Die Geschichte wiederholt sich: Kundenanalyse, C360 und Warehouse-Native

Viele Unternehmen, mit denen ich in den letzten Jahren gearbeitet habe, sind gerade dabei, ein Customer 360 (C360) in ihrem Data Warehouse aufzubauen. Das C360 soll eine einzige Quelle der Wahrheit sein, die alle Daten über unsere Kunden enthält und unternehmensweit für alles von der Berichterstattung bis zur Kundenaktivierung genutzt werden kann. Produkt-, Marketing- und Kundendienstdaten... was immer Sie wollen, das C360 wird es enthalten. Und es ist nicht schwer, sich vorzustellen, warum man das möchte. In einer Welt, in der Unternehmen miteinander verflochten sind - was Sie bauen, bestimmt, wie Sie vermarkten, und umgekehrt - und in der Beziehungen routinemäßig Omnichannel sind, ist ein solcher Überblick unerlässlich.

Abbildung 1 zeigt verschiedene Zweige der Geschäftsanalyse, die heute angewandt werden, sowie die dazu benötigten Daten. Lassen Sie uns jeden Begriff definieren:

Customer Analytics - Verstehen des vergangenen Verhaltens unserer Kunden, um das zukünftige Verhalten anhand aller verfügbaren Daten über sie vorherzusagen und zu ändern

• C360 Data - Ein einheitlicher Speicher für alles, was wir über den Kunden wissen, und der ideale Ort, von dem aus wir Kundenanalysen durchführen können

Marketing Analytics - Messung und Bewertung unserer Kundenakquisitionsbemühungen als Grundlage für zukünftige Marketinginvestitionen und -initiativen

• Marketing-/Kampagnendaten - Daten über vergangene Marketingkampagnen und die daraus resultierenden Ergebnisse, die unsere Kunden betreffen, häufig von Werbeplattformen und unseren eigenen Systemen.

Produktanalyse - Messung und Bewertung der Produkte, die wir unseren Kunden liefern, um Entscheidungen über die zukünftige Entwicklung von Produkten und Funktionen zu treffen

• Produktereignisdaten - Daten, die vom Produkt emittiert werden und jeden Schritt in der Interaktion eines Kunden mit unserem Produkt erfassen

Operational Analytics - Messung und Auswertung der menschlichen Interaktionen (z.B. Vertrieb, Kundenbetreuung) mit unseren Kunden, um Erkenntnisse über die Qualität dieser Interaktionen zu gewinnen und festzustellen, wo es Anomalien gibt und welche Möglichkeiten es gibt, diese durch unser Produkt abzumildern

• Kundenkontaktdaten - Daten, die häufig von unseren Telefonie- und Chat-Plattformen generiert werden und die die detaillierten Interaktionen zwischen unseren Kunden und Agenten erfassen

Für die Zwecke einer späteren Diskussion sollten wir auch die folgenden Begriffe definieren:

Customer Data Platform (CDP) - Ein operativer Datenspeicher, der Daten über unsere Kunden enthält und häufig für die Aktivierung von Kunden durch Marketingkampagnen und andere personalisierte Erlebnisse (z. B. Produktpersonalisierung) verwendet wird.

Jedes Unternehmen möchte die gesamte Customer Journey über jeden einzelnen digitalen und nicht-digitalen Berührungspunkt und im Laufe der Zeit verstehen. Sie wollen die Nutzung, das Engagement, die Conversions, die Kundenbindung und die Auswirkungen auf das Geschäft verstehen, müssen sich aber mit Geschäftssystemen, Datenquellen, Datenzugriff und sogar Datentypen auseinandersetzen, von Zeitreihendaten bis hin zu statischen Daten. Die Notwendigkeit von Customer Analytics bleibt das ultimative Ziel.

Im Zentrum all dessen steht das C360. Die Idee eines C360 mag wie ein neues Konzept erscheinen, aber die Wahrheit ist, dass wir dieses Konzept während des größten Teils der Geschichte der Analytik hatten. Wir hatten nur noch keinen Namen dafür, weil dies eine Grundvoraussetzung für unsere Data Warehouses war. Was hat sich also geändert? Als die Produkte digital wurden, produzierten sie Daten in einer Geschwindigkeit, die unsere bestehenden Plattformen nicht bewältigen konnten. Dies führte zu einer Fragmentierung unseres Datenstapels und zu punktuellen Lösungen, wie z.B. Produktanalyseplattformen, die einen Teil dessen, was wir über unsere Kunden wussten, in ihren jeweiligen Silos horteten. Fairerweise muss man sagen, dass dieses Zugeständnis eine technische Notwendigkeit war, da die Data Warehouses nicht leistungsfähig genug waren, um diese Daten zu verarbeiten, geschweige denn, sie mit allem anderen, was wir über unsere Kunden wussten, zu verweben. Aber dieses Zugeständnis und ähnliche Zugeständnisse in Bereichen wie dem Marketing haben unsere Sicht auf den Kunden fragmentiert und uns nach einer einzigen Quelle der Wahrheit sehnen lassen.

