Data Analytics für Marketing und Vertrieb

Analytische Modelle landen eher in der Ablage des eigens gegründeten Data Science Teams, anstatt das Marketing und den Vertrieb des Unternehmens zu optimieren. Um einen solchen Worst-Case zu vermeiden und Analytics auch in die Praxis zu bringen, müssen sich Unternehmen auf drei Kernaspekte konzentrieren, die wir in den nächsten Zeilen dann auch anhand des Marketingmanagers „Markus“ durchspielen werden: 

Nun kommen wir zu unserem Marketingmanager Markus, der versucht, durch Analytics seine Kampagnen individueller und effektiver zu gestalten. Leider fehlt ihm oft das Wissen über neue Datenattribute oder analytische Modelle, mit denen er seinen nächsten Newsletter personalisiert gestalten könnte. Diese werden häufig, in der dafür zuständigen Fachabteilung erarbeitet und umgesetzt und anschließend eher spärlich kommuniziert und erklärt. Unserer Erfahrung nach hat sich dieser gängige Prozess jedoch als eher mangelhaft erwiesen, da er nachweislich zu Wissensbarrieren zwischen Abteilungen wie Datenintegration, Analytics und Marketing führt. Missverständnisse, Verzögerungen und steigende Kosten pro Kampagne durch lange Abstimmungs- und Testphasen sind die Folgen. Um dem entgegenzuwirken arbeiten viele große Firmen heute schon mit Kollaborationssoftware (e.g. Workplace von Facebook) um Wissen durch offene Dokumentationen über Abteilungsgrenzen hinaus zur Verfügung zu stellen. Wir sind jedoch davon überzeugt, dass dies nur ein Teil eines cross-funktionalen Zusammenarbeitsmodells ist, das beispielsweise auch ein gemeinsames Zielbild umfassen sollte. Ein solches Modell kann und sollte durch einen strategischen Kick-off- sowie Collaborationsworkshops früh definiert werden und führt nachweislich zu signifikanten Zeiteinsparungen und höherer Mitarbeitermotivation. 

Nachdem Markus nun das Zusammenarbeitsmodell kennt, geht es daran, die neuen, individualisierten Kampagnen umzusetzen. Dafür wurde ein neues Marketingautomatisierungs-Tool implementiert und vom Softwareanbieter generisch geschult. So hat Markus in einem 2-Tages-Training zusammen mit 15 weiteren möglichen Anwendern anhand von langen Klickbeispielen und vorbereiteten Cases in einer unternehmensunabhängigen „Sandbox“ Einblicke in die Grundfunktionen erhalten. Hersteller-Schulungen (meist eine one-fits-all Lösung) bieten meist eben nur generische Inhalte, die nicht auf die individuellen Rollen des Anwenders eingehen. Dass dies wenig effektiv ist, zeigt sich auch im Lerneffekt bei Markus: Bereits nach kurzer Zeit sinkt seine Aufmerksamkeit rapide und es werden nur wenige Informationen aktiv verarbeitet. Kommt Ihnen das bekannt vor? Wir vermeiden solche oder ähnliche Szenarien durch einen rollen- und lerntypen-spezifischen Ansatz. So könnte Markus, unser ambitionierter Marketing Manager, die nötigen Skills für die neuen technischen Möglichkeiten in seinem Unternehmen zunächst im E-Learning lernen, indem er sich die Basics über das Datenmodell selbst aneignet. Anschließend erhält er via „Training on the job“ mit der Unterstützung eines Coaches, die rollen-spezifischen Fähigkeiten im Tool, die für ihn und seine Arbeit wichtig sind. Für sehr detaillierte Fragen steht zusätzlich eine interne Online Community zur Verfügung, die ihn mit seinen Kollegen aus anderen Abteilungen oder Standorten, verbindet. 

Nun verfügt Markus über das notwendige Wissen und ist vertraut mit den neuen Tools die ihm zur Verfügung stehen. Trotzdem verwendet er noch keine analytischen Modelle in seiner Kommunikation. Woran liegt das? – „Wir haben das schon immer so gemacht, mir egal, was die sich da ausgedacht haben.“  Gründe für solche Aussagen sind meist persönliche Ängste vor beispielsweise einem Kontroll- und Machtverlust oder die Angst, sich als Führungskraft eingestehen zu müssen, dass das bisherige Vorgehen nicht optimal war. Unterstützt wird dieser Widerstand durch veraltete und starre Unternehmensprozesse sowie Abteilungsdenken, was ein häufiges Phänomen in großen Unternehmen ist. So wurde Markus erst spät in einem klassischen Roll-out-Prozess mit stark technischem Fokus über die neuen Möglichkeiten informiert – weit nachdem die Plattform und analytische Modelle definiert wurden. Budgets und Effizienz stehen im Fokus und die Rücksicht auf Risikofaktoren wie Widerstände der Mitarbeiter kommen zu kurz. Gerade eine steigende Fluktuation im Rahmen eines Analytics-Projekts und der damit verbundene Wissensverlust ist nicht zu unterschätzen. Gründe hierfür sind häufig eine zu späte Einbindung und eine daraus resultierende Demotivation des Mitarbeiters. Unsere Erfahrung zeigt jedoch, dass man mit dem nachhaltigem Change Ansatz diese Risiken stark minimieren kann – was am Ende auch im Sinne des Projektbudgets ist. So können beispielsweise Temperature Checks helfen, die tatsächliche Stimmung im Team zu verstehen und so die Zahl der unzufriedenen Mitarbeiter zu senken. Es ist wichtig, Mitarbeiter von Anfang an in Entscheidungs- und Entwicklungsprozesse einzubeziehen.  

Wir sind der Meinung, dass Analytics und Predictive Modelling unerlässlich sind, um sinnvolle Beziehungen mit dem Kunden aufzubauen. Es ist jedoch komplex, neue Ansätze im Unternehmen umzusetzen, ohne dabei Zeit und Ressourcen zu verschwenden. Es werden unterschiedlichste Kompetenzen benötigt, um die ganze Organisation zu befähigen. Wir zeigen Ihnen, wie wir Markus, unserem Marketing Manager, durch unsere Skills in Data Analytics, Coaching und Training die Fähigkeit geben sich in einem schwierigen Umfeld zu bewegen. So dass er am Ende über das gleiche Mind-set, sowie über die (rollenspezifischen) Kenntnisse und die Fähigkeiten verfügt, um neue daten-getriebene Methoden auch wirklich zu nutzen.