Scoringmodelle & Customer Insights für eine positive Customer Journey

Die Bandbreite an Produkten und Dienstleistungen ist heute vielfältiger denn je und der Zugang dazu deutlich einfacher als noch vor ein paar Jahren. Umso wichtiger ist es für Unternehmen, Wettbewerbsvorteile zu besitzen, beispielsweise eine starke Kundenbindung oder einen hohen Alleinstellungsfaktor. Solche Merkmale lassen sich auf verschiedenen Wegen schaffen, einer von ihnen ist ein individuell agierender Kundenservice. Zukünftig sehen wir ihn als einen der entscheidenden Faktoren. Der Kundenservice ist über alle Kontaktkanäle hinweg ein wichtiger Touchpoint zwischen Unternehmen und Kunden. Er wird in der Regel genutzt, wenn Hilfe oder Informationen benötigt werden, oder wenn man unzufrieden ist und dies kundtun möchte. Also ein wichtiger „Moment of Truth“! Je besser hier die Customer Experience ist, desto wertgeschätzter fühlt sich der Kunde.

Bleibt der Service in positiver Erinnerung, wirkt sich das auf die Wahrnehmung des ganzen Unternehmens und des Produktes bzw. der Dienstleistung aus.

Damit die Mitarbeiter im Kundenservice kompetent handeln und sogar proaktiv agieren können, müssen sie stets Zugang zu historischen und aktuellen Kunden- und Produktdaten haben. Denn nichts lässt den Service unprofessioneller wirken, als fehlende Vorbereitung, langsame Abwicklung oder Unfähigkeit in der Problemlösung. Mit der Digitalisierung und agilen Management-Methoden hat der Kundenservice ein schlummerndes Potenzial, um das Aushängeschild eines jeden Unternehmens zu werden. Die Interpretation von Daten – den Customer Insights – und die Nutzung von Scoring Modellen können dabei helfen, Predictive Services zu ermöglichen. Vorrausschauenden, intelligenten Service anhand von vorhandenen Daten, gepaart mit Wahrscheinlichkeiten und KI-/Maschine Learning Ansätzen.

Aber eins nach dem anderen:

Im Grunde geht es darum, mit den Daten der Vergangenheit die Zukunft zu planen und Vorhersagen für die Gegenwart zu treffen. Mit Hilfe von bestehenden und angereicherten Kunden- und Produktdaten ist es möglich, Muster und Trends zu erkennen, daraus Algorithmen zu entwickeln und letztlich den Kunden in einer gewissen Weise zu clustern und berechenbar zu machen. Solche Prognosen erlauben es, einen Kundenservice anzubieten, der auf die individuellen Kundenbedürfnisse abgestimmt ist. Und das mit einer hoher Wahrscheinlichkeit und guter Trefferquote. So wird eine einzigartige Customer Experience generiert. Dies für jeden Kunden einzeln.

Ein kleines Beispiel: Sie rufen beim Kundenservice an und haben eine Frage zu einem Produkt oder möchten sich über eine Dienstleistung beschweren. Noch bevor Sie mit der IVR interagieren oder in der Warteschleife sind, erkennt das System über Ihre Rufnummer, wer Sie sind und kann gleichzeitig mit Hilfe verschiedener Kriterien, wie z.B. zuletzt gekaufte Artikel, bereits erlebte Customer Journey oder Anzahl der Calls, den für ihr Anliegen qualifiziertesten Kundenberater auswählen. Auf diese Weise trägt das System dazu bei, dass Ihnen schneller und fallabschließend geholfen werden kann. Dies ist allerdings nur ein kleiner Anfang und wird heute bereits schon in vielen Unternehmen gelebt.

Die Möglichkeiten sind noch viel weitreichender!

Einfache Scoringmodelle und ihre Umsetzung in der Praxis

Um von den bereits vorhandenen Daten zu profitieren und aussagekräftige Korrelationen herzustellen, wählt man den Ansatz der Daten-Analyse.

