Von Big Data zur interaktiven Customer Journey

Big Data ist für viele Unternehmen nach wie vor ein Buch mit sieben Siegeln. Oft fehlt es an Know-How, personellen Ressourcen oder Zeit. Dinge, in die es zu investieren lohnt: Denn Big Data Analytics hilft eigene Geschäftsprozesse sowie Kunden besser zu verstehen und die Kundenansprache zu optimieren, um sie so, nachhaltig an sich zu binden. Wer denkt, dass sich dies nur für große Handelsketten und E-Commerce-Riesen rentiert, irrt.
Big Data wird in Deutschland immer wichtiger. Da schauen selbst die Amerikaner und Briten genauer hin (© Fotolia 2015)

Von Gastautorin Emma Page, Regional Director DACH von Pyramid Analytics

Für den online und stationären Handel lohnt sich der Einsatz von Big Data Analytics für die Bereiche Marketing, Vertrieb und Kundenbetreuung. Denn genau dort haben die Kunden auch die meisten Berührungspunkte mit dem Händler. Jeder Kunde passiert mehrere Touchpoints, bevor er am Ende der sogenannten Customer Journey einen Kauf tätigt. Um seine Kunden und deren Erwartungen zu verstehen, sollte man genau an diesen Touchpoints ansetzen. Die Analyse des Kundenverhaltens hilft dabei, die Touchpoints und damit die Customer Journey entlang der Wünsche des Kunden zu gestalten. Ob höhere Conversion-Rate im Webshop, Erhöhung der Anzahl von Artikeln pro Verkaufsbon bzw. im Warenkorb oder die Stärkung der Kundenbindung on- sowie offline – Big Data Analytics entlang der Customer Journey bietet viel Potenzial.

In vier Schritten mit Big Data zur interaktiven Customer Journey

Um dieses Potenzial auszuschöpfen und die Customer Journey möglichst nah an den Bedürfnissen von Neu- und Bestandskunden auszurichten, ist Datenanalyse das A und O. Mit dem reinen Entscheid nun Big Data Analytics zu betreiben, ist es allerdings nicht getan. Um seine Kunden wirklich zu verstehen und die Datenanalyse gewinnbringend einzusetzen, gilt es einige Grundsätze zu beachten. Die folgenden vier Schritte erklären, worauf es ankommt.

1. Big Data Strategie aufsetzen

Eine Big Data Strategie ist maßgeblich, um brauchbare Ergebnisse zu erzielen. Um es schon mal vorwegzunehmen: Ein Patentrezept für Big Data Strategien gibt es nicht. Auch ein konkreter Nutzen ist nicht allgemeingültig zu benennen. Wichtig ist jedoch, dass jede Strategie auf einer eingehenden Analyse des Status Quo fußt, bei der folgende Fragen geklärt werden: Was wollen wir mit Big Data Analytics erreichen? Welche Probleme liegen vor? Wo gibt es Verbesserungspotenzial? Welche Daten werden bereits erhoben? Welche nicht? Wie lassen sich diese zusammenführen? Was braucht es, um das eigene Ziel zu erreichen? Viele Retailer wollen die Beziehung zu ihren Kunden nachhaltig verbessern, wissen jedoch nicht wo sie ansetzen müssen. Hilfreich ist es daher bereits zu Beginn, einen Berater oder Data Analyst hinzuzuziehen, der die richtigen Fragen stellt und die organisatorischen Voraussetzungen prüft. Denn genau auf die kommt es am Ende bei der Entwicklung einer erfolgreichen Strategie an.

2. Datengrundlage schaffen

Neben der Strategie gehört auch die Schaffung einer fundierten Datenbasis zur Grundlagenarbeit. Bei Big Data handelt es sich immer um einen multidimensionalen Datenpool. Viele Händler erheben bereits Unmengen an Daten aus dem Kundenservice, dem Marketing, dem Einkauf und dem Vertrieb, die gilt es nun zusammenzuführen. Denn für Datensilos ist bei Big Data Analytics kein Platz. Es kann sein ganzes Potenzial nur durch die Verknüpfung aller Datenbestände entfalten. Hilfreich ist daher der Aufbau eines Data Warehouse. Dabei handelt es sich um eine zentrale Sammlung von Unternehmensdaten, deren Inhalt aus verschiedenen Quellen stammt. Das können Daten aus Webshop Transaktionen, Social Media, Website Traffic oder aber auch POS- oder ERP-Daten sein. Die Zusammenführung dieser in ein Data Warehouse ermöglicht nicht nur die zentrale Datenhaltung, sondern infolgedessen die Nutzung eines auf die Bedürfnisse optimal abgestimmtes Frontend, einer sogenannten Business Intelligence (BI) Plattform.

