Personalisierung für mehr Engagement

Erstaunlich ist, wie sich die Wahrnehmung des Verhältnisses von B2C- zum B2B-Marketing im Jahr 2020 geändert hat. Im Trendbarometer der bvik gingen 2019 noch 53 % der befragten Experten davon aus, dass eine Trennung von B2C- und B2B-Marketing sinnvoll sei (bvik, 2019). Diese Einschätzung hat sich mittlerweile geändert.

B2B-Kunden waren schon immer anspruchsvoll. Für die Zukunft musst du dich darauf einstellen, dass sie vermutlich noch anspruchsvoller werden. Experten gehen davon aus, dass B2B-Kunden zunehmend eine Customer Experience erwarten, wie sie heute bereits im B2C üblich ist. Das bedeutet: Noch mehr Personalisierung, eine noch direktere Kundenansprache und ein besseres Antizipieren der Kundenbedürfnisse und -wünsche.

Tatsächlich solltest du darüber nachdenken, ob deine Kunden im B2B nicht in Wahrheit sogar anspruchsvoller sind als die B2C-Kunden. Das heißt, dass du deine Customer-Experience noch viel stärker kundenorientiert ausrichten musst. Der Trend geht hin zu einer Customer-Experience, die im B2B noch umfangreicher ist als im B2C – immerhin sind die Investitionen im B2B meist umfangreicher.

Ein Schritt in die richtige Richtung ist Personalisierung – und damit ist nicht einfach die Nennung des Kundennamens im Newsletter gemeint. Deine Inhalte müssen auf die Bedürfnisse und Interessen des jeweiligen Leads zugeschnitten sein. Sie müssen relevant sein, damit sie überhaupt Beachtung finden. Denn seien wir ehrlich: Wie viele Massenmails erreichen deinen E-Mail-Eingang? Und wie viele davon löschst du, ohne sie geöffnet zu haben?

Deinen Leads geht es ähnlich. Auch ihre Aufmerksamkeit möchte tagtäglich von unzähligen Anbietern für sich beansprucht werden. Handelt es sich bei einer Nachricht offensichtlich um eine Massenmail, geht sie zu Recht unter. Gleiches gilt für die Inhalte der Mail. Setzt du hier auf Masse statt auf Relevanz, ist die Customer-Journey schnell zu Ende.

Vorteile von personalisiertem Marketing

Widmen wir uns an dieser Stelle einem bekannten B2B-Beispiel: Du bekommst eine E-Mail von einer Unternehmung. In dieser wird dir ein Produkt zu einem Thema, das dich gerade beschäftigt, ausführlich und informativ vorgestellt. Das kommt sehr gelegen, denn du bist noch unschlüssig, ob das Produkt wirklich passt, und recherchierst noch allgemein über mögliche Lösungen für dein Problem. Das Unternehmen, von dem du die E-Mail erhalten hast, weiß das. Durch konkrete Datenanalysen zu deinem Kundenprofil hat es bereits einige Informationen über dich und deine Firma und leitet aus deiner Aktivität ab, dass du noch nicht kaufbereit bist. Deswegen schlägt es dir nicht direkt ein Produkt vor, sondern passt die E-Mail-Inhalte dynamisch auf dich an.

Neben dem Positivbeispiel für einen guten Start geht es natürlich auch anders. Stell dir vor, du bekommst eine E-Mail von einem Betrieb, der dich allgemein über sein Portfolio informiert. Da das Unternehmen ohne eine automatisierte Datenstrategie arbeitet, ist der Eintrag im Newsletter eine der wenigen Informationen über dich und deinen Stand in der Lead-Qualifizierung. Ob in der allgemeinen Produktvorstellung etwas für dich dabei ist, kann er nicht wissen. Garantiert wird es auch hier den einen oder anderen Glückstreffer geben, doch personalisiertes Marketing läuft anders.

Wenn ich zur richtigen Zeit, mit relevanten Inhalten angesprochen werde und wenn ich von den Inhalten etwas lernen kann, dann bin ich auch bereit, mehr über das Thema zu erfahren und meine Reise zu einem vielleicht langfristigen Kunden kann beginnen. Personalisierung hat zahlreiche Vorteile:

1. Durch Personalisierung zur langfristigen Kundentreue
Personalisierte Dienste helfen dabei, Kunden langfristig zu binden. Die Relevanz der Empfehlungen spielt dabei eine entscheidende Rolle: Passende Angebote führen oft zu einem Kauf. Oder im Falle von Netflix beispielsweise zur Verlängerung des Abos. Mit rund 100 Millionen Nutzern hat Netflix einen der treuesten Kundenstämme im Streaming-Umfeld – gemäß eigenen Aussagen konnte das Unternehmen dank künstlicher Intelligenz und dem darauf basierenden Empfehlungsmanagement 1 Milliarde US-Dollar an Marketingkosten einsparen, also etwa 10 US-Dollar pro Nutzer, was etwa einem Monatsabonnement entspricht. Warum? Über 75 % der Abonnenten verlassen sich auf die Empfehlungen, die auf den Analysen ihrer bisherigen Filmgewohnheiten basieren.

2. Steigerung der Long-Tail-Umsätze
Durch die Nutzung verschiedener Datenquellen (Kundeninteraktionen, Produktbeschreibungen, Kategorien usw.) kann der Kundengeschmack genau modelliert werden, woraufhin passende Produkte sehr gezielt angeboten werden können. Dies führt zu einer Steigerung der Long-Tail- Verkäufe und Cross-Selling-Potenziale werden ausgeschöpft. Durch die Modellierung der Interessen jedes einzelnen Kunden – weg von der reinen Top-Seller-Logik – ist es möglich, viel individueller auf die Bedürfnisse jedes Kunden einzugehen. Die Kombination verschiedener maschineller Lernmethoden macht dies möglich.

