Data Science

20 CRM Trends für 2020 | Customer Relationship

CRM Trends 2020

Wir haben bereits in 2019 viel Veränderung im Customer Relationship Management gesehen. Gerade die Data Science Komponente hat sich stark weiterentwickelt. So wird der Einfluss von Deep Learning Methoden auf den Unternehmenserfolg immer größer. Ebenfalls wichtig sind Methoden der Zusammenarbeit in den meist agilen Teams. So ist häufig Unterstützung notwendig, wenn innovative Geschäftsprozesse in den Alltag integriert werden.

Wir haben heute schon unsere Erkenntnisse aus den vergangenen Monaten zusammengestellt und geben einen Ausblick in die 20 CRM Trends für 2020. Denn wer kommendes Jahr im Bereich Customer Relationship Management richtig anpacken möchte, sollte sich langsam aber sicher an die Planung der richtigen Maßnahmen machen. Gegliedert sind die Punkte in folgende Kategorien:

Gerade die Zeit nach den Sommerferien ist ideal, um einmal kurz inne zu halten, sich auf die anstehenden Herausforderungen zu konzentrieren und einen Blick in das kommende Jahr zu werfen. Drei kurze Fragen sind essentiell und helfen bereits heute die Ausrichtung für den Erfolg im kommenden Jahr zu legen:

  1. Was möchte ich Ende 2020 erreicht haben ?
  2. Welche Themen sind mir dabei besonders wichtig ?
  3. In welcher Reihenfolge möchte ich die Themen angehen ?

Gerne unterstützen wir auch mit einem Workshop bei der Identifikation, Auswahl und Priorisierung deiner CRM Trends für 2020, um Euch im CRM erfolgreich zu machen!

Workshop oder Experten-Call?

Klick mich!

Descriptive Analytics – die Kunden verstehen

1. Customer Segmentation

Obwohl jeder Kunde individuell ist, lassen sich häufig beim genaueren Betrachten gewisse Muster und Regelmäßigkeiten erkennen, wodurch sich Kunden auszeichnen. Im Versandhandel stellen die Vielkäufer oder Auswahlbesteller ein viel zitiertes Segment dar. Mit modernen Clustering-Methoden, wie z.B. k-means können genau diese Kundensegmente mit ähnlichen Eigenschaften identifiziert werden. Diese Cluster bilden wiederum die Grundlage für eine Vielzahl von Marketing-Maßnahmen, da häufig die Bedürfnisse der Kunden eines Segments sehr ähnlich sind.

Ein Must-Have für jeden ambitionierten CRM Manager!

2. Warenkorb Analysen

Ähnliche Muster, wie bei den Kunden, lässt sich auch in deren Warenkörbe finden. Mit Hilfe von Data Analytics lässt sich herausfinden, welche Produktkombinationen häufig zusammen gekauft werden. Der Klassiker dabei ist die Warenkorbkombination aus Bier, Chips & Windeln. Diese Erkenntnisse helfen sowohl im Retail Bereich, wie auch im E-Commerce. Wie genau mit diesen Analysen einen großen Impact erzielt werden kann, zeigen wir Dir gerne anhand Deiner Daten.

3. Net Promoter Score / Zufriedenheitsbefragung

Jeder gute Unternehmer sollte Wissen, wie seine Kunden von ihm denken und wie zufrieden sie mit den angebotenen Produkten und Dienstleistungen sind. Der Net Promoter Score ist ein anerkanntes und geeignetes Mittel, um dies herauszufinden. Zu verschiedenen Zeitpunkten in Customer Lifecycle werden die Kunden befragt und bekommen so die Möglichkeit Feedback zu geben. Für jedes Unternehmen ein Geschenk. Richtig eingesetzt, steigert es die Zufriedenheit kontinuierlich und reduziert gleichzeitig den Churn.

