Kundenbedürfnisse vorhersagen: Ich weiß was, was du nicht weißt!

Daten, Daten und noch mehr Daten – die Sammelwut einiger Onlinehändler scheint momentan keine Grenzen zu kennen. Während die einen den Kunden eher subtil gläsern machen, scheuen andere nicht das offene Feld, wie beispielsweise Amazon mit den Dash-Buttons und Echo. Das massenhafte Sammeln von Daten ist aber auch nur logisch, denn künstliche Intelligenzen wollen gefüttert werden.

Das Ziel ist die perfekt angereicherte Customer Journey. Neue Technologien helfen dabei nicht nur Bedürfnisse beim Kunden zu wecken, viel mehr wissen Onlinehändler schon vor dem Kunden, was dieser demnächst kaufen wird. Bedürfnisse erahnen und punktgenau befriedigen, das ist der neue Weg. Alles auf Basis von auswertbaren Daten. Was ist mit der „Vorhersage von Bedürfnissen“ eigentlich gemeint? Wie kann man das umsetzen? Und wo kommen die Daten überhaupt her?

Vorhersagen von Bedürfnissen

Die Vorhersage von Bedürfnissen des Kunden… das klingt wie ein billiger Zaubertrick. Ist es aber nicht, wie folgendes Beispiel versucht zu erklären:

Peter bestellt schon länger über einen Dash-Button Rasierklingen und hört über Amazon Echo und Prime Music ausschließlich deutschen Hip-Hop. Normalerweise löst Peter alle 20-23 Tage eine Rasierklingen-Bestellung durch den Dash-Button aus. Nun möchte er sich aber einen Vollbart wachsen lassen – die Rasierklingen-Bestellungen bleiben aus. Peter fällt auf, dass sein immer länger werdender Bart Pflege benötigt – passend dazu hat ihm Amazon schon vor wenigen Tagen passende Pflegeprodukte via E-Mail vorgeschlagen.

Der gepflegte Vollbart gefällt nicht nur Peter sondern macht auch Eindruck auf die Damenwelt. Seit einiger Zeit übernachtet Julia regelmäßig bei Peter. Trotz des unterschiedlichen Musikgeschmacks (Julia hört überwiegend Electro), verstehen sich die beiden so gut, dass sich Peter dafür entscheidet ein größeres Bett über Amazon zu ordern. Zum Valentinstag möchte er sie außerdem mit einem kleinen Präsent überraschen. Bis vor kurzem wusste er noch nicht, was er Julia schenken soll, doch auf Amazon wurde ihm zufälligerweise die neueste Platte (natürlich auch als MP3-Download) von Julias Lieblings-DJ vorgeschlagen. Als Special-Offer erhält Peter gleichzeitig einen Strauß Rosen dazu.

Die Verhaltensänderungen des Kunden wurden registriert und dementsprechend darauf reagiert. Der Onlinehändler (in diesem fall Amazon) identifizierte durch die selteneren Bestellungen von Rasierklingen das mögliche (!) Bedürfnis von Pflegeprodukten für einen Bart.

Der Umstand, dass plötzlich andere Musik über das Echo-Gerät gespielt wurde (Vermutung: Eine zweite Person benutzt das Echo) und Peter ein größeres Bett kaufte (Vermutung: Peter hat eine romantische Beziehung zu einer anderen Person), ließen sich in Zusammenhang bringen (Ergebnis: Peter hat eine romantische Beziehung zu einer Person, die Electro hört) und nutzen – daher der passende Vorschlag des Valentinsgeschenks.

Wie den Zusammenhang erkennen?

Die Komplexität der Kausalitäten beim vorgestellten Beispiel sind dabei marginal und beziehen nur wenig Wissen über den Kunden ein. Je mehr Daten man aber über einen Kunden besitzt, desto komplexer werden die Zusammenhänge und desto exakter können Onlinehändler Bedürfnisse vorhersagen. Die Vorhersage ist dann mit einer immer höheren Wahrscheinlichkeit richtig.

