Google+ Facebook Twitter XING LinkedIn GoogleCurrents YouTube

Künstliche Intelligenz

So können B2Bler KI im Marketing nutzen

| Autor / Redakteur: Holger Stelz / Georgina Bott

Der Weg aus dem Daten-Nebel: KI verschafft klare Sicht. Und kann noch einiges mehr.
Der Weg aus dem Daten-Nebel: KI verschafft klare Sicht. Und kann noch einiges mehr. (Bild: gemeinfrei / CC0)

Viele Marketer erhoffen sich von Künstlicher Intelligenz (KI) eine stärkere Kundenbindung und ein besseres Kundenerlebnis. Wie KI im Marketing konkret eingesetzt werden kann und warum Daten die wichtigste Grundlage dafür sind, lesen Sie hier.

Eine stärkere Kundenbindung und ein verbessertes Kundenerlebnis: das erwarten sich Unternehmen vom Einsatz KI-basierter Technologien wie etwa dem Machine Learning. Zudem gehen davon aus, dass sie so die Abwanderung von Kunden reduzieren können. Und die nachlassende Kundentreue ist in der Tat ein kritischer Trend. Laut KPMG sind 43 Prozent der Konsumgüterhersteller in Europa darüber äußerst beunruhigt und wollen daher die Kundenzentriertheit in den Fokus rücken.

Kundenservice und Kundenbindung durch ML

Im Marketing sind Chat- und Service-Bots derzeit wohl die populärsten Einsatzfelder von Künstlicher Intelligenz (KI) und Machine Learning (ML). Doch KI-basierte Systeme können bei weitem mehr als „nur“ mit dem Kunden zu kommunizieren. Sie können komplexe hochvolumige Daten in kürzester Zeit aufbereiten und „Was-Wäre-Wenn-Analysen“ durchführen – etwa wenn es um das Kaufverhalten oder die Kundenloyalität geht.

Vom Maschinellen Lernen (ML), ein Teilgebiet der KI, spricht man bei selbstlernenden Systemen. Diese Systeme werden mit Hilfe von Daten trainiert, lernen aus Beispielen und sind so in der Lage, Muster und Gesetzmäßigkeiten zu erkennen. Praktisch passiert dies über verschiedene Algorithmen. Nach Abschluss der Lernphase können ML-Systeme auch unbekannte Daten beurteilen und werden daher unter anderem zur Personalisierung von Inhalten und Empfehlungssystemen beim Endverbraucher eingesetzt.

Kundenabwanderung vorhersagen

Prädestiniert sind ML-Lösungen im Marketing daher vor allem, um Abwanderungsprognosen zu ermitteln, auch Churn Prediction genannt. Mithilfe von Churn-Prediction-Modellen können Kunden frühzeitig identifiziert werden, die kurz davor stehen, zum Wettbewerb abzuwandern, beispielsweise wenn ihr Vertrag ausläuft oder sie mit dem Produkt oder der Dienstleistung unzufrieden sind.

Abwanderungsprognosen sind vor allem für Unternehmen mit einer hohen Anzahl an Kunden relevant, weil hier die Loyalität jedes einzelnen und mögliche Triggerpunkte zur Abwanderung nur schwer einschätzbar sind. Das Churn-Prediction-Modell stellt dabei Abhängigkeiten zwischen Parametern fest, zum Beispiel wie oft sich ein Kunde bei einem Call- oder Service-Center-Mitarbeiter beschweren „muss“, bis er als abwanderungsbereit gilt. Außerdem kann das Modell sozio- und psychodemografische Merkmale mit einbeziehen. Auch weitere Parameter wie Zahlungsverhalten, Upgrade oder Downgrade eines Vertrages geben Hinweise auf den Loyalitätsgrad. Das Ziel eines ML-basierten Churn-Modells ist es, anhand dieser Daten den optimalen Zeitpunkt für die Kontaktaufnahme zum Kunden zu prognostizieren und die optimale Art der Ansprache: Kann der Kunde zum Beispiel mit Sonderkonditionen, individuellen Rabatten oder Aktionen von der Abwanderung abgehalten werden.

