Embed Size (px)
Citation preview
www.gateb.com
14. Januar 2016 I Slide 1
THE POWER OF BIG DATADATENBASIERTES MARKETING IN EINER DIGITALEN WELT
HWZ - ZÜRICH, 6.10.2018
ROBERT SCHUMACHER, DIRECTOR
More about RobertRobert has extensive experience over the past 20 years
from various positions in Direct Marketing and CRM
Management – from the global Finance Industry to CEO
Central Europe of a leading global software company.
Customer Intelligence
Marketing Analytics
CRM
Marketing Strategy
X-Channel MarketingDIRECTOR – MEMBER OF THE EXECUTIVE BOARD
GATE B AG, STEINHAUSEN / ZUG
ROBERT SCHUMACHER
Robert studied Business Administration at the University
of Bern and e-Commerce at the Franklin Columbus
University / OH (US).
Robert is one of the leading pioneers in data-driven
Marketing and CRM within Switzerland. He also founded
and helped grow multiple Start-up’s. In his last
engagement, Robert was heading the Customer
Intelligence Solution Dept. of SAS Switzerland.
Robert teaches at colleges, is a speaker and presenter
and is on advisory boards and technical committees in
the CRM and marketing industry.
Experience & Skills
Robert SchumacherCONTACT
Change Management
You are in the Driver Seat!
9/24/2018 3
THE POWER OF BIG DATA
Von Big Data zu Smart Data Marketing
Gruppenarbeit, Präsentation & Diskussion
Fazit und Take Away
LernzieleDie Studierenden …
• verstehen das Konzept Customer Intelligence und analytisches (Big Data) Marketing und sind in der Lage, dieses anzuwenden
• verstehen die Wichtigkeit, Nutzen und strategische Bedeutung von Customer Intelligence
• kennen die Einsatzbereiche, Erfolgsfaktoren, sowie Techniken für eine erfolgreiche Umsetzung
• verfügen über ein verbessertes Verständnis der technologischen Möglichkeiten und können deshalb die Zusammenarbeit in der Schnittstelle Business (Marketing) zur IT fördern.
• erlangen ein Grundverständnis dafür, wie statistische Analyse-Tools inhaltlich mit Daten umgehen
CUSTOMER INTELLIGENCE :
VON BIG DATA ZU SMART DATA MARKETING
Big Data und Digitale Transformation
Digitales Marketing vs Marketing in digitaler Welt
Customer Intelligence: Datenbasiertes Marketing
Anwendungsbeispiele aus der Praxis
CUSTOMER INTELLIGENCE :
VON BIG DATA ZU SMART DATA MARKETING
Big Data und Digitale Transformation
Digitales Marketing vs Marketing in digitaler Welt
Customer Intelligence: Datenbasiertes Marketing
Anwendungsbeispiele aus der Praxis
Wie alles begann…
Digitale Technologien Digital = Daten Viele Daten = Big Data Big Data erfordert Analytics
Technology
Triggers
Peak of Inflated
Expectation
Trough of
Disillusionment
Slope of
Enlightenment
Plateau of
Productivity
Vis
ibili
ty
* Copyright: Gartner. Quelle: http://de.wikipedia.org/wiki/Hype-Zyklus
GARTNER HYPE CYCLE OF EMERGING
TECHNOLOGIES*: BIG DATA
Technology
Triggers
Peak of Inflated
Expectation
Trough of
Disillusionment
Slope of
Enlightenment
Plateau of
Productivity
Vis
ibili
ty
GARTNER HYPE CYCLE OF EMERGING
TECHNOLOGIES*: BIG DATA
Big Data
* Copyright: Gartner. Quelle: http://de.wikipedia.org/wiki/Hype-Zyklus
Technology
Triggers
Peak of Inflated
Expectation
Trough of
Disillusionment
Slope of
Enlightenment
Plateau of
Productivity
Vis
ibili
ty
GARTNER HYPE CYCLE OF EMERGING
TECHNOLOGIES*: BIG DATA
Big Data
* Copyright: Gartner. Quelle: http://de.wikipedia.org/wiki/Hype-Zyklus
Smart
Big Data: Die 3 «V’s», das 4. ist das wichtigste: VALUE!
«Big data is what happened when
the cost of storing information
became less than
the cost of making the decision
to throw it away.»
George Dyson
BIGDATA
Was ist wichtig, was bleibt?
SMART DATA
Was ist wichtig, was bleibt?
