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

Wert-basiertes CRM im B2C

Der heilige Gral der Kundenbindung. Der Customer Lifetime Value ist mehr als eine prognostizierte Zahl.
Markus Wuebben | 06.11.2023
© Pixabay / Stokpic
 

„It is the customer who determines what a business is, what it produces, and whether it will prosper” [1].

Die Suche nach dem heiligen Gral der Kundenbindung

Die 1990er- und 2000er-Jahre können als die Geburtsstunden der datengetriebenen Kundenbindung angesehen werden. In diesen Jahren entstanden grundlegende Werke in der Kundenbindungsforschung und erste wichtige Initiativen im Handel, die uns bis heute alltäglich begegnen.

Besonders hervorzuheben ist in diesem Kontext der 1990 im Harvard Business Review veröffentlichte Artikel von Reichheld und Sasser [2]. In diesem Werk zeigen die Autoren empirisch eindrücklich und mit großer internationaler Wahrnehmung, dass Kundenbindung, insbesondere die Kundenbindungsdauer, von herausragender Wichtigkeit für die Profitabilität einer Kundenbeziehung ist. Eines der Schlüsselergebnisse ist, dass eine Reduzierung der Kundenabwanderung („Churn“) um 5 Prozent eine Profitabilitätssteigerung von 25 Prozent bis 85 Prozent zur Folge haben kann.

Eindrückliches Zeugnis dieser Zeit sind die Einführungen von Loyalitätsprogrammen wie der Tesco Clubcard im Jahre 1994/1995 in Großbritannien [3] oder der Payback-Karte in Deutschland im Jahre 2000. Es folgten unzählige weitere. Insbesondere die Luftfahrtindustrie war einer der Pioniere der Kundenbindungsprogramme (zum Beispiel Miles & More).

Diese Loyalitätsprogramme auf Basis einer Kundenkarte, die beim Bezahlvorgang eingescannt wird, funktionieren nach einem einfachen Schema: Kunden erklären sich bereit, dass ihre Einkäufe bis auf Einzelartikelebene zugeordnet und analysiert werden können. Im Gegenzug erhält der Kunde Rabatte und Punkte, die einen monetären Wert widerspiegeln und gegen Prämien eingetauscht oder als Zahlmittel verwendet werden können.

Gerade Verbraucherschutzinstitutionen heben seit Langem immer wieder hervor, dass der Gegenwert, den Konsumenten für ihre Daten bekommen, viel zu gering sei [4]. Ob dies wirklich so ist, sei dahingestellt. Der Erfolg der Loyalitätsprogramme und das Wachstum der Teilnehmerzahlen an diesen Programmen sind jedoch ungebrochen. Nichtsdestotrotz wird uns die von Konsumenten wahrgenommene Wertigkeit von persönlichen (Kunden-)Daten noch später in diesem Artikel begegnen.

Die Möglichkeit, einzelne Warenkörbe bis auf Einzelartikelebene auf einen individuellen Konsumenten zurückzuführen, bot im Vergleich zur klassischen Bon-Analyse ungeahnte Möglichkeiten. Wir wollen an dieser Stelle jedoch nicht vergessen, auf einer der Klassiker der Bon-Analyse hinzuweisen: Bier und Windeln werden gerne zusammen gekauft. Daher haben Einzelhändler Bier und Windeln in derselben Abteilung angepriesen und das mit großem Erfolg [5]. Mithilfe der Kundenkarten konnte man nun jedoch einen riesigen Schritt nach vorne machen. So war es möglich, individuelle Kunden oder Kundensegmente über die Zeit hinweg zu analysieren und mit Marketingmaßnahmen zielgenau zu bespielen.

In dieser Zeit formte sich jedoch auch ein ganz neuer Gedanke – nämlich den zukünftigen Wert eines Konsumenten zu prognostizieren und zu steigern. Die Idee des „Customer Lifetime Value“ wurde geboren und ist seitdem der heilige Gral der Kundenbindung.

 

Der Customer Lifetime Value

Wäre es nicht schön zu wissen, in welche und wie viel eine Unternehmung in einen individuellen Kunden zu einem bestimmten Zeitpunkt und auf einem bestimmten Kanal investieren sollte? Genau das (und vieles mehr) bietet der „Customer Lifetime Value“ (CLV). Der CLV ist der Barwert (Net Present Value) der Summe aller zukünftigen „Einnahmen“ eines Kunden, abzüglich aller mit diesem Kunden verbundenen Kosten. Der CLV hat seinen Ursprung in der Finanztheorie und spiegelt eine Discounted-Cash-Flow (DCF)-Analyse wider. Kunden werden demnach als Investitionsgut angesehen, in die man investiert (Stichwort: Kundenakquisitionskosten), um dann in der Zukunft (Periode „t“) mit

einer bestimmten Wahrscheinlichkeit (Retention-Rate „r“) eine Rendite zu bekommen (Marge „m“). Damit man den fairen Wert zum Zeitpunkt der Betrachtung erhält, werden die zukünftigen Renditen mit einem Faktor diskontiert (Diskontierungsfaktor „d“) (Abb. 1).