Die Hauptaktivitäten dieses Ansatzes sind:

  • Sammeln von Daten: aus vorhandenen Datenquellen, wie z.B. CRM-Systemen und Informationen aus Multichannel Interaktionen. Dem aktiven Zuhören und dem Sammeln von Customer Insights.
  • Verdichten von Informationen: Dem Clustering mit unterschiedlichen Algorithmen und Maschine Learnings
  • Interpretation der Daten und der Kontaktgründe durch ein erfahrenes Customer Experience Team

Die Datenbeschaffung kann also auf verschiedenen Wegen erfolgen. Jede Kundeninteraktion gibt weitere Einblicke, z.B. in persönliche Gewohnheiten oder Bedürfnisse. Daher wächst unser Wissen mit jeder Kundeninteraktion. Sie erhalten auch Informationen, die Sie bei künftigen Kontakten zum Cross- und Upselling benötigen. Nutzen Sie das!

Wir stellen Ihnen jetzt ein leicht umsetzbares Verfahren vor: die RFM-Analyse. Sie ist einfach, schnell und kann praktisch von jedem angewendet werden, der in seiner CRM-Datenbank Informationen über das Kaufverhalten den einzelnen Kunden zuordnen kann. Aber zunächst ein Hinweis, warum das so wichtig ist: Laut Statistiken besteht eine Wahrscheinlichkeit von 5-20%, dass Sie an einen völlig unbekannten Interessenten etwas verkaufen. Die Wahrscheinlichkeit, bei einem bekannten Kunden ein Produkt oder eine Dienstleistung zu platzieren liegt jedoch bei 60-70%. Eine lohnende Betrachtung dieses schlummernden Potentials.

Ausgehend von den Indikatoren Aktualität, Häufigkeit und Geldwert (im Englischen: Recency, Frequency und Monetary= RFM) werden Kunden in Käufergruppen segmentiert. Man will herausfinden, welche Kundengruppen besonders profitabel sind und bei welchen Kunden sich bestimmte Marketing-Kampagnen oder Angebote eher weniger lohnen. Der Zweck von RFM-Analysen ist es, den ROI (Return on Investment) von Kampagnen und Rücklaufquoten von Marketing-Aktivitäten zu prognostizieren. Während viele Marketingansätze auf demografischen Eigenschaften basieren (Alter, Geschlecht etc.), ergänzt die RFM-Analysen eine verhaltensbasierte Komponente.

Hier werden die folgenden Fragen gestellt.

R – Recency (Aktualität: Wann hat der Kunde zuletzt gekauft?):

Die Aktualität eines Kaufs ist ein wichtiges Hilfsmittel. Kunden, deren Kauf nicht lange zurückliegt, reagieren mit größerer Wahrscheinlichkeit auf ein neues Angebot. Dies ist der wichtigste Faktor einer RFM-Analyse.

F – Frequency (Häufigkeit= Wie oft hat der Kunde gekauft?): Wenn Kunden häufiger eingekauft haben, ist die Wahrscheinlichkeit für eine positive Reaktion höher als bei Kunden, die nur selten etwas gekauft haben.

M – Monetary Value (Welchen Umsatz hat der Kunde gebracht?): Kunden, die insgesamt für Käufe mehr Geld ausgegeben haben, reagieren wahrscheinlicher auf ein Angebot als Kunden, die kleinere Beträge investiert haben.

Kundennutzen RFM-Analyse

Dem Kunden bringt das Scoring den Zugang zu zusätzlichen, höherwertigen Services, sofern er ein Anliegen im Kundenservice hat. Sein Anliegen kann dadurch geskillt zum kompetentesten Mitarbeiter und auf den präferiertesten Kontaktkanal weitergeleitet werden. Die Erstlösungsquote (First Call Resolution – FCR) steigt und die durchschnittliche Gesprächszeit (AHT) oder Bearbeitungszeit sinkt.