FAZIT:
DATEN SIND DIE GRUNDLAGE
UND DER TREIBER DER
DIGITALEN TRANSFORMATION
Technology
Triggers
Peak of Inflated
Expectation
Trough of
Disillusionment
Slope of
Enlightenment
Plateau of
Productivity
Vis
ibili
ty
GARTNER HYPE CYCLE OF EMERGING
TECHNOLOGIES*: DIGITALE TRANSFORMATION
* Copyright: Gartner. Quelle: http://de.wikipedia.org/wiki/Hype-Zyklus
Why Kuoni failed (the digital transformation)
http://jansedlacek.net/kuoni-failed-the-digital-transformation/?utm_content=buffer7dd37&utm_medium=social&utm_source=linkedin.com&utm_campaign=buffer
Technology
Triggers
Peak of Inflated
Expectation
Trough of
Disillusionment
Slope of
Enlightenment
Plateau of
Productivity
Vis
ibili
ty
GARTNER HYPE CYCLE OF EMERGING
TECHNOLOGIES*: DIGITALE TRANSFORMATION
* Copyright: Gartner. Quelle: http://de.wikipedia.org/wiki/Hype-Zyklus
KURZFRISTIG ÜBERSCHÄTZT
–
LANGFRISTIG UNTERSCHÄTZT?
Digitale TransformationMEHR ALS NUR DIGITALE TECHNIK
Analoge Technik
Hardware
Produktion
Logistik
Händler
1980
Digitale Prozesse
Hardware
Produktion
Logistik
Händler
2010
Digitale Technik
Hardware
Produktion
Logistik
Händler
2000
Universität St. Gallen, Best Practice in Marketing, März 2016
Spezielle Abspielgeräte Spezielle AbspielgeräteSpezielle Abspielgeräte
Funktionsoptimierung Prozessmusterwechsel
DIGITALE TRANSFORMATION
IST OFT DISRUPTIV
(NICHT DIE TECHNOLOGIE, DIE KONZEPTE !)
27
28
TELECOM & SOMOLO
VERSICHERUNGEN & UBI
FINANCE & P2P / CROWD
AUTOMOTIVE & MOBILITY
RETAIL & CONVENIENCE
KRANKENKASSEN & GESUNDHEIT
FOOD & FITNESS
FAZIT:
SICHERN SIE SICH
IHRE KUNDENBEZIEHUNG
… SONST TUT ES EIN ANDERER!
CUSTOMER INTELLIGENCE :
VON BIG DATA ZU SMART DATA MARKETING
Big Data und Digitale Transformation
Digitales Marketing vs Marketing in digitaler Welt
Customer Intelligence: Datenbasiertes Marketing
Anwendungsbeispiele aus der Praxis
MARKETING IN EINER DIGITALEN
WELT
Medien-Interaktionen geschehen auf mehreren Geräten („Second Screen“)
81%
Smartphone & TV Laptop/PC & TVSmartphone & Laptop/PC
66%66%
Anzahl der KanäleSingle Channel Multi Channel Cross Channel Omni Channel
Single touch
point
Channel knowledge &
operations in technical
& functional Silos
Single view of
customer, operate in
functional Silos
Single View of
Customer with
coordinated strategy
Single touch
point
Multiple touch points
acting independently
Multiple touch
points of a single brand
Brand
experience
Herausforderung: Omni Kanal
Wie hat die Digitalisierung das Kaufverhalten verändert?
ROPO
Kunden-Verhalten:ROPO Effekt
Unternehmen müssen die Strategie anpassen!
ONLINE
ON
LIN
E
OFFLINE
P U R C H A S E
R E
S E
A R
C H
OF
FL
INE
OnlineOnline ROPO A
ROPO B OfflineOffline
Studie 2010:
Sempora Consulting GmbH
Von Online zu Offline
• Die neue Omni-channel-Kundenrealität:
• einmal andersrum … ☺Marketing
in einer digitalen Welt
Anzahl „Likes“: Online Informationen im Offline Bereich
Marketing in einer
digitalen Welt
FAZIT:
DIE TECHNOLOGIE IST
NICHT DER FLASCHENHALS.
DIE HERAUSFORDERUNG IST
WIE MAN ALS UNTERNEHMEN
DAMIT UMGEHT.
CUSTOMER INTELLIGENCE :
VON BIG DATA ZU SMART DATA MARKETING
Big Data und Digitale Transformation
Digitales Marketing vs Marketing in digitaler Welt
Customer Intelligence: Datenbasiertes Marketing
Anwendungsbeispiele aus der Praxis
Was ist Customer Intelligence?Customer intelligence (CI) is the process of gathering and analyzing information regarding
customers; their details and their activities, in order to build deeper and more effective
customer relationships and improve strategic decision making.
