Kürzlich saß ich an einer Präsentation, die sich um das Thema Kundenbindung drehte. Auf der Suche nach einem Titel über das Erreichen von Kunden und Kontakten über die diversen Kanäle, die uns zur Verfügung stehen, stolperte ich über den Begriff “Kontextualisierung”, was so viel bedeutet wie Content, Kontext und situationsbedingtes Nutzerverhalten in Verbindung zu bringen. Das Konzept der Kontextualisierung wurde ursprünglich von Forrester in dem Magazin “Advance To Next-Generation Personalization” präsentiert. Kurz zusammengefasst: Man streitet sich darin, ob Kontextualisierung tatsächlich einen Schritt über die Standard-Personalisierung hinausgeht, wenn man folgendes hinzufügt:

  • Kundendaten (Wer ist der Kunde?)
  • Historische Daten (Was hat der Kunde in der Vergangenheit gemacht?)
  • Situationsbedingte Daten (Wie verhält sich der Kunde aktuell?)

Meine erste Reaktion – Bravo! Ein guter Gedanke hinter der Theorie, der genau ins Schwarze trifft. Ich habe in einer Kolumne über etwas Ähnliches geschrieben: digitales Engagement und praktische Möglichkeiten besser zu verstehen, wer der Kunde ist und wie man ihn binden kann.

Aber wollen Sie wirklich die extra €499 für einen Report ausgeben (komm schon Forrester, uns macht ihr nichts vor, ihr wollt ja eigentlich €500!), der vor lauter schicken Buzzwords überquillt?

Aber zurück zu meiner Story. Nach einer schlaflosen Nacht habe ich den Titel der Präsentation also letztendlich in “Digitale Umarmungen” umgeändert, was eine vereinfachte Version von Kontextualisierung ist. Digitale Umarmungen sind im Grunde genommen die Fähigkeit, die Kunden/Interessenten mit Liebe und Zuneigung über die digitalen Kanäle zu umarmen, wӓhrend man ein bedeutungsvolles Kundenerlebnis schafft, das in Kontext und Timing für jeden einzelnen Konsumenten am relevantesten ist.

Für eine saftige Portion an digitaler Liebe und Zuneigung folge man diesem einfachen Rezept:

Technische Zutaten:

  • 1 Recommendation Engine
  • 1 E-Mail System
  • 1 Plug-in des Web-Analyse-Tools zurDatenbank
  • 1 Ad-Exchange
  • 1 Datenbank
  • Eine Menge Kunden
  • Gut frequentierte Webseite
  • 1 Plug-in für die Kaufhistorie der Kunden.

Anleitung:

  1. Man nehme das Skript der Recommendation Engine und baue sie in die Webseite ein (einfaches Copy und Paste).
  2. Nun gibt man dem „Machine Learning“ Algorithmus 2-4 Wochen Zeit, um das Verhalten der User kennen zu lernen.
  3. Anschließend das Ganze auf mittlere Hitze stellen und sicher gehen, dass das Plug-in der Web Analytics/Recommendation Engine mit der Kunden ID auf der Datenbank verbunden ist. Dies ermöglicht das Webverhalten und E-Mailverhalten der Kunden und Interessenten zu identifizieren.
  4. Deckel drauf und 2-3 Wochen köcheln lassen.
  5. Mit dem Plug-In für Historische Daten werden jetzt Historische Kaufdaten mit der Kunden ID verknüpft (sei es eine E-Mail Adresse, Vorname/Nachname oder Kundennummer).
  6. Die Datenbank beinhaltet nun: E-Mailverhalten, Webverhalten und auch bisherige Transaktionen (Hinweis: man kann auch Social Data hinzufügen, wenn man Firmen wie zum Beispiel Gigya verwendet).
  7. Während das Gourmet-Dinner schön langsam vor sich hin köchelt, füge man die Recommendation Engine Widgets auf seiner Staging Website ein und teste sie im Verhältnis zu anderem Inhalt, den man vielleicht noch verbessern möchte, bis der Geschmack des Algorithmus perfekt ist. Empfohlene Widgets: zugehörig (Empfehlungen zugehӧrig zu jenen Produkten, die der Kunde gerade browst – ergänzen ein Set an Produkten zu dem, das gerade angesehen wird. Z.B. – zugehörig zu Kamera sind: Memory Card, Reinigungsinstrumente und eine Tasche), persönliche Empfehlungen (platziere es auf der Hauptseite, damit der User den für ihn relevanten Inhalt bekommt), auch gekauft (Kunden, die dieses Produkt gekauft haben, würden auch dieses Produkt kaufen), und Warenkorb (erlaube dem User dem Warenkorb ganz einfach empfohlene Produkte hinzuzufügen und somit den Warenkorb-Wert zu steigern).
  8. Let’s rock n’ roll. Wenn alles funktioniert, dann zieht man einfach die Widgets auf die laufende Webseite.
  9. Nun binde man Kunden basierend auf ihrem Nebenverhalten: Warenkorb-Abbruch? Man schicke eine E-Mail mit empfohlenen Produkten an die User basierend auf deren Einkauf und Webverhalten. Keine Antwort auf E-Mails? Man nutze dynamische Inhaltsempfehlungen für Retargeting Kampagnen (Achtung: keine statischen Banner, aber empfohlene Produkte basierend auf vorangegangenen Einkäufen und Browsing-History). Kunden besuchen die Webseite nicht? Man folge ihnen mit E-Mail Empfehlungen und / oder Retargeting Anzeigen, um sie wieder zu den Produkten zurückzubringen, die sie mӧgen.
  10. Identifizieren Sie noch weitere Formen des Nutzverhaltens basierend auf Kanӓlen, Standorten und Aktionen und nutzen Sie Daten, Kanӓle sowie Inhalte, um Kunden noch enger zu binden.
  11. Zu guter Letzt bemesse man das Customer Engagement und CLTV (customer life time value), um eine Steigerung der Erfolgsmetriken zu erzielen.

Ich hoffe mein Rezept für vereinfachte Kontextualisierung war hilfreich. Auf den ersten Blick klingt es vielleicht etwas kompliziert, aber das ist es nicht wirklich. Technologien, die den Prozess vereinfachen gibt es ja bereits und sie werden immer leichter zugänglich für SMB’s. Und nebenbei bemerkt: eine Firma, die das Konzept verstanden und erfolgreich umgesetzt hat, ist Tripadvisor. Hut ab!