Insbesondere in Zeiten von Marktgiganten wie Amazon und Co. wird um jeden Kunden gerungen, um im hart umkämpften Markt bestehen zu können. Fast wichtiger als das Akquirieren neuer Kunden, ist aber das Binden der Bestandskunden. Während Neukunden ein Vielfaches mehr an Aufwand und Kosten bei der Ansprache verursachen, kann sich bei loyalen und zufriedenen Kunden auf funktionierende Beziehungen konzentriert werden. Sie sind daher das A und O für gute Unternehmensergebnisse am Ende eines Jahres. Um eine hohe Kundenzufriedenheit und somit -bindung zu erreichen, müssen Unternehmen neben dem besten Service, ein einzigartiges und persönliches Kundenerlebnis bieten und das über alle Kanäle hinweg.
Aber woher weiß der Handel, was den Kunden wirklich zufrieden macht?
Für Handelsunternehmen sollte das Thema Datenanalyse zum Herzstück der Strategie gehören. Denn nur wer die Daten richtig nutzt und in Verbindung bringt, wird die Chance haben, ein vollumfängliches Kundenverständnis zu erlangen. Die Voraussetzung für nachhaltigen Unternehmenserfolg sind daher neben einer vollständigen und qualitativ hochwertigen Datenbasis, eine Lösung zur strukturierten Datenanalyse.
Um verstehen zu können, mit welchen Hebeln ich die Kundenzufriedenheit steuern kann, und was das ganz konkret für meinen Unternehmenserfolg bringt, muss ich sehr regelmäßig und systematisch meine Unternehmensdaten analysieren. Eine Herausforderung besteht dabei in der Vielzahl isolierter Datensilos die man in jedem Unternehmen findet. Die Daten werden entweder gar nicht, oder nur „eindimensional“ ausgewertet. Das führt zu unvollständiger oder sogar falscher Interpretation der Erfolgstreiber. Ziel muss es sein, diese Datensilos aufzubrechen, um eine zentrale Datengrundlage für die vollständige unternehmensweite Analyse bereitzustellen.
Bei den Daten kann es sich sowohl um transaktionale sowie Produkt-, Kunden- und Kampagnendaten handeln. Auch der NPS beispielsweise ist eine wichtige Kennzahl, die Informationen zur Kundenzufriedenheit liefert, das ganzheitliche Kundenbild abrundet und somit in der Analyse nicht fehlen sollte. Es reicht aber nicht zwingend aus zu wissen, welcher Kunde einen hohen NPS hat, sondern darüber hinaus herauszufinden, was ein hoher NPS monetär für den Kundenwert bedeutet. Um dies zu erreichen, müssen demnach alle Datenquellen in einem System zusammengeführt und zu einem ganzheitlichen Bild verknüpft werden.
Dafür werden sie zunächst in eine einheitliche Form gebracht, um anschließend jedem Business User zur möglichst intuitiven Nutzung zur Verfügung zu stehen. Das kann ein umfassendes Projekt für die eigene IT sein oder man geht den schnelleren Weg über eine am Markt etablierte Standardlösung, die das ganze nötige Know-how und technische Setup gleich mitbringt.
Das vollumfängliche Kundenverständnis
Durch die Integration der unterschiedlichen Datenquellen (online sowie offline) bekommen Händler die volle Omni-Channel-Transparenz und können nicht nur genau den Weg des Kunden zur Bestellung nachvollziehen, sondern darüber hinaus verstehen, was nach einem Kauf geschieht. Welche Produktkategorie führt zu den meisten Retouren und wieso schicken die Kunden diese Produkte zurück? Wie verhält sich der Customer Lifetime Value und somit die Profitabilität für loyale Bestandskunden? Wie entwickeln sich Neu- und Bestandskunden über die unterschiedlichen Kanäle? Welches Cross- und Up-Selling Potential haben Kunden mit hoher Kundenzufriedenheit? Und wie viel Geld lohnt sich, um es in weniger zufriedene Kunden zu investieren, um beispielsweise deren NPS zu verbessern?
Händler können also genau verstehen, welche Faktoren (Produkte, Fulfilment, Time-on-site, Website-Performance, etc.) beispielsweise die Kundenzufriedenheit beeinflussen, welchen Einfluss diese auf den Wert eines Kunden (CLV) haben und mit welchen (Marketing)maßnahmen dieser gesteigert werden kann, um schlussendlich den Umsatz anzukurbeln.
Mit der richtigen Lösung zur Datenanalyse, können Unternehmen dann auch direkt flexible Kundensegmente erstellen und diese individuell, mit relevanten Angeboten ansprechen und zum Beispiel in einer Kampagne gezielt besonders gut konvertierende Cross-Selling-Produkte anbieten. Auch Kunden, die beispielsweise churn-gefährdet sind, können genau dann mit automatisierten Next-Best-Offer-Kampagnen angesprochen werden, wenn sie von ihrem individuellen Normalverhalten abweichen (z.B. lange Inaktivität). Wird die Automatisierung strategisch eingesetzt, kann dadurch nicht nur der CLV deutlich erhöht, sondern zusätzlich neben der Kundenbindung und Prozesseffizienz, auch die Kundenzufriedenheit und der Umsatz gesteigert werden.
Das Fazit: Die relevanten Daten sind in den meisten Fällen vorhanden, nur nutzen können sie die Wenigsten. Benötigt wird daher eine geeignete Lösung zur unternehmensweiten und intelligenten Datenanalyse. Diese sollte jeden Mitarbeiter befähigen, selbstständig und unabhängig auf relevanten Daten zugreifen zu können, ohne dass technische Kenntnisse vorhanden sein müssen. Händler mit einer datengetriebenen Arbeitskultur bekommen ein vollumfängliches Kundenverständnis und können sowohl strategische als auch operative Entscheidungen besser treffen und das Kauferlebnis, den Service und letztendlich die Unternehmensergebnisse nachhaltig verbessern.
Schlagwörter: Bylines & Interviews
