Customer-Service
Change and Turn
Fortsetzung des Artikels von Teil 1
Wechselwillige Kunden frühzeitig erkennen
Beide Vorgehensweisen sind erfolgreich, schöpfen aber das Potenzial nicht hinreichend aus. Die Maßnahmen sind viel zu grobmaschig angelegt, zahlreiche Kunden fallen durch das Raster. Wer beispielsweise negative Erfahrungen mit dem Service gemacht hat, spricht auf solche Aktionen oft nur wenig an. Eine möglichst individuelle Lösung für jeden einzelnen Kunden ist aber sehr aufwändig.
Eine deutlich effizientere Strategie ist es, wechselwillige Kunden bereits vor dem Entschluss zur Kündigung anzusprechen – der Aspekt „Früherkennung“ des Churn-Managements. Dies ist grundsätzlich möglich, da die Datenspeicher eines TK-Unternehmens sowie frei verfügbare Informationen im Internet bereits alle notwendigen Angaben enthalten. Mit einem Schlagwort ausgedrückt: „Big Data“ kann helfen. Ziel ist aber nicht lediglich die Auswertung der historischen Daten, sondern „Predictive Analytics“. Es geht um die Berechnung von möglichen Churn-Raten als Basis für die Budgetplanung und die Ausführung von gegensteuernden Maßnahmen.
In vielen Unternehmen steht die Retrospektive im Vordergrund, obwohl historische interne Zahlen für eine vorwärts gerichtete Marktbetrachtung nur bedingt zuverlässige Aussagen ermöglichen. Die Analyse der Wechselbereitschaft der Kunden wird häufig auf Basis mangelhafter und unvollständiger oder nicht relevanter Kundeninformationen getroffen. Neben Umsatz, Vertragshistorie und Nutzungsquantität können beispielsweise die folgenden Fragen eine Vorhersage des Nutzerverhaltens verbessern:
- Welche Angebote hat der Wettbewerb?
- Wie hat sich die Kundenzufriedenheit entwickelt?
- Wie verändert sich das Umfeld des Kunden?
- Wie verändert sich der Markt?
- Welche Vorlieben und Präferenzen hat der Kunde?
- Wie spricht das soziale Umfeld des Kunden über das Produkt oder den Service?
Diese Informationen finden sich nur zum Teil in den internen Systemen wie CRM-, Bestell-, Abrechnungs- und Ticketsystemen. Darüber hinaus sollten auch Daten aus sozialen Netzwerken oder von Kampagnen der Wettbewerber gespeichert werden. Unter Berücksichtigung der Datenschutzgesetze lassen sich die bestehenden Daten zum Beispiel durch eine Kontakthistorie (CDR, Call-Detail-Record) ergänzen.
Ganzheitliche kontextbasierte Analyse
Der entscheidende Punkt ist die Art der Speicherung dieser heterogenen Daten. Üblicherweise sind sie in Silos aufgeteilt. Sie sollten stattdessen in einen Zusammenhang gesetzt und gemeinsam gespeichert werden, also im Kontext. Dies wird zum zentralen Element einer verbesserten Kundenkommunikation. Nur im Kontext können Unternehmen Sachverhalte korrekt einordnen und verstehen ihre Bedeutung.
Mit einem kontextbasierten Analyse-Tool wie beispielsweise „MIOvantage“ von Miosoft werden entscheidungsrelevante Kontexte aus heterogenen Daten herausgelöst. Die auch als Desktop-Lösung verfügbare Software kann Informationen aus einer Vielzahl von Systemen oder Datenströmen sammeln, automatisch kategorisieren und speichern. Die Informationen in den Kontexten können so optimal ausgewertet und verarbeitet werden.
Eine solche ganzheitliche kontextbasierte Analyse nutzt alle verfügbaren Informationen, um Maßnahmen zu ermitteln, die einer Verbesserung der Kundenfluktuationsrate dienen. Sie ermöglicht es, dauerhaft sämtliche Informationen an einem Speicherort zusammenzuführen. Das System wird damit die Grundlage für eine echtzeitfähige Lösung zur Kommunikation und Interaktion mit den Kunden. Als „System of Engagement“ ermöglicht es völlig neue Möglichkeiten der Kundenbeziehung.
So wäre es zum Beispiel möglich, dass ein Retailer durch eine Einkaufslisten-App genauere Infos zum Kaufverhalten der Kundschaft erhält. Durch kontextbasierte Speicherung können solche Daten für das Churn-Management eingesetzt werden. Nur wer seine Kunden gut kennt, kann die Abwanderung bereits im Vorfeld vermeiden.
- Change and Turn
- Wechselwillige Kunden frühzeitig erkennen
Lesen Sie mehr zum Thema