3. Stärkung der eigenen Unternehmung gegenüber dem Wettbewerb
Personalisierung schafft Vertrauen. Sie gibt dem Kunden das Gefühl, dass seine Bedürfnisse und Interessen vom Unternehmen verstanden werden, was es ihm wiederum erleichtert, Entscheidungen zu treffen. Daher kann die Personalisierung im Marketing auch als Wettbewerbsfaktor verstanden werden. Denn: Durch die Bindung von Kunden an personalisierte Dienste ist es für die Konkurrenz schwieriger, diese Kunden abzuwerben. Jeder, der Netflix eine Zeit lang genutzt hat, weiß, dass Netflix seine Kunden schon nach kurzer Zeit ausgezeichnet einschätzen kann. Die Kunden sind für eine lange Zeit an solche Dienste gebunden. So wird eine virtuelle Barriere aufgebaut und es ist unangenehm, zu einem anderen Dienst zu wechseln, der keine Informationen über die eigene Person hat. Denn in einem solchen Fall müsste man erst wieder ein Profil erstellen und die Algorithmen trainieren, damit man gute Produktempfehlungen erhält.

4. Weniger Streuverluste und verbesserte Effizienz
Viele Unternehmer haben Angst vor Streuverlusten. In diesem Zusammenhang beschreibt Streuverluste z. B. die Akquise von Kunden, die nicht zur Zielgruppe des Unternehmens gehören. Das kann zu enormen Kosten führen, die keinen Mehrwert schaffen. Eine erfolgreiche Personalisierung im Marketing kann diese Streuverluste auf ein Minimum reduzieren und das Unternehmen muss sich keine Sorgen um zusätzliche Kosten machen. Bei der Reduzierung dieser Streuverluste geht es jedoch nicht nur um die Verringerung potenzieller Kosten. Sie verbessert auch langfristig die Effizienz des Unternehmens, da eine höhere Konversionsrate erzielt werden kann. Das liegt vorwiegend daran, dass das Kundenerlebnis und der Kaufprozess dank verschiedener Personalisierungsstrategien attraktiver gestaltet werden können.

Um die Personalisierung des Marketings umzusetzen, sind klar definierte Prozesse und aktuelle Daten in guter Qualität erforderlich. Personalisierung ohne Daten ist wie ein Fahrrad ohne Reifen: Es steht nur auf der Stelle. Um die Wünsche und Erwartungen deiner Kunden zu personalisieren, bist du auf aktuelle Daten zu deinen Leads angewiesen. Diese umfassen unter anderem Interessen, Kaufbereitschaft, Erfahrungen und Probleme.

Personalisierung mittels inhaltsbasierter und kollaborativer Filterung

Die inhaltsbasierte Filterung (Content-Based Filtering) bildet zusammen mit der kollaborativen Filterung (Collaborative Filtering) die technische Grundlage für fast alle Empfehlungssysteme. Content Based Filtering (CBF) misst bestimmte erkennbare Parameter eines Artikels und vergleicht sie mit denen anderer Artikel. Auf diese Weise können den Nutzern, die einen Artikel ansehen, andere Artikel mit ähnlichen Merkmalen empfohlen werden. Die Ähnlichkeit kann z. B. durch die Bestimmung von „Schlüsseleigenschaften“ oder „Schlüsselbegriffen“ gemessen werden. Indem die Anzahl der Übereinstimmungen zwischen zwei Artikeln oder die Häufigkeit von Schlüsselbegriffen gezählt wird, wird die Empfehlungsberechnung operationalisiert. Ferner können die einzelnen Parameter auch nach ihrer Relevanz gewichtet werden.

Nachteile der inhaltsbasierten Filterung:

• Wenig Neues für den Nutzer, da in der Empfehlung nur die Ähnlichkeiten von Inhalten berücksichtigt werden können, die der Entscheider zuvor angesehen hat. In diesem Zusammenhang haben CBF-Systeme Probleme, Inhalte zu empfehlen, die aus einer Menge von wenig „verwandten“ Inhalten stammen.
• Außerdem kann das System keine Aussage darüber treffen, ob die Qualität der einzelnen Inhalte auch den Anforderungen des Nutzers (in Bezug auf Funktionalität und Gefallen) entspricht.

Beim Collaborative Filtering hingegen geht es um den Nutzer. Hierbei werden Empfehlungen basierend auf Verhaltensmustern von verschiedenen Nutzergruppen abgegeben, indem daraus auf das Interesse des Einzelnen geschlossen wird. Es werden also Nutzer gesucht, die ein ähnliches Verhalten zeigen wie ich. Anhand deren Verhaltensmuster wird nur eine Vorhersage für mich getroffen. Ein anschauliches Beispiel für den erfolgreichen Einsatz von kollaborativer Filterung ist Amazon.

Content Based Filtering wird deshalb oft zusammen mit Collaborative-Filtering eingesetzt, um das auf der Analyse von Nutzungsdaten basierende Collaborative-Filtering mit inhaltlichen Ähnlichkeiten zwischen Produkten anzureichern. In den nach Nutzungsdaten korrelierten Produktvorschlägen kann die inhaltsbasierte Filterung dann z. B. dazu verwendet werden, besonders gut geeignete Alternativen hervorzuheben. Dies wird als hybrides System aus inhaltsbasierter Filterung und kollaborativer Filterung bezeichnet (siehe 􏰀 Abb. 4.3).