 

- Abb. 1: Definition des Customer Lifetime Values. -

Der CLV hat im Vergleich zu klassischen Methoden, wie zum Beispiel der RFM-Analyse [6] charmante Vorteile. Insbesondere ist der CLV eine zukunftsgerichtete Metrik. Die Vergangenheit interessiert den CLV nur insofern, als sie als Grundlage für eine Vorhersage der Zukunft beziehungsweise des CLV dient. In der RFM-Analyse, wie bei allen in die Vergangenheit gerichteten Metriken, geht man davon aus, dass die Zukunft wie die Vergangenheit verläuft. Das ist jedoch nicht (immer) der Fall. Nehmen wir einen Hersteller für Babynahrung und dessen Kunden. Wird eine RFM-Analyse am Ende des Kundenlebenszyklus gemacht, sprich, wenn Babynahrung nicht mehr adäquat für das Kind ist, so wird die RFM-Analyse diese Kunden als hochrelevant für die Zukunft auf Basis der Vergangenheit einschätzen. Eine CLV-Analyse hingegen würde für einen Kunden am Ende des Kundenlebenszyklus einen sehr viel geringeren Wert prognostizieren und ist damit viel näher an der Realität, denn es besteht ja (zumindest vorerst) kein Bedarf mehr an Babynahrung.

Der CLV ist jedoch mitunter nur „eine prognostizierte Zahl“. In der Tat ist dies eines der großen Missverständnisse des CLV. Schauen wir uns hierzu nochmals drei Komponenten des CLV an: Die Retention-Rate „r“ und Marge „m“ pro Periode „t“. Durch Modifikation dieser Parameter kann man ganz unterschiedliche CLVs berechnen. Zum Beispiel könnten wir uns fragen, wie hoch der CLV eines Kunden in den nächsten vier Wochen sein wird und berechnen dies, indem wir den Prognostizierungszeitraum („Kundenlebensdauer“) auf vier Wochen einschränken. Wir können Äquivalentes mit der Marge tun. So könnten wir uns fragen, wie hoch der CLV eines Kunden in der Warengruppe Schuhe sein wird, wenn wir die Prognose des CLV nur auf Käufe in dieser Kategorie beschränken. Man erhält hierdurch ein flexibles Werkzeug, das nicht nur für die Analyse der Wertigkeit des Kundenstamms dient, sondern für die wert-basierte Personalisierung der Marketinginitiativen verwendet werden kann. Dass die wert-basierte Personalisierung das Gebot der Stunde ist, werden wir später in diesem Artikel noch näher beleuchten.

An dieser Stelle möchte ich noch kurz auf ein wichtiges Ergebnis der empirischen CLV-Forschung eingehen, die die Analysen von Reichheld und Sasser zur Kundenbindungsdauer imposant bestätigten [7]. Die Frage, die sich die Forscherinnen und Forscher gestellt haben, war, welche Elastizitäten die Komponenten des CLV haben: Sprich, wie entwickelt sich der CLV, wenn man entweder die Kundenakquisitionskosten um ein Prozent senkt, die Retention Rate oder die Marge jeweils um ein Prozent erhöht.

Die Ergebnisse zeigen, dass die Retention Rate „r“ und damit die Kundenbeziehungsdauer etwa 100-mal elastischer als die Kunden- akquisitionskosten und etwa drei bis sieben Mal elastischer als die Marge ist. Ich kann mir kein eindeutigeres Plädoyer für die Kundenbindungsdauer vorstellen wie dieses. Doch wie konnten diese Erkenntnisse in den Hintergrund geraten? Verantwortlich war eine Erfindung namens E-Commerce – der Handel im Internet.

 

Der unaufhaltsame Aufstieg des E-Commerce

Für mich persönlich bleibt die Insolvenz des traditionsreichen Versandhändlers Quelle im Jahre 2009 eine der Zäsuren im Handel [8]. Quelle hat es nicht geschafft, konsequent den Schritt in den E-Commerce zu machen. Andere Player wie Amazon, Otto und eBay waren hier ganz anders aufgestellt und begannen, das Feld von hinten aufzuräumen. Für den klassischen Versandhandel mit einer älter werdenden Zielgruppe schien kein Platz mehr. Junge, digitale Unternehmen wie auch das 2008 gegründete Zalando schossen aus dem Boden.

