Marketing-Börse PLUS - Fachbeiträge zu Marketing und Digitalisierung
print logo

Intent Marketing: Wissen was der Kunde will

Diese drei Maßnahmen zeigen, wie es geht - vom Entdecken unerwarteter Käuferschichten über den Kundenwert bis hin zur Clusterung.
Stefan Schulte | 18.07.2022
Intent Marketing – Wissen was der Kunde will © Freepik / ijeab
 

Im Laufe eines zweistündigen Kinofilms wächst die Datenmenge im Internet um circa 17 Billionen DIN-A4-Seiten, mehr als 46 Millionen Tweets und Videos mit einer Gesamtlänge von über sechs Jahren werden veröffentlicht. Diese Informationen zu verarbeiten, zu verstehen und relevanten Content zu filtern, ist für uns mittlerweile nur mit moderner Technologie möglich. Gleichzeitig wächst die Zahl der Suchanfragen exponentiell an, dabei ändert sich die Art, wie wir suchen, fundamental. Früher gab es einzelne Suchbegriffe, heute ist es möglich, ganze Fragen, Phrasen oder Sätze einzugeben und dafür relevante Suchergebnisse zu erhalten. Dies liefert Analytikern auch immer mehr Einblicke in die Absichten (sogenannte Intent) von Kunden.

Früher stützte sich das Zielgruppen-Targeting auf die Ergebnisse demografischer Forschung. Kunden wurden anhand von Faktoren wie Alter, ethnische Herkunft, Geschlecht oder Einkommen gruppiert, um zu ermitteln, wer an welchen Produkten interessiert sein könnte.

„Frauen zwischen 21-45 Jahren“ als Hauptzielgruppe für Babyprodukte war zwar eine recht pauschale und ungenaue Annahme, aber vor dem Internet konnten Marketingexperten nur auf das demografische Targeting zurückgreifen. Heute wissen wir, dass Kunden keine homogenen Bevölkerungssegmente sind, die einzig und allein durch Alter oder Geschlecht definiert werden können (tatsächlich riskieren Marketingexperten, die sich ausschließlich auf demografische Zielgruppen verlassen, dass ihnen mehr als 70 Prozent der potenziellen Käufer entgehen).

Es ist daher wichtig, das Online- und Offlineverhalten eines Kunden zu ermitteln und dadurch seine Denkweise quasi in Echtzeit zu verstehen. Zu wissen, was Kunden denken, hilft Unternehmen dabei, ein persönlicheres Kundenerlebnis zu schaffen, die Rentabilität zu maximieren und die Konversionsrate zu erhöhen. Das Positive an diesem neuen Suchverhalten ist, dass Kunden ihren wahren Intent offensichtlicher und öfter denn je zum Ausdruck bringen. Dieser Wandel hat dazu geführt, dass Intent Marketing an Bedeutung gewonnen hat. Ihre Marke muss sich den neuen Gegebenheiten anpassen, um nicht unterzugehen.

Unerwartete Käuferschichten entdecken

Im Allgemeinen ist mit Intent Marketing jede Art von kommerzieller Interaktion gemeint, die auf einer ursprünglichen Handlung eines Kunden basiert – etwa eine Onlinesuche, ein Klick auf eine Anzeige oder das Herunterladen eines Inhaltes. Im Gegensatz zum klassischen demografischen Marketing, das pauschale Annahmen zu Kunden aufstellt, können Sie mithilfe von Intent Marketing die jeweiligen Bedürfnisse Ihrer Kunden anhand ihrer Aktionen ermitteln. Es geht darum, den ursprünglichen Beweggrund eines jeden Kunden zu verstehen und sich an der Absicht der Kunden zu orientieren. Anders ausgedrückt: Sie müssen Ihren Kunden genau das bieten, was sie zu einem bestimmten Zeitpunkt wollen oder brauchen.