KI-System erkennt Emotionen

Churn-Prediction-Systeme sind dabei oft eine Kombination aus maschinellem Lernen, KI-basierter Sprachverarbeitung und Predictive Analytics. Die Systeme analysieren unter anderem Chat-Verläufe, E-Mail-Verkehr, Kalenderdaten, Social-Media-Kommentare und Tweets, da die Tonalität ein wichtiger Hinweisgeber auf die Kundenloyalität ist. So setzt etwa die Versicherungskammer Bayern den KI-Computer IBM Watson zur Erkennung von Emotionen ein. Watson scannt die eingehende Kundenpost nach Unmutsäußerungen und Angebotswünschen und erkennt im Gegensatz zu einer einfachen Schlagwortsuche auch Ironie. Der Computer ordnet den Verärgerungsgrad auf einer Farbskala ein. Anschließend erhalten speziell geschulte Sachbearbeiter automatisch den Vorgang zur Weiterbearbeitung.

Kundendaten für Machine Learning

Der Algorithmus eines Churn-Prediction-Systems benötigt neben möglichen Abwanderungs-Parametern vor allem einen möglichst großen Datensatz über die jeweilige Kundenhistorie, um Zusammenhänge zu erkennen. Dazu gehören sämtliche Kundeninformationen, also Stammdaten und Bewegungsdaten (Transaktions- und Interaktionsdaten). Diese umfassen Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt. Doch all diese Daten müssen von Unternehmen für das ML-System erst einmal verfügbar gemacht, aufbereitet und validiert werden.

Unternehmen verfügen zwar bereits häufig über einen Großteil der Profildaten ihrer Kunden, können diese aber nur schwer zusammenführen. Denn Stammdaten und Bewegungsdaten liegen in Unternehmen naturgemäß in mehreren Systemen verteilt – etwa in CRM-Systemen, Ticketing-, ERP-Lösungen oder Call-Center-Anwendungen. Damit ist es ihnen kaum möglich, die in den unterschiedlichen Systemen verwalteten Daten zusammenzuführen und für das ML-System verfügbar zu machen. Zwei Drittel (66 Prozent) der Unternehmen sehen daher in der Konsolidierung der Daten für eine 360-Grad-Sicht (Golden Profile) Optimierungspotenzial. Abhilfe kann der sogenannte „Ground Truth“ schaffen, eine Lösungs- und Prozessmethodik, die ein verlässliches Gesamtbild aller Daten im Unternehmen und damit der Wirklichkeit gibt.

Qualitativ hochwertigen Daten notwenidg

Holger Stelz ist Director Marketing & Business Development bei Uniserv.
Holger Stelz ist Director Marketing & Business Development bei Uniserv. (Bild: Grohmann Business Consulting)

Die Qualität von ML- beziehungsweise Churn-Prediction-Prognosen hängt aber nicht allein von der Masse der verfügbaren Kundendaten ab, sondern essenziell davon, wie qualitativ hochwertig diese Daten sind. Denn Grundlage jedes Machine-Learning-Systems sind Datenmengen, nämlich etwa zehn Prozent eines Datenbestands, anhand derer ML-Systeme trainiert werden. Damit das System jedoch nicht falsch lernt und irrtümliche Prognosen erstellt, ist es kritisch, dass die zugrundliegende Datenbasis absolut fehlerfrei ist. Fehler in den Kundendaten wie Dubletten, falsche Schreibweisen oder fehlerhafte Kontaktdaten müssen daher bereits vorab ausgemerzt werden. Denn ist die Datenbasis schlecht, beantwortet das System Fragen zur Abwanderung entsprechend falsch und daraus von Unternehmensentscheidern abgeleitete Handlungsoptionen wären fatal. Daten müssen daher über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden. Erst dann ist es möglich, die Kundenansprache hochgradig zu individualisieren, um die Kundenbeziehung und -zufriedenheit so zu verbessern, dass eine Abwanderung zum Wettbewerb verhindert werden kann.