Das ist nicht nur ein abstraktes Problem, das zu unterhaltsamen esoterischen Debatten von geringer Tragweite führt. Im Gegenteil: In einem Unternehmen, in dem ich für die Analyse zuständig war, bestand eine der größten Herausforderungen bei unserer Produktanalyselösung darin, unsere PMs davon abzuhalten, die von der Plattform bereitgestellten Kundenbindungszahlen zu melden. Da sich die Produktdaten in einem Silo befanden und unsere Offline-(Telefon-)Kündigungsdaten in einem anderen, waren die in unserer Produktanalyselösung gemeldeten Kundenbindungsraten deutlich zu hoch angesetzt. Stattdessen mussten wir für die Berichterstattung über die Kundenbindung Produktereignisdaten in das Warehouse einspeisen und manuell Berichte über die Kundenbindung erstellen - was das gesamte Unternehmen erheblich verlangsamte und den Zweck der Investitionen in die Produktanalyse zunichte machte.

Mit der Zeit haben Datenbankplattformen wie Snowflake und Databricks das Problem erkannt. Jetzt können unsere Warehouses große Mengen von Daten wie z.B. Produktereignisdaten mit einer ausreichend geringen Latenzzeit verarbeiten, um die meisten Anwendungsfälle zu erfüllen. Die Silos in Marketing und Produkt sind keine technologischen Notwendigkeiten mehr, sondern nur noch Artefakte unserer bestehenden Datenstapel. Endlich können wir alles zusammenführen und Lösungen in unseren Data Warehouses aufbauen - CDPs, Produktanalysen, C360s usw. können alle am selben Ort durchgeführt werden. Was die Idee des Warehouse-Native so überzeugend macht, ist die Tatsache, dass wir durch die Zusammenführung all dieser Dinge am selben Ort Doppelarbeit und den damit verbundenen Anstieg der Speicherkosten und Dateninkonsistenzen vermeiden können.

Wenn man sich viele dieser C360 anschaut, sehen sie tatsächlich seltsam wie CDPs aus. Sie haben nicht nur viele der gleichen Datenelemente, sondern viele der Anwendungsfälle ergänzen sich auch gegenseitig. Das Kundenattribut in unserem CDP, das für das Targeting einer Kampagne verwendet wird, ist dasselbe, das wir in unserer Berichtslösung benötigen, um die Kampagnen- und Unternehmensleistung zu dimensionieren. In vielen Fällen werden diese Attribute aus den Produktereignisdaten abgeleitet, die zuvor in der Produktanalyselösung isoliert werden mussten. Die konzeptionelle Wiederverwendung von Datenelementen für verschiedene Anwendungsfälle ist absolut sinnvoll. Schließlich ist das Kundenattribut interessant, weil es verwertbar ist. Die Frage ist also, wie wir die physische Implementierung einheitlich gestalten können. Mit dem Aufkommen leistungsfähiger Data-Warehouse-Plattformen und dann der Warehouse-nativen Analytik sind wir an einem Punkt angelangt, an dem C360 und CDP ein und dasselbe sein können.

Damit sind wir wieder da, wo wir angefangen haben - Customer Analytics und Aktivierung finden am selben Ort und im selben Rhythmus statt. Es gibt keine funktionalen Silos mehr, die uns den Blick auf den Kunden verstellen und uns daran hindern, ihn in dem Maße zu verstehen, wie es für eine gute Kundenbetreuung erforderlich ist. Der moderne Datenstapel, einschließlich der Warehouse-nativen Plattformen, bringt uns wieder mit unseren Kunden zusammen, und das keinen Moment zu früh.

John Humphrey hat mehr als zwei Jahrzehnte Erfahrung darin, Unternehmen dabei zu helfen, Erkenntnisse zu gewinnen und Daten in großem Umfang zu aktivieren. Zu seinen Erlebnissen gehört, dass er der erste Datenmitarbeiter bei Goodreads (von Amazon übernommen) war, die Datenorganisation von LegalZoom durch den Börsengang führte und zuletzt als Chief Data Officer bei Intuit Mailchimp tätig war. John ist ein Berater bei Optimizely Warehouse-Native Analytics.