Wie Sie den Umsatz mit Informationen zur Kaufhistorie Ihrer Kunden steigern
Die Kaufhistorie eines Verbrauchers enthält wertvolle Einblicke in seine zukünftigen Kaufgewohnheiten. Aber wie können Sie diese analysieren, um Ihren Umsatz zu verbessern?
Wie Sie den Umsatz mit Informationen zur Kaufhistorie Ihrer Kunden steigern
„Geschichte wiederholt sich nicht, aber sie reimt sich.“
Dieser populäre Aphorismus, oft (vermutlich fälschlicherweise) Mark Twain zugeschrieben, wird gern zitiert, um die Idee zu untermauern, dass die Ereignisse der Vergangenheit zwar nicht immer die zukünftigen widerspiegeln, aber dennoch qualitativ hochwertige Informationen bereitstellen können.
Der Wert sozialer Gefühle
Es ist nicht wirklich ein neues Konzept, die Kaufhistorie eines Kunden zu nutzen, um besser zu verstehen, wer er ist. Wie diese Historie jedoch aussieht, wie Händler Daten sammeln und daraus Informationen extrahieren, hat sich in den letzten Jahren sehr viel weiterentwickelt. Zum Beispiel waren Produktbesprechungen schon immer eine wertvolle Informationsquelle für Händler, doch mit dem Aufkommen sozialer Netzwerke erlebt man einen wachsenden Trend im Einfluss sozialer Gefühle. Während es bei den Produktbesprechungen nur um die Produktqualität geht, geht es bei sozialen Gefühlen („Social Sentiment“) um das gesamte Kundenerlebnis. Trifft ein Kunde in einem Geschäft auf einen unangenehmen Verkäufer, kann er seine Erfahrungen auf Twitter oder Instagram mitteilen. Enttäuscht von dieser negativen Erfahrung können sich auch Follower dieses Kunden dafür entscheiden, das gleiche Geschäft oder sämtliche Geschäfte einer Kette nicht mehr zu besuchen.
Die Generation Y (Millennials) und die Generation Z verbringen mehr Zeit online als frühere Generationen und sind daher wahrscheinlicher als ihre Vorgänger von sozialen Gefühlen beeinflusst. Tatsächlich geben 84 % der Generation Y an, dass die Inhalte anderer Kunden einen gewissen Einfluss darauf haben, was sie kaufen. Ähnlich betrachten 54 % der Generation Z soziale Netzwerke als den wichtigsten Einflusskanal, der E-Commerce-Sites noch übertrifft.
Um jüngere Verbrauchergenerationen zu binden und Präferenzen und Verhalten besser zu verstehen, müssen sich Einzelhändler für soziale Netzwerke interessieren. Durch das Verfolgen von Trends auf Plattformen wie Twitter und Instagram erhalten Händler Einblick in das, worüber ihre Kunden sprechen und wie sie darüber sprechen. Diese Informationen können sie nutzen, um agiler und proaktiver zu handeln. Hätte die Sportbekleidungsmarke Lululemon zum Beispiel früher bemerkt, dass ihre Yogahosen zu den Top-Tweets auf Twitter gehören, hätte sie diese sicher früher an ihre Produzenten zurückgeschickt und so die Kontroverse von 2013 über die Transparenz von Yogahosen vermieden.
Auch sollten Händler in Betracht ziehen, in Monitoring-Instrumente für soziale Netzwerke wie Sprinklr und Hootsuite zu investieren, mit denen es einfacher wird, Kundenbeiträge zu analysieren und ihnen einen Gefühlswert zuzuordnen. Basierend auf diesem Wert kann ein Händler feststellen, ob ein Kunde eher ein Einflussfaktor oder ein Mitläufer ist. Das ermöglicht mehr Granularität in der Kundensegmentierung und nuanciert die Kaufhistorie dieses Kunden.
Wie hat sich die Kaufhistorie entwickelt?
Lassen Sie uns einen Blick darauf werfen, wie Händler Daten zur Kaufhistorie ihrer Kunden sammeln und analysieren. Händler nutzen bislang externe Unternehmen mit größeren IT-Ressourcen, um Berichte über die Kaufhistorie zu erstellen. Mithilfe von Technologie können sie nun einen Großteil dieser Arbeit selbst erledigen, indem sie Informationen von internen Quellen wie dem PoS-System und ihrer E-Commerce-Lösung sowie von externen Quellen wie einer Kreditkarten-Datenbank entnehmen. Bei den internen Datenquellen unterscheidet man sechs Arten der Kaufhistorie:
Jede dieser Transaktionen erzeugt umfangreiche Daten zur Kaufhistorie, die Händler analysieren können, um wertvolle Informationen zu ihren Kunden zu erhalten und Datentrends zu identifizieren:
Kunden: Anhand von Daten zur Kaufhistorie können Händler erkennen, wer wann was kauft. So erhalten sie ein klares Bild davon, wo und wann ihre Kunden am ehesten Käufe tätigen, an welchen Arten von Marketinginhalten sie interessiert sein könnten, und über die Wahrscheinlichkeit, dass sie Stammkunden sind, etc.