Über den Autor

Holger Stelz ist Director Marketing & Business Development bei Uniserv. Seit 2010 leitet der Experte für Datenmanagement die Weiterentwicklung des Geschäftsfeldes Kundendatenmanagement und verantwortet zudem seit 2011 das weltweite Marketing. Im Zuge der Digitalisierung und der damit verbundenen Neuausrichtung von Kunden und Konsumenten bei der Informationsbeschaffung und -verarbeitung (Customer Journey) hat sich der Verantwortungsbereich von Herrn Stelz in den letzten zwei bis drei Jahren um das gesamte Kundenbeziehungs - und Leadmanagement erweitert.

Über Uniserv
Uniserv ist Experte für erfolgreiches Kundendatenmanagement. In seinen Customer Data Management- und Data Quality-Lösungen für Kundenstamm- und Bewegungsdaten vereint Uniserv Datenqualitätssicherung und Datenintegration zu einem ganzheitlichen Ansatz. Kundendaten stehen im Mittelpunkt von Initiativen für Master Data Management, Datenqualität, Datenmigration und Data Warehousing, beispielsweise im Umfeld von CRM-Anwendungen, eBusiness, Direct- und Database-Marketing, CDI/MDM-Anwendungen und Business Intelligence. Mit mehreren Tausend Installationen weltweit bedient Uniserv die Erwartungshaltung einer ganzheitlichen Lösung für alle Geschäfts- und Kundendaten über den gesamten Datenlebenszyklus hinweg. Am Stammsitz in Pforzheim sowie in den Niederlassungen in Paris, Frankreich, und Amsterdam, Niederlande, beschäftigt das Unternehmen über 130 Mitarbeiter und zählt branchenübergreifend und international zahlreiche renommierte Unternehmen wie beispielsweise Allianz, Deutsche Bank, eBay, EDEKA, E.ON, France Telecom, Lufthansa, Otto, Siemens, Time Warner sowie TUI und VOLKSWAGEN zu seinen Kunden. Der Landesdatenschutzbeauftragte für Baden-Württemberg hat kürzlich bestätigt, dass Uniserv seine Geschäftsprozesse datenschutzgerecht gestaltet. Zudem hat das Unternehmen kürzlich erneut das Qualitätssiegel Datenverarbeitung des Deutschen Dialogmarketing Verbandes e.V. für das Jahr 2017 erhalten.

Dieser Beitrag erschien zuerst bei unserem Schwesterportal Marconomy.de

Holger Stelz
Über den Autor

Holger Stelz

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45046688 / Marketing und Vertrieb)

Themen-Newsletter Management & IT abonnieren.
* Ich bin mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung und AGB einverstanden.
Spamschutz:
Bitte geben Sie das Ergebnis der Rechenaufgabe (Addition) ein.

Meistgelesene Artikel

24 Gadgets zur Weihnachtszeit

Geschenkideen

24 Gadgets zur Weihnachtszeit

07.12.17 - Die Vorweihnachtszeit hat begonnen und es wird Zeit, sich um die Weihnachtsgeschenke zu kümmern. Wie wäre es mit einem praktischen, nützlichen oder verrückten Gadget? Für beinahe jeden Anlass gibt es eine passende technische Spielerei. Wir zeigen Ihnen 24 Gadgets, die gut unter den Weihnachtsbaum passen. lesen

MM Innovationstag - Fachvorträge, Ausstellung und Networking

MM Akademie

MM Innovationstag - Fachvorträge, Ausstellung und Networking

11.12.17 - Am 7. Dezember 2017 fand in Düsseldorf der erste MM Innovationstag zum Thema Fertigungstechnik 4.0 statt. Führende Unternehmen wie Siemens, Renishaw, Meusburger oder Open Mind stellten Methoden und Kompetenzen für die digitale Fertigungstechnik vor und präsentierten Lösungen aus der Praxis. lesen

Mensch-Roboter-Kollaboration – Neue Perspektive der industriellen Robotik

Forschungsprojekt Claxon

Mensch-Roboter-Kollaboration – Neue Perspektive der industriellen Robotik

04.12.17 - In der zukünftigen Mensch-Roboter-Kollaboration gilt es noch viele Aspekte zu klären, zum Beispiel Sicherheitsanforderungen an die Roboter. Das Imec betrachtet dieses Thema der industriellen Robotik einmal aus einem anderen Blickwinkel. lesen