Bessere Kundendaten sind ein Booster für mehr Kundenorientierung

Immer größere Datenmengen stellen Unternehmen vor die Herausforderung, sie möglichst effizient für ihre Kundenportfolios zu filtern. Denn je mehr der Vertrieb über Kunden weiß, desto passgenauer werden Produktangebote und die Kundenorientierung. 

×

Kundendaten umfassend auszuwerten, um das Kaufverhalten von Kunden nicht nur zu analysieren und Vorhersagen zu treffen, sondern es auch aktiv zu beeinflussen, ist eine der Hauptaufgaben im Vertrieb geworden. Die Datenmanagement-Spezialistin Sigrid Sieber von Data M Services betont in ihrem Sales-Excellence-Beitrag "Mit gutem Datenmanagement im Vertrieb profitieren": "Vertrieb und Marketing, Kundenmanagement und Kundenakquise funktionieren nicht ohne professionelles Datenmanagement. Das beginnt bei der Datenaktualität und den dazugehörigen Data-Clearing-Prozessen, geht weiter über die Stichworte Profiling, Scoring, Wahrscheinlichkeitsmodelle, KI, Dashboarding und endet beim Thema Datenschutz."

Mit Technologie zu präzisen Datenanalysen

Mehr Technologie im Vertrieb hilft, die Kundenorientierung zu verbessern, weil Datenanalysen mit ihr tiefergehend und präziser werden und dem Vertrieb vielschichtige Informationen über ihre Kunden liefern. Möglichst umfassende und aussagekräftige Kundenprofile entscheiden mit über den Verkaufserfolg auf der letzten Meile des Kaufprozesses – wenn Kunden sich mit Angeboten passgenau abgeholt fühlen.

Der Baukasten für entsprechende BI-Tools, den der Vertrieb im Datenmanagement nutzen kann, ist inzwischen groß. So sind etwa Big-Data-Technologien und vernetzte Systeme wichtig, um die immer umfassendere Sammlung von Kundendaten zu kanalisieren. In ihren "Customer Analytics Trends 2021" stellt die Cintellic Group fest, dass beispielsweise durch Cloud Computing und Machine Learning Algorithmen große Datenmengen ausgewertet werden können, sodass eine immer präzisere Vorhersage des Kundenverhaltens möglich wird.  

Als Trends nennen die Experten zum Beispiel

• Predictive und Prescriptive Analytics,
• Graphdatenbanken,
• Augmented Analytics, 
• Continuous Intelligence sowie 
• Machine Learning und Künstliche Intelligenz.

Predictive Analytics stammt aus dem Bereich des Data Mining und lässt vorausschauende Aussagen über Käufe, Ausfallrisiken oder auch Ereignisse in Vertriebsszenarien bestimmter Zielgruppen zu. Vertriebs- oder Marketingmaßnahmen können entsprechend darauf abgestimmt werden.

Mit Prescriptive Analytics können Unternehmen durch simulierte und statistische Modelle ermitteln, wie sich bestimmte Maßnahmen in Unternehmen, etwa in Vertrieb und Marketing, voraussichtlich auf das Kundenverhalten auswirken werden. 

Augmented Analytics nutzt einen Mix aus Technologien, etwa Machine Learning, KI-Algorithmen, statistische Methoden oder Natural Language Processing (NLP). Dabei werden automatisiert Erkenntnisse aus Rohdaten mithilfe von maschinellem Lernen und natürlicher Sprachgenerierung analysiert. Die Technologie liefert neben einer automatisierten Datenauswertung auch Aussagen über die Zusammenhänge in den Daten und konkrete Handlungsempfehlungen für Vertrieb und Marketing.

Machine Learning Algorithmen filtern wiederum relevante Daten und erkennen Muster und Trends, etwa im Kaufverhalten von Kunden. 

Continuous Intelligence meint einen Echtzeit-Datenprozess, der dabei unterstützt, direkte Handlungsempfehlungen abzuleiten und Daten in Echtzeitprozesse zu integrieren. Im E-Commerce kann Continuos-Intelligence-Technologie etwa "im Klickstream live verwendet werden, um individualisierte Produktvorschläge zu machen", erklären die Cintellic-Experten in ihrem Trendüberblick.

Bessere Kundendaten als Booster für die Kundenorientierung

Möglichst präzise Datenanalysen sind darüber hinaus aber vor allem für mehr Kundenorientierung entscheidend. Denn an ihr lässt sich der Vertriebserfolg von Unternehmen direkt ablesen. Doch wie werden Unternehmen kundenorientierter? 

Der Springer-Autor Dr. Jörg Staudacher erklärt in seinem Buch "Kundenorientierung", im Kapitel "Dimensionen der Kundenorientierung" dazu, dass Management-Ziele wie Kundenorientierung und Kundenzentrierung, die Customer Centricity, in den vergangenen Jahren kontinuierlich an Bedeutung gewonnen (Day und Moorman 2013) haben "– nicht zuletzt deshalb, weil mehrere Studien aufzeigen konnten, dass Organisationen, deren Kundenorientierung auf einem hohen Niveau liegt, durchschnittlich eine um drei bis fünf Prozent höhere Profitabilität aufweisen", so Staudacher. Kundenorientierung sei ein Managementmodell, dessen Mehrwert jede Organisation für sich individuell bestimmen müsse. Doch sie hinkt aus seiner Sicht in vielen Unternehmen, weil die Prioritäten eher auf digitalen Technologien und  -Innovationen lagen, während nur ein Drittel aller Organisationen Wachstum als wichtigste Priorität einstuft. Kundenorientierung als Managementmodell verbindet Organisationsmanagement, Strategie, Marketing und Vertrieb, das Supply-Chain- und Netzwerkmanagement und hat dabei den Kunden im Fokus.

Diese Charakteristiken nennt Staudacher für die Kundenorientierung:

Im Kapitel "Verbesserung der Kundenorientierung" zeigt er einen Prozess auf, wie sich Kundenorientierung optimieren und Mängel abstellen lassen. So wird beispielsweise die Kundenorientierung oft auf das Kundenmanagement und dessen operative Maßnahmen reduziert, es gibt "Defizite bei der Bestimmung des Kundenwerts und Kundennettonutzens" oder entwickelte Kundensegmente würden nicht genutzt. Um die Kundenorientierung zu verbessern, empfiehlt er eine Roadmap mit einem Zielsystem zur Steuerung und Stärkung der Kundenorientierung, näher beschrieben auf Seite 476. Sie kann Unternehmen  als Navigationssystem dienen, um auch organisatorisch gute Voraussetzungen für eine verbesserte Kundenorientierung zu schaffen.