4. Customer Journey Analytics

Die Customer Journey Analyse ist einer der wichtigen Bestandteile im Customer Relationship Management, um zu verstehen wie sich meine Kunden entwickeln und bewegen. Dabei kann sowohl der komplette Customer Lifecycle betrachtet werden, als auch nur kleine Ausschnitte wie z.B. die Aktivierung eines Features. Diese Analyse hilft zu verstehen, an welchen Stellen die Kunden abgehängt werden. Im Neukunden-Umfeld bietet diese Analyse die Möglichkeit Absprungpunkte der potentiellen Kunden zu identifizieren.

5. Sankey Diagramm Visualisierung

Für die Visualisierung nahezu jeder Customer Journey bietet sich die Verwendung eines Sankey Diagramms an. Das Sankey Diagramm gibt Aufschluss über die Bewegungsströme der Kunden. Dabei können sowohl Bewegungen auf einer Website visualisiert werden, wie auch selbst definierte Touchpoints innerhalb einer Journey. Dies kann z.B. Aktivierung eines bestimmten Services, die Nutzungsintensität oder die Deaktivierung selbigen sein. Das Sankey Diagramm zeigt auf einen Blick, welche Pfade mit welcher Häufigkeit genutzt werden. Dadurch können Optimierungspotentiale schnell erkannt und priorisiert werden.

6. Visitor Stitching / Cross-Device Visitor Identification

Wie schaffe ich es, Kunden über mehrere Geräte und Sessions hinweg zu identifizieren? Das Zauberwort hierfür lautet Visitor Stiching und meint wörtlich das zusammentackern von Kundeninformationen, die zusammengehören. Häufig sind diese Zusammenhänge nicht auf den ersten Blick ersichtlich, da sich nicht alle Kunden bei jedem Websitebesuch durch einen Login zu erkennen geben. Mit Visitor Stitching lassen sich diese verteilen Daten über geschickte Logiken inhaltlich einem Kunden zuordnen.

Aufstrebende Marketing Manager haben jetzt die Möglichkeit sich mit dieser Methode einen Vorsprung zu verschaffen!

Predictive Analytics – die Ereignisse vorhersagen

 7. Predictive Analytics: Scoring

Egal ob Produkt-, Kauf-, Retouren- oder Kündigungsscoring – mit den richtigen Modellen & Daten lässt sich nahezu jedes Ereignis vorhersagen. Diese Prognose richtig eingesetzt kann die Marketingkosten und den Werbedruck für die Kunden deutlich reduzieren ohne dabei auf Umsatz oder Absatz verzichten zu müssen. Die Basis für gute und robuste Scoring-Modell ist eine fundierte Kundensegmentierung.

Für viele schon Basics – alle anderen haben jetzt die Möglichkeit mit Predictive Analytics aufs nächste Level zu steigen!

8. NPS (Net Promoter Score) Prediction

Da viele Kunden Zufriedenheitsbefragungen und Umfragen einfach weg klicken, fehlt oftmals das Wissen darüber wie zufrieden einzelne Kunden sind. Diese Lücke kann allerdings mit Predictive Analytics gelöst werden. So kann mit Vorhersagemethoden für jeden Kunden einen Zufriedenheitswert ermittelt werden. Dieser Wert kann wiederum für weitere Maßnahmen und Modelle, wie z.B. Churn Prediction verwendet werden.

9. Churn Prediction

Immer mehr Unternehmen setzten auf Subscription & Vertragsmodelle, bei denen die Kunden ihre Services im Abo monatlich oder jährlich nutzen statt diese einmalig zu kaufen. Was für den Kunden und die Unternehmen viele Vorteile bringt, birgt für die Anbieter das Risiko der Vertragskündigung. Um die kündigungsgefährdeten Kunden frühzeitig zu erkennen, kann mit Data Science eine Vorhersagen über die Kündigungswahrscheinlichkeit jedes Kunden getroffen werden, um entsprechende Gegenmaßnahmen zu unternehmen.

