Wie funktioniert Personalisierung mit Daten wirklich?

Mit Daten auf Kundenwünsche angepasste Angebote verkaufen sich besser. Doch wie man die Personalisierung von Daten angeht und in die Praxis umsetzt – darum ranken sich viele Meinungen und Mythen. Die Agentur Konversionskraft möchte mit einem selbst entwickelten 4-Stufen-Modell einen einfachen Einstieg – von der Datenanalyse bis hin zur selbst lernenden Automationslösung vorstellen.

Ein viel gefragtes Ziel bei der Arbeit mit Daten ist die Personalisierung. Angebote und Inhalte, etwa Produkte und Produktbeschreibungen in einem Onlineshop, sollen auf Kundenwünsche angepasst werden und den Kunden im richtigen Moment erreichen. Personalisierung ist also für Agenturen und Unternehmen ein Trend. „Viele denken zu Recht, man muss in dem Bereich etwas machen und tatsächlich arbeiten wir an immer mehr Projekten. Personalisierung kann im hart umkämpften Wettbewerb den entscheidenden Vorteil bieten. Was uns dabei aufgefallen ist: Es herrscht dabei immer noch viel Verunsicherung“, erklärt Julia Engelmann, Head of Data Science von Konversionskraft.

Nicht neu und doch viele Mythen

Auf Kundenseite und manchmal auch auf Agenturseite beobachtet die Datenwissenschaftlerin noch viele Mythen: Da gibt es den Irrglauben, dass Daten Personalisierung der heilige Gral sei, der richtig kompliziert ist und immer unbedingt nach einem Data Lake, teuren Tools, Machine Learning und Künstlicher Intelligenz verlangt. Aber viele merken kurz danach: Der Data Lake und das komplexe Tool sind nicht die Antwort.

Manchmal kommt der Anstoß, mit Personalisierung zu beginnen, auch von einem Mitarbeiter. „Jemand aus dem Analytics oder UX Research hat sich intensiv mit den Daten und Nutzerbedürfnissen beschäftigt. Vielleicht gibt es schon Erkenntnisse aus vergangenen Tests, dass sich bestimmte Nutzersegmente anders verhalten als andere, anders reagieren auf das Testkonzept. Oder dass erste Tests über alle Nutzergruppen im Aggregat nicht funktioniert haben wie gewünscht. Das gibt oft den Ausschlag dafür, sich differenzierter mit der eigenen Zielgruppe zu beschäftigen“, so Engelmann.

Personalisierung ist tatsächlich nicht so neu, sie hat beim Gartner Hype Cycle schon die Schulter überschritten – aber bei vielen Trends, wie zum Beispiel dem „Mobile first“-Prinzip vor einigen Jahren, dauert es, bis sie in den Köpfen ankommen. Und dennoch: Fragt man 10 Testpersonen, was Personalisierung wirklich ist, bekommt man 10 verschiedene Antworten. „Jeder versteht etwas anderes darunter, auch abhängig davon, in welcher Rolle er im Unternehmen ist. Jemand aus dem E-Mail-Marketing stellt sich etwas anderes darunter vor als der Webdesigner. Im Management bekommst du Buzzwords wie holistic, automatic und cross-channel. Viele können aber auf Nachfrage nicht genau sagen, was das alles ist“, so Engelmann.

Das Erfolgsrezept: Strukturiert vorgehen bei der Personalisierung von Daten

Aus Sicht von Konversionskraft wird das Thema oft unnötig aufgebläht. Eigentlich sei es wie A/B Testing – nur mit Segmenten. Das heißt, die A- und B-Version eines Inhalts, zum Beispiel einer Landing Page einer Website, wird unterschiedlich gestaltet und an unterschiedlichen Zielgruppen (Segmenten) wie Neukunden oder Stammkunden getestet. Der Kandidat, der besser abschneidet, also zum Beispiel mehr Bestellungen generiert, gewinnt. „Das Problem ist, dass viele gleich viel zu komplex denken und meinen, sie müssen mit Data Science und Clustern anfangen“, kommentiert die Datenexpertin. Als Gegenrezept hat die Agentur ein Patentrezept entwickelt. Die Grundidee dabei ist, dass es unterschiedliche Komplexitätsstufen bei der Personalisierung gibt – eine Erkenntnis, die aus Praxisprojekten folgte.

Gleichzeitig gibt es immer gleiche Bausteine, die es braucht, um bei der Personalisierung erfolgreich zu sein:

–           Der Kundennutzen mit seinen Bedürfnissen

–           Es gibt immer schnelle Ideen, die sich weiter systematisieren lassen

–           Wichtig ist die Orientierung: Wo fange ich an? Was mache ich in einem Jahr? Wo stehe ich gerade?

Das Treppenmodell: 4 Stufen zur Personalisierung von Daten

Das von Konversionskraft entwickelte Treppenmodell hat vier Stufen, die nach Komplexität aufsteigen.
Der Vorteil: Damit kann jeder ohne die Anschaffung teurer Tools mit Personalisierung anfangen.