Auf der anderen Seite werden Unternehmensziele erreicht. Solche wie:

⦁        höhere Response Raten

⦁        ein besseres Service Level

⦁        Ein optimierter durchschnittlicher Kundenwert

⦁        Ein besserer Net Promoter Score

Sicher werden Sie jetzt denken: „Soll das etwa alles sein? Was ist mit den Produkten, die der Kunde kauft?“ oder „Wird die Demografie der Kunden nicht hinterfragt?“. Alles berechtigte Fragen, die eine Übersicht jedoch erschweren. Die Berechnung des RFM-Scores können Sie sehr gut nachvollziehen und erhalten einen strukturierten Überblick über Ihren Kundenstamm und dessen Verhalten. Dabei sehen Sie am Ende die guten und die weniger guten Kunden im betrachteten Zeitraum. Dies kann somit ein guter, wenig komplexer Anfang sein.

Fazit: Wie können Sie den RFM-Score nutzen?

Sie können mit der RFM-Analyse anhand objektiver Kriterien fortlaufend beurteilen, ob es sich bei Ihren Kunden grundsätzlich um gute oder weniger interessante Kunden handelt. Mit diesem Wissen können Sie Ihr Marketing und ihren Kundenservice effektiver steuern, indem Sie z.B. im Rahmen einer speziellen-Kampagne nur die kaufkräftigen Kunden auf dem präferierten Weg kontaktieren. Darüber hinaus können Sie auch überprüfen, wie sich der Score eines Kunden oder bestimmter Teilsegmente von Kunden über die Zeit verändern.

Aber wie erleichtere ich nun dem Mitarbeiter den empathischen Umgang mit dem Kunden?

Indem ich die vorhandene Daten zusammentrage und daraus Personas erstelle. Personas sind fiktive Personen, die als Vertreter der Zielgruppen fungieren. Die Personas bekommen die typischen Merkmale dieser Zielgruppe zugewiesen. Sie dienen dazu, sich als Mitarbeiter im Kundenservice besser in die Situation der Kunden einzufühlen und deren Perspektive einnehmen zu können.

Die wichtigsten Merkmale der Personas ergeben sich aus den folgenden Punkten:

  • Soziodemografische Merkmale wie Alter, Wohnort, Einkommen, Beruf, Funktion. Und der Beantwortung der Fragen:
  • Welches sind deren Herausforderungen und Probleme?
  • Was ist der Persona wichtig? Welche Ziele werden angestrebt?
  • Wo werden Infos über mögliche Lösungen gesucht? Online/Offline? Bei Google oder in Social Media Kanälen?
  • Welches sind die typischen Einwände, Befürchtungen oder anderen Hindernisse, die den Kaufprozess behindern?

Dieser emphatische Umgang mit den Kunden, gepaart mit Scores aus den Analysen erhöhen die Potentiale einer positiven Customer Experience enorm. Und das Beste: Alle bzw. den Großteil der Informationen schlummern schon in den Datenquellen Ihres Unternehmens.

Praxisbeispiel Wohnungswirtschaft

Das waren eine Menge theoretische Ansätze, um sich des Themas anzunehmen:

Customer Insights sammeln, die Daten verarbeiten und daraus Scores & Wahrscheinlichkeiten berechnen.

Kommen wir zu einem Beispiel. Wir alle haben schon mal eine Wohnung gesucht. Sind ggf. sogar Eigentümer eines Mietobjekts und haben das Ziel im Auge: einen dauerhaften, passenden Mieter.

Das macht den Mieter glücklich und den Eigentümer ebenfalls! Stellen Sie sich also vor, Sie haben eine Vielzahl an Wohnungen. Diese in Ballungszentren, wo auf einzelne Wohnungen zig Mietinteressenten kommen. Hier den Mieter zu finden, der möglichst langfristig in der Wohnung bleibt und wenig Prozesskosten erzeugt (im Sinne von Mietausfällen, Beschwerden etc.) ist ihr priorisiertes Anliegen.