3. Richtige Lösung wählen

Für die Analyse von Daten gibt es eine Vielzahl an BI-Tools. Für Händler, die flexibel und zukunftsorientiert handeln möchten, empfiehlt sich eine Self-Service-Lösung, bei der Datenanalysen wie auch die Reporterstellung für jeden Mitarbeiter im Unternehmen möglich ist und mittels Zugriffsrechten entsprechend reguliert werden kann. Auch eine einfache Bedienbarkeit sollte gewährleistet sein, damit Nutzer schnell und ohne viel Konfigurationsaufwand Analysen selbst aufsetzen und mit anderen teilen können. Dynamische bzw. interaktive Visualisierungsmöglichkeiten sind ebenfalls ein Muss, sie helfen komplexe Analysen und Zusammenhänge zu veranschaulichen. Trends und Muster werden so bereits auf den ersten Blick deutlich und unterstützen, die richtigen Entscheidungen zu treffen. Ein agiles Front-End kann beispielsweise auf Microsoft SQL Server Analysis Services oder anderen Datenquellen aufsetzen, welche die Datenbasis für sämtliche Analysen und Reports darstellen.
So könnte ein Multi-Channel-Händler auf diese Weise direkt sehen, welche Produkte sich im online und welche im stationären Handel besser verkaufen lassen. Warum also ein Produkt im Laden stehen lassen, welches Platz wegnimmt und sich nicht verkauft?

4. Ergebnisse evaluieren, Prozesse optimieren

Um den bestmöglichen Output auch auf längere Sicht zu garantieren, sollten die Ergebnisse und Parameter stets evaluiert und Prozesse auf Basis der Ergebnisse optimiert werden. Auf verändertes Kundenverhalten und neu hinzugekommene Kundengruppen sollte entsprechend reagiert werden. Ergebnisse zu analysieren macht daher nicht nur Sinn, um seine Customer Journey näher zu untersuchen, sondern auch die Werkzeuge, die man dafür benötigt.

Ein Beispiel aus der Praxis – Datenanalyse einer Supermarktkette

Ein Handelsunternehmen, welches Big Data entlang der Customer Journey bereits erfolgreich einsetzt ist eine bekannte britische, jedoch weltweit operierende Supermarktkette. Das Unternehmen setzt auf Echtzeit-Datenanalyse und Predictive Analytics, um seine Kunden und deren Konsumverhalten besser zu verstehen und so die Effizienz zu steigern und Kosten zu senken. Ein Feld bei dem Predictive Analytics vor allem zum Einsatz kommt sind Umsatz- und Verkaufsprognosen. Der Supermarktriese analysiert, welche Produkte an welchen Tagen besonders nachgefragt sind. So lassen sich Engpässe bei verschiedenen Produkten vermeiden und der Kundenservice sich auf diese Weise verbessern. Neben der Steigerung des Umsatzes durch Verkäufe, werden so auch Verluste minimiert. Insbesondere verderbliche Waren resultieren im Lebensmittelhandel oft in finanziellen Verlusten. Mit Predictive Analytics und Echtzeit-Datenanalyse lassen sich verlässliche Prognosen erstellen, die das Konsumentenverhalten und -nachfrage abbilden. Auf Basis der gewonnenen Daten ist eine bessere Planung von Bestellungen möglich. So kann der Händler Über- und Unterangebote vermeiden.

Fazit

Big Data Analytics lohnt sich für kleine, mittlere und große Retailer gleichermaßen. Zwar ist es sicherlich für große Händler einfacher umzusetzen, da mehr zeitliche, personelle und finanzielle Ressourcen vorhanden sind, aber auch kleine Retailer sollten das Thema nicht vernachlässigen. Ausschlaggebend für den Erfolg – unabhängig von der Größe des Unternehmens – ist immer die ganzheitliche Sicht. Um diese zu gewährleisten, bedarf es einer sorgsamen, strategischen Planung sowie einer fundierten Datengrundlage. Retailer sollten daher unbedingt alle verfügbaren Daten aus Marketing, Vertrieb, Verkauf, Marktforschung, Social Media, Kundenservice und Einkauf zusammenführen und sich für eine Lösung entscheiden, die auf ihr Unternehmen abgestimmt und unternehmensweite Analysen dank Self-Service-Ansatz ermöglicht. Nur so lassen sich ein detailliertes Bild der eigenen Kunden zeichnen und eine interaktive Customer Journey passgenau gestalten – was zu wichtigen strategischen Wettbewerbsvorteilen im hartumkämpften Retailmarkt führt.

emma_pageZur Autorin: Emma Page ist bei Pyramid Analytics zusammen mit ihrem Team für die Marktentwicklung in Deutschland, Österreich und der Schweiz zuständig. Zuvor war sie während 15 Jahren in verschiedenen Sales und Business Development Funktionen für Microsoft, IBM und zuletzt Evernote tätig. Sie hat an der Hochschule für Wirtschaft Zürich Betriebsökonomie studiert.