DE | EN

Tipp KW 23 – 2019

Die Auswahl an Produkten und Dienstleistungen ist heute sowohl für Privat- als auch für Geschäftskunden besser denn je. In der Regel sind Kunden zudem unabhängig vom Anbieter oder Hersteller und entscheiden nach persönlichen Präferenzen, welches Produkt oder welche Dienstleistung ihren Wünschen am besten entspricht. Umso wichtiger ist es für Unternehmen, Wettbewerbsvorteile zu besitzen, beispielsweise durch einen hohen Wiedererkennungswert oder eine starke Kundenbindung. Solche Vorteile lassen sich auf verschiedenen Wegen schaffen, einer ist der über den Kundenservice.

Der Kundenservice ist ein wichtiger Touchpoint zwischen Unternehmen und Kunden, denn in der Regel wird er kontaktiert, wenn Informationen oder Hilfe gebraucht werden. Je besser die Customer Experience ist, desto wohler fühlt sich der Kunde. Hierdurch wird das Kundenerlebnis zum entscheidenden Wettbewerbsfaktor. Bleibt der Service in positiver Erinnerung, wirkt sich das auf die Wahrnehmung des ganzen Unternehmens aus. Damit der Kundenservice kompetent handeln und sogar proaktiv agieren kann, muss er stets Zugang zu historischen und aktuellen Kunden- und Produktdaten haben, denn nichts lässt den Service unprofessioneller wirken, als fehlende Vorbereitung, langsame Abwicklung oder Unfähigkeit in der Problemlösung.

Vor allem im Zeitalter der Digitalisierung hat der Kundenservice enormes Potenzial, sich weiterzuentwickeln und das Aushängeschild eines Unternehmens zu werden. Eine Technologie, die dabei unterstützen kann, heißt Predictive Analytics. Im Grunde genommen geht es darum, mit Daten aus der Vergangenheit die Zukunft zu planen und Prognosen zu erstellen. Mit Hilfe dieser Kunden- und Produktdaten ist es möglich, Muster und Trends zu erkennen, daraus Algorithmen zu entwickeln und letztlich den Kunden in einer gewissen Weise berechenbar zu machen. Diese Prognosen erlauben uns, einen Service anzubieten, der mit hoher Wahrscheinlichkeit auf die individuellen Bedürfnisse des Kunden abgestimmt ist.

Stellen Sie sich vor, der Kundenservice Ihres Handyherstellers oder Telekommunikationsanbieters erkennt aufgrund übermittelter Daten, dass Sie ein Power-User sind und gleichzeitig, dass Ihr Gerät ein hohes Ausfallrisiko aufgrund von Produktionsfehlern besitzt. Nun könnte er Sie darüber informieren und Lösungen anbieten, noch bevor Sie Störungen am Gerät entdecken. Die Vorteile, die sich daraus ergeben, sind klar ersichtlich: Zum einen werden Ihnen negative Erfahrungen mit dem Produkt erspart, zum anderen wird Ihnen Arbeit abgenommen, da Sie nicht selbst Kontakt mit dem Kundenservice aufnehmen und das Problem schildern müssen. Wenn wir dieses Szenario ausweiten und auf ein produzierendes Gewerbe übertragen, das hochpreisige Maschinen einsetzt, können wir erahnen, welche Folgen dem Unternehmen erspart bleiben.

Ein weiteres Beispiel: Sie rufen beim Kundenservice an und haben eine Frage zu einem Produkt oder möchten sich über eine Dienstleistung beschweren. Noch bevor Sie mit der IVR interagieren oder in der Warteschleife sind, erkennt das System über Ihre Rufnummer wer Sie sind und kann gleichzeitig mit Hilfe verschiedener Kriterien, wie z.B. zuletzt gekaufte Artikel, bereits erlebte Customer Journey oder Anzahl der Anrufe, den für Ihren Fall qualifiziertesten Kundenberater auswählen. Auf diese Weise trägt das System dazu bei, die Wahrscheinlichkeit, dass Ihnen schnell und fallabschließend geholfen wird, zu steigern.

Voraussetzungen für die Einführung und Nutzung von Predictive Analytics im Kundenservice sind neben einer geeigneten IT-Infrastruktur die Anzahl und Qualität an Daten, damit Prognosen realistisch erstellt werden können. Mit wachsenden Kundendatenströmen wird es für Unternehmen zunehmend schwieriger, potenziell wertvolle Daten zu erkennen und tatsächlich sinnvoll zu nutzen. Die Auswahl der zu analysierenden Daten sollte sich daher stets an der eigenen Zielstellung orientieren, damit garantiert wird, dass verlässliche Ergebnisse erzeugt werden. Möchte man wie im obigen Beispiel den Kunden auf mögliche Produktausfälle aufmerksam machen, werden alle relevanten Daten in Bezug auf das Nutzungsverhalten, das Produkt sowie den passenden Weg der Kontaktaufnahme benötigt. Die Datenbeschaffung kann auf verschiedenen Wegen erfolgen, wie z.B. aus eigenen Datenbanken, aus direktem Kundenkontakt, gespeicherten Sprachprotokollen oder aus der individuellen Customer Journey. Jede Kundeninteraktion gibt weitere Einblicke, wie z.B. in persönliche Gewohnheiten oder Bedürfnisse.

Um langfristig erfolgreich zu sein, sollten vorausschauende Analysen iterativ durchgeführt werden, da sich sowohl interne als auch externe Faktoren ständig ändern. Datenmodelle müssen überprüft und gegebenenfalls überarbeitet werden, um flexibel auf Änderungen reagieren zu können. In Zeiten von steigenden Kundenerwartungen können Sie mit Hilfe von Predictive Analytics personalisierte Erlebnisse gestalten und den Kunden positiv überraschen.

Sanel Habibovic (Junior Berater)
junokai