von Julia Engelmann

Data-to-Persona Modell: Data Analytics und Personae verbinden

Bereits das Wort ‘Personalisierung’ löst bei vielen Projektleitern Schweißperlen aus. Das vielschichtige Thema ist jedoch in den letzten Jahren zu einem nicht wegzudenkenden Baustein für Unternehmen geworden.

Statt sich durch komplexe Projekte zu quälen, teure Tools zu früh zu installieren oder Stakeholder zu verschrecken, gibt es Methoden datengetriebene Personalisierung schrittweise einzuführen. Denn am Ende ist treffsichere Zielgruppenansprache immer ein konstanter Prozess aus Analysieren, Messen, Lernen, Verstehen und Umsetzen.

In diesem Beitrag gebe ich einen umfassenden Einblick in die Verzahnung von Data Analytics und Persona-Research.

Unser Data-to-Persona-Modell zeigt dir:

  • Worauf es bei der Persona-Erstellung ankommt
  • Wie du Daten mit expliziten und impliziten Bedürfnissen verknüpfst
  • Wie du Schritt-für-Schritt Hebel zur Personalisierung findest
  • Wie du Data Science sukzessive aufbaust
  • Wie der Customer Experience Loop hilft, im Rahmen deiner Möglichkeiten zu starten

Tipp: Schau dir hier ergänzend die Aufzeichnung meines Webinars zum Thema an!

Tante Emma und die 1:1 Kommunikation

Tante Emma kannte ihre Käufer genau.

War die treue Kundin schwanger oder in die frischgebackene Familie ein neues Haustier inkludiert – Tante Emma wusste Bescheid.

Sie half mit den richtigen Windeln für den Nachwuchs, kannte Bedürfnisse beim Wocheneinkauf, wusste, was der Vierbeiner benötigte oder wie sie die Nerven der Eltern wieder beruhigte.

One to Many und Many to One im Vergleich für Data Analytics
Abb.: Die meisten Websites sind starr und reagieren kaum auf die unterschiedlichen Bedürfnisse der Nutzer. Die klassische Website für alle Besucher (1:n Kommunikation) wird durch Personalisierung in eine 1:1 Kommunikation mit mehr Relevanz gewandelt.

Statt alle Ladenbesucher identisch zu behandeln, kannte Tante Emma die verschiedenen Käufertypen und fing ihre Bedürfnisse unterschiedlich ab.

Kurzum: Tante Emma war die Königin der 1:1 Kommunikation.

Diese Art der Kommunikation ist eigentlich genau das, was wir auch mit unseren Online-Angeboten anstreben. Denn das “Tante-Emma-Prinzip” kannst du ebenfalls auf deine Website übertragen.

Starre Websites und häufige Fragen bei der PERSONAlisierung

Aktuell sind die allermeisten Seiten starr und reagieren kaum auf die unterschiedlichen Bedürfnisse der Nutzer. Die vorherrschende One Size fits all Lösung (1:n Kommunikation) führt zu geringer Relevanz beim Besucher. Nur weil dein Nutzer nach dem Log In mit seinem Namen angesprochen wird, spricht man noch lange nicht von einer personalisierten Ansprache.

Unser Ziel ist es jedoch, weg von der 1:n Lösung hin zu einer umfassenden personalisierten Ansprache zu gelangen, die den Nutzer in der gesamten Customer Journey optimal in seinen Bedürfnissen bedient. Unterschiedlichen Nutzertypen sollen im Idealfall differenziert entlang ihrer Bedürfnisse angesprochen werden.

Dabei tauchen beim Personalisieren in der Praxis allerlei Fragen auf:

  • Wie gelangen wir zu einer verfeinerten Kundenansprache?
  • Wie können wir Daten und Analysen sinnvoll in die Ansprache mit einfließen lassen?
  • Warum sind Personae dabei so wichtig?
  • Wie lösen wir starre Websites Stück für Stück auf?
  • Wie integrieren wir Personalisierung im Unternehmen und lösen Barrieren auf?

Personae: die verfeinerte Kundenansprache

Eine verfeinerte Kundenansprache gelingt nur, wenn wir unsere Besucher und Kunden allmählich besser kennenlernen.

Damit eine besser Kundenansprache praktikabel bleibt, werden unterschiedliche Nutzertypen in der digitalen Welt oft durch Personae beschrieben.

