In meinem vorherigen Beitrag zur Kundenanalyse haben wir erörtert, wie die durch Kundenanalysen ermöglichte Gesamtsicht die fragmentierten Sichtweisen aus Produkt-, Marketing- und Betriebsanalysen ersetzen kann. Ein wesentlicher Katalysator für diesen Wandel ist der Übergang zu Data-Warehouse-nativen Analysen, ermöglicht durch leistungsstarke Data-Warehouse-Plattformen. Dadurch können wir das Data Warehouse zur zentralen Datenquelle machen, anstatt mit lösungsspezifischen Datensilos zu arbeiten. Dieser Wandel zählt zu den wichtigsten Entwicklungen der jüngeren Geschichte im Bereich Analytics, da er uns die Möglichkeit zurückgibt, auf Basis einer einheitlichen Kundensicht zu handeln. Diese Fähigkeit hatten wir verloren, als digitale Produkte schneller skalierten als unsere Data Warehouses mithalten konnten und wir schließlich Datensilos bildeten. Wir können nun die Fragen beantworten, die unsere Unternehmen wirklich beschäftigen, anstatt sie aufgrund der fehlenden Möglichkeit, alle benötigten Daten zusammenzuführen, zu fragmentieren.
Obwohl dies vielversprechende Entwicklungen sind, sieht die Realität so aus, dass die meisten von uns immer noch mit erheblichen Datensilos zu kämpfen haben. Trotz aller Versprechen des modernen Daten-Stacks ist die Entwicklung relevanter Erkenntnisse und deren anschließende Umsetzung ein langsamer, schwieriger und kostenintensiver Prozess. Das Erbe des modernen Daten-Stacks besteht bis heute aus einer Sammlung durchaus beeindruckender Insellösungen, aber einem unklaren Weg zu dem, was wir wirklich wollen – der Fähigkeit, Daten zu nutzen, um Kunden in großem Umfang zu aktivieren.
Bewerten Sie den Reifegrad Ihrer Kundenanalysen und gewinnen Sie datenbasierte Erkenntnisse. Entdecken Sie die vier Phasen und Vorteile von Warehouse-nativen Lösungen für schnelleres Wachstum.
Reifegradmodell für Kundenanalysen
Um zu verstehen, wie diese Tools zusammenpassen, ist ein Reifegradmodell hilfreich, um zu erkennen, was wir erreichen wollen und wo die verschiedenen Komponenten ihren Platz haben.
Abbildung 1:Reifegradmodell für Kundenanalysen
Nahezu jedes Unternehmen hat zumindest teilweise Stufe 1: Funktionale Analysetools erreicht und nutzt verschiedene funktionale Analysetools (z. B. Google, Adobe, Amplitude). Diese Tools liefern zufriedenstellende Antworten auf spezifische Fragen (z. B. wie viele Personen nutzen Funktion X, wie viele Personen haben über diese Anzeige konvertiert), erschweren aber die Beantwortung von Fragen, die das Gesamtbild der Kundenbeziehung erweitern (z. B. warum kündigen Kunden Abonnements?). Diese Tools verwalten ihre Analysen und Daten in ihren jeweiligen Datensilos. Dadurch können sie nicht nur keine ganzheitlicheren Fragen beantworten, sondern behindern auch deren Entwicklung an anderer Stelle.
Mit zunehmender Unternehmensgröße investieren Unternehmen in Data Warehouses (z. B. Snowflake, BigQuery, Databricks). Irgendwann stellt jemand fest, dass Daten über denselben Kunden aus verschiedenen Quellen stammen – Backend-Produkttabellen, MarTech-Plattformen, Kundenservice-Plattformen usw. – und beschließt, diese in einer einzigen Datenstruktur im Data Warehouse zusammenzuführen und sie gegebenenfalls sogar operativ im Customer Data Platform (CDP) bereitzustellen. Dieser Aufstieg zu Level 2: Warehouse C360 löst scheinbar die Probleme von Level 1 – die ganzheitliche Kundensicht –, stößt in der Praxis aber an zwei Stellen auf Schwierigkeiten. Erstens: Während die funktionalen Tools einen Großteil der Analyse- und Berichtsebene bereitstellen, ist C360 eine individuelle Lösung, die vollständig von internen Teams entwickelt werden muss. Zweitens: Während einige funktionale Daten im Data Warehouse landen (z. B. Backend-Produktdaten), bleibt ein Großteil davon in isolierten Lösungen gefangen (z. B. Frontend-Produktdaten) und lässt sich bestenfalls nur schwer integrieren. Dadurch fehlen in C360 wesentliche Teile der Kundensicht. Bis vor Kurzem war Level 2 das Beste, was wir erreichen konnten, da die Datensilos unserer Tools für die einzelnen Funktionsbereiche nur durch die Entwicklung eigener Lösungen umgangen werden konnten – und nur wenige Unternehmen sind groß genug dafür. Mit Lösungen wie NetSpring ist es nun möglich, isolierte Tools durch Lösungen zu ersetzen, die ihre Daten nativ im Data Warehouse speichern, zusammen mit allen anderen Kundendaten. Darüber hinaus ist NetSpring flexibel genug, um den Aufwand für die Entwicklung der Reporting-Schicht zu reduzieren, die mit herkömmlichen BI-Lösungen langsam und ineffizient war. Durch die Überwindung der beiden größten Einschränkungen von Stufe 2 wird die Reife von Stufe 3: Warehouse-native Kundenanalyse möglich und eröffnet eine Vielzahl von Anwendungsfällen, die zu schnelleren Erkenntnissen und deren Nutzung zur Kundenaktivierung führen. Das Erreichen von Stufe 3 ist für die meisten Unternehmen ein bedeutender Erfolg, da sie nun endlich Maßnahmen ergreifen können, die den Kunden ganzheitlich betrachten. Dies erfordert jedoch weiterhin die Definition von Kennzahlen, Attributen und Berichten, die Erkenntnisse liefern und Entscheidungen unterstützen. Mit Blick auf die Zukunft ist der nächste logische Schritt in unserer Weiterentwicklung Stufe 4: Autonome Kundenanalyse. Hierbei automatisieren wir einen Großteil dieser Datenanalyse, voraussichtlich durch den Einsatz von KI, um unsere C360-Systeme umfassend zu durchsuchen und potenzielle Kennzahlen und Dimensionen zu identifizieren. Obwohl solche Lösungen größtenteils noch Science-Fiction sind, rücken wir dank Fortschritten in Bereichen wie der generativen KI immer näher an die Möglichkeit heran, diese Lösungen bereitzustellen. Sobald sie marktreif sind, benötigen sie genau die Art von einheitlicher Kundensicht, die wir auf Stufe 3 erreichen. Jede Reifestufe repräsentiert technologische Weiterentwicklungen, die systematisch neue Anwendungsfälle erschließen. Die Einschränkungen jeder Stufe regen Innovationen an, die die Grundlage für die nächste bilden.