Dabei gibt es unterschiedliche Herangehensweisen hinsichtlich der Technologie. SAP Hybris setzt beispielsweise auf ein perfektes Customer Relationship Management. Mit verschiedenen Lösungen, wie beispielsweise Hybris Marketing oder der Cloud for Customer, und der HANA-Plattform können Daten effektiv gesammelt, analysiert, ausgewertet und für die verschiedenen Teilbereiche Service, Sales und Marketing verwendet werden. Dabei hilft in Zukunft unter anderem der YaaS-Dienst „SAP Hybris Profile“. SAP Hybris Profile hilft der kontextbezogenen Ansprache in Echtzeit und in Unabhängigkeit vom Touchpoint.

Ein „Magic Moment“ mit SAP Hybris Profile sieht übrigens so aus: Peter wartet auf seinen Zug. Dieser hat DB-typisch Verspätung – was also tun? Die Idee: Schnell ins nächste Starbucks und den Lieblingskaffee bestellen. Peter betritt den Laden und muss nur noch bezahlen, denn der Kaffee ist bereits zubereitet worden. SAP Hybris Profile hat vorhergesagt, dass bei einer Zugverspätung der Starbucks-Besuch mit der üblichen Bestellung erfolgt und dies der Starbucks-Filiale mitgeteilt.

Auch SugarCRM geht mit dem neu gestarteten Feature „Candace“ den Weg der Verschmelzung: CRM und KI. Candace analysiert dabei Daten aus dem SugarCRM und bietet dem Nutzer fundierte Next-Steps an. Ziel ist die Bereitstellung eines intelligenten CRM-Systems.

Onlineshops, die solche Predictive Analytics benutzen, werden in gewappnet in die Zukunft gehen. Aber man kann noch einen Schritt weiterdenken. Dank verbesserter Künstlicher Intelligenz, wie beispielsweise durch Hilfe der „Partnership on AI„, lässt man einfach die KI komplexe Zusammenhänge erkennen. Durch Deep Learning dienen die Daten nicht nur der Vorhersage von Kundenbedürfnissen, sondern lassen die KI immer intelligenter und Vorhersagen genauer werden.

Vorhersagen sind geil! Woher kriege ich aber die Daten?

Vorhersagen von Kundenbedürfnissen und Predictive Analytics benötigen eine solide Datengrundlage. Dabei gilt: Je mehr ich über den Kunden weiß, desto genauer kann ich ihm sagen was er bald braucht. Doch um das Thema als Händler anzugehen, sollte man sich klar sein, woher man möglichst viele Daten bekommen kann. Ein Problem, das in immer mehr Unternehmen Beachtung findet:

Hier kommen weitere zukunftsweisende Technologien zum Einsatz, wie beispielsweise das Internet of Things. Wobei die Platzierung eigener Geräte beim Kunden vorerst wohl nur den großen Playern vorbehalten ist.

Eine andere Möglichkeit für Onlinehändler wären beispielsweise die Lösungen von SAP Customer Engagement & Commerce. Auch CRM-Tracking-Pixel wären ein erster Schritt. Diese können anhand des Kundenverhaltens anonymen Besuchern einer Website einen bereits bestehenden CRM-Kontakt zuordnen. Alternativ kann durch das Tracken des Nutzerverhaltens auf der Website gleich die Einordnung in eine bestimmte Zielgruppe erfolgen. Eine genaue Vorhersage lässt sich damit zwar nicht treffen, dennoch kann in Echtzeit reagiert und dem Kunden können kontextbezogene Produkte/Angebote ausgespielt werden. Beispielsweise ließe sich an der Art und Weise der Mausbewegung und Klick-Geschwindigkeit feststellen, ob es sich um einen „Digital Native“ (also eine junge Person) oder eine ältere Person handelt.

Alles nur Zukunftsmusik?

Noch steckt die komplexe Erkennung von Zusammenhängen in den Kinderschuhen. Aber viele Onlineshops legen einen großen Wert auf Predictive Analytics, wodurch das Wissen um diese Technologie immer weiter anwachsen und die Problemlösung einzelner Use-Cases stetig verbessert wird.

Und übrigens: Die „German Angst“ spielt bei diesem Thema natürlich auch eine sehr zentrale Rolle. Zwar sind Einwohner anderer Nationen ebenso empfindlich wenn es um die Nutzung personenbezogener Daten geht, aber – Hand aufs Herz – ein Großteil der Deutschen würde es doch sehr befremdlich finden, wenn Onlineshops durch das Analysieren von Zusammenhängen plötzlich Produkte für Dinge vorschlägt, die der Onlineshop (eigentlich) gar nicht wissen kann.