Bleiben wir beim Beispiel Babyprodukte: Laut einer Studie von Think With Google leben 40 Prozent der Käufer von Babyartikeln in Haushalten ohne Kinder [3]. Wenn Ihre Zielgruppe für Babyprodukte nur Frauen mit Kindern umfasst, entgeht Ihnen ein großer Anteil der potenziellen Käuferschaft. Wenn Sie allerdings auf Kundenaktionen achten – etwa, wenn diese online nach „Geschenken für Babypartys“ suchen und dann auf Ihren Blogeintrag zum Thema klicken, erhalten Sie einen tieferen Einblick und erfahren, wer Ihre Kunden wirklich sind und was sie wollen. Ein differenziertes Verständnis der Kundenabsicht ermöglicht es Ihnen, sogar „unerwartete“ Käuferschichten genau dann zu erreichen, wenn sie am handlungsbereitesten sind.

 

Abb. 1: Beispiel eines Operational excellence Tools.

 

Die passenden Zielgruppen werden durch analytische Verfahren generiert, die auf Basis moderner BI-Plattformen oder – ganz aktuell – auf Basis von sogenannten Universal-Data-Orchestration-Plattformen generiert und automatisiert in die unterschiedlichen Kommunikationskanäle, auch Marketing-Automation-Systeme eingespielt werden. Dabei muss unterschieden werden, ob wir einen existierenden oder potenziellen Kunden vor uns haben, denn die Herangehensweise an die Generierung von analytischen Insights unterscheidet sich fundamental. Intent Marketing im eigenen Kundenstamm zu nutzen, bedeutet, sich intensiv mit der eigenen Klientel zu beschäftigen, häufig liegen hier Potenziale in den Bereichen Wiederkauf oder Cross-/Up-Sell von mehr als 15 Prozent Umsatzwachstum. Um die richtigen Maßnahmen zu finden und auch den richtigen Invest in den Kunden zu definieren, gibt es unterschiedliche Herangehensweisen, ein wesentliches Hilfsmittel ist dabei die Kundenwertberechnung

Kundenwertberechnung – ein Modell mit drei Variablen

Im Rahmen der sogenannten Customer-Value-Berechnung gibt es eine Fülle an Möglichkeiten von unterschiedlicher Komplexität. Die Herausforderung liegt in der Reduzierung der Komplexität bei maximaler Transparenz des Potenzials und des Zeitpunkts, zu dem dieses Potenzial realisiert werden kann. Hierzu bietet sich ein Modell unter Einbeziehung folgender drei Variablen an:

Potenzial

Das tatsächliche Potenzial des Kunden auf Basis von Mitarbeiterzahlen, Umsätzen oder anderen Kundenkennzahlen.

Umsatz

Der heute getätigte Umsatz im Rahmen der aktuellen Geschäftsbeziehung.

Aus diesen beiden Kennzahlen Umsatz und Potenzial lässt sich der sogenannte Share of Wallet ableiten. Bei der Share-of-Wallet-Analyse wird untersucht, wie viel Prozent des Budgets eines Kunden für einen bestimmten Produkt- oder Dienstleistungsbereich durch das eigene Unternehmen abgedeckt wird. Aufbauend auf diesem Wissen können Maßnahmen erarbeitet werden, die das Ziel verfolgen, den noch nicht abgedeckten Teil der Ausgaben zu akquirieren.

Wahrscheinlichkeit/Probability

Diese Variable besagt, zu welchem Zeitpunkt wie viel Prozent des noch offenen Potenzials für welche Produkte vonseiten des Kunden ausgegeben werden.

 

Abb. 2: Modell der Kombination der drei Variablen

 

Alle drei Variablen werden klassifiziert und mit Einzelwerten versehen. Die Summe der Einzelwerte ergibt den konsolidierten Kundenwert. Zur Berechnung der Variablen werden unterschiedliche Verfahren herangezogen. Der Umsatz kann mit normalen analytischen Verfahren ermittelt werden. Für die Variablen Potenzial und Wahrscheinlichkeit werden in der Regel statistische Verfahren herangezogen.