- Daten: Daten zur Kaufhistorie können anzeigen, wann und in welchen Mengen Produkte bestellt werden. Anhand dieser Informationen können die Händler saisonale Trends erkennen. So kann ein Händler in den Monaten vor Weihnachten einen stetigen Anstieg des Umsatzvolumens feststellen und unmittelbar nach Ende der Ferienzeit einen plötzlichen Rückgang. Zusätzlich zu solchen saisonalen Trends können Händler dank technologischem Fortschritt die Kaufhistorie auch nutzen, um topaktuelle Informationen zu erhalten und Preise und Sortiment entsprechend nahezu in Echtzeit anzupassen.
- Produkte: Über die Kaufhistorie können Händler auch feststellen, welche Produkte am beliebtesten sind und welche Produkte häufig zusammen verkauft werden. Solche Informationen sind unerlässlich für Empfehlungssysteme, die vorschlagen, welche Produkte ständig auf Lager gehalten werden sollten, welche Produkte sich am besten verkaufen, wenn sie gemeinsam präsentiert werden, und welche Produkte möglicherweise gebündelt und zu ermäßigten Preisen verkauft werden könnten.
- Nachlässe: Die Analyse der Kaufhistorie ergibt auch, welche Coupons, Rabatte und Angebote die höchste Rendite erzielen. Händler können solche Informationen nutzen, um besser zu verstehen, was ihre Kunden zum Kauf veranlasst hat und welche Art Botschaft am besten geeignet ist. Dies wiederum ermöglicht ihnen, effektivere Marketingkampagnen durchzuführen.
Vorteile der Kaufhistorien-Analyse
Händler können die Daten aus der Kaufhistorie nutzen, um das Kundenerlebnis in folgenden Bereichen zu verbessern:
- Up- oder Cross-Selling basierend auf personalisierten Produktempfehlungen. Erkennen die Händler, welche Produkte ein Kunde zuletzt gekauft hat oder welche Produkte er häufig kauft, bietet ihnen dies erhebliche Up- und Cross-Selling-Chancen.
Beispiel: Ein Geschäft für Haushaltsgeräte kann die Daten aus der Kaufhistorie filtern, um zu sehen, welche Kunden vor Kurzem eine Waschmaschine gekauft haben. Der Einzelhändler kann sogar noch einen Schritt weiter gehen und nach Kunden suchen, die eine Waschmaschine gekauft haben und zwei oder mehr Kinder haben. IoT-Sensoren an den Maschinen könnten auch darauf hinweisen, dass Kunden aus dieser demografischen Gruppe typischerweise mehrere Ladungen Wäsche am Tag waschen. Auf Grundlage solcher Informationen könnte das Geschäft seinen Kunden eine gezielte Marketingaktion anbieten, mit der sie alle x Wochen ein Wäsche-Lieferdienst nach Hause erhalten.
- Personalisierte Nachrichten versenden. 76 % der Kunden sind an personalisierten Rabatten auf Grundlage ihrer Kaufhistorie interessiert, während 59 % der Kunden, die Personalisierung erlebt haben, angeben, dass dies einen erheblichen Einfluss auf ihre Einkäufe hat. Händler sollten Daten aus der Kaufhistorie nutzen, um zu verstehen, was für ihre Kunden wichtig ist, und entsprechend handeln.
Beispiel: Ein Kosmetik-Einzelhändler bemerkt, dass einer seiner Kunden bei Mascara eine bevorzugte Marke hat. Auf Basis dieser Information kann der Händler diesem Kunden nun eine personalisierte E-Mail senden, um herauszufinden, ob er seinen Kauf wiederholen möchte und gegebenenfalls einen Gutschein- oder Rabatt-Code als Verstärker beifügen. Kauf der Kunde die Wimperntusche online oder im Geschäft ein, kann er noch zusätzliche Artikel in den Warenkorb legen, was den Gesamtgewinn beim Verkauf erhöht.
- Genauere Prognosen zur künftigen Nachfrage treffen. Wie erwähnt können Händler Daten zur Kaufhistorie nutzen, um herauszufinden, welche Produkte am beliebtesten sind, welche am wenigsten gefragt sind, wann sich bestimmte Produkte am ehesten verkaufen lassen usw. Diese Informationen ermöglichen den Händlern, datengestützte Entscheidungen zu treffen, z. B. die Entscheidung, welche Waren aufgrund von Prognosen zur künftigen Nachfrage wieder auf Lager zu nehmen sind. Sie können strategische Wege finden, um langsam drehende Bestände aus den Regalen zu entfernen.