In dieser Phase, die in der Corona-Pandemie ihren Höhepunkt erfuhr, ging es vor allem um eines: Neukundengewinnung. Das Potenzial des E-Commerce war groß und die Anzahl der Kunden, die noch nicht regelmäßig im Internet kauften, war es ebenso. Für Kundenbindung schien nur wenig Platz und aus eigener Erfahrung kann ich sagen, dass viele E-Commerce-Unternehmen dieses wichtige Thema mit einem regelmäßigen Newsletter „abfrühstücken“ wollten. Der Hunger auf ungebremstes Neukundenwachstum war immens. So rückten CLV und Kundenbindung erstmal wieder in den Hintergrund.

Gleichzeitig etablierten sich soziale Netzwerke wie Facebook, Such- plattformen wie Google und weitere Werbenetzwerke, auf denen man hervorragende Neukunden akquirieren konnte. Die Magie dieser Plattformen basiert auf dem unendlichen Kundendatenschatz, über den sie verfügen und der über die Jahre hinweg scheinbar unaufhaltbar wuchs. Auf Basis dieser Daten kann man zielgenau Kunden ansprechen und für passgenaue Produkte werben. Ein geniales System für Händler, Plattformen und Konsumenten, zieht doch jeder echten Wert aus diesem System. Oder etwa nicht?

 

Gebrochenes Vertrauen

Datenschützer und ein Teil der Konsumenten hatten schon die Kundenkartenanbieter im Verdacht gehabt, Böses im Schilde zu führen [9]. Vielleicht können sich einige in diesem Zusammenhang an das Stichwort „gläserner Kunde“ erinnern. Was nun allerdings mit Kundendaten im Internet passierte, hatte ungeahnte Ausmaße und lässt den „gläsernen Kunden“ von damals eher wie ein Kunde im Milchglas aussehen. In der Neuzeit des E-Commerce kann man von „Kunden unter dem Mikroskop“ sprechen, ist doch die Datentiefe und Datenverfügbarkeit um ein Vielfaches größer als bei Kundenkarten.

Insbesondere sogenannte Tracking-Pixel auf Basis des Third Party Cookies machen es möglich, dass Unternehmen das Verhalten ihrer Kunden über Webseiten verfolgen und speichern können. So kann, exemplarisch, eine Automarke ohne Probleme Kunden ansprechen, die sich in einem Online-Automobil-Magazin ihre Marke genauestens angeschaut haben und somit Interesse an der Marke signalisiert haben. Auch konnten Daten ohne großen Aufwand an weitere Marktteilnehmer verkauft werden, die wiederum damit Kunden ansprachen. Am Ende hatten Kunden oft keinen Überblick mehr, welche Daten von ihnen überhaupt und bei wem im Umlauf sind. Ein Zustand der Betrug und Missbrauch Tür und Tor öffnete [10].

Dies brachte die europäischen Datenschützer auf die Barrikaden und führte 2016 zur Verabschiedung der Datenschutzgrundverordnung (DSGVO), die seit Mai 2018 in Kraft ist [11]. Grundgedanke der DSGVO ist, dass Unternehmen die Einwilligung oder ein berechtigtes Interesse an der Nutzung der Kundendaten hat, nur Daten sammelt, die notwendig zur Erfüllung des Zweckes sind und EU-Bürger die Chance gibt, ihre Daten einzusehen, zu modifizieren und löschen zu lassen.

Ein besonders spannendes Beispiel hat Max Schrems geliefert, als er 2011 von Facebook einen Ausdruck seiner Daten forderte. Nach anfänglichem Zögern hat der Konzern ihm 1200 DIN-A4-Seiten seiner Daten zugesandt, unter anderem mit vielen Daten, die Schrems gelöscht glaubte [12]. Dies sollte noch weitere Konsequenzen haben, wie zum Beispiel das bekannte Schrems-II-Urteil, welches den Datentransfer in die USA nicht ohne weitere Schutzmaßnahmen erlaubt [13]. Dies ist aktuell für alle Unternehmen ein großes Thema bei der Auswahl von Technologieanbietern.

Ein Fall, der weltweite Aufmerksamkeit bekam, war der sogenannte „Cambridge Analytica Skandal“ 2014-2018 [14]. Die Analysefirma Cambridge Analytica hatte über eine der damals zahlreichen Facebook- Apps Facebook-Nutzer dazu verführt, Daten anzugeben, mit denen man psychografische Profile dieser Nutzer erstellen kann. Das Problematische daran war, dass a) auch Daten von Freunden dieser Nutzer gesammelt werden konnten und b) diese Daten ganz entscheidend eingesetzt werden konnten.

Wir sprechen hier von immerhin 87 Millionen Facebook-Nutzerprofilen. Auf Basis dieser Daten konnten 2016 während der Trump-Wahlkampagne in den USA regelrecht Gesprächsleitfäden entwickelt werden, die auf die Ängste und Vorbehalte der jeweiligen Wähler zugeschnitten waren. So konnte man gezielt Meinungen steuern und verstärken. Die Welt war entsetzt, Zuckerberg musste sich vor dem Senat rechtfertigen, große Plattformen wie Google, Amazon und Facebook sowie die gesamte Online-Marketing-Branche standen unter Generalverdacht.