Idealerweise bedient man sich dabei der Verfahren Clustering und Predictive Modelling. Für die Berechnung der Potenzialgröße ergeben sich durch das Clustering unter Einbeziehung der relevanten Variablen (zum Beispiel Anzahl Mitarbeiter) homogene Gruppen, für deren Aufteilung unterschiedliche qualitative Segmente notwendig sind. Unter Clusteranalyse (Clustering-Algorithmus, gelegentlich auch: Ballungsanalyse) versteht man Verfahren zur Entdeckung von Ähnlichkeitsstrukturen in (großen) Datenbeständen. Die so gefundenen Gruppen von „ähnlichen“ Objekten werden als Cluster bezeichnet, die Gruppenzuordnung als Clustering. Die gefundenen Ähnlichkeitsgruppen können graphentheoretisch, hierarchisch, partitionierend oder optimierend sein. Die Clusteranalyse ist eine wichtige Disziplin des Data-Mining, dem Analyseschritt des Knowledge-Discovery-in-Databases-Prozesses.

Clusterung als zentrales Element der Segmentierung

Bei der Clusteranalyse ist das Ziel, neue Gruppen in den Daten zu identifizieren (im Gegensatz zur Klassifikation, bei der Daten bestehenden Klassen zugeordnet werden). Man spricht von einem „uninformierten Verfahren“, da es nicht auf Klassenvorwissen angewiesen ist. Diese neuen Gruppen können anschließend beispielsweise zur automatisierten Klassifizierung, zur Erkennung von Mustern in der Bildverarbeitung oder zur Marktsegmentierung eingesetzt werden (oder in beliebigen anderen Verfahren, die auf ein derartiges Vorwissen angewiesen sind).

Zahlreiche Algorithmen unterscheiden sich vor allem in ihrem Ähnlichkeits- und Gruppenbegriff, ihrem Clustermodell, ihrem algorithmischen Vorgehen (und damit ihrer Komplexität) und der Toleranz gegenüber Störungen in den Daten. Ob das von einem solchen Algorithmus generierte „Wissen“ nützlich ist, kann jedoch in der Regel nur ein Experte beurteilen. Ein Clustering-Algorithmus kann unter Umständen vorhandenes Wissen reproduzieren (beispielsweise Personendaten in die bekannten Gruppen „männlich“ und „weiblich“ unterteilen) oder auch für den Anwendungszweck nicht hilfreiche Gruppen generieren. Die gefundenen Gruppen lassen sich oft verbal nicht beschreiben oder bleiben sehr allgemein (zum Beispiel „männliche Personen“), gemeinsame Eigenschaften werden in der Regel erst durch eine nachträgliche Analyse identifiziert. Bei der Anwendung von Clusteranalysen ist es daher oft notwendig, verschiedene Verfahren und verschiedene Parameter zu probieren, die Daten vorzuverarbeiten und beispielsweise Attribute auszuwählen oder wegzulassen.

Die Ergebnisse der Clusterung der Variablen Umsatz und Potenzial spiegeln sich in einer Matrix wider. Die Kunden können im Sine des Share of Wallet beispielsweise in die Gruppen 0-33 Prozent, 33-66 Prozent und > 66 Prozent.

Tabelle 1 zeigt exemplarisch die Verteilung von High-Medium und Low-Potential-Kunden sowie High-Medium und Low-Share-of-Wallet- Kunden in eine Neun-Felder-Matrix.

Tab. 1: Neun-Felder-Matrix

 

Daraus abgeleitet ergeben sich in Tabelle 2 inhaltliche Strategien für die Kommunikationsplanung pro entsprechendem Segment.