10. Net Lift Modelling

Wer heute schon auf klassisches Scoring setzt kann mit Net-Lift oder Up-Lift Modelling die nächste Ebene erreichen. Dabei werden keine reinen Kauf- oder Kündigungswahrscheinlichkeiten vorhergesagt, sondern die Wahrscheinlichkeit in Relation zur Reaktion auf eine werbliche Ansprache gesetzt. Dies bedeutet: wie beeinflusst die Werbung die Kauf- oder Kündigungsentscheidung des Kunden. Denn gerade im Kündigungsumfeld besteht immer auch die Gefahr „Schlafende Hunde“ zu wecken.

Heute fast noch Nische, wird in 2020 stark an Bedeutung gewinnen – die Möglichkeit im Abo Business voll zu punkten!

11. Deep Learning

Um die Vorhersagekraft von Predictive Analytics Modelle zu erhöhen, eignet sich der Einsatz von sogenannten Deep Learning Verfahren. Gemeint sich dabei Neuronale Netze, die Informationen ähnlich verarbeiten wie das menschliche Gehirn und dadurch Zusammenhänge erlernen können. Die Herausforderungen dieser Methode liegt in der Tiefe (Deep) der Neuronalen Netze. Gemeint sind damit die Ebenen der Informationsverarbeitung. Genau darin liegt die Komplexität diese enorm große Anzahl der Hidden Layers richtig zu trainieren, damit ein „auswendig Lernen“ verhindert wird. Mit dem richtigen Modell und Training kann die Vorhersagekraft von Predictive Analytics Modellen häufig weiter optimiert werden.

One Word: Hot Shit!!!

Marketing Actions – die praktische Umsetzung

12. Agiles Marketing & Campaign Management Team

Grafiker, Texter, Kampagnen Manager und Data Scientisten. Jeder trägt auf seine Weise dazu bei, dass eine Sales E-Mail oder Outbound Kampagne zum Erfolg wird. Häufig sind diese Positionen organisatorisch jedoch in unterschiedlichen Teams zugeordnet. Dies hat meist Verzögerungen und aufwendige Abstimmungsschleifen zur Folge. Daher bietet es sich an, wenn die beteiligten Personen in kleinen agilen Team zusammenarbeiten und sich am besten ein Büro teilen. Dass schafft ein „Wir Gefühl“, steigert die Motivation und Geschwindigkeit und führt zu deutlich besseren Ergebnissen.

13. Customer Success Management

Ziel jedes Unternehmen sollte es sein, glückliche Kunden zu haben. Speziell um die Belange der Kunden im Unternehmen zu vertreten, gibt es sogenannte Customer Success Manager. Sie kümmern sich um die Kunden, helfen z.B. bei den ersten Schritten und stehen für Fragen zur Verfügung. Je nach Unternehmen, kann dies ein sehr gut ausgebildeter Service Agent sein, der eine bestimmte Kundengruppe bereut und das Kundenfeedback direkt in das Unternehmen widerspiegelt. Grundlage für die erfolgreiche Arbeit der Success Manager, sind NPS Befragungen & Prediction sowie weitere tiefgehende Analysen aus dem Bereich Data Science, um z.B. die Schwachstellen in der Produkteinrichtung zu identifizieren.

14. Omni Channel Strategy

Nichts ist nerviger als ewig in der Warteschlange eines Call Center zu hängen und mit Musik und Werbeversprechen bespielt zu werden, wenn man nach einer Lösung für sein Problem sucht. Daher ist es klug, wenn sich Unternehmen für eine Omni Channel Strategie entschieden. Diese sollte neben der einheitlichen Ausspielung von Werbebotschaften, in Mails, Banner und auf der eigenen Website vor allem auch den „Service Status“ berücksichtigen. Nur mit einem ganzheitlichen Ansatz fühlt sich der Kunde verstanden und respektiert. Kaum jemand hat Interesse an einem Produkt Upgrade, wenn die Basics nicht passen.