Customer intelligence is a key component of effective customer relationship management
(CRM), and when effectively implemented it is a rich source of insight into the behaviour and
experience of a company's customer base.
Customer Intelligence begins with reference data – basic key facts about the customer.
Customer Intelligence provides a detailed understanding of the experience customers have
in interacting with a company, and allows predictions to be made regarding reasons behind
customer behaviors.
MehrMarketing Analytics
MehrDaten
Wieso brauche ich Daten für mein Marketing?
CAS DCX 2016
… Kunden-Insights im Wandel: Echte Verhaltensdaten dank Digitalisierung
C op yr i g h t © 2012 , SAS Ins t i t u te Inc . A l l r i g h ts r eser v ed .
360 Grad KundensichtDATEN-KATEGORIEN
360°
Kundensicht
Soziodemografische
Merkmale
Transaktionale Daten
Verhaltensdaten
Social-Media Daten
Drittanbieterdaten
360o Kundensicht | Datenkategorien
FAZIT:
SIE BENÖTIGEN DETAILLIERTES WISSEN
ÜBER DAS VERHALTEN IHRER KUNDEN
Privacy: Worthäufigkeit in englischsprachigen Büchern
1985 1990 1995 2000 2005 2010 2015
Data Protection: Häufigkeit des Suchwortes in der Google suche
2012 2013 2014 2015 2016
5 Grundprinzipien des CH-DatenschutzesAKTUELLES DSG
• Gesetzesmässigkeit
• Zweckmässigkeit (-gebundenheit/Verwendung)
• Verhältnismässigkeit
• Richtigkeit
• Sicherheit (Organisatorisch & Technisch)
www.mll-legal.com – www.mll-news.comMeyerlustenberger Lachenal Rechtsanwälte
69
Verschärfte Sorgfaltspflichten
– Datenschutz-Folgenabschätzung („Impact Assessment“),
– Dokumentations- und Nachweispflichten („Accountability“)
– Data Privacy by Design, Data Privacy by Default
Ausbau der Betroffenenrechte
– Auskunftsrecht und Zugriffsrecht
– Recht auf Berichtigung
– Recht auf Löschung einschließlich eines Rechtes auf „Vergessenwerden“
– Recht auf Datenübertragbarkeit (Datenportabilität)
– Widerspruchsrecht und Widerrufsrecht
Deutlich schärfere Sanktionen
– bis zu EUR 20 Mio. oder 4% des weltweiten Jahresumsatzes
Hauptfokus der neuen DSVZUKÜNFTIGE DSV
Anwendung auf CH-Unternehmen
FAZIT:
NACHHALTIGE KUNDENBEZIEHUNGEN GELINGEN
NUR IM EINKLANG
MIT DEM DATENSCHUTZ, RESPEKTIVE
MIT DEM
EXPLIZITEN EINVERSTÄNDNIS DES KONSUMENTEN.
Von Daten über Analytics zu besseren Entscheidungen
MehrMarketing Analytics
MehrDaten
50 Angebote - 5 Kanäle - 2’500 Kunden
Das sind bereits 625’000 Kombinationen, resp. Entscheidungen!
9/24/2018 78
Data MiningUsing data to achieve better results
▪ Entdeckt Muster, Trends und Beziehung innerhalb von Daten (“Korrelation”, nicht: “Kausalität”)
▪ Versteht und beschreibt Charakteristiken, basierend auf diesen Mustern
▪ Verwendet die gewonnenen Insights und entwickelt daraus Modelle um so zukünftige Wahrscheinlichkeiten (Optionen, Varianten) zu evaluieren(“predictive Analytics”)
▪ Befähigt so faktenbasierte Entscheidungen und diese Resultate alsScores bereitzustellen, um eine entsprechende Aktion auszulösen.
time….
…. Past Future ….
Observed Events Predicted Events
Was macht eigentlich Data Mining?KONZEPTE ANALYTISCHER METHODEN
Tatsächliche
Cross-Sell’s
Zeit
Au
sp
rägu
nge
n V
aria
beln
*
Keine Übereinstimmung
in den Variabeln
Übereinstimmung Variabeln
potentielle Cross-Sellings in
den nächsten 3 Monaten
KundenindividuelleVerhaltensmuster
1. Tatsächliche Cross-Sellings
* Soziodemographische, Produkte-, Transaktionen, Verhaltens- und Kontaktvariabeln
2.Kauf – 18 Monate
3. Vergleich
Hier können jetzt für die
entsprechenden Kunden
angegangen werden mit hoher
Wahrscheinlichkeit für ein
Cross-Selling
BEISPIEL «CROSS-SELL WAHRSCHEINLICHKEIT»
„Window ofOpportunity“
4. Kauf?
Heute
Analytisches Modell mittels Data Mining
Machine learningLearning from experience
Was macht eigentlich Machine Learning
Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung:
Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten.
