Am Anfang war das CRM.
Über CRM ist eigentlich schon alles gesagt worden. Nur nicht von jedem. Deshalb wollen wir auch hier unseren so eigenen Senf dazu geben. Schließlich gehören CRM-Tools und -Systeme zu den Eisbrechern für MarTech und Marketing Automation. Das liegt schlicht und ergreifend an der Erkenntnis, dass man mit einem bestehenden Kunden über Up- und Cross-Sells viel einfacher und weniger kostenintensiven Umsatz generieren kann, als es eine noch so clevere Neukundenakquise zu leisten vermag. Ergo fingen schlaue Unternehmen damit an, ihre Kundenstammdaten zu digitalisieren und dynamisch zu aktualisieren. Vorreiter waren die B2B-Organisationen, die mit begrenzten und klar zu definierenden Zielgruppen innerhalb der Beschaffung und des Supply Chain Managements zu tun hatten. Nachdem dann die Systeme performanter wurden und solch eine Erfassung von Kundendaten immer automatisierter machbar wurde, zogen auch die B2C-Unternehmen nach und entdeckten die Kraft individualisierter Marketingkommunikation. Intrabounding mit Up-und Cross-Selling sowie Empfehlungsmarketing via dem „Zero Moment Of Truth (ZMOT)“ bekamen fassbare und vor allem steuerbare Stellschrauben durch die Einführung skalierbarer CRM Systeme. Sogar die Rolle als Mutter Email-fokussierter Marketing Automation wurde diesen CRM Tools zuteil. Aktuell ist der Markt der CRM-Systeme unüberschaubar explodiert und es gibt keinen Anbieter, der nicht auf den CRM-Zug aufgesprungen ist, nachdem Salesforce mit seiner zugrunde liegenden Sales-Ideologie von Aaron Ross die Welt im Sturm erobert hat. Nimmt man die MarTech Landscape von Chiefmartec.com bemerkt man auf den zweiten Blick durchaus eine Nähe des Autors zur Hubspot-Plattform und deren Application Partner Arena. Da wird aus dem CRM-Gedanken heraus ein ganzes Universum an Marketing Automation- und Technologie-Anwendungen geschaffen, während andere Anbieter den gegenläufigen Trend zur Vereinfachung oder gar strikten Branchenfokussierung verfolgen. Last but not least die Techfirmen, die aus dem ERP-Umfeld heraus das Marketing und damit auch die digitalen Transformationspotenziale via CRM gesehen und schleunigst dafür gesorgt haben, dass ein entsprechendes Tool ins Angebotsportfolio aufgenommen wird. Durch Zukauf oder Eigenentwicklung sind Microsoft mit Dynamics, Adobe mit Marketo, SAP mit der Marketing-Cloud und Oracle mit Eloqua ins Rennen gegangen, um nur einige der schier unübersichtlichen CRM Landscape zu nennen. Mittlerweile gibt es sogar unter den MarTech Consultants wiederum echte CRM-Spezialisten, wie die herstellerneutrale Unternehmens- und Techologieberatung 1A Relations GmbH von Georg Blum an der Spitze. Deren Marketing bzw. CRM Engineers haben eine recht pragmatische Landscape für die deutschsprachige CRM Landschaft erstellt, die den Rahmen der Anbieter auf ein fassbares und damit sinnvolles Maß beschränkt:
Quelle: CRM-tech.world
Die Aufteilung nach Größe des Unternehmens ist grundsätzlich erst einmal zweckdienlich, wird aber durch den Drang nach Skalierung der „New Entry Szene“ natürlich wiederum in Frage stellen zu sein. Wobei wir auch schon beim CRM next level angekommen wären.
Wer was auf sich hält, fährt eine CDP als zentralen Motor im Maschinenraum modernen Marketings, oder?
Eine Customer Data Plattform ist zunächst mal ein getuntes CRM auf Steroiden. Denn was für das CRM der Kundenstammdatensatz ist, ist für die CDP nur die Basis für ein skalierbares Enrichment dieser Kundendaten. Einfach ausgedrückt: Im CRM steht Name, Vorname, Geburtstag und bestenfalls noch die Kontakthistorie mit dem Unternehmen. Eine CDP jedoch fügt Daten aus dem Websitetracking (Behaviour), dem Social Media Listening (Psychometrics), der Bestellhistorie im E-Commerce (Transactional), dem Cross-Device Tracking (User) und sogar dem Omnichannel Verhalten (Kauf, Interesse, Stimmung und Bewegung im Offline-Raum bzw. stationären Handel) hinzu und bricht damit verschiedene Datensilos auf. Mit der Kombination solcher Datenströme und einer damit verbundenen Analytik lassen sich wiederum Zielgruppensegmente viel genauer beschreiben. Was. Wiederum zur Folge hat, dass die Adressierung von Look-Alike-Audiences deutlich treffsicherer wird und der potenzielle Affinity Space in der Zielgruppensegmentierung um Lichtjahre genauer prognostiziert werden kann. Übertragungsgeschwindigkeiten und Bandbreiten im Netz spielen dabei die Rolle der natürlichen Barriere einer Skalierbarkeit. Wird diese jedoch potenziert, was in den vergangenen Jahren exponentiell geschehen ist, können Kundendaten immens vielschichtiger generiert werden. CDPs tun das in hohem Masse automatisiert über Schnittstellen. Diese Basisfunktion von CDPs nennt man Access CDPs oder Data CDPs. Sie zapfen per Schnittstelle Kassensysteme, Trackingtools einer Intelligent Digital Signage, Cross Device Tracking Daten oder auch Monitorings aus E-Commerce und Social Media an und bringen diese Customer Touchpoint Data in ein verarbeitbares bzw. kombinierbares Format, so dass ein Gesamtbild über den Kunden und sein Verhalten entsteht.