Personae stellen die Prototypen für ein bestimmtes Nutzersegment dar und repräsentieren ein konkretes Verhalten, Merkmal und Bedürfnis. Sie sind deine Grundlage für Personalisierung, um unterschiedliche Typen und Anliegen deiner Zielgruppe im Online-Umfeld greifbarer zu gestalten. Folglich kannst du durch Personae beispielsweise bessere Produkttexte oder ansprechende Marketing-Maßnahmen schneller entwerfen.

Vermeintliche Anleitungen, wie man Personae erstellt, findet man mittlerweile zu genüge. Doch es gibt eine Menge Stolpersteine, die in der Praxis bei der Definition von Personae entstehen.

Typische Probleme mit Personae in der Praxis

Oft verschwinden aufwändig entwickelte Personae-Profile wieder in der Schublade.

Sätze wie: “Natürlich haben wir Persona-Profile, aber meine Erfahrung ist, dass sie bei der Weiterentwicklung unserer Website nicht genutzt werden.” sind dabei keine Seltenheit und ersticken jeden Ansatz einer Personalisierung von Kundenerlebnissen oder ein abteilungsübergreifendes Kundenverständnis bereits im Keim.
Ich erinnere mich sogar an ein Projekt, als kostspielige Persona-Profile in den Archiven der Unternehmung verschwanden und nicht mehr auffindbar waren.

Aus unserer Erfahrung ist eine primäre Ursache, dass die Vorteile und Methoden bei der Erstellung, dem Einsatz und den Arbeitsweisen mit Personae bei vielen Abteilungen und Unternehmen noch unklar sind. Zudem mangelt es an Wissen, wie man im laufenden Betrieb Daten sinnvoll mit Kundenprofilen verknüpft.

Weitere Gründe leiten sich aus den obigen Zweifeln und Bedenken ab:

  • das Vertrauen und die Glaubwürdigkeit in Personae fehlt
  • die Messbarkeit ist nicht gegeben
  • Profile wurden nicht genügend besprochen und mit anderen Team kommuniziert
  • die Profile sind unzureichend entwickelt und weisen Fehler auf
  • die Transparenz im gesamten Unternehmen ist nicht gegeben
Problem mit Personae part 1
Abb.: Persona mit demographischen Merkmalen geben keine Auskunft über die Bedürfnisse und erschweren eine personalisierte Ansprache.

Durchaus kann bei solch einem Profil die Frage der Nutzbarkeit auftauchen.

Woher soll ich nun wissen, was das für ein Kundentyp ist, was dieser benötigt und welche Bedürfnisse er hat?

Auf Basis dieser Informationen kann ich keine personalisierte Ansprache entwickeln, da mir die Werte, der Charakter, die emotionalen Motive oder die Absichten des potenziellen Käufers fehlen. Ein gutes Targeting fällt dadurch ebenfalls flach, weil ich diese Daten nicht besitze, bevor dieser sich nicht eingeloggt hat.

Problem mit Personae Part 2
Abb.: Mangelnde Verzahnung von Daten (quantitativ) und Werten (qualitativ) führen bei der Erstellung von Personae zu unzureichenden Profilen und tragen wenig zu einer personalisierten Ansprache bei.

Was ich ebenfalls oft in der Praxis beobachte, sind die unterschiedlichen Methoden der Persona-Erstellung. Denn diese laufen oftmals getrennt voneinander ab.

Qualitative und quantitative Methoden werden nicht miteinander kombiniert:

  1. Nur Data bedeutet, dass ich repräsentative und messbare Datensegmente erhalte, aber keine Informationen über Bedürfnisse, Werte und Charaktereigenschaften.
  2. Nur UX bedeutet, dass ich Bedürfnisse und Werte erhalte, aber die Ergebnisse subjektiv, nicht messbar/ anwendbar sind und wieder in der Schublade landen.

Abschließend wird der letzte Denkfehler bei der Persona-Erstellung begangen: der Traum vom Tool, was die Personalisierungs- und Persona-Probleme auflöst.

Kein Tool wird deinen ROI-Schatz aus der Versenkung heben, denn es ist und bleibt noch immer ein Werkzeug, und dieses Werkzeug kann getrost als Hilfsmittel, aber nicht als Heilmittel beschrieben werden.

ROI durch Personalisierung mit Hilfe von Data Analytics
Abb.: Echte Personalisierung und ROI entsteht, wenn alle verfügbaren Daten, in Marketing-Maßnahmen so einsetzt, um die angestrebte Reaktion beim Nutzer auszulösen.