Quelle:
https://en.wikipedia.org/wiki/Machine_learning
9/24/2018
KONZEPTE ANALYTISCHER METHODEN
Traditional Programming
Data
ProgramComputer Result
Machine learning
DataProgram
ResultComputer
Beispiele von Machine Learning
9/24/2018 86
https://www.youtube.com/watch?v=zOgSC---rgM
Selbstfahrendes Auto (1:57)
https://www.youtube.com/watch?v=n_-xKr3vF3M
Atari breakout (1:12)
KONZEPTE ANALYTISCHER METHODEN
FAZIT:
DATEN-ANALYSE ERMÖGLICHT
FAKTENBASIERT BESSERE
ENTSCHEIDUNGEN TREFFEN ZU KÖNNEN
CUSTOMER INTELLIGENCE :
VON BIG DATA ZU SMART DATA MARKETING
Big Data und Digitale Transformation
Digitales Marketing vs Marketing in digitaler Welt
Customer Intelligence: Datenbasiertes Marketing
Anwendungsbeispiele aus der Praxis
Warum Automation? Die Treiber.
KONZEPTE
Warum Automation? Die Treiber.
Anforderung, sofort im
richtigen Kontext des
Kunden relevant antworten
zu können
CONTEXT:
(Near) Real-Time
Anforderung, jeden Kunden und
jede Interaktion individuell
auszugestalten, um möglichst
hohe Relevanz zu erreichen
RELEVANZ:
Individualisierung
Compliance Anforderung an
Dokumentation der (Zielgruppen-)
Selektion, sowie
Qualitätserfordernisse
QUALITÄT:
Dokumentation
und Nachvollziehbarkeit
EFFIZIENZ:
Effizienzsteigerung
und Skalierung
Kostenersparnis bei der Ausführung, da
das Marketingbudget über immer mehr
Kanäle effektiv verteilt werden muss
KONZEPTE
Ganz konkret: Anwendungsbeispiele im Marketing: Aus Kundendaten Nutzen generieren
Selektionsgruppen PilotprojektKampagnen Design
Die bisherige Selektionsgruppe bleibt
bestehen. Es wird jedoch nur ein Teil
davon verwendet.
Gemäss bestimmten Parametern wird
eine Selektion anhand dem
analytischen Modell vorgenommen
Die Kontrollgruppe resp. Zufallsgruppe
wird aus dem CRM wie bis anhin
extrahiert.
Bisherig
Analytisches Modell
Zufall
Pilotprojekt
Innerhalb der Pilotkampagne
werden drei Gruppen definiert.
Anschliessend wird die
Kampagne realisiert und
nachträglich die Ergebnisse zur
Erfolgsmessung gemessen.
Ausserhalb Kampagne
Data Mining 3x effektiverKampagnen Resultate
3.06
1.01
0.56
1.82
0
1
2
3
4
Model Best Practice Random Out of Campaign
Data Mining ist trennschärferKampagnen Resultate
2.89
1.942.09
0.81
1.82 1.85
0
1
2
3
4
Model Best Practice Random
100
90
80
70
60
50
40
30
20
10
10 20 30 40 50 60 70 80 90 100
Kundenportfolio
Ku
m. R
esp
on
se
in
%
Vom “one fits all” zum “1:1 MarketingKampagnen Philosophie
Data Mining = Höherer ProfitbeitragKampagnen Resultate
178
252
0
30
60
90
120
150
180
Model Best Practice Random
➢ Natürliche Person oder Gemeinschaftskunde
➢ mit Hypothek
➢ in den Kundensegmenten Privatkunden, Wealthmanagement, Affluent*
➢ kein Depot (< CHF 20‘000.-) oder nur geringes Vermögen (< CHF 100‘000.-)
➢ 25 Jahre < Alter < 65 Jahre
➢ keine Erben oder Erbgemeinschaften
➢ keine unerwünschten Kunden
➢ keine Kunden mit "Werbung unerwünscht„
*Generische Kundensegments-Namen
Kundenselektion „Best Practice“ der BankBank: NeugeldAkquisition
Conversion: Anzahl Beratungsgespräche
4.4%
4.6%
4.8%
5.0%
5.2%
5.4%
5.6%
5.8%
Analytics Bisherig Zufall Gesamt
Conversion betr. Beratungsgespräche
Signifikant mehr Neugeld Dank analytischen Verfahren
0
1000000
2000000
3000000
4000000
5000000
6000000
7000000
8000000
Analytics Bisherig Zufall
Generierung von Neugeld in CHF
Trigger-based Marketing
«Finde die beste Antwort, um das
Kundenbedürfnis abzudecken.»
