Wer kennt sie nicht, die Geschichte von Target, der US-Einzelhandelskette, die die Schwangerschaft einer 23-jährigen jungen Dame korrekt vorhersagte, bevor ihr eigener Vater davon erfuhr?

Ja richtig, ein Data-Mining-Analyst des US-Riesen hat herausgefunden, dass, wenn eine Kundin ungefähr 25 Produkte in Korrelation kauft, sie mit an Sicherheit grenzender Wahrscheinlichkeit schwanger ist. Mehr noch: Über die Mengen, die von den einzelnen Produkten gekauft werden, kann innerhalb eines kleinen Zeitfensters sogar bestimmt werden, wann das Kind zur Welt kommen wird. So gibt es beispielsweise viele Kundinnen, die Seife und Watte kaufen. Wenn manche aber schlagartig große Mengen an parfümfreier Seife und Groß-Packungen an Watte zusammen mit Desinfektionsmittel und Waschlappen kaufen, ist es sehr wahrscheinlich, dass sie kurz vor ihrer Entbindung stehen. Sobald ein solches Muster auf eine Kundin zutrifft, wird ihr ein sogenannter »Pregnant Prediction«-Score verliehen und entsprechende Werbung für Babyprodukte aller Art zugesandt.

So eben auch geschehen bei der 23-jährigen Amerikanerin, die Bodylotion, eine Handtasche, die leicht zu einer Wickeltasche vergrößert werden konnte, Zink- und Magnesiumtabletten und eine kleine, blaue Wolldecke gekauft hatte. Ihr Vater, der eine entsprechende Werbe-E-Mail gesehen hatte, war entrüstet darüber, dass man seine Tochter, die noch zur Highschool ging, jetzt schon dazu ermuntern möchte, über eine Schwangerschaft nachzudenken. Er hat sich daraufhin beim lokalen Target-Marktleiter beschwert. Als der Marktleiter den Vater eine kurze Weile danach erneut kontaktierte, um sich ein zweites Mal in aller Form zu entschuldigen, gab der Vater zu, dass ihm wohl einige Vorkommnisse in seiner Familie entgangen seien und er derjenige wäre, der sich bei ihm entschuldigen müsse. Seine Tochter erwarte tatsächlich in fünf Monaten ein Kind.

Welch Bilderbuchgeschichte für alle Marketers und CRM-Verantwortlichen dieser Welt, vor allem für all diejenigen, die sich im E-Commerce oder in der Online-Welt bewegen.

Der Grund, dass man heutzutage solch genaue Vorhersagen treffen kann, sind die enormen Datenmengen, die wir alle täglich produzieren. In den Jahren 2000 bis 2002 wurden genauso viele Daten produziert wie in den gesamten 2000 Jahren davor. Laut einer IDC-Studie (International Data Corporation, der weltweit führende Anbieter von Marktinformationen auf dem Gebiet der Informationstechnologie) von 2012 verdoppelt sich das weltweite Datenvolumen mittlerweile alle zwei Jahre. Da wird dann auch schlagartig klar, dass das Buzzword »Big Data«, das seit einigen Jahren in aller Munde ist, durchaus seine Berechtigung hat.

Welche Bedeutung Daten heutzutage haben, zeigen uns die unzähligen Geschäftsmodelle, die ihre eigentliche Leistung kostenlos anbieten, nur um als »Nebeneffekt« Nutzungsdaten zu sammeln, die dann über individualisierte Werbung am Ende zur Monetarisierung und damit zu einem tragfähigen Geschäftsmodell führen. Nicht das Produkt selbst führt also zum Erfolg (und damit zum Gewinn), sondern das »Nebenprodukt Daten«, das bei der Nutzung einer Seite oder einer Dienstleistung generiert wird. Wirtschaftlich betrachtet, ist dies eine enorme Veränderung, die ein ebenso enormes Umdenken einfordert, um ihr gerecht zu werden. Nicht ohne Grund beginnen mittlerweile sogar Webshops, deren originäres Geschäftsmodell der Handel mit Waren ist, Werbe-Inventar an externe Seiten zu verkaufen. Entwicklungen, die vor fünf Jahren noch undenkbar gewesen wären – externe Links auf der eigenen Seite zu platzieren. Heute dienen sie dazu, die oft geringen Margen im E-Commerce abzufangen, sodass es mittelfristig durchaus sein kann, dass neben dem Webshop und dem Handel mit Waren an sich die Vermarktung von Daten ein erheblicher Baustein im Monetarisierungsmodell eines Online-Händlers werden wird.