Merke: Daten generieren keine ROI, nur deine Nutzer! Erst wenn du das Wissen über deine Nutzer so einsetzt, dass du bei ihnen eine Reaktion auslöst, wirst du die gewünschten Hebel zur Umsatzsteigerung finden.

Ein essenzieller Leitgedanke hilft, dich immer auf die Bedürfnisse der Nutzer zu konzentrieren.

Was wünscht sich also dein Nutzer?

Bedürfnis und Gefühl von Verständnis
Abb.: Dein Besucher möchte, egal in welcher Lebenslage er gerade steckt, das Gefühl haben verstanden zu werden.

Deine Besucher wollen das Gefühl bekommen, dass deine Website sie versteht und die Bedürfnisse aufgreift. Wenn du dieses Gefühl entlang deiner Käufergruppen mit einer 1:1 Kommunikation erzielst, öffnest du neue Türen für mehr Uplift.

2 essentielle Bausteine, um brauchbare Personae zu entwickeln

Bedürfnisorientierung plus Messbarkeit ist Relevanz
Abb.: Die zwei Bausteine, um gute Personae zu erstellen und diese in der Praxis zu nutzen. Erzeuge Relevanz bei deinen Kunden (Bedürfnisorientierung) und überzeuge interne Stakeholder, indem du Daten qualitativ und quantitativ verbindest (Messbarkeit).

1. Bedürfnisorientierung: generiere qualitatives Wissen über die emotionalen Werte, Motive und Absichten deiner Zielgruppe z.B. mittels Tiefeninterviews. Sie sind zudem ein ideales Werkzeug, um massig Ideen für A/B-Tests oder Optimierungsmaßnahmen zu erhalten.

2. Messbarkeit: gezielte quantitative Umfragen, Onsite-Befragungen oder Daten-Analysen zum Kaufverhalten, liefern dir frühzeitig eine Messbarkeit und sorgen auch bei kritischen Stimmen für mehr Klarheit beim Thema Persona-Relevanz.

Output = Relevanz: die Business-Relevanz entsteht aus der Verzahnung beider Maßnahmen, denn nur so konzentrierst du dich auf Zielgruppen mit ROI-Potenzial. Eine wichtige Priorisierung von Zielgruppen, z.B. nach Umsatzpotenzialen sorgt außerdem dafür, dass man sich auf wichtige Kundensegmente konzentriert und eine Roadmap erstellen kann.

Aber keine Angst! Selbst, wenn bisher noch alle Daten und Informationen irgendwo verstreut in den Archiven deiner Abteilungen liegen, gibt es ein strukturiertes Vorgehen, um eine Verzahnung von Daten und Insights zu gewährleisten: das Data-to-Persona Modell.

Wie du dorthin gelangst beschreibe ich nachfolgend im Detail.

Schritt 1: So gelingen Datenerhebung und Clustering

 

Data to Persona Modell für Personalisierung mit Data Analytics
Abb.: Jeder Punkt ein Kunde: Data Clustering birgt enormes Potenzial. Aus 2,4 Millionen Kunden konnten sieben trennscharfe Cluster erstellt werden.

Im quantitativen Teil des Data-to-Persona Modells werden die Gewohnheiten deiner Kunden auf Basis von vorhandenen Daten zum Nutzer- und Kaufverhalten analysiert.

Der quantitative Teil startet trotzdem mit einer qualitativen Betrachtung.

Es werden Hypothesen zu möglichen Segmenten und Unterschieden im Verhalten erstellt, um die Segmentierungsmöglichkeiten der Daten einzuschränken und zielführend zu gestalten.

Mögliche Leitfragen können sein:

  • Welche Nutzertypen können auf meine Seite kommen?
  • Welche Bedürfnisse haben sie?
  • Welche Fragen gehen ihnen dabei im Kopf rum?
Fragekatalog für User Intents und Motive von Personae
Abb.: User Intents und Motive: Beispielhafte Absichten und Motive von Website-Besuchern.

Anschließend sammelt man die möglichen Hypothesen zu unterschiedlichem Verhalten und Bedürfnissen.

Nun ergibt sich bereits ein erstes Bild, welche Nutzertypen es auf deiner Seite geben könnte. Du kannst der Abbildung einige mögliche Fragen/ Hypothesen von unterschiedlichen Käufertypen entnehmen.

Im nächsten Schritt werden diese Hypothesen in Daten übersetzt.