Ma
rke
tin
g P
ara
dig
ma
We
ch
se
l
PerspektivenwechselEVENT-TRIGGERED MARKETING
Angebots-basiertes Marketing
«Wir haben ein Angebot»
Trigger-based Marketing
«Ich habe einen Kunden mit Verhaltensänderung
oder einen Trigger, der ein Bedürfnis impliziert»
«Finde die passende Zielgruppe dazu.»
ANGEBOT
ANGEBOT ANGEBOT
Pro «Event» werden nur wenige (relevante!) Kunden selektiert und kontaktiert. Und dies laufend.
Impact durch LongtailEVENT-TRIGGERED MARKETING
Big Head
Long Tail
Sale
s
Variety
Long Tail Modell nach Chris Anderson
Event-Triggered Marketing
Operationalisierung von Triggers
INTERAKTIONS-
BEZOGENDATENBEZOGEN
LEADAnfrage nach
Beratung
Download Produkt
Broschüre
Teilnahme an
Gewinnspiel
CHANCEAbgeleitete Potentiale,
Affinitäten durch
Analytics
Verhaltensmuster
Erkennung
PENDENZVertragserneuerung
Vereinbarung
Regelkommunikation
Geschäfts
fallLeistungsbezug
(Schadensfall),
Zahlungen, Eröffnung
neuer DL
DATENBEZOGENINTERAKTIONS-
BEZOGEN
TIGGER-BASED MARKETING
Nutzen für die Kunden
Kunde hat öfters zu relevanten Zeitpunkten Kontakt mit dem Unternehmen, fühlt sich wahrgenommen und wird passend und im richtigen Moment beraten. Erhöht wahrgenommene emotionale Bindung zum Unternehmen.
Individualisierte und relevante Marketingaktivitäten und Kundenbetreuungsmassnahmen im richtigen Kontext für die Kunden, erhöhen deren Kundenzufriedenheit und wahrgenommenen Nutzen / Wert.
TIGGER-BASED MARKETING
Nutzen für Unternehmen
Triggers, die den Kunden relevant im Kundenlebenszyklus im richtigen Moment mit geeigneten Massnahmen ansprechen, erhöhen die Konversionswahrscheinlichkeit und mindern die Kündigungsrate
Der Berater kann sich auf seine Kernkompetenz konzentrieren: Beraten. Welchen Kunden zu welchem Zeitpunkt angesprochen werden können, liefert das Trigger-based Marketing.
Durch diesen systematischen Marketingansatz erhält das Unternehmen einen messbaren positiven Impact auf ihre Vertriebs- und Direkt-Marketingbestrebungen.
TIGGER-BASED MARKETING
Vom Trigger zur Relevanz
Umzug
Jugendliche
Erste WGErste Hausrat,
HaftpflichtEmail, Mobile, Brief
WG zu WGUpgrade Hausrat,
HaftpflichtTelefon, Besuch
Young Professional Erste WohnungUpgrade Hausrat,
HaftpflichtEmail, Mobi24
Elite
ZusammenzugRisiko: Aufhebung
HausratBesuch
Trennung Aus 1 mach 2
Besuch
Telefon
Familie
Zusammenzug Risiko: Aufhebung
HauskaufGebäudeversicherung,
Hausrat
Trennung Aus 1 mach 2
Rentner Einzug Altersheim Konsolidierung
REQUIREMENTS & IMPLICATIONS
Think bigbut not too long
Kannibalisiere aktiv
dein eigenes Geschäft
Start smallbut not too small
Schnellbote schaffen ausserhalb der Organisation
Grow fast… but step by step
Die Fragen sind es, aus denen das,was bleibt, entsteht.Erich Kästner (1899-1974), dt. Schriftsteller
Start now! It‘s already here.Test, learn, optimize
VorgehensweiseHYBRIDES VORGEHENSMODELL
Konzep
tionellOperati
onellDefinieren
«Soll-Bild»
Lernen