Beispiel: Anhand der Kaufhistorie eines Kunden stellt ein Sportartikelgeschäft fest, dass es in den letzten sechs Monaten ein bestimmtes Mountainbike-Modell immer wieder verkauft hat. Es stellt außerdem fest, dass im gleichen Zeitraum relativ wenige Einheiten eines anderen Modells verkauft wurden. Auf Basis solcher Informationen kann der Händler nun bei der Auffüllung des Lagerbestands die Bestellung beim beliebteren Mountainbike-Modells verdoppeln und sich dafür entscheiden, das weniger gefragte Modell nicht mehr nachzubestellen. Darüber hinaus kann der Händler einen spezifischen Fahrradtyp (z. B. Lowspeed) in ein anderes Geschäft oder eine Region verlagern, die für dieses Modell höhere Verkaufszahlen aufweist.
- Kundenbindung stärken. Um Kundenloyalität aufzubauen, muss man zunächst verstehen, wer Kunde ist. Loyalitätsprogramme sind oft darauf ausgerichtet, Kunden für ihr ausgegebenes Geld zu belohnen. Sie berücksichtigen aber nicht, wie die Kunden ihr Geld ausgeben. Anhand von Daten zur Kaufhistorie in Verbindung mit einer Kundensegmentierung können Händler sehen, welche Kunden welche Produkte gekauft haben, und ihnen auf ihre Interessen zugeschnittene Prämien anbieten.
Beispiel: Nachdem ein Shop für Videospiele die Kaufhistorie eines seiner Kunden überprüft hat, stellte er fest, dass dieser Kunde nicht nur ein regelmäßiger Käufer ist, sondern auch ausschließlich XBox-Spiele kauft. Mit diesen Informationen zur Hand kann der Händler zu Recht davon ausgehen, dass der Kunde eine XBox-Konsole besitzt, und ihm Treue-Angebote für XBox-Produkte machen, statt ihn mit Angeboten für PlayStation- oder Nintendo Switch-Konsolen zu enttäuschen.
Master Data Management (Stammdaten-Verwaltung)
Die Datenanalyse zur Kaufhistorie hat den Zweck, ein zusammenhängendes Kundenerlebnis zu schaffen, jedoch bedeutet dies, dass die Daten auch verbunden sein müssen.
Trotz technologischer Fortschritte verwenden viele Einzelhändler nach wie vor unterschiedliche Systeme zur Verarbeitung und Speicherung von Kundeninformationen wie PoS-Systeme, CRM, Umfragesysteme usw. Beispielsweise kann sich ein Kunde online registrieren, in mehreren Geschäften einkaufen und eine Katalogbestellung aufgeben, alles beim gleichen Unternehmen. Angesichts der Tatsache, dass die Informationen über diesen Kunden nun auf mindestens drei verschiedene Systeme verteilt sind, könnte man meinen, dass diese Informationen Transaktionen für drei verschiedene Kunden darstellen, doch das wäre nicht korrekt.
Hier kommt das Master Data Management (MDM) ins Spiel. MDM bezieht sich auf einen Prozess, bei dem verschiedene Geschäftsbereiche und Abteilungen im Unternehmen kooperieren. Ihr Ziel:
- Informationen überprüfen, die über mehrere Datenquellen verteilt sind,
- Sicherstellen, dass die Informationen konsistent sind (und aktualisieren, falls dies nicht der Fall ist),
- alle Informationen in einer einzigen Datenbank konsolidieren.
Mit der Implementierung einer zuverlässigen MDM-Strategie und der Speicherung aller Daten aus der Kaufhistorie in einem zentralen Repository erhalten Händler tatsächlich einen globalen Blick auf ihre Kunden.
Profitieren Sie von der Erfahrung von Hitachi Solutions
Die sinnvolle Nutzung solcher riesigen, täglich gesammelten Datenmengen aus der Kunden-Kaufhistorie kann selbst für Händler, die Zugang zu neuesten und besten Technologien haben, eine gewaltige Herausforderung darstellen. Oft ist es nützlich, ein Backup zu haben.
Hitachi Solutions hilft Händlern seit Jahren dabei, außergewöhnliche Kundenerlebnisse zu schaffen. Dafür nutzen wir die ganze Leistungsfähigkeit von Microsoft, einschließlich Azure Databricks, Machine Learning, Dynamics 365 Customer Insights, Dynamics 365 Commerce und Synapse Analytics.
Hitachi Solutions unterstützt Sie auch, damit Sie lernen, wie Sie Informationen aus den Daten der Kunden-Kaufhistorie extrahieren oder in der Datenwissenschaft effektiver arbeiten können. Kontaktieren Sie uns noch heute und lassen Sie uns wissen, was wir für Sie tun können.