 

Ad-Mageddon

Die folgenden Jahre, speziell ab dem Jahr 2020, sind gespickt mit Reaktionen der Industrie auf diese Datenschutzproblematiken. Hier seien drei große Veränderungen genannt, auf die ich mich beschränke und über die man separat ein ganzes Buch schreiben könnte.

Große Kopfschmerzen machen Werbetreibenden die Abschaffung des Third Party Cookies durch die gängigen Browser-Hersteller. Mozilla Firefox begann diese Initiative im September 2019, gefolgt von Safari im März 2020 und auch Google Chrome [15] kündigte das Ende des Third Party Cookies zu Ende 2024 an [16]. Wie essenziell diese Technologie auch für die Werbenetzwerke ist, zeigt, dass Google nun zum zweiten Mal (auch wegen vorerst gescheiterter Alternativen [17]) die Abschaffung dieses Cookies verschoben hat – nun auf Ende 2024. Nichtsdestotrotz wird der Datenhahn hier bald zugedreht und Werbetaktiken wie das klassische „Produkt-Retargeting“ werden nur noch sehr schwer möglich sein.

Des Weiteren sorgte Max Schrems für Veränderungen bezüglich der rechtskonformen Verwendung von den sogenannten „Cookie-Consent- Bannern“, also den Einwilligungsfenstern, die auf Webseiten nach der Einwilligung der Datenverwendung der Nutzer fragen. Er reichte mehrere Hundert Beschwerden [18] gegen Unternehmen ein, die die Cookie- Consent-Banner in einer Art und Weise verwenden, die intransparent für Nutzer ist und damit den Nutzern nicht die Chance gibt, volle Kontrolle über ihre Daten zu haben. Als Resultat sind nun viele Cookie-Consent- Banner so voreingestellt, dass nur ein minimaler Datenfluss stattfindet. Dies hat immense Auswirkungen auf die Datenverfügbarkeit, denn viele Nutzer ändern die Voreinstellungen eben nicht auf eine Weise, dass mehr Daten fließen.

Als Letztes möchte ich auf die dramatisch veränderte Lage im mobilen Sektor eingehen. Im April 2021 führe Apple mit iOS 14.5 das sogenannte „App Tracking Transparency“ (ATT) Framework ein [19]. Das ATT- Framework zwingt App-Hersteller Nutzer mit einem Banner aktiv nach der Einwilligung des Trackings ihrer Daten zu fragen, bevor die App von Nutzer verwendet werden kann. Dies kann in der Regel nur ein einziges Mal geschehen.

Die Auswirkungen des ATT, vor allem in Europa, sind dramatisch. Nur 14 bis 17 Prozent der deutschen Apple-User stimmen dem Tracking via ATT zu [20]. Für Werbetreibende wie für Plattformen verhindert ATT gezieltes Targeting. Wie entscheidend dies ist, sieht man sehr deutlich an den Aktienkursverlusten von Snapchat in Q3 2021 und Meta/Facebook in Q1 2022. So sagte Snap Inc. CEO Evan Spiegel zur Erläuterung der schwierigen Q3/2021 Quartals-Ergebnisse: „Our advertising business was disrupted by changes to iOS Ad-Tracking that were broadly rolled out by Apple in June and July. While we anticipated some degree of business disruption, the new Apple provided measurement solution did not scale as we had expected, making it more difficult for our advertising partners to measure and manage their ad campaigns for iOS.” [21] Selbiges widerfuhr auch Facebook. Meta CEO Mark Zuckerberg gab am Abend des 26 Prozent Meta-Aktien-Mini-Crash im Februar 2022 zu: „There is a clear trend where less data is available to deliver personalized ads.“ [22]

Aber nicht nur die Plattformen leiden, auch die Werbetreibenden sehen sich neuen Herausforderungen gegenüber. Die Kosten für eine Conversion von Nutzer, die beim ATT die Tracking-Permission gegeben haben, haben sich laut Moloco-Report um sagenhafte 200 Prozent erhöht [23].

Zu Recht sprechen hier einige Marktbeobachter vom „Ad-Mageddon“ [24]. Aber als wären die technischen und rechtlichen Veränderungen noch nicht genug für den Markt, hat sich die Tektonik des E-Commerce Marketing noch weiter und in gefährlicher Weise verschoben: Durch die globale Corona-Pandemie.

 

10 in 3

Die globale Corona-Pandemie und den damit verbundenen Lockdowns haben wie ein Katalysator für die weltweite E-Commerce Penetration gewirkt. Die Unternehmensberatung McKinsey hat festgestellt, dass die US E-Commerce Penetration in den ersten drei Monaten 2020 so stark gestiegen ist wie in den letzten zehn Jahren davor zusammen [25]. Vor allem Unternehmen, die noch nicht stark auf den Onlinehandel gesetzt haben, sind mit aller Wucht in die Onlinevermarktung und damit Nutzergewinnung für ihr E-Commerce-Geschäft gedrängt.

