Loyalty Analytics

Q: Welche Kennzahlen (KPIs) eignen sich für ein Loyalttätsprogramm?

Bei der Definition von Loyalty-KPIs orientieren wir uns unter anderem am HWZ-Working Paper Alexander Meili hat darin eine Reihe relevanter Kennzahlen zusammengestellt, die in keinem seriösen Kundenbindungsprogramm fehlen sollten. Ergänzend dazu haben wir über die Jahre ein eigenes Set an Kennzahlen entwickelt, das auf praktischer Erfahrung basiert. Gerne stellen wir diese KPIs im Rahmen eines persönlichen Gesprächs vor und ordnen sie im Kontext Ihres Unternehmens ein.

Q: Weiss Google, Meta und co. nicht genug über meine Kunden? Lohnt es sich für mich daher überhaupt, First-Party-Daten zu sammeln?

Auch wenn derzeit noch keine Auswertungen der First-Party-Daten vorgenommen werden, lohnt sich bereits der gezielte Aufbau einer eigenen E-Mail-Datenbasis. Die Conversion Rate von Newslettern ist in der Regel fünf- bis zehnmal höher als bei Google Ads – bei gleichzeitig geringeren Kosten. Wir sehen das so: Google kennt das Online-Verhalten eines Users sehr gut, etwa welche Websites er besucht oder welche Interessen er zeigt. Im Kontext Ihres Unternehmens ist dieses Wissen jedoch begrenzt. Google weiss beispielsweise nicht, wie häufig ein Kunde bei Ihnen einkauft oder welche Käufe er offline tätigt. Beim tatsächlichen Kaufverhalten Ihrer Kunden verfügen Sie daher über mehr Informationen als Google. Diesen Informationsvorsprung gilt es gezielt zu nutzen.

Q: Was verteht man unter einer Kundenkohorte?

Das Wort Kohorte stammt ursprünglich aus dem Lateinischen und wurde für eine Siedlung oder einen eingehegten Hofraum verwendet. Die moderne Interpretation ist nicht weit davon entfernt. Im Zusammenhang mit Loyalty Marketing wird der Begriff Kohorte für eine Gruppe von Kunden verwendet, die in einem festgelegten Zeitraum akquiriert wurden. Ein Beispiel: Alle Kunden, die im Januar des aktuellen Jahres das erste Mal eingekauft haben, bilden eine Kohorte. Diese lässt sich dann mit anderen Gruppen vergleichen – beispielsweise mit allen Kunden, die im Juni zum ersten Mal eingekauft haben. Warum ist der Vergleich sinnvoll? Mittels Metriken wie Aktivitätsrate, Transaktionen und Umsatz pro Zeitraum lassen sich Kohorten objektiv vergleichen, auch wenn diese eine unterschiedlich grosse Anzahl an Kunden beinhalten. Kohorten erlauben dem Marketing einen Vergleich der Werbeeffektivität, der über den reinen Zeitraum einer Kampagne hinausgeht. Sie ermöglichen es, Kunden über einen längeren Zeitraum zu beobachten und Rückschlüsse zu ziehen, welche Werbemassnahmen dem Unternehmen langfristig wertvolle Kunden bescheren.

Kundendaten interpretieren und Wachstum antizipieren

Der Aufbau von First-Party-Daten als eigene Kundendaten eines Unternehmens ist derzeit in aller Munde. Doch nur wenige Unternehmen sind in der Lage, diese Daten sinnvoll zu verknüpfen, gezielt auszuwerten und damit zusätzlichen Umsatz und Gewinn zu erzielen. Unser Ziel ist es, Unternehmen dabei zu unterstützen, aus Loyalty-Daten einen messbaren betriebswirtschaftlichen Nutzen zu ziehen.

Die Kunden hinter Ihrem Erfolg kennen

Die meisten Unternehmen verfügen ein gutes Verständnis ihrer klassischen Finanzkennzahlen wie Umsatz und Gewinn sowie deren Aufschlüsselung nach Warengruppen oder Kategorien. Zu den eigenen Kundinnen und Kunden sind jedoch häufig weniger Informationen vorhanden.

Unserer Erfahrung nach fällt es vielen Unternehmen schwer, Fragen wie die Folgenden klar zu beantworten:

Wie viele Kunden hat das Unternehmen insgesamt?
Wie viele der Kunden, die letztes Jahr eingekauft haben, werden auch dieses Jahr wieder einkaufen?
Welcher Anteil des letztjährigen Umsatzes stammt von neuen Kundinnen und Kunden, welcher von bestehenden?
Wie viele Neukunden tätigen einen zweiten Einkauf nach drei Monaten, nach sechs Monaten oder innerhalb eines Jahres?
Welche Produkte sind besonders relevant für die wertvollsten Kunden?

Dabei sind solche Fragen zentral, um den Kundenstamm – und damit auch die finanzielle Gesundheit eines Unternehmens – realistisch einschätzen zu können.

Der Umsatz eines Unternehmens lässt sich als Mosaik verstehen, das aus vielen einzelnen Kundentransaktionen besteht. Aus der Distanz wirkt das Gesamtbild oft stabil, doch erst der Blick auf die einzelnen Steine zeigt, wie es tatsächlich zusammengesetzt ist. Wer versteht, welche Kunden wiederkehren, welche wachsen und welche wegfallen, erkennt, wie Umsätze im Unternehmen entstehen.

