicklungsstand des Unternehmens angepasst werden und mit wachsen.

Es gibt eine Vielzahl von Tools, mit denen sich Predictive Analytics mit Customer-Relationship-Management (CRM)-Systemen kombinieren lassen. Hier Beispiele in ihrer Reihenfolge von eher Best-of-Bread zu ganzheitlichen Cloud-Anbietern:

• Snowflake – semistrukturierte Daten in Predictive Modeling.
• Tensorflow – Machine Learning aus Kundendaten.
• Alteryx Predictive und SAS – Datenanalyse-Plattform zur Arbeit mit Kundendaten, Prognosen und Integration mit CRM-Systemen.
• Microsoft Azure – Cloudbasierte-Plattform, Vielzahl von Tools für Datenanalyse, maschinelles Lernen und Integration mit CRM-Systemen.
• CrossEngage – Customer-Data-Plattform & Customer-Prediction-Plattform zur AI-gestützten Erstellung von Zielgruppen & Kundensegmenten und automatisierte Aktivierung.
• Segment – ganzheitlich Customer-Data-Plattform mit eingebauten Analytics und Segmentierungs- und Ausspielungsmöglichkeiten.
• Salesforce – inkl. Einstein für Predictive Analytics in Verbindung mit der Marketing-Cloud bildet eine One-Shop-Lösung.

Fazit

Für erfolgreiche, zielgerichtete, relevante Customer-Relationship-Management-Maßnahmen sind der Einsatz von Predictive Analytics essenziell. Du kannst damit die Intelligenz deines Unternehmens und deiner Arbeit mit Kund*innen deutlich erhöhen sowie das unternehmerische Risiko minimieren. Denn du verstehst deine Kund*innen von Beginn an besser, bist in der Lage, Prognosen zu treffen und deine Maßnahmen sowie Kapazitäten besser steuern. 

Dabei muss die Umsetzung von Predictive-Analytics-CRM nicht durch unendlich große, teure und langwierige Projekte vollzogen werden, sondern kann auch durch eine geschickte Kombination und Skalierbarkeit von Teilsystemen sukzessive und effizient wachsen.

Zum Schluss noch ein paar Quick Wins:

• Verstehe erste Zielgruppen und wende targetierte Marketing-Maßnahmen an, ohne dass diese sofort personalisiert sind, durch E-Mail- und Social-Media-Marketing. Damit erhöhst du die Engagement- und Conversion Rates relativ schnell und kostengünstig.
• Bilde im weiteren Kundensegmente auf der Grundlage ihres Verhaltens, ihrer Vorlieben und demografischer Informationen und verbessere so deine Zielgruppenansprache
• Nutze Abwanderungsvorhersagen, um Kunden zu identifizieren, bei denen die Gefahr besteht, dass sie dich verlassen. Versuche, diese mit personalisierten Kundenbindung-Kampagnen zu halten. 
• Versuche durch Empfehlungen, Reviews und Ratgeber-Content dein Up-Selling und Cross-Selling für spezifische Segmente mit Hilfe von Predictive Analytics zu verbessern.

Viel Spaß beim Aufbauen, Testen und Lernen.