Dies hatte natürlich zur Folge, dass mehr Werbetreibende um die Gunst der Konsumenten buhlen, was sich sehr deutlich in den Werbekosten widerspiegelt. Laut der Webseite „revealbot“ stieg der Facebook/ Instagram CPM im Jahr 2020 um 89,4 Prozent und der CPC um 60,5 Prozent in 2020. Im Jahr 2021 blieben diese Werte auf einem hohen Niveau [26]. Auch die Kosten für Amazon Produkt Ads stiegen laut Bloomberg.com im Zeitraum von Mai 2020 bis Mai 2021 um stattliche 50 Prozent [27].

Die Folgen dieser Veränderungen sind dramatisch. Wo früher kostengünstig und in großer Anzahl Kunden von den großen Plattformen „gemietet“ werden konnten, herrscht nun ein Hauen und Stechen im Wettbewerb um Neukunden. Große Rabattschlachten waren beziehungsweise sind nicht selten.

Doch wenn Konsumenten immer wieder von den großen Plattformen „gemietet“ werden und ich spreche hier ganz ausdrücklich vom „Mieten der Konsumenten“, dann ist dies sehr kostspielig und führt häufig dazu, dass Kunden nicht (mehr) profitabel werden für eine Unternehmung. Die Werbekosten fressen die Margen auf.

Für viele Direct-to-Consumer (DTC)-Marken stellt dies eine nicht unerhebliche Herausforderung dar. In einem aktuellen „cbinsights“- Artikel werden die Herausforderungen von DTC-Unternehmen beleuchtet und einige prägnanten DTC-Fälle behandelt. So heißt eine der Schlussfolgerungen dieses Artikels: „Figure out how you’ll turn a profit before spending lavishly on customer acquisition.“

Dies gilt aber nicht nur für DTC-Unternehmen. In einem aktuellen WSJ- Artikel wird die Profitabilität von US-Retail-Unternehmen analysiert und abgeleitet, dass die Onlinemarketingkosten erheblichen Druck auf die EBITDA-Marge haben. Mit anderen Worten: Je höher der Anteil des Onlinehandels, je niedriger die EBITDA-Marge. Dies hat sich seit 2020 noch deutlicher entwickelt [28].

 

- Abb. 2: Teurer Onlinehandel [28]. -

Wenn nun also die Akquise von Neukunden und das wiederholte „Mieten“ von Bestandskunden auf den großen Plattformen immer teurer und schwieriger wird, kann es doch nur eine Lösung geben: Kunden langfristig und wert-basiert ans Unternehmen binden. Wir wissen durch die CLV- Forschung, dass eine langfristige Kundenbindung die Profitabilität dieser Beziehung positiv beeinflusst. Nur wie setzen wir dies um?

 

Wert-basierte Kundenbeziehungen mit First-Party-Daten

First-Party-Daten sind Daten, die Unternehmen selbst von Kunden über die von der Unternehmung selbst kontrollierten Kanäle, wie zum Beispiel App oder Webseite, „tracken“. Wer sich hier nun über die Nennung von Apps vor dem Hintergrund des besprochenen Apple ATT Framework wundert, sollte sich bewusst machen, dass Apple ATT sich nur auf Third- Party-Daten bezieht. First-Party-Daten sind davon gänzlich unberührt [29].

First-Party-Daten sind ein wahrer Schatz an Wissen, der nur gehoben werden will. Zudem sind First-Party-Daten proprietär, das heißt, niemand anders als die erhebende Unternehmung (und der entsprechende Kunde) kann über die Daten verfügen. Darin steckt ein immenser Wettbewerbsvorteil, denn aus diesen Daten, wie wir später noch genauer sehen werden, können Präferenzen und die monetäre Wertigkeit von Konsumenten abgeleitet werden. Beides sind notwendige Bedingungen für den Aufbau von profitablen Kundenbeziehungen.

Zum Heben dieses Schatzes gehört jedoch verstärkt die Überlegung, wie Konsumenten dazu bewegt werden können, ihre Daten zu teilen. Die besprochenen technischen (zum Beispiel Apple ATT, Cookie- Consent-Banner) und rechtliche Veränderungen (DSGVO) machen es Konsumenten zunehmend einfacher, blitzschnell den Zugang zu ihren Daten abzuschneiden und ihre Daten zu löschen.