Daher schaut sich die Wohnung den potentiellen Mieter im Vorfeld sehr genau an (und nicht anders herum). Denn wir haben viele Mietinteressenten, aber nur EINE Wohnung im Hinblick auf:

  1. Kompromisse
  2. kurzfristige Veränderungen
  3. Zwischenlösungen

Wie geht das? Sie haben viele Informationen. Diese gilt es genauer zu betrachten, bevor Sie Interessenten zu Besichtigungsterminen einladen und ein weiteres Mal, bevor Sie die Mietverträge zur Unterzeichnung versenden.

Gehen wir den Prozess einmal durch. Der potentielle Mieter äußert sein Interesse über Immobilien Scout oder ImmoWelt etc.. Die hinterlegten Daten landen in einer Datenbank und werden mit weiteren Daten angereichert, also verdichtet. Nun beginnt die Magic. Die Daten werden analysiert, geclustert, durch Scoring angereichert und zu einer Zielmieter-Struktur zusammengefügt.

Über eine Multichannel Kampagne laden sie nun gezielt passender Mieter zur Besichtigung ein. Sammeln dort weitere Insights und entscheiden sich schließlich für den passenden Mieter. Und die Daten ermöglichen noch mehr.

Fazit und Handlungsempfehlung

Bei diesem Wohnungsbeispiel reden wir von MDAX & Dax Konzernen, die mehrere Hunderttausend Wohneinheiten verwalten. Genauso lassen sich aber auch passende Produktbundle bei Versicherungen, Telekommunikation, usw. schnüren. Sie haben neben dem passenden Produkt auch den passenden Zeitpunkt und den passenden Kontaktkanal ggf. inkl. geskillten Mitarbeiter für die Ansprache.

Das erhöht die Abschlusswahrscheinlichkeit bei Kosteneinsparungen in der Kontakthäufigkeit enorm. Alle profitieren hier.

Und so kann die Nutzung von Customer Insights und Scoring in der Kundenbetreuung

  • die Zusammenarbeit über Abteilungsgrenzen hinaus ermöglichen,
  • Ihr Image als kundenfreundliches, serviceorientiertes Unternehmen verbessern,
  • den Know-how Transfer im Unternehmen beschleunigen und
  • die Produktivität, Kundenzufriedenheit und den Kundenwert steigern.

Bitte bedenken Sie:

Um langfristig erfolgreich zu sein, sollten vorausschauende Analysen iterativ durchgeführt werden, da sich sowohl interne als auch externe Faktoren ständig ändern. Datenmodelle müssen überprüft und gegebenenfalls überarbeitet werden, um flexibel auf Änderungen reagieren zu können. Jeder einzelne Kundenkontakt ist ein Mosaik, dass die Erwartungen, Bedürfnisse, Interessen & Leidenschaften ihrer Zielgruppe offenbart. Dadurch können Sie ihre Kunden ganz individuell ansprechen, als Zeichen der persönlichen Wertschätzung & Kundennähe!

In Zeiten von steigenden Kundenerwartungen können Sie mit Hilfe von Predictive Analytics personalisierte Erlebnisse gestalten und den Kunden positiv überraschen.

Verena Ehbrecht – converneo

The following two tabs change content below.
Verena Ehbrecht

Verena Ehbrecht

… ist seit 2003 in der Kundenservicebranche tätig. Nach ihrer Tätigkeit als Teamleitung der damaligen buw und auf Technologieseite als Vertriebsexpertin der 4com Lösungen oder ELSBETH Produktpalette ist sie heute Vertriebsleiterin und Gesellschafterin der Leipziger converneo GmbH. Sie vereint die fachliche Expertise und technische Lösungskompetenz mit exzellentem Prozess-Know-how und dem Gespür für nachhaltige Customer Journeys.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.