Real-Time Scoring und Customer Behavior Analysis: Das konnte Frau Cerny schon in den 1970er Jahren!

0

Nicht erst im Zeitalter von künstlicher Intelligenz (KI) und Real-Time Decision Engines werden historische und aktuelle Verhaltensweisen von Kunden analysiert. Die Praxis, anhand dieser Informationen Entscheidungen zu treffen und sie in Echtzeit auf die Kundeninteraktion anzuwenden, gab es bereits in den 1970er-Jahren. Frau Cerny betrieb den Lebensmittelladen im Wohnhaus meiner Kindheit – und sie hat diese Aktionen erfolgreich jeden Tag umgesetzt, wenn auch zugegebenermaßen in einem wesentlich geringeren Umfang.

Kundeninteraktion
Kundenanalyse ist nicht wirklich neu. Frau Cerny wusste womöglich besser um die Gewohnheiten ihrer Kunden Bescheid als jedes System heutzutage.

Kenne deine Kunden

Von Montag bis Samstag hatte Frau Cerny ihren Laden um 6 Uhr morgens geöffnet. Im Vergleich zu heutigen Supermärkten war er winzig. Aber man bekam dort alles, was man brauchte, um seine Familie zu versorgen. Frau Cerny war eine sehr aufmerksame Frau, sie wusste einfach alles über ihre Kunden. Sie studierte deren Verhalten jeden Tag ganz genau, und anhand dieser Beobachtungen passte sie ihre Handlungen an.

Ein Beispiel: Familien, von denen sie annahm, dass sie über ein höheres Einkommen verfügten, bot sie höherpreisige Kaffeemarken an. Aber ihre Angebote sollten nicht nur den Gewinn maximieren. Sie hat sich auch ganz besonders Kunden mit einem begrenzten Budget gewidmet und sie extra auf Preisnachlässe hingewiesen in der Hoffnung, sie als Käufer zu halten. In jedem Fall war sie eine Meisterin des „Cross-Sellings“: Sie wusste immer, was sie idealerweise als „Next Best Product“ anbieten sollte, indem sie auch Kenntnisse aus den vorherigen Besuchen heranzog.

Und sie kannte jeden mit Namen und wusste, wie man ihn oder sie am besten anspricht. Ihre „Gesichtserkennungsfunktionalitäten“, die „Echtzeit-Abfrage ihrer Namensdatenbank“ und die unmittelbare Wahl des optimalen „Callcenter-Dialogskriptes“ bleiben ungeschlagen – auch noch in unserer KI- und Real-Time-Welt.

Kombi aus #Data4Good und Credit Scoring

Frau Cerny wusste ganz genau, wem sie einen Kredit geben konnte und damit die Einwilligung, erst Freitagnachmittag zu zahlen, wenn viele Arbeiter ihren Gehaltsscheck bekamen. Ihre Entscheidung für oder gegen einen Kredit stützte sich dabei nicht nur auf Risikoberechnungen, sondern auch auf die ganz persönliche Situation der Familien. Alleinerziehende Mütter, und auch Kinder die auf dem Weg in die Schule schnell noch einen Snack kaufen wollten, aber ihr Geld vergessen hatten, profitierten von ihren #Data4Good-Entscheidungen.

Vorsicht mit persönlichen Daten – aber keine Überreaktion!

Viele Elemente, die in der Customer Intelligence angewandt werden, existieren in kleinerem Rahmen bereits seit langer Zeit. Ich meine nicht, dass wir in der digitalen Welt sorglos mit unseren persönlichen Daten umgehen sollten. Im Gegenteil: Der bewusste Umgang mit privaten Informationen, Tracking-Genehmigungen und Bildern in sozialen Medien ist wichtig und sollte schon im Kindesalter gelehrt werden. Allerdings besteht auch kein Grund zur übertriebenen Sorge vor digitaler Überwachung, wenn man von seinem Supermarkt einen Gutschein für österreichischen Rotwein (der, nebenbei, in manchen Regionen des Burgenlandes exzellent ist) bekommt, nachdem man in den vergangenen Wochen regelmäßig welchen gekauft hat.

Mit diesem Beitrag möchte ich lediglich zeigen, dass Customer Analytics nichts komplett Neues ist. Frau Cerny wusste womöglich besser um die Gewohnheiten ihrer Kunden als jedes System heutzutage. Und sie hat ihre Kundeninteraktion konsequent an diesem Wissen ausgerichtet. Im Laden von Frau Cerny habe ich nie einen Kunden gehört, der sich über die Verwendung seiner in ihrem Kopf gespeicherten Daten beschwert hätte.

Zeiten ändern sich

Frau Cerny hat sich Mitte der 1980er-Jahre zurückgezogen, ein anderer Besitzer übernahm ihr Geschäft. Die Jahre zeigten jedoch, dass sich nicht nur Decision Engines weiterentwickelt haben – und zwar in Richtung größerer Datenmengen, die sich nicht zuletzt aus der Digitalisierung ergeben. Große Supermärkte, die in der Nachbarschaft aus dem Boden schossen, bescherten den kleinen Läden wie dem von Frau Cerny eine schwere Zeit. Wenn ich eine Semmel mit Paprikaaufstrich bestreiche, muss ich an damals denken. Und ich sehe Frau Cerny, wie sie einen großen Löffel nimmt und mir eine extra große Portion Aufstrich auf meine Pausensemmel schmiert. Sie wusste eben ganz genau, was ihre Kunden glücklich macht!

Share

About Author

Gerhard Svolba

Principal Solutions Architect

Dr. Gerhard Svolba ist Analytic Solutions Architect und Data Scientist bei SAS Institute in Österreich. Er ist in eine Vielzahl von analytischen und Data Science Projekten quer über fachliche Domains wie Demand Forecasting, analytisches CRM, Risikomodellierung und Produktionsqualität involviert. Seine Projekterfahrung reicht von der fachlichen und technischen Konzeption über die Datenaufbereitung und die analytische Modellierung in unterschiedlichen Branchen. Er ist der Autor der SAS Press Bücher Data Preparation for Analytics Using SAS, Data Quality for Analytics Using SAS and “Applying Data Science: Business Case Studies Using SAS”. Als nebenberuflich Lehrender unterrichtet er Data Science Methoden an der Medizinischen Universität Wien, der Universität Wien und an Fachhochschulen. Sie finden auch Beitrage auf: Github und Twitter. ENGLISH: Dr. Gerhard Svolba ist Analytic Solutions Architect und Data Scientist bei SAS Institute in Österreich. Er ist in eine Vielzahl von analytischen und Data Science Projekten quer über fachliche Domains wie Demand Forecasting, analytisches CRM, Risikomodellierung und Produktionsqualität involviert. Seine Projekterfahrung reicht von der fachlichen und technischen Konzeption über die Datenaufbereitung und die analytische Modellierung in unterschiedlichen Branchen. Er ist der Autor der SAS Press Bücher Data Preparation for Analytics Using SAS®, Data Quality for Analytics Using SAS® and “Applying Data Science: Business Case Studies Using SAS”. Als nebenberuflich Lehrender unterrichtet er Data Science Methoden an der Medizinischen Universität Wien, der Universität Wien und an Fachhochschulen. Sie finden auch Beitrage auf: Github und Twitter.

Leave A Reply

Back to Top