Der Schlüssel liegt hierzu in der Wertedarstellung des Unternehmens und mit dem Appetit, mit der eine Unternehmung Konsumentendaten erheben möchte. Neuere Umfragen und Forschungen zeigen, dass Konsumenten den Gegenwert ihrer Daten kennen und als wertig wahrnehmen müssen [30]. Zum Beispiel ist die geringe Opt-in Rate beim Apple ATT Framework so zu erklären, dass Konsumenten nicht genug „Wert“ sehen vor dem Hintergrund von Risiko-, Privatsphäre- und Wertigkeitsaspekten. Mit anderen Worten: Was hat denn ein individueller Konsument davon, Daten preiszugeben?

Ein weiterer zentraler Aspekt ist Vertrauen. Wenn ein Unternehmen nicht als vertrauenswürdig eingeschätzt wird, teilen laut aktueller Studien Konsumenten ihre Daten nicht. Umgekehrt ist es wahrscheinlicher, dass Konsumenten ihre Daten nach einer positiven Erfahrung mit dem Unternehmen teilen [30]. Mit anderen Worten: Was tut eine Unternehmung, damit ein individueller Konsument Vertrauen aufbaut?

 

- Abb. 3: Vertrauen und Wertigkeit als Motivation zur Datenteilung [30]. -

Beides, die Wahrnehmung von Wertigkeit und Vertrauen, sind Aspekte, die sich über die Zeit entwickeln. Somit folgt die Gewinnung von First- Party-Daten einer Schwungrad-Logik, insbesondere der „Customer Data Flywheel Logic“: Vertrauen und Wertigkeit führen dazu, dass Kunden ihre Daten teilen. Mit diesen Daten kann die individuelle Customer Experience verbessert werden, was wiederum zu mehr Vertrauen, Weiterempfehlung und Wert sorgt. Über die Zeit hinweg kommt das Schwungrad in Schwung und sorgt für ein immer optimaler werdendes Zusammenspiel von Wertigkeit, Vertrauen und Customer Experience.

 

- Abb. 4: Gute Erfahrungen animieren zur weiteren Datenteilung [30]. -

Die Steigerung der individuellen Customer Experience unter Berücksichtigung und Steigerung des individuellen Customer Lifetime Values ist das zentrale Ziel, das mittels Machine Learning und den gewonnenen Daten erreicht werden muss. Um dieses Ziel zu erreichen, ist es dienlich, den Customer Lifetime Value in den Mittelpunkt der Betrachtungen zu stellen.

 

CLV im Mittelpunkt von wert-basierten Kundenbeziehungen

Wert-basiertes CRM unterscheidet sich von klassischem CRM, dass nun der Customer Lifetime Value im Mittelpunkt der Betrachtung steht. Bei jeder Initiative einer Unternehmung sollte man die Frage stellen, ob diese den Customer Lifetime Value unter optimalem Einsatz von Unternehmensressourcen steigert oder ob eine Senkung des Customer Lifetime Values droht.

 

- Abb. 5: Der CLV als zentrales Steuerelement einer Kundenbeziehung. -

Das Charmante an diesem Ansatz ist, dass Unternehmen mit dem CLV ein objektives Maß der Wertigkeit ihrer Initiativen haben und gleichzeitig ein Maß, wie wertig diese Initiativen bei Kunden wahrgenommen werden. Dies begründet sich darin, dass der individuelle CLV ein direkter Spiegel dieser Wahrnehmung ist, die sich in Kaufverhalten/Nutzerverhalten äußert.

Ich möchte in diesem Zusammenhang betonen, dass hier zwingend kundenindividuelle Customer Lifetime Values notwendig sind. Durchschnittliche CLV, so wie sie weit verbreitet sind, helfen nicht, kundenindividuelle Entscheidungen zu treffen. Nur mit kundenindividuellen Kaufwahrscheinlichkeiten und Margen lassen sich Fragen beantworten, wie hier exemplarisch:

  • Benötigt der Kunde einen Coupon als Kaufanreiz und welche Höhe soll dieser haben? Lohnt sich der Coupon aus Unternehmenssicht?
  • Wie entwickelt sich die Profitabilität des Kunden?
  • Ist der Kunde abwanderungsgefährdet?
  • In welcher Warengruppe lassen sich die besten Margen bei den Kunden erzielen?
  • und viele, viele mehr.

Wenn Unternehmen den CLV in den Mittelpunkt stellen, steht ihnen zudem ein effektives Mittel zur Hand, um ihren Kundenstamm systematisch im Wert zu entwickeln. Man spricht in diesem Zusammenhang von der Steigerung des „Customer Equity“, das heißt der Steigerung der Summe aller CLVs.

 

Fazit

Gerade in Zeiten, in denen es sich verstärkt um die Optimierung der Kundenprofitabilität dreht, ist wert-basiertes CRM mit dem Customer Lifetime Value im Mittelpunkt das Mittel der Wahl. Insbesondere Marketingmaßnahmen lassen sich dadurch monetär und langfristig bewerten und gleichzeitig taktisch steuern.