Das heißt wir „kleben“ Metriken an unsere Hypothesen mit dem Ziel, diese mit Daten zu belegen. Diese Metriken bezeichnet man im Data Science als Features.

Ein Feature ist eine messbare Eigenschaft eines Objekts, das analysiert werden soll. In Datensätzen ist ein Feature eine Spalte. Das Objekt ist in unserem Fall ein Nutzer, der in einer Spalte abgebildet wird. Features werden im Data Science auch manchmal als Variablen oder Attribut beschrieben.

Typische Feature-Metriken können sein:

  • Onsite: Besuchte Seitentypen, Scroll-Tiefe, Suche, Filter-Nutzung, Klicks usw.
  • Purchase: Warenkorbwert, Preissegment, Artikelkategorien usw.
  • Demographics: Geschlecht, Alter, Ort usw.
Datenmatrix im Data Analytics Prozess
Abb.: Datenmatrix im Data Analytics Process. Die Features resultieren aus den Hypothesen die man am anfang aufgestellt hat.

Ein Cluster-Algorithmus hilft die relevanten Datensegmente zu finden. Ziel des Clustering ist es, einen großen Datenberg in mehrere kleine zu unterteilen.

Clustering ist eine Methode aus dem Data Science die aus dem Unüberwachten Lernen (Unsupervised Learning) stammt. Statt eine Funktion zu lernen, die Eingabe- mit Ausgabevariablen in Verbindung zu setzen (überwachtes Lernen), geht es beim unüberwachten Lernen darum, Muster in unmarkierten Daten zu erkennen.

Cluster sollten in sich möglichst ähnlich sein und sich untereinander möglichst stark unterscheiden. Kunden mit ähnlichem Verhalten werden daher in ein Segment gefasst und diese grenzen sich zu den anderen Segmenten ab, welche ein anderes Verhalten zeigen.

Mittels Algorithmus kann dies selbstverständlich automatisiert geschehen. Oft wird im Data Science sogenanntes kmeans Clustering verwendet, um die Daten in mehrere kleinere Segmente auf Basis der quantitativen Informationen einzuteilen.

In der obigen Grafik konntest du den Blick auf 2,4 Millionen Kunden werfen. Es wurden hierbei Kunden mit ähnlichem Verhalten in ein Segment gefasst, die sich zu anderen Segmenten deutlich abgrenzen und ein anderes Verhalten aufweisen.

Die farblich klare Trennung zeigt das unterscheidbare Verhalten, welches vom Algorithmus erkannt und in unterschiedliche Segmente unterteilt wird.

Die Wandlung in Boxplots ermöglicht es dir zusätzlich zu analysieren, wie die Daten verteilt sind. Die Boxplots geben Informationen darüber, in welchen Bereichen sich die Werte der Features innerhalb der einzelnen Cluster bewegen. Sie geben Informationen über die Verteilung von Daten, z.B. zu bestimmten Quantilen und Extremwerten.

Diese Daten werden dann in Hinblick auf das Verhalten interpretiert:

  • Was zeichnet ein Cluster aus?
  • Welche Werte sind in einem Cluster besonders auffällig, also besonders hoch oder niedrig?
  • Wie sind die Verhältnisse unter den Clustern?
Cluster Sheet für Visualiserung von Datenerhebung und Kundensegmentierung
Abb.: Das Cluster Sheet oder der Cluster Steckbrief visualisiert die Ergebnisse deiner Datenerhebung und gibt Einblicke in deine segmentierten Kunden für eine besser und personalisierte Ansprache.

Ein Cluster-Steckbrief ist das Resultat deiner ganzen Datenanalyse. Der Cluster-Steckbrief kann dir sehr viel über deine segmentierten Käufer verraten:

  • Welches Preissegment wird bevorzugt
  • Welche Marken werden gesucht
  • Wie ist die durchschnittliche Kauffrequenz
  • Wie hoch ist die Retourenquote
  • Welche Geräte werden genutzt, um bei dir einzukaufen

Zu guter letzt können Boxplots und Cluster noch feiner visualisiert werden.

Schritt 2: Erfolgreiche Persona-Erstellung mit der Limbic® Map

Egal ob du bereits über Personae verfügst oder nicht: Diese Methodik kannst du unabhängig vor jeder Verzahnung mit deinen Daten durchführen.

