Please update your browser.

Mehr Insights: Wie aus CX-Daten weitere Erkenntnisse gewonnen werden können

Der Grundstein ist gelegt: Es wird gemessen

Das kennen Sie vielleicht aus Ihrer Organisation: Customer Journeys wurden erarbeitet und Touchpoints definiert. Es wurden umfassende Messsysteme aufgebaut und Mitarbeiter in der Nutzung und Analyse der Feedbacks geschult. Messsysteme sind ein zentraler Baustein im Customer Experience Management. Dabei werden Touchpoints entlang der Customer Journey definiert, an denen die Kunden zu einer Befragung eingeladen werden und konkret zu Ihrem Erleben an diesem Touchpoint oder entlang der gesamten Customer Journey befragt werden. Die Vorteile: Es liegt ein aktueller Kontakt vor, der sinnvoll bewertet werden kann und die Bereitschaft Feedback zu geben ist hoch.

Der Scope einer CX-Befragung ist klar: Es geht um die Erlebnisse innerhalb einer Journey

In vielen Unternehmen kommt nach der Implementierung des Feedback-Messsystems das Bedürfnis auf, weitere Informationen aus den Befragungen zu extrahieren. Häufig wird dabei das Thema Marke genannt. Nun könnten die bestehenden Befragungen einfach um die entsprechenden Themenblöcke ergänzt werden. Allerdings ist hier Vorsicht geboten, da eine höhere Befragungsdauer zu einer schlechteren Customer Experience bei der Befragung und damit zu einer höheren Abbruchquote führt. Außerdem wird der Fokus des Kunden verschoben: Ist die Befragung zunächst so konzipiert, dass explizit die Erlebnisse innerhalb der Journey abgefragt werden, finden plötzlich weitere allgemeine Themen Einzug in die Befragung.

Machine Learning und der Einsatz von KI helfen dabei, aus existierenden Daten neue Erkenntnisse zu gewinnen

Es gibt einen Datenschatz in den CX-Befragungen, der bisher in den meisten Unternehmen nicht gänzlich gehoben wurde: Die offenen Nennungen. Wir erleben in CX-Befragungen immer, dass die Kunden deutlich mitteilsamer sind als in anderen Kundenbefragungen. Sie antworten deutlich häufiger auf offene Fragen und schreiben im Schnitt mehr. Warum wertet man diese Daten nicht strukturiert aus? Mittels Machine Learning lassen sich die Daten bestimmten Zielgrößen zuschreiben. Und hier könnte eine Zielgröße beispielsweise sein: Positives oder negatives Markenerleben.

Machine Learning hilft aus unstrukturierten Daten strukturierte Erkenntnisse abzuleiten

Bleiben wir bei dem Beispiel Markenerleben. Wie funktioniert das eigentlich? Vereinfacht gesagt, nimmt man eine große Anzahl an offenen Nennungen und ordnet erst einmal händisch oder mittels anderer Befragungen zu, ob ein Kunde ein positives oder negatives Markenerleben hatte. In einem zweiten Schritt bringt man dem Computer bei, eben diese Verbindung selbst herzustellen. Wie beim menschlichen Lernen wird auch der Computer immer besser und ist mit der Zeit in der Lage erstaunlich genaue Aussagen zu treffen. Neben dem Markenerleben sind dabei auch andere Zielgrößen denkbar. Die zentralen Vorteile dieses Vorgehens liegen auf der Hand. Es lassen sich große Mengen von offenen Nennungen in kurzer Zeit automatisiert strukturieren. Die CX-Befragungen müssen nicht erweitert werden und die entstehenden Algorithmen lassen sich auch auf andere Kontexte übertragen.

Der Brand Explorer liefert das heute schon im Kontext Marke

Genau aus diesem Bedürfnis, spezifische Erkenntnisse zum Markenerleben am Touchpoint zu generieren, haben wir den Brand Explorer entwickelt. Dieser extrahiert aus offenen Nennungen das Markenerleben der Kunden. Dazu ermitteln wir zunächst in einem gemeinsamen Workshop mit unseren Kunden, wie sich das individuelle Markenbild operationalisieren lässt. Wenn eines der Markenattribute „einfach“ ist, was bedeutet das eigentlich für Mitarbeiter und Kunden? Die Erkenntnisse aus dem Workshop berücksichtigen wir anschließend beim Training des Brand Explorers und hinterlegen die individuellen Markenbilder unserer Kunden. So lassen sich beliebige Textmengen auch über die CX-Messung hinaus auf das Markenerleben der Kunden hin analysieren.

Fazit: Der Brand Explorer ist nur der Anfang

Viele Unternehmen haben große Datenmengen, die bisher nur für Ad hoc Auswertungen und Wasserstandsmeldungen genutzt werden. Dabei bieten diese Daten noch viel mehr Potenzial. So lässt sich nicht nur aus unstrukturierten Daten viel herausholen. Daten lassen sich beispielsweise auch in das CRM integrieren, um Kundenverhalten vorherzusagen und entsprechend gegenzusteuern. Unternehmen müssen sich früh eine CX-Datenstrategie überlegen, um sich bietende Chancen nutzen zu können.

Franziska Huesmann