Auch in der Finanzindustrie gewinnen Customer Lifetime Value und Customer-Equity-Perspektiven von Bedeutung. Als Beispiel soll hier das von Fader und McCarthy entwickelte Framework „Customer-Based Corporate Valuation“ zur Hilfe bei Unternehmensbewertungen genannt sein. Mittels öffentlich verfügbarer Daten wird der Wert des aktuellen und zukünftigen Kundenstamms modelliert. So können unter anderem bessere M&A-Entscheidungen getroffen werden [31].

Wert-basiertes CRM benötigt zwei Dinge: Eine First-Party- Datenstrategie zur Aktivierung des Customer Data Flywheel und Machine Learning unterstützte Analysen auf Basis des CLV. Beides sind für viele Unternehmen neue Felder und es Bedarf Fokus und Geduld, um diese Themen gut umzusetzen. Aber was sind die Alternativen in einer Welt, in der klassisches, datengetriebenes Performance-Marketing unrentabel und schwierig geworden ist? Heißt es dann nicht: „Zurück zur Kundenbindung!“?

 

Literatur:

(1) Drucker, (1954): The Practise of Management. New York: Harper-Collins

(2)Reichheld, F., Sasser, W. E. (1990): Zero Defections: Quality Comes to Services. Harvard Business Review. -https://hbr.org/1990/09/zero-defections-quality-comes-to-services – Zugriff 21.09.2022

(3)Fleming, M. (2019): How Tesco revolutionised loyalty with Clubcard: The Inside Marketing Week. – https://www.marketingweek.com/tesco-clubcard-loyalty/ – Zugriff 21.09.2022

(4)Verbraucherzentrale (2022): Kundenkarten: Wenig Rabatt für viel Information. Verbraucherzentrale.- https://www.verbraucherzentrale.de/wissen/vertraege-reklamation/werbung/kundenkarten-wenig-rabatt-fuer-viel-information-13862 – Zugriff 21.09.2022

(5)ONEtoONE [2014): Bier, Windeln und was man sonst über Big Data wissen sollte. ONEtoONE.- https://www.onetoone.de/artikel/db/oto_13181.html - Zugriff 21.09.2022

(6)Ryte (2022): Was ist eine RFM-Analyse? – Ryte Ryte.- https://de.ryte.com/wiki/RFM-Analyse - Zugriff 21.09.2022

(7)Gupta, , Lehmann, D. R., Ames Stuart, J. (2004): Valuing Customers. Journal of Marketing Research Vol. 41, Issue 1.

(8)WirtschaftsWoche (2021): Insolvenz 2009: Was wurde eigentlich aus dem Quelle-Versand?- https://www.wiwo.de/unternehmen/handel/wirtschaftsgeschichte-in-bildern-was-wurde-eigentlich-aus-quelle/27882250.html -Zugriff 21.09.2022

(9)Süddeutsche Zeitung (2010): Payback – Die Angst vorm gläsernen- https://www.sueddeutsche.de/wirtschaft/payback-die-angst-vorm-glaesernen-kunden-1.261071 - Zugriff 21.09.2022

(10)Süddeutsche Zeitung (2014): 33 Millionen E-Mail-Adressen zu verkaufen – Digital. SZ, May 12, 2014.- https://www.sueddeutsche.de/digital/warnung-vor-spamwelle-unbekannte-bieten-33-millionen-e-mail-adressen-zum-verkauf-an-1.1959685 - Zugriff 21.09.2022

(11)EU (2022): Gesetzgebung Entwicklungsgeschichte der Datenschutz- European Data Protection Supervisor. - https://edps.europa.eu/data-protection/data-protection/legislation/history-general-data-protection-regulation_de -Zugriff 21.09.2022

(12)DerStandard (2018): Maximilian Schrems fordert Facebook seit 2011 heraus – Netzpolitik – de Web.- https://www.derstandard.de/story/2000073030886/maximilian-schrems-fordert-facebook-seit-2011-heraus - Zugriff 21.09.2022

(13)Heise Business Services (2021): Schrems-II-Urteil: Auswirkungen und Umsetzung in der Praxis. - https://business-services.heise.de/security/datenschutz-dsgvo/beitrag/schrems-ii-urteil-auswirkungen-und-umsetzung-in-der-praxis-4166 -Zugriff 21.09.2022

(14)Dachwitz, , Rudl, T., Rebiger, S. (2018): FAQ: Was wir über den Skandal um Facebook und Cambridge Analytica wissen. Netzpolitik. - https://netzpolitik.org/2018/cambridge-analytica-was-wir-ueber-das-groesste-datenleck-in-der-geschichte-von-facebook-wissen/ -  Zugriff 21.09.2022

(15)Schuh, (2019): Building a more private web. The Keyword. - https://blog.google/products/chrome/building-a-more-private-web/ -  Zugriff 21.09.2022