1. Quickstart: Best Practices nach vorhandenen Daten

Hintergrund bei Stufe 1 ist, dass kein Unternehmen bei null anfängt. Es ist immer schon Wissen da, das ausreicht, schnelle Ideen für Anwendungsmöglichkeiten zu generieren, die dann in A/B-Tests geschickt werden können. In wenigen Tagen lassen sich die Erkenntnisse umsetzen – eine best practice für Personalisierung. „Oft sind es Klassiker, wie Warenkorb-Abbrechern eine Mail zu schicken, Inhalte für Bestandskunden von Neukunden zu unterscheiden. Alles Maßnahmen, die viel bewirken“, so Engelmann. Es wird im Unternehmen klar: Personalisierung bringt Vorteile. Das ebnet den Weg für weitere Schritte.

2. Regelbasiert: Statische Segmente

Irgendwann geht bei Stufe 1 der Input aus, weil ab einem Punkt Wissen über den Kunden fehlt. In Stufe 2 generiert man Wissen über den Kunden – über einen Persona-Workshop oder Webanalysen. „Wir verknüpfen Bedürfnisse mit Daten, zum Beispiel denen aus der Kaufhistorie. Das sagt uns: Welcher Nutzertyp braucht eigentlich was?

Danach verstehen wir die Zielgruppe besser, haben tieferes Wissen über die Kundenbedürfnisse“, erklärt Engelmann.

KI ist auch in der Lage, Daten aus verschiedenen Quellen zu sammeln und zu analysieren. Dadurch kann das Personal-Team datengestützte Entscheidungen treffen und bessere Einblicke gewinnen. Zum Beispiel kann die KI dabei helfen, die besten Kanäle für das Recruiting zu identifizieren oder Trends in der Mitarbeiterzufriedenheit zu erkennen. Die Analyse von Daten kann auch dazu beitragen, die Effektivität von HR-Programmen zu bewerten und zukünftige Entscheidungen zu verbessern.

Mit der passenden CRM Software verwalten Sie Ihre Daten effizient!

3. Dynamisch: Predictive Segmente durch Machine Learning

Irgendwann werden Anwendungsfälle aus Phase 2 knapp, da sie im Prinzip von Menschen per Hand festgelegt werden. Dann wird es Zeit, die Daten mit Machine Learning Algorithmen sprechen zu lassen. Hier vollzieht man den Schritt von „handgemacht“ zu „datengetrieben“. Dieser ist wichtig, denn es ist irgendwann schwierig, den Überblick zu behalten, zudem steigen Aufwand und Kosten. In Stufe 3 werden die Ergebnisse genauer und insgesamt das Konzept skalierbar, denn die Cluster – also Nutzersegmente – werden hier mit Daten automatisiert gebildet.

Phase 3 „denkt“ also mit, sobald sich das Verhalten der Nutzer ändert. Beim Kunden Computeruniverse hat Konversionskraft zum Beispiel eine 1:1 Anpassung eingeführt. Das Wording im Warenkorb des Shops passt sich auf den Kundentyp (zum Beispiel Neu- oder Stammkunde an) und er bestimmt selbst, wann geliefert wird.

4. Selbstlernend: Skalierung und Automatisierung

In dieser Phase lernt und erkennt der Algorithmus als neuronales Netz selbstständig und erstellt automatisiert Segmente. Vorteil: Wird auf der Website der Algorithmus hinterlegt, kann er beim Besucher eine Prognose abgeben, welcher Besuchertyp er ist. Hier findet eine völlig automatisierte Personalisierung mit Künstlicher Intelligenz statt, die sich 1:1 auf Kundenwünsche anpasst, nach Bedarf skalieren und antizipieren kann, was der Kunde sich im nächsten Schritt wünscht. Diese Stufe kann sich so ohne menschliches Zutun in Sachen Daten und Personalisierung selbst optimieren und so stetig den Return on Investment (ROI) steigern – also selbst das Wachstum fördern.

Fazit: Schrittweiser Umstieg zur datengetriebenen Organisation

Das Modell kommt aktuell schon bei Kunden von Konversionskraft zum Einsatz. Das Feedback ist sehr positiv, nicht nur, weil der Mythos Personalisierung in den Schritten logisch und nachvollziehbar wird, sondern auch, weil die Arbeitsschritte zu hundert Prozent transparent bleiben, bevor Künstliche Intelligenz mit ins Spiel kommt. Mit den Ergebnissen aus jedem Schritt wird der Erfolg der Personalisierung in der datengesteuerten Organisation messbar und belegbar, bevor es zur nächsten Stufe geht. Und wer will, geht den nächsten Schritt, resümiert Engelmann: „Irgendwann kommt es dann in den Bereich des Predictive Modelings. Wenn man möchte, ist mithilfe von KI eine völlig automatisierte Personalisierung möglich.“