15. Personalisierung

Gerade bei Marketing und Sales E-Mals wird häufig nach dem Gießkannen Prinzip verfahren: „Viel – hilft viel“. Kurzfristig mag diese Strategie sogar in Teilen erfolgreich sein. Langfristig vergrault man seine Kunden jedoch sehr schnell. Daher ist es sinnvoll mit personalisierter Ansprache und individuell zugeschnittenem Inhalt zu überzeugen. Dies tut nicht nur der Conversion Rate gut sondern erweckt beim Kunden auch echtes Interesse, wodurch wiederum die Kundenbeziehung gestärkt wird. Damit das passende Mailing zum richtigen Kunden gelangt – wird anhand von Scoring Modellen die Conversion berechnet und danach optimiert.

16. E-Mail Baukasten-Prinzip

Damit die Personalisierung ihre volle Wirkung entfalten kann, bietet es sich an z.B. für E-Mails nach dem sogenannten Baukasten Prinzip zu arbeiten. Dabei werden mehrere Inhaltselemente erstellt, jedoch nur bei Aktivierung z.B. bei zu niedriger Kundenzufriedenheit auch tatsächlich ausgespielt. So kann eine Sales E-Mail neben dem eigentlichen Ziel noch weitere Service Aspekte adressieren.

Wer mit relativ einfachen Mitteln erste Erfolge erzielen möchte, sollte sich hiermit versuchen!

Infrastruktur – die technische Basis

17. Data Lake

Vom relationalem DWH und transaktionalem Big Data Cluster hin zum Data Lake. Beide Architekturen haben ihre Vorteile und jeweils spezifischen Anwendungsfälle. Eine Data Lake Infrastruktur verbindet diese Welten auf sinnvolle Weise miteinander. So werden weiterhin transaktionale Daten kostengünstig in Object Stores gespeichert während deren Aggregate für Analysezwecke und zum Reporting in relationalen Modellen vorgehalten werden. Entscheidend ist die richtige Verteilung sowie der Austausch der Daten.

Ein Must-Have um in 2020 weiterhin in der 1. Liga zu spielen!

18. Machine Learning / Artificial Intelligence Factory

Ein Schlüssel, um das Customer Relationship Management erfolgreich zu gestalten ist das Feld Predictive Analytics der Disziplin Data Science. Sobald Scoring Methoden eingesetzt werden, muss sich jedes Unternehmen Gedanken machen, wie kontinuierlich & automatisiert die eingesetzten Modelle optimiert werden können. Mit unserer Artificial Intelligence Factory bieten wir die Möglichkeit genau dies zu tun. Scoring Modelle aller Art werden automatisch überprüft und kontinuierlich verbessert.

Der ultimative Business Boost für die Data Science Unit!

19. Decision Engine

Ein Kunde hat sich für mehrere Produkte qualifiziert und ich sollte ihm zu zwei Produkten Werbeanzeigen ausspielen. Eigentlich ein Glücksfall, doch was tun wenn das Marketingbudget oder die Werbefläche nur eine Anzeige erlaubt? Mit Hilfe einer Decision Engine kann eine Vielzahl konkurrierender Werbeanzeige / Serviceanzeigen miteinander vergleichen werden und kundenindividuell die Beste Option angezeigt werden. Die Optimierung kann dabei ebenso auf Service wie auch Salesaspekte gelegt werden.

20. Realtime Customer Data Platform

Damit eine Omni Channel Strategie ihre volle Wirkung entfalten kann, ist es von großem Vorteile eine Realtime Customer Data Platform einzusetzen. Hier werden kurzzeitig die relevanten Informationen der Kunden gesammelt und in Echtzeit per Streaming prozessiert. Bereits definierte Machine Learning Modellen werden hier in Echtzeit berechnet und sorgen dafür das z.B. die Website bereits beim nächsten Klick in personalisiertem Look erscheint.
Gerade in großen Einsatzgebieten mit einer Vielzahl an Predictive Analytics Anwendung empfiehlt sich zusätzlich der Einsatz einer Desicion Engine, um zu entscheiden welche der Personalisierungsmöglichkeiten „gewinnt“.

Du hast noch ein Fragezeichen oder möchtest mehr zu den einzelnen Themen erfahren?

Schreib mir einfach eine Nachricht!

Esentri
Matthias Wurdig Senior Consultant Data Science