Als Unternehmen wollen sie möglichst hohe Umsätze erzielen. Dabei nutzen sie Marketing und Sales um dies zu realisieren. In diesem Blog Post gehen wir darauf ein:
- Wie Sie mit ihren Daten und Künstlicher Intelligenz mehr Umsatz erzielen
- Wieso manche Anwendungsfälle schneller umsetzbar sind
- Welche 3 Use Cases sich im Vertrieb einfach umsetzen lassen
Wie Sie mit ihren Daten und Künstlicher Intelligenz mehr Umsatz erzielen
Durch Aktionen und Transaktionen der Nutzer entstehen schnell große Datenmengen, Aufbereitet mit Kundenspezifischen Informationen, e.g. Informationen zu dem Alter oder Wohnort. Die meisten dieser Informationen sammeln sie sowieso, um ihr Tagesgeschäft umzusetzen, deshalb lassen sich Use Cases basierend auf diesen Daten einfach Umsetzen. In diesem Artikel fokussieren wir uns auf Anwendungen, die mit Hilfe dieser Daten bereits gestartet werden können. Für andere Anwendungsfälle ist es nötig Prozesse zu ändern bzw. zusätzliche Daten zu sammeln. Auf diese Anwendungsfälle gehen wir in dem zweiten Artikel dieser reihe ein.
Bevor wir nun zeigen, wie KI einen Mehrwert erzielen kann, ist es zuerst einmal wichtig die Daten zu verstehen und interpretieren zu können, um die Entscheidungen datenbasiert treffen zu können. Sie sollten lernen Daten richtig zu lesen und interpretieren. Zur Thematik der Data Literacy gehört oftmals auch eine zielgerichtete Darstellung der Informationen und eine geschulte Intuition für Statistik. In einem zukünftigen Blogpost dieser Serie werden wir uns genauer damit auseinandersetzen, welche Kenntnisse hier wichtig sind.
Churn Prediction, Customer Segmentation und Empfehlungssysteme
Haben sie nun ein Verständnis für ihre Daten aufgebaut, ist ein erster Schritt eine Churn Prediction. Ihr Ziel als Unternehmen ist es rentable Kunden möglichst lange an ihr Unternehmen zu binden? Eine Churn Prediciton kann ihnen dabei helfen Kunden mit einer hohen Abwanderungsmotivation zu finden, sodass sie gegensteuern können. Dabei kann eine Definition einer Abwanderung verschieden sein, Beispiele sind: Keine Einkäufe in den letzten 90 Tage oder eine Abmeldung der Accounts. Durch Transaktions- und Stammdaten aus der Vergangenheit erkennt die Künstliche Intelligenz Verhaltensmuster von Kunden mit einer potenziell hohen Kündigungsmotivation. So können sie rechtzeitig reagieren, mit dem Ziel ihre Abwanderungsrate zu verringern. Außerdem gewinnen sie wertvolle Informationen, welche Verhalten eine Abwanderung bedeutet können.
Neben einer Verhinderung von Abwanderung führen gezielte Marketingmaßnahmen zu höheren Verkäufen führen. Eine Customer Segmentation, kann ihnen dabei helfen Kundengruppen zu identifizieren und ihre Maßnahmen auf deren Bedürfnisse abzustimmen. Das bedeutet sie unterteilen ihre Kunden basierend ihres Einkaufsverhaltens in Gruppen. Dabei könnte ein Ergebnis sein, dass manche Kunden eher teurere Produkte kaufen, während andere niedrigpreisige suchen. Für Klamotten könnten sie Kunden haben, die stärker an Jeans interessiert sind, während andere Chino Hosen bevorzugen. Durch eine Customer Segmentation finden sie diese Gruppen heraus und können gezielt Werbung für die jeweilige Gruppe entwerfen, dies hilft ihnen dabei ihre Ressourcen gezielter einzusetzen und den Customer Lifetime Value ihrer Kunden zu erhöhen.
Der dritte Anwendungsfall ist eine höhere Ausbaustufe der Kundensegmentierung. Durch Empfehlungen soll der Wert des Warenkorbs eines Kunden erhöht werden, bedeutet ihm sollen zusätzliche Artikel angeboten werden, die er benötigen könnte. Ein einfaches Empfehlungssystem kann bereits durch die Transaktionen erstellt werden, je mehr Informationen zur Verfügung stehen desto besser. Weitere Informationen sind z.B. Produktbewertungen, Suchanfragen, Demographische Daten. Je mehr Informationen ihnen hier zur Verfügung stehen, desto genauer können die Empfehlungen angepasst werden. Den Erfolg dieser Maßnahmen können sie dann überwachen, indem sie messen, wie oft diese Vorschläge übernommen werden.
In diesem Blogartikel haben wir uns mit Use-Cases beschäftigt, die unter Nutzung der Stammdaten und von Verkaufsdaten der Firma gestartet werden können. Im zweiten Teil setzen wir uns mit komplexeren Methoden auseinander, die das Sammeln weiterer Daten erfordern oder einen größeren Aufwand in der Implementierung erfordern. Gerne tauschen wir uns auch über euren Ideen oder Meinungen aus, Kontaktiert uns dafür doch gerne auf LinkedIn.