Analytics CDPs gehen einen Schritt weiter und bieten zusätzlich zur dieser Basisfunktion ein Dashboard für tiefergehende Analysen der zusammengetragenen Daten an. Meist werden Zielgruppensegmentierungen sowie Modellings (Look-Alike Audiences) und die beliebten Revenue Attributions analysiert, womit sich erhebliche Umsatzzuwächse realisieren lassen. Allein bis hier hin mit der Kombination aus Data Access und Analytics ist es eine Untertreibung, den CDP-Markt als "fragmentiert" zu bezeichnen. Die „Real Story Group“ evaluierte aktuell fast drei Dutzend Anbieter, und jedes Quartal kommen weitere hinzu. Diese Breite spricht für das steigende Interesse, das so viele Unternehmen antreibt, mehr über ihre Kunden zu wissen.
Quelle: Real Story Group Anbieterbewertung
Wie in dieser Anbieter-Landscape zu erkennen ist, bauen die meisten CDP-Anbieter ihr Leistungsportfolio kontinuierlich Richtung Marketing Automation aus, so dass mit Engagement CDPs die neuste Generation an Customer Data Plattforms nun auch mit integrierten Cross-Channel Campaign Management Optionen aufwarten. Konkret: Der Customer Journey wird anhand der Daten und seiner Analytics visualisiert und in Echtzeit mit Interaktionen wie z.B. individualisierten Mails oder Push Notifications automatisiert. Eigentlich ist das nichts anderes als die „Secret Sauce“ der Social Media Networks, die einer solchen kundenzentrierte Datenplattform zu Grunde liegen. Nur, dass die FANGs diese technologische Kombination aus Datenzugang, Analyse und automatisiertem Kundendialog als Walled Gardens immer schön für sich behalten haben bzw. sich grundsätzlich diese wettbewerbsrelevanten Vorteile im Marketing teuer bezahlen lassen. CDPs sind also ein technologisches Abbild und nutzen eben nicht nur die schwer zugänglichen Kundendaten der Walled Gardens, sondern auch Daten aus anderen Quellen (Kassen, Bewegungsdaten, etc.). Damit wäre auch klar, warum das Metaverse für die Social Network Anbieter so ein verlockendes „next big thing“ sind. Wer die Verhaltensdaten in einem virtuellen Raum vial Log-In Effekt einem eindeutigen Kunden zuordnen kann, wird gänzlich neue Revenue Attributions allokieren und damit wiederum ein Gatekeeper für den Markt / Marketingerfolg fast aller Unternehmen auf dieser Welt sein. Der nächste „River of Revenue“ kündigt sich an und damit wird das Invest auf die Wette „Metaverse“ wiederum neu kalibriert, oder?
Datalakes: Die große Herausforderung!
Wer glaubt, eine CDP wäre das Ende der Fahnenstange in Sachen Wissen über den Kunden ist auf dem halben Weg stehen geblieben. Marketing Engineers der neusten Generation waschen nun mal mit deutlich höheren Bandbreiten und verarbeitbaren Datenvolumen auf. „The Sky is the Limit“ ist die Devise, wobei wir noch nicht einmal Quantencomputer brauchen, um das CDP Ergebnisbeitrags-Level nochmals auf eine nächste Stufe zu potenzieren. Der entscheidende Kniff: ETL – auch Extract, Transform und Loading von Daten genannt. Was sich eigentlich einfach anhört, wird dann zur komplexen Herausforderung, wenn verschiedene Dateninputs aus Data Streams & Lakes in einen großen Datenpool integriert und kombiniert werden sollen. Dazu braucht es zunächst Schemata, Strukturen, Metadaten und Regeln, wie (transformiert) und wohin welche Daten gespeichert werden sollen. Hört sich immer noch recht trivial an. Ja, solange wir von strukturierten Daten sprechen. Aber spätestens, wenn wir von Sprachnachrichten, Dialogen, Mails und Multimedia Daten sprechen, wird es kompliziert mit dem Verarbeiten und Zuordnen. Logs wie Timestamps, IP-Adressen oder Types-of-Request können eventbezogen für Verständnis sorgen – aber bei der Mehrzahl der unstrukturierten Daten sind wir recht schnell in einer recht komplexen Transient-Loading-Zone zwischen Rohdaten und tokenisierten Daten. Bevor es also an die Analyse geschweige denn an eine automatisierte Interaktion geht, so wie es die CDPs bereits möglich machen, ist hier reichlich Entwicklungsarbeit zur Datenaufbereitung und Datenqualität im Maschinenraum modernen Marketings zu leisten. Allein der Open Source Data Version Control Anbieter „lakeFS“ bedient sich einer Data Engineering Landscape, die ebenso wie die MarTech Basis Landscape jedes Jahr kontinuierlich wächst.
Quelle: lakeFS
Von den Meta-Sources über ETL-Regeln und Orchestrierungen bis hin zum Daten Processing, Dateneingang (Ingest) und dem Daten Management wird die Perspektive auf einen MarTech Stack deutlich geändert. Marketing auf Big Data bzw. Datalake-Basis wird zum technischen Engineering par Excellence und die MarTech Matrix damit deutlich komplexer. Dabei ist es keine Frage, ob Data Engineering in dieser technischen Tiefe Einzug ins Marketing halten wird – sondern nur wann. Die Outperformer mit Ressourcen an Geld und Talent gesegnet haben das längst erkannt und die Grundlagen für ein Kundenwissen jenseits klassischer CDPs. Längst gelegt.
Und wann fangen Sie an?