 

Tab. 2: Inhaltliche Strategien für die Kommunikationsplanung

Predictive Modelling – Bestimmung der Wahrscheinlichkeit

Für die Variable Wahrscheinlichkeit bedient man sich des sogenannten Predictive Modelling (Vorhersagemodellierung). Hierzu gibt es verschiedene Ansätze, eine der häufigsten verwendete Methode ist die Regressionsanalyse. Die Regressionsanalyse ist ein statistisches Prognoseverfahren, bei dem die Beziehungen zwischen einer Zielvariablen und einer erklärenden Variablen untersucht werden. Die erklärende Variable stellt nicht die Zeit dar, sondern eine ökonomische Größe, die in einem ursächlichen Zusammenhang zu der Zielvariablen steht.

Eine derartige Beziehung kann zwischen dem Absatz von Produkten und dem Auftragsvolumen des jeweiligen Wirtschaftssegments bestehen, wobei die Höhe des Absatzes prognostiziert werden soll. Die Verfahren der Regressionsanalyse sind von der Struktur der Beziehungen zwischen der Zielvariablen und der Anzahl der erklärenden Variablen abhängig. Man unterscheidet die lineare Einfachregression, die lineare Mehrfachregression sowie die nichtlineare Regression.

Das Ziel der Regressionsanalyse ist, die Abhängigkeit einer metrischen Variablen y von mehreren anderen (metrischen) Variablen zu untersuchen. Es wird also getestet, ob die verschiedenen unabhängigen Variablen einen Einfluss auf die abhängige Variable y haben und wie stark dieser Einfluss ist.

Ein einfaches Beispiel soll die Funktionsweise verdeutlichen: Ein Produktmanager möchte wissen, inwieweit das Einkommen und das Alter von Kunden den Absatz seines Produkts beeinflussen. Die Regressionsanalyse berechnet die sogenannte Regressionsgerade, mit deren Hilfe folgende Fragestellungen beantwortet werden können:

1. Untersuchung des Zusammenhangs

Mithilfe des sogenannten Bestimmtheitsmaßes (R2) kann die Stärke des Zusammenhangs von Alter und Einkommen auf den Absatz des Produkts angegeben werden. Durch einen Vergleich der standardisierten Regressionskoeffizienten (sogenannte Beta-Gewichte) kann man auf die relative Bedeutung der unabhängigen Variablen schließen. Es lässt sich somit feststellen, dass beispielsweise das Einkommen einen doppelt so starken Einfluss wie das Alter besitzt.

2. Prognose der abhängigen Variablen

Man kann einerseits berechnen, um wie viel Stück der Absatz des Produkts höchstwahrscheinlich steigen wird, wenn sich das Einkommen um 100 Einheiten erhöht. Andererseits lässt sich für jede Person, von der das Alter und das Einkommen bekannt ist, der Konsum zum Beispiel im Sinnes des Umsatzes des Produkts schätzen. In der Literatur wird die Regressionsanalyse daher häufig auf Absatzprognosen im weitesten Sinne angewandt. Leider kann im Marketing nicht immer von einer linearen Funktionalbeziehung ausgegangen werden. Man behilft sich dann damit, dass durch geeignete Transformationen (zum Beispiel logarithmieren) eine linearisierte Beziehung erzielt und auf diese die Regressionsanalyse angewandt wird.

Nutzt man die Regressionsanalyse oder auch andere Data-Mining- Methoden, sind die Daten und ihre Qualität von entscheidender Bedeutung. Bei allen Big-Data-Ansätzen, die heute in den Unternehmen getrieben werden, stehen die Methodik und die Integrität der Daten gleichberechtigt nebeneinander. Für die Regression sind Transaktionsdaten, Protokolldaten, Ereignisdaten und Bewegungsdaten von entscheidender Bedeutung. Die Herausforderung liegt dabei in der Tatsache, dass diese Daten verstreut und in unterschiedlichen Formaten gespeichert sein können. Mitunter weisen sie Inkonsistenzen wie falsche oder fehlende Einträge auf. Es kann beispielsweise vorkommen, dass den Daten zufolge ein Produkt gekauft wurde, das auf dem Markt zu diesem Zeitpunkt noch nicht erhältlich war, oder die Daten zeigen, dass ein Kunde regelmäßig in einem Geschäft 2000 Meilen von seinem Wohnsitz entfernt Einkäufe tätigt.