(16)Mathew, (2022): Death of 3rd-Party Cookies: How to convert 3rd-party cookies to 1st-party?” Ayruz Data Marketing. - https://ayruz.com/death-of-3rd-party-cookies-how-to-convert-3rd-party-cookies-to-1st-party/ -

(17)Contentmanager (2021): Google Tracking Alternative: FLoC scheitert vorerst am EU-Recht. Contentmanager.de. - https://www.contentmanager.de/nachrichten/google-tracking-alternative-floc-scheitert-vorerst-am-eu-recht/ - Zugriff 21.09.2022

(18)eu (2021): noyb setzt dem Cookie-Banner-Wahnsinn ein Ende. NOYB.. - https://noyb.eu/de/noyb-setzt-dem-cookie-banner-wahnsinn-ein-ende - Zugriff 21.09.2022

(19)Apple (2021): User Privacy and Data Apple Developer. - https://www.adzine.de/2021/05/tracking-opt-ins-bei-att-weiterhin-niedrig-in-deutschland/ - Zugriff 21.09.2022

(20)Adzine (2021): Tracking-Opt-ins bei ATT weiterhin niedrig in Adzine. – https://www.adzine.de/2021/05/tracking-opt-ins-bei-att-weiterhin-niedrig-in-deutschland/ – Zugriff 21.09.2022

(21)com (2021): Snap says Apple’s privacy changes hurt its ad business more than it expected. - https://www.engadget.com/snap-q3-2021-earnings-221924261.html - Zugriff 21.09.2022

(22)Danise, (2022): Business Leaders Should Learn From Facebook’s Decline: It Points To New Consumer Responses To Data, Advertising And Privacy. Forbes. - https://www.forbes.com/sites/hecparis/2022/03/17/business-leaders-should-learn-from-facebooks-decline-it-points-to-new-consumer-responses-to-data-advertising-and-privacy/ -  Zugriff 21.09.2022

(23)Moloco (2021): E-Commerce CPA Trends on iOS - H1 - https://6381084.fs1.hubspotusercontent-na1.net/hubfs/6381084/Gated%20Content/E-Commerce%20CPA%20Trends%20on%20iOS.pdf - Zugriff 21.09.2022

(24)SeekingAlpha (2021): Wall Street Breakfast: Ad-Mageddon. Seeking Alpha. - https://seekingalpha.com/article/4461368-wall-street-breakfast-ad-mageddon -  Zugriff 21.09.2022

(25)McKinsey (2021): The quickening. - https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/five-fifty-the-quickening - Zugriff 21.09.2022

(26)com (2020): Facebook advertising costs CPM (updated weekly). Revealbot- https://revealbot.com/facebook-advertising-costs - Zugriff 21.09.2022

(27)Soper, (2021): Amazon Advertising Rates Soar in Pandemic-Fueled Surge. Bloomberg.com. - https://www.bloomberg.com/news/articles/2021-06-09/amazon-advertising-rates-soar-in-pandemic-fueled-surge?leadSource=uverify%20wall - Zugriff 21.09.2022

(28)Lee, (2022): How Bricks Might Save Clicks – WSJ. The Wall Street Journal.. - https://www.wsj.com/articles/how-bricks-might-save-clicks-11650619815 -  Zugriff 21.09.2022

(29)Apple (2022): Mobile Advertising and the Impact of Apple’s App Tracking Transparency Apple. - https://www.apple.com/privacy/docs/Mobile_Advertising_and_the_Impact_of_Apples_App_Tracking_Transparency_Policy_April_2022.pdf - Zugriff 21.09.2022

(30)Sterling, (2018): Survey: 58% will share personal data under the right circumstances. MarTech. - https://martech.org/survey-58-will-share-personal-data-under-the-right-circumstances/ - Zugriff 21.09.2022

(31)Fader, P., McCarthy, D. (2020): Unternehmensbewertung: Wertsache Kundenbeziehung - https://www.manager-magazin.de/harvard/strategie/unternehmensbewertung-wertsache-kundenbeziehung-a-00000000-0002-0001-0000-000173448524 -  Zugriff 21.09.2022

 

Weiterführende Literatur

cbinsights (2022): The D2C Survival Guide. - https://www.cbinsights.com/research/report/d2c-survival-guide-direct-to-consumer-companies-startups-lessons-failures/ - Zugriff 21.09.2022

Franklin, K. (2013): The Best Predictor of Future Behavior Is … Past Behavior. Psychology Today. - https://www.psychologytoday.com/us/blog/witness/201301/the-best-predictor-future-behavior-is-past-behavior - Zugriff  21.09.2022

Statista.de (2022): Online-Handel - https://de.statista.com/statistik/daten/studie/71568/umfrage/online-umsatz-mit-waren-seit-2000/ - Zugriff 21.09.2022