Kontakt
Das Kundenerlebnis verbessern, sinnvolle neue Produkte entwickeln, die Kundenbindung erhöhen – für Telekommunikationsanbieter sind das wichtige Unternehmensziele, und sie haben eins gemeinsam: Eine grundlegende Voraussetzung, um sie zu erreichen, sind Daten und ihre Analyse. Denn Daten bilden die Grundlage, um Kund:innen, ihr Verhalten und ihren aktuellen und zukünftigen Bedarf besser zu verstehen.
Das bedeutet: Um Umsätze zu steigern, brauchen CSPs zunächst gar nicht groß oder kompliziert denken. Stattdessen gilt es mit dem zu beginnen, was schon vorliegt, denn in den bereits vorhandenen Informationen steckt enormes Potenzial.
Auch das Forrester Consulting Thought Leadership Paper Commissioned By Adobe (Februar 2021) nennt als wichtige Datenquellen für Customer Analytics etwa CRM, Kundenwünsche und E-Commerce-Transaktionen:
Was CSPs also tun müssen: Daten zentralisiert sammeln, anreichern, analysieren. Die passenden Tools und Technologien dafür gibt es bereits. Data Mining, Machine Learning, Predictive Analytics und künstliche Intelligenz (KI) etwa ermöglichen es, in vorhandenen Informationen Trends und Muster zu erkennen – und zu antizipieren.
Oder, wie Kolumnist und Internet-Experte Tim Cole sagt: „CSPs müssen die Möglichkeiten der künstlichen Intelligenz nutzen, um die teils schon vorhandenen und in Zukunft zu erwartenden Unmengen an Betriebs- und Kundendaten zu verarbeiten, diese zu analysieren und in verwertbare Erkenntnisse umzuwandeln, die eine bessere Kundenerfahrung bieten, den Betrieb verbessern und den Umsatz durch neue Produkte und Dienstleistungen steigern.“
Aber was braucht es konkret, um Daten gewinnbringend zu nutzen – und wie gehen CSPs am besten vor?
Wichtige Voraussetzungen für die Datenanalyse, an denen es Telekommunikationsunternehmen häufig mangelt, sind eine saubere Datenverwaltung und das Vernetzen sämtlicher Datensilos. Auch eine Studie von Omdia und Adobe (Customer Journey Optimization: The Key to Relevant Engagement, Februar 2020) mit 300 Unternehmen aus Media, Entertainment und Kommunikation zeigt, dass die fehlende Vernetzung von Daten ein häufiges Hindernis für kohärente Customer Journeys ist:
Üblicherweise werden zur Datenverwaltung sogenannte „Data Warehouses“ oder „Data Lakes“ eingesetzt, die sich zur Analyse dieser großen Datenmengen eignen. Die heterogenen Daten – seien es Kunden- und Vertragsdaten, Bestellungen, Supportanfragen, und viele mehr – werden oft zunächst in heterogenen Systemen gesammelt und müssen zur Auswertung konsequent aggregiert werden. Ein aufwendiger Schritt, insbesondere, wenn dies bisher vernachlässigt wurde.
Das anzugehen lohnt jedoch, denn: Daraus lassen sich für die Geschäftsentwicklung relevante Erkenntnisse ableiten, Prognosen und Hypothesen können entwickelt und geprüft werden, was wiederum zu neuen Erkenntnissen und Verbesserungen an den verschiedenen Produkten und Services führen kann.
Herausforderungen dabei:
Noch mehr Erkenntnisse liefern diese Informationen, wenn sie mit demografischen Daten oder einer Segmentierung anhand vorgegebener Kriterien angereichert werden. Dafür können Telekommunikationsunternehmen auf sekundäre Anbieter wie Acxiom oder Schober Direktmarketing zurückgreifen.
Wo lassen sich Informationen über das Kundenverhalten gewinnen, wenn nicht in der Customer Journey? Wer Bedarf und Wünsche seiner Kund:innen analysieren und daraus lernen möchte, kommt daher um Customer Journey Analytics nicht herum. Dabei wird die Customer Experience über alle Touchpoints der Customer Journey untersucht, also etwa unterschiedliche Kanäle.
Besonders effektiv ist es, die Daten aus Customer Journey Analytics, CRM und Co. in Echtzeit auszuwerten und weiter zu nutzen, um direkt auf das Verhalten der Nutzer:innen zu reagieren.
Das belegt auch die Studie von Omdia und Adobe, die unter anderem zu dem Schluss kommt: Die reine Visualisierung der Customer Journey ist nicht mehr ausreichend; Unternehmen müssen in Echtzeit reagieren und proaktiv die nächsten Schritte der Kund:innen vorhersehen, verstehen, welche Kanäle sie zu nutzen beabsichtigen und mit relevanten Inhalten, Angeboten oder Maßnahmen darauf vorbereitet sein.
Dafür braucht es natürlich die entsprechenden technologischen Grundlagen. Für Telco-Anbieter empfiehlt es sich also, in die passenden Systeme zu investieren: nämlich solche, die ihnen eine KI-gestützte Entscheidungsfindung für die Orchestrierung von Customer Journeys ermöglichen.
Denn mithilfe von KI lassen sich aus Daten generell noch mehr Erkenntnisse über die Nutzer:innen gewinnen – auch aus den Daten aus der Customer Journey. Beispielsweise können Customer Journey Maps mit Machine-Learning-Algorithmen ausgestattet werden, um in den Kundendaten aus verschiedenen Quellen Muster zu erkennen. Das Ziel: beobachten und lernen, welche Kundeninteraktionen und -verhaltensweisen die wertvollsten Kund:innen hervorbringen. Etwa daran, wie Nutzer:innen zwischen Kanälen wechseln oder wie sie mit Nachrichten interagieren. Das kann dabei helfen, ein Kundenverhalten in Echtzeit einer passenden Persona zuzuordnen. Kombiniert mit KI ermöglicht das sogar die Automatisierung von Prozessen.
Wichtig ist, dass die KI in alle Anwendungen eingebettet ist. Nur ein integriertes Ökosystem von KI-Lösungen, das von einem End-to-End-Automatisierungs-Backbone angetrieben wird, der eine Vielzahl von Unternehmenssystemen (z. B. Lieferkette, IT, Finanzen) miteinander verbindet, wird zu den gewünschten Ergebnissen führen.
Letztlich geht es für CSPs immer darum, den Kund:innen zum passenden Zeitpunkt zu geben, wonach sie suchen. Richtig genutzt und ausgewertet können Daten CSPs sowohl dabei unterstützen, den Bedarf zu erkennen und mit den richtigen Methoden und Tools Erkenntnisse und Hinweise auch für zukünftige Ereignisse zu gewinnen. Echtzeit-Datenanalyse, Machine Learning und KI sind für Telekommunikationsunternehmen also ein wertvolles und notwendiges Instrument zur Kundenbindung und Umsatzgenerierung.
Mit der Einbettung von KI in alle Funktionsbereiche wird es dabei möglich, Probleme und Potenziale schneller zu erkennen, optimale Maßnahmen zu identifizieren und diese umzusetzen – häufig sogar automatisiert.