Effektives Intent Marketing mittels Kundenwert

Nutzt man die beschriebenen Methoden im Zusammenspiel und hat die entsprechenden Daten und Modelle gefunden, ist es möglich, in der Summe aus Umsatz, Potenzial und Wahrscheinlichkeit zu einem Kundenwert zu kommen, der klare Segmente definiert, innerhalb derer man unterschiedliche – auf den Intent (Wahrscheinlichkeit) und Potenzial abgestimmte Maßnahmen – definieren kann. Marketing- Automation-Systeme können nun – geeigneten Content vorausgesetzt – auf diese Informationen zugreifen und entsprechend den Zielen und Kanälen die Botschaften versenden.

Eine wichtige Komponente zur Implementierung einer solchen Vorgehensweise ist die Frage der Effektivität und Effizienz der Modelle. Daher ist es unabdingbar, dass, sobald solche Modelle gebildet sind, diese ausreichenden Tests unterzogen werden, denn die Erfahrung zeigt, dass die ersten Modelle maximal mit einer Vorhersagequalität um die 50 Prozent funktionieren. Erst durch das konsequente Lernen der Modelle werden diese sukzessive besser in puncto Prognosequalität und Handhabbarkeit.

Was also bleibt, wenn man das Thema Marketing Automation vor dem Hintergrund der ständig wachsenden Möglichkeiten im Bereich Predictive Modelling und Künstlicher Intelligenz betrachtet? Aus meiner Sicht sind es drei wesentliche Learnings:

  • „Keep the Basics right“. das heißt, um mit Marketing-Automation- Systemen modellbasierte Kampagnen durchzuführen, sind die Daten der Schlüssel. Aktualität, Korrektheit und Verfügbarkeit sind elementar Viele Unternehmen vergessen diesen Schritt und wundern sich über mangelnde Effektivität und Effizienz ihrer Kampagnen. Ein kritischer Blick in die Infrastruktur macht sich auf jeden Fall bezahlt.
  • KISS = Keep it simple and stupid, das heißt, gerade am Anfang ist es wichtig, die Komplexität zu reduzieren, um Mitarbeiter und Organisationen nicht mit neuen Ansätzen zu überladen. Dadurch entsteht eine Entfremdung zwischen den neuen Technologien und denen, die davon Einfache Modelle helfen am Anfang, ein besseres Verständnis für Algorithmen und die daraus zu erwartenden Benefits zu erzeugen und ein schrittweises Wachsen von internem Verständnis und externer Effizienz ist langfristig der Schlüssel zum Erfolg.
  • Get help! In den meisten mittelständischen Unternehmen gibt es wenig bis keine Kompetenzen zu den Themen Marketing Automation und Predictive Modelling. Beide Themen entbehren nicht einer gewissen Komplexität und sollten daher von Beginn an mit erfahrener Unterstützung gelöst werden. Die notwendigen Investitionen am Anfang einer solchen Reise zahlen sich im Laufe der Zeit aus, da ein nachträgliches Korrigieren immer teurer ist als ein vorab gut durchdachtes und gut aufgesetztes Zu viele Projekte in diesem Umfeld scheitern an der anfänglichen Sparsamkeit der Beteiligten. Diese Sparsamkeit führt am Ende nicht zu mehr, sondern zu weniger ROI.

 

Literatur

  • (Dr. Dirk Werth, Direktor August-Wilhelm Scheer Institut)
  • (Josef Sanktjohanser, HDE Präsident)
  • Studie von Think With Google