Mit einem Set verständlicher Analysen ermöglichen wir es, den Kundenstamm aus unterschiedlichen Perspektiven zu betrachten und fundiert zu verstehen. So wie Erfolgsrechnung und Bilanz Auskunft über die finanzielle Situation eines Unternehmens geben, liefert unser Customer Base Audit ein klares Bild über die Vitalität des Kundenstamms.

Entwicklung von Kunden antizipieren

«Voraussagen sind schwierig – besonders, wenn sie die Zukunft betreffen.» Das Zitat des Atomphysikers Niels Bohr hat nicht nur in der Quantenphysik seine Richtigkeit, sondern lassen sich genauso auf Prognosen zum Kundenverhalten anwenden. Denn auch hier gilt: Jede Vorhersage bleibt eine Annäherung an die Realität.

Gängige Formen des Prediction Modelings im Kundenkontext betreffen etwa den zukünftigen Umsatz, die erwartete Anzahl von Einkäufen oder die Abwanderungswahrscheinlichkeit (Churn). Solche Grössen lassen sich mit Customer-Lifetime-Value-(CLV)-Modellen auf Basis historischer Daten vergleichsweise zuverlässig schätzen und im Unternehmen auf unterschiedlichen Ebenen nutzen. In der Loyalty-Kommunikation etwa, um frühzeitig Kunden zu identifizieren, die abzuwandern drohen, oder um mit gezielten, spielerischen Anreizen zusätzliche Käufe zu fördern.

Gleichzeitig lohnt es sich, Bohrs Aussage im Hinterkopf zu behalten: Diese Modelle liefern keine Gewissheiten, sondern Wahrscheinlichkeiten. Ihr grösster Mehrwert entfaltet sich dort, wo sie als Entscheidungsunterstützung eingesetzt werden – insbesondere in Bereichen, in denen mögliche Fehlprognosen keinen unverhältnismässigen negativen Einfluss für das Unternehmen nach sich ziehen.

So wie Erfolgsrechnung und Bilanz Auskunft über die finanzielle Situation eines Unternehmens geben, liefert unser Customer Base Audit ein klares Bild über die Vitalität des Kundenstamms.

So analysieren wir Kundendaten in der Praxis

Statt lediglich den Effekt einer zeitlich begrenzten Kampagne zu beobachten, betrachten wir stets das Kundenverhalten über einen längeren Zeitraum hinweg.

Ein bewährter Ansatz hierfür ist die Arbeit mit Kundenkohorten. Darunter sind Gruppen von Kunden zu verstehen, die innerhalb eines definierten Zeitraums akquiriert wurden, etwa pro Kalenderjahr. Wer diese Kohorten über mehrere Jahre hinweg verfolgt, erkennt typische Muster in Kaufverhalten und Abwanderung. Auf Basis historischer Retentionsraten lassen sich so fundiertere Prognosen für den Unternehmensumsatz des kommenden Jahres ableiten.

Eine weitere häufig von uns eingesetzte Methode ist die Analyse sogenannter Schlüsselmomente in der Kundenbeziehung. Dabei gehen wir der Frage nach, ob es bestimmte Ereignisse gibt, nach denen Kundinnen und Kunden langfristig mehr Umsatz generieren. Ausgangspunkt sind Hypothesen, die anschliessend anhand der Kundendaten überprüft werden. Solche Schlüsselmomente können sehr unterschiedlich sein – etwa die erstmalige Nutzung einer Kunden-App oder eine Interaktion mit dem Kundendienst. Wer diese Ereignisse kennt und versteht, kann gezielt Massnahmen ergreifen, damit Kunden mit Kunden diese Kontaktpunkte durchlaufen.

Bereitstellung der Kunden-Kennzahlen

Wir stellen Kennzahlen zum Kundenverhalten in gängigen Business-Intelligence-Tools bereit und sorgen dafür, dass diese für Sie verständlich und zugänglich sind. Falls Kundendaten noch nicht zentralisiert vorliegen, entwickeln wir auf Wunsch auch die passende Datenplattform als Grundlage.

Die daraus gewonnenen Erkenntnisse und Kennzahlen lassen sich zudem über Schnittstellen (APIs) an Drittsysteme anbinden – etwa an Lösungen für Marketingkommunikation oder Marketing-Automation. So können analytische Erkenntnisse direkt in die tägliche Arbeit integriert werden.

Ganzheitliches Kundenverständnis durch Datenintegration

Bei Bedarf integrieren wir auch externe Datenquellen wie Google Analytics. Wir verfügen über umfassende Erfahrung in der Integration und Anpassung solcher Systeme, beispielsweise über die Customer ID, um Analytics-Daten datenschutzkonform mit First-Party-Daten zu verknüpfen.

In der Praxis entsteht dadurch ein deutlich besseres Verständnis des Kundenverhaltens. Interne Daten können etwa darauf hinweisen, dass ein Kunde abwanderungsgefährdet ist, weil er seit längerer Zeit keinen Kauf getätigt hat. Die Analyse in Google Analytics zeigt jedoch gleichzeitig, dass derselbe Kunde die App weiterhin mehrmals pro Woche nutzt.

Auf dieser Basis lassen sich Marketingmassnahmen gezielt anpassen und differenzierter steuern.

Harvard Business Review (2020): Are you undervaluing your customers
https://hbr.org/2020/01/are-you-undervaluing-your-customers