| Reifegrad | Unterstützte Anwendungsfälle | Einschränkungen | Beispiellösungen |
| 1: Tools für funktionale Analysen | Anwendungsfälle, die einem Funktionsbereich zugeordnet sind, wie z. B. Feature-Nutzung, Performance von Marketingkampagnen, Kundenkontaktvolumen usw. | Unfähigkeit, funktionsübergreifende Fragen zu beantworten (z. B. warum Kunden kündigen), da die Daten der einzelnen Funktionsbereiche isoliert sind. | Produktanalysen (z. B. Amplitude, Mixpanel), plattformweite Anzeigenberichte (z. B. Google, Meta) oder andere Vertriebs-, Marketing- und Servicesysteme (z. B. Adobe, HubSpot) |
| 2: Warehouse C360 | Ermöglicht funktionsübergreifende Anwendungsfälle, sofern die Daten im Warehouse vorhanden sind | Unvollständige Sicht, sofern noch isolierte Lösungen vorhanden sind; Alle Berichte und Analysen müssen manuell erstellt werden |
Datenbankebene (z. B. Snowflake, Databricks, BigQuery, Redshift), CDP (z. B. Segment, RudderStack, Snowplow) und BI-Tools (z. B. Tableau, Looker, Thoughtspot/Mode) |
| 3: Warehouse – Native Kundenanalyse | Die meisten vom Unternehmen identifizierten funktionsübergreifenden Anwendungsfälle | Erfordert einen gewissen Aufwand seitens der Endbenutzer für die Erstellung von Berichten und Analysen. Endnutzer müssen sich von veralteten Tools und Prozessen verabschieden (z. B. BI-Tools, die für Zeitreihendaten ungeeignet sind). | Level-2-Stack plus Warehouse-native Produktanalyse (z. B. NetSpring) |
| 4: Autonome Kundenanalyse | Level 3 plus Anwendungsfälle, die von der Lösung identifiziert werden | Stark abhängig von Datenqualität und -verfügbarkeit | Derzeit in Entwicklung |
Tabelle 1: Anwendungsfälle nach Reifegrad und Einschränkungen verfügbarer Lösungen
Abschluss
Wir sind endlich an einem Punkt angelangt, an dem klar wird, wie uns der moderne Daten-Stack dabei helfen kann, unsere Geschäftsziele zu erreichen: unsere Kunden besser zu verstehen und sie optimal zu aktivieren. Vieles, was wir im letzten Jahrzehnt entwickelt haben, hat uns die notwendige Grundlage gegeben, unseren Ansatz für Kundenanalysen so weit zu entwickeln, dass wir unsere wichtigsten Anwendungsfälle erschließen können.
Data-Warehouse-native Kundenanalyselösungen wie NetSpring sind die fehlende Komponente, um ein ganzheitliches Bild unserer Kunden zu erhalten, das wir in großem Umfang nutzen können. Sie schaffen außerdem die Basis für noch ausgefeiltere Ansätze, die das Potenzial haben, einen Großteil dieser Arbeit in Zukunft zu automatisieren. Wir sind nun endlich an einem Punkt angelangt, an dem unsere Daten-Stacks es uns ermöglichen, unsere wichtigsten Anwendungsfälle unkompliziert anzugehen und Mehrwert für unsere Kunden und unser Unternehmen zu schaffen.
John Humphrey verfügt über mehr als zwei Jahrzehnte Erfahrung darin, Unternehmen dabei zu helfen, Erkenntnisse zu gewinnen und Daten in großem Umfang zu nutzen.
Zu seinen beruflichen Stationen zählen die Position des ersten Datenexperten bei Goodreads (übernommen von Amazon), die Leitung der Datenabteilung von LegalZoom beim Börsengang und zuletzt die Tätigkeit als Chief Data Officer bei Intuit Mailchimp. John ist Berater bei NetSpring.