Personae qualitativ zu erheben oder zu hinterfragen, bedeutet Werte, Bedürfnisse und Typen besser zu verstehen. Dabei kommen unterschiedliche Methoden zum Einsatz wie Expertenrunden (z.B. ein Persona-Workshop), Fokusgruppen, Interviews, Onsite-Befragungen oder Remote Testing.

Intern solltest du auch eine Session mit deinen Support-Mitarbeitern einplanen, denn sie haben den direkten Draht zu deinen Nutzern. Sie können dir von ihren Erfahrungen im Kontakt mit bestimmten Kunden erzählen, welche Bedürfnisse diese bezogen auf unterschiedliche Anwendungsfälle haben oder welche Probleme sie besitzen.

Zusätzlich kannst du Onpage auch die Kauferfahrungen auf der Website abfragen und herausfinden, wie Entscheidungen getroffen werden oder was deine Kunden sich sonst noch wünschen.

Daraus lassen sich anschließend die Bedürfnisse und Wünsche ableiten und du bekommst ein besseres Verständnis was die unterschiedlichen Nutzertypen erwarten.

Wir nutzen hierfür die Limbic® Map, um all diese emotionalen Werte von Kunden einzuordnen und Typen differenzierter zu beschreiben. Die Limbic® Map zeigt dir den Emotionsraum des Menschen und welche Werte ihn prägen und innerhalb seiner Customer Journey zum Käufer konvertieren.

Limbic Map zur Analyse von Nutzer und Personae
Abb.: Die Limbic® Map zur Analyse von Nutzertypen. Die Abbildung zeigt drei abgrenzbare Personae, die sich in ihrer Wertewelt deutlich voneinander abheben.

Alle menschlichen Motive, Werte und Wünsche lassen sich auf der Limbic® Map darstellen und in Relation zueinander bringen. Dabei gibt es die 3 Hauptbereiche: Stimulanz, Dominanz und Balance.

Die Abbildung zeigt beispielhaft drei abgrenzbare Personae und wie die unterschiedlichen Typen mit Werten beschrieben und auf der Limbic® Map eingeordnet werden können.

Indem du deine Personae auf der Limbic® Map und den Limbic® Types verortest, erhältst du einen scharfen Blick auf die Motive und Werte.Wie du die Limbic® Map und Limbic® Types im Marketing sinnvoll einsetzt, erfährst du auch in diesem Beitrag.

Glückwunsch: Du hast nun das WARUM hinter den Käufen ergründet und abgebildet.

Aber Achtung: Einordnungen mit der Limbic® Map und den Limbic® Types sind eine Expertenmethode und müssen deshalb immer unter Anleitung umgesetzt werden. Meine Inhalte dienen dir lediglich für ein besseres Grundverständnis der Vorgehensweise zur Limbic® Map. Ein Experten-basiertes Analysieren und Verorten ersetzt dieser Beitrag selbstverständlich nicht.

Schritt 3: Data Science mit deinen Personae verbinden (das Data-to-Persona Modell)

Verbindung zwischen Data und User Experience

Du hast bisher qualitative Daten erhoben, Personae auf einer Limbic® Map eingeordnet, Hypothesen generiert, quantitativ die Daten erhoben und blickst auf zwei große Datenfelder.

So, let’s get down to business!

Unser Ziel ist langfristig die Live Erkennung (mittels Algorithmus) von Personae auf deiner Website. Auf Basis der Clusteranalyse und eines intelligenten Machine Learning Algorithmus soll eine Prognose abgegeben werden können, welche Personae sich auf deiner Website befindet, um entsprechend eine dynamische Anpassung entlang der Bedürfnisse vornehmen zu können.

Dynamisches CX Modell für Data zu Persona im E-Commerce mit Personalisierung
Abb.: Das dynamische CX-Modell verbindet User Research mit deinen Daten und ermöglicht es, mit Hilfe von Machine Learning Methoden, Prognosen über deine Personae zu erstellen, um diese gezielt anzusprechen.

Dieser Ansatz verbindet Data Science und UX, um Mehrwert zu erzeugen, und verwendet Machine Learning sowie Clustering für messbare Kundensegmente.

Eines der bekanntesten und verfügbaren Beispiele wohl sind Zalandos zTypes.

Die zTypes von Zalando ordnen die E-Commerce Kunden entlang von zwei Skalen ein und ermöglichen so ein passendes Marketing für jede Zielgruppe.

Die zTypes sind aber das Ergebnis von Datenanalysen und UX-Wissen – ein Kombination beider Welten also.

Die beiden Skalen wurden in das Social Mindset (Facebook-Daten) und den Fashion Lifestyle (E-Commerce Kaufverhalten) eingeteilt. Aber schau sie dir am besten selber an.

Zalando hat hierfür das Kaufverhalten von 23 Mio. Zalando-Nutzern kombiniert. Hierfür wurden Facebook Daten zu Vorlieben und Interessen für eine Nutzersegmentierung genutzt. Daraus ergaben sich anschließend sieben zTypes die ein unterschiedliches Verhalten und abtrennbare Bedürfnisse besitzen.

Zalando nutzt dies, um mit Omnichannel Fokus ein personalisierte Ansprache über unterschiedliche Kanäle hinweg zu ermöglichen und eine einheitliche Customer Experience zu kreieren.

Der Clou: Zalando bietet seinen Kunden an, sich selber im zTypes-Universum mittels Befragung einzugrenzen und so bessere Angebote zu erhalten.

Win-Win für beide Seiten also.

Die Kombination aus quantitativer und qualitativer Betrachtung ermöglicht dir diesen ganzheitlichen Ansatz und zeigt mittels messbarer Datensegmente, was dein Kunde wirklich will.

 

Die quantitative Betrachtung setzt Machine Learning ein, um z.B.:

  • auf Basis von historischen Verhaltensdaten ein Clustering vorzunehmen
  • Datensegmente auf Basis von quantitativen Informationen einzuteilen
  • Das Ergebnis: Messbare Nutzersegmente auf Basis einer repräsentativen Stichprobe

Die qualitative Betrachtung nutzt UX-Methoden, um z.B.:

  • Nutzertypen einzuordnen
  • User-Intents/ Motivationen (Customer Journey Einordnung) zu analysieren
  • Ergebnis: Qualitatives Verständnis der emotionalen Werte und Charaktereigenschaften deiner Zielgruppe
Explizites Beispiel für das Cluter Sheet zur Personalisierung
Abb.: Persona-Match: Die Verknüpfung von Data Analytics mit qualitativen Daten vom Persona-Research und Einordnung auf der Limbic® Map.

Der Persona-Match verbindet nun deine gewonnenen Erkenntnisse.

Du legst die Cluster auf deine limbischen Personae und erhältst so den 360° Blick auf deinen Kunden.

Perspektivisch wirst du auch andere Kanäle wie E-Mail Retargeting bis hin zu Information im Customer Service integrieren können. Nutzer werden z.B. mittels Marketing Automation von nun an zum passenden Zeitpunkt angesprochen und du sorgst für den nachhaltigen ROI-Wachstum.

Natürlich sind diese Erkenntnisse nicht für alle Ewigkeit in Stein gemeißelt, sondern als agiler Kreislauf, der sich ständig weiterentwickelt und validiert wird, zu verstehen.

Wichtig ist auch, dass du deine Einblicke intern teilst und Erfolge sowie Erkenntnisse gemeinsam erkundest.

Diesen Kreislauf aus Messen, Lernen und Optimieren kennst du vielleicht bereits als den Customer Experience Loop.

 

Der Customer-Experience-Loop für Unternehmenswachstum

Grundsätzlich musst du immer im Hinterkopf behalten, dass solche Integrationen als kontinuierlicher Prozess zu verstehen sind.

Daher ist ein cleveres Vorgehen bei der Integration von Datenanalysen und Personae gefragt.

  1. Am Anfang biegst du mit hochwertigen Personae und Hypothesen um die Ecke.
  2. Du zeigst durch kleine Tests, dass deine Insights Gold Wert sind.
  3. Suche nach den “No-Brainern” und stoße Mikro-Optimierungen oder Abwandlungen mit Uplift-Potenzial an.
  4. Hol dir den Buy-In und das Vertrauen der Managementebene, mehr in die Tiefe gehen zu dürfen.
  5. Du sammelst mehr Daten, validierst diese und erweiterst dein Hypothesen-Set für neue Business Opportunities

Was du langfristig anstrebst sieht im Großen und Ganzen so aus: der Customer Experience Loop.

Customer Experience Loop zwischen Customer Insights und CX Optimization
Abb.: Der Customer Experience Loop als kontinuierliches Modell zur Kundenanalyse und Umsatzsteigerung.

Dieser agile Prozess entwickelt sich ständig weiter und wird durch dabei sukzessive validiert.

Du verbindest dabei Customer Insights mit Optimization.

  1. Customer Insights: Das Generieren von Wissen über die Zielgruppe durch qualitative und quantitative Methoden. Erkenne deine Nutzer auf der Website und ordne sie der jeweiligen Persona zu.
  2. CX Optimization: Die Nutzung des Wissens zur Optimierung. Agiles Testen, Messen und Lernen, hilft dir, Erkenntnisse zu generieren und diese wiederum in das Wissen über die Zielgruppe einfließen zu lassen. Deine Personae werden verfeinert und die Ansprache wird immer besser (der ROI steigt)

Strategien für erfolgreiche Personalisierung

Ich kann mir gut vorstellen, dass du die ganzen Informationen jetzt erstmal sacken lassen musst und sich so ein Personalisierungs-Projekt nach zwei Jahren Arbeit anfühlt.

In der Praxis kann eine umfassende Analyse und Betrachtung natürlich einiges an Zeit kosten. Daher ist es wichtig, diese Art der Personalisierung und Verzahnung von Daten mit Personae als Prozess zu verstehen. Aus meiner Erfahrung ist es wichtig, ein konkretes durchdachtes Vorgehen zu verfolgen um ans Ziel zu kommen und das komplexe Thema Personalisierung in kleinere Bausteine mit konkretem Output zu zerlegen.

Personalisierung mit Anleitung: Erstellung von Personas mit Kundenzentrierung
Abb.: Continuous Optimization und Testing als Kreislauf für erfolgreiche Personalisierung im E-Commerce.

Heutzutage wollen viele direkt bei der typen-basierten Personalisierung inkl. Machine Learning starten. Die Folge sind komplexe Projekte ohne Low Hanging Fruits.

Doch die Praxis zeigt, dass erste Wins notwendig sind, um intern alle auf Kurs zu bringen und die Potenziale aufzuzeigen. Eine sog. Treppenentwicklung kann dir helfen, frühe Hebel, wie eine erste simple Segmentierungen und Ausspielungen in A/B-Testingtools zu ermöglichen.

Unsere Roadmap für Personalisierung:

  1. Einfach und pragmatisch anfangen: das nutzen was schon da ist
  2. Wissen über die Zielgruppe fokussiert sammeln
  3. Quick Wins können erste Segmente, Hypothesen und Potenziale sein
  4. Danach komplexer werden
  5. parallel an strategischen Themen arbeiten, um die richtigen Rahmenbedingungen im Unternehmen zu schaffen

 

Fazit: Ein dynamisches CX-Modell zur schrittweisen Personalisierung

CX Modell für die wichtigen Schritte der Personalisierung und Data Analytics
Abb.: Das CX-Modell und die wichtigen Schritte hin zur Personalisierung. Starte schlank und nutze bestehendes Kundenwissen.

Ganz ohne Machine Learning kannst du bereits frühzeitig für Aha-Momente sorgen.

Beispielsweise sorgen Personae und Limbic® Types dafür, dass du zügig das interne Verständnis über deine Zielgruppen erhöhst. Maßnahmen können treffsicherer ausgesteuert werden und Hypothesen für Business-Potenziale lassen sich durch die qualitativen Einblicke deutlich besser generieren.

Das dynamische CX-Modell zur Personalisierung gliedert sich dabei in folgende Schritte:

  1. Lerne deine Zielgruppe kennen
  2. Verstehe deren Motive
  3. erarbeite Daten und Segmente
  4. Optimiere deine Ansprache
  5. Lerne und validiere deine Erkenntnisse

Meine Empfehlung: Wenn die Basis gelegt ist, kannst du dich viel sicherer an komplexere Themen wie Machine Learning und Data wagen.

Wie gehst du bei der Personalisierung vor? Nutzt du konsequent Personae oder bremsen interne Blockaden bei der gezielten und datenbasierten Kundenansprachen?

Frohes PERSONAlisieren wünsche ich dir!

Dr. Julia Engelmann

Julia Engelmann

Dr. Julia Engelmann ist Head of Data Analytics bei konversionsKRAFT. Nach der Promotion im Bereich Makroökonomie war Julia Engelmann bei der Zalando SE in Berlin im Bereich Data Intelligence und Conversion Optimierung tätig. Bei konversionsKRAFT kümmert sie sich um die Themen Webanalytics, Big Data und Personalisierung.
Frage zum Artikel? Frag den Autor!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.