Daten, und damit Informationen, sind zum eigenen Wirtschaftssektor geworden und werden – wenn man der Prognose der Wissenschaft Glauben schenken mag – bis ins Jahr 2050 die Wirtschaftssektoren Produktion und Dienstleistung in ihrem Anteil an der Gesamtwirtschaft endgültig eingeholt haben. Im Handel haben sie sich mittlerweile zum Wettbewerbsfaktor etabliert. Sie sind eine Quelle für Wettbewerbsvorteil und werden es in Zukunft noch mehr sein. Im Markt durchsetzen wird sich derjenige, der die besseren Informationen über seine Kunden und solche, die es werden sollen, hat. Anfang der 90er Jahre wurde dies bereits prognostiziert und genau in dieser Realität leben wir heute (Nefiodow 1990).

Und dennoch, obwohl wir uns dessen alle bewusst sind – oder zumindest glauben, dass wir uns dessen bewusst sind –, werden Daten heute noch lange nicht so selbstverständlich genutzt, wie wir uns das vielleicht wünschen würden, auch wenn das so offen natürlich keiner kommuniziert. Das eingangs genannte Beispiel ist zwar in aller Munde und wird so selbstverständlich in Gesprächen erwähnt, als wäre es fast schon wieder »von gestern«, aber in Wahrheit fragen wir uns doch alle: Wie machen die das? Wie schafft man es, richtige Vorhersagen über seine Kunden zu treffen? Wie gelingt es, die Kunden in verschiedene Segmente mit spezifischen Eigenschaften und Bedürfnissen (im Sinne von Bedarf) einzuteilen? Und wie nutzt man diese Segmente und das erlangte Know-how in der täglichen Arbeit? Wie übersetzt man es inhaltlich aber vor allem auch technisch/strukturell in regelmäßige Kampagnen, ohne dabei den Überblick zu verlieren und um nachhaltig dem Prozess der Erfolgsmessung und anschließenden Optimierung zu folgen?

Eine Antwort darauf ist häufig die meist aufwendige Implementierung einer hochkarätigen CRM-Software. Ein Ansatz, der zunächst einmal sehr zeit-, kosten- und ressourcenintensiv ist und ohne jegliche CRM-Erfahrung im Vorfeld meist selten zum gewünschten Erfolg führt. (Dazu mehr am Ende des Buches, in Kapitel 17.) Ihr größter Nachteil ist dabei aber, dass ein solch großartiges Tool stets eine Blackbox ist, die auf Basis meist nicht nachvollziehbarer Algorithmen Produkt-Affinitäten von Kunden berechnet und Alarm schlägt, wenn ein Kunde dabei ist, abzuwandern. Was herauskommt, sind eben solche Segmente, die dann mit entsprechenden Kampagnen versorgt werden müssen. Selbst wenn sich daraus der monetäre Erfolg einstellt, so bleibt eine Frage unbeantwortet, nämlich die nach dem »warum (funktioniert die Kampagne)«. Eben weil sich Algorithmen und Berechnungsweisen der Software oder des Tools nicht nachvollziehen lassen. Man vergibt mit dem unmittelbaren Einsatz solcher Tools somit die Chance, selbst die Key Business Driver des eigenen Unternehmens und der eigenen Kunden zu identifizieren und zu lernen, wie sich diese in monetären Erfolg übersetzen lassen.

Der Ansatz in diesem Buch ist daher ein anderer. Besinnen wir uns zurück auf »Tante Emma« und versuchen wir selbst, am besten zu verstehen, welche Kunden oder Nutzer unser eigenes Produkt hat.

Genau hier setzt dieses Buch an. Es erklärt praxisnah und pragmatisch, wie Sie sich Schritt für Schritt an Ihre (wahrscheinlich enorme) Datenbasis heranwagen können und so Ihre Kunden von Analyse zu Analyse besser verstehen werden. Effizient und schnell, so tickt die Online-Realität heute. Und so müssen neue Themen auch behandelt werden. Daher wird im Buch ein sehr pragmatischer Ansatz gewählt und nicht selten findet das allseits bekannte Pareto-Prinzip seine Anwendung. Sei es bei der statistischen Genauigkeit eines A/B-Tests oder bei der Anzahl der Kunden, die wir tatsächlich analysieren können. Wenn wir in 20% unserer Zeit 80% der relevanten Informationen erhalten können, so ist das im Praxis-Alltag die effizienteste Art, voranzukommen. Denn wie hat schon Warren Buffet, ein amerikanischer Großinvestor und Unternehmer, gesagt:

»Es ist besser, ungefähr richtig zu liegen, als exakt falsch«