1. Main Use Case: Bei unserer Beispielfirma hat „Direct“ den größten Anteil am Traffic, gefolgt von „Organic Search“. Der Fokus liegt also auf der User Experience und auf Onsite-Personalisierung. Ein Blick auf das Reifegradmodell zeigt: Damit befinden wir uns im Übergang von SKILLED zu ADVANCED.
Wir konzentrieren uns in unserem Beispiel auf das Thema Onsite-Personalisierung. Mein Klickverhalten und die Daten, die unser Beispielunternehmen über mich hat, bestimmen also, welche Artikel mir angezeigt bzw. empfohlen werden. Zusätzliche Anreize, wie Rabatte oder das Vorschlagen ähnlicher Produkte, verstärken die Chance eines erfolgreichen Abschlusses. Während taktische Abschlussverstärker stark auf dem Klickverhalten des Kunden und den Erfahrungen mit anderen beruhen, ist für strategische Anreize eine genaue Kenntnis des Shop-Besuchers notwendig. Hierauf setzt auch unser Beispielunternehmen.
2. Daten: Welche Daten benötigt es dafür? Da der Algorithmus tatsächlich kundenindividuell Ergebnisse und Next Best Actions ausspielen soll, ist die genaue Kenntnis des jeweiligen Kunden entscheidend: Hat dieser in der Vergangenheit mehrfach größere Mengen bestellt, selten retourniert, aber nun schon länger nichts mehr bestellt? Ein Rabattcode kann in diesem Fall als Anreiz dienen. Unser Beispielunternehmen verfügt über Daten aus Web, App, CRM und ERP, die in einem Data Warehouse zusammenlaufen. Geht man etwas tiefer hinein, stehen im Bereich Web weitere drei Datenquellen – Webanalyse, Kampagnen-Budgets, A/B-Testing – zur Verfügung, die in einem DataMart zusammengeführt werden müssen.
3. Tech: Erst wenn sich unser Beispielunternehmen klar über die zur Verfügung stehenden Daten und – ganz wichtig – ihre Qualität ist, kann es sich über das Thema „Tech“ Gedanken machen. Wir werfen hier einen Blick auf drei Bereiche: Analyse, Geschwindigkeit und Einwilligungen.
- Analyse: Ziel der Onsite-Personalisierung ist die Optimierung von KPIs, insbesondere des Umsatzes. Die Frage, welche Maßnahmen bei welchem Kunden funktionieren, ist für klassische Dashboards meist zu vielschichtig. Unser Beispielunternehmen sollte deshalb ein Tool wählen, das dem ständigen Wandel der Datenlandschaft gewachsen ist: Es muss zum einen mitwachsen und flexibel sein, zum anderen auch für die Organisation in seinen Bedienungsgrundzügen leicht erlernbar sein.
- Geschwindigkeit: „Sich ständig wandeln“ ist das Stichwort. Jeder Kunde hinterlässt unzählbar viele Datenpunkte – und das zum Teil in extremer Geschwindigkeit. Diese Daten, wie früher üblich, z. B. über Nacht ins System zu laden, reicht nicht aus. Unser Beispielunternehmen benötigt ein FastTrack-Tool – und muss dann entscheiden, ob dieses die Daten realtime übertragen soll oder neartime. Auch bei der Analyse ist das Thema Geschwindigkeit zentral: Wie schnell muss ich neue Daten, neue Berechnungen oder ein neues Scoring etablieren? All das wirkt sich auf die Auswahl meiner Tools aus.
- Einwilligungen: Oft vergessen, aber ganz wesentlich ist das Thema „Consent“. Um Kundendaten zu sammeln, zu analysieren und zu nutzen, benötigt unser Beispielunternehmen die Einwilligung des Kunden. Und zwar, ähnlich wie bei FastTrack, zeitnah und transparent. Nur so können meist teure Datenschutzverstöße verhindert werden. Das passende Tool dazu: Eine Universal Consent Management Platform, die jederzeit einen Überblick gibt, welcher Kunde die Nutzung seiner Daten erlaubt oder untersagt hat, und dies direkt an die anderen Systeme weitergibt.
Die Lokalisierung des eigenen Unternehmens in unserem Reifegradmodell zeigt klar die Capabilities eines Unternehmens auf: Welche Möglichkeiten, Fähigkeiten, (Ausbau-)Potenziale habe ich? Wie kann mein MarTech Stack diese unterstützen? Was kann das Unternehmen dadurch leisten? Diese Überlegungen sind die Basis des Auswahlprozesses. Welche Dos und Donʼts es darüber hinaus zu beachten gibt, erfährst Du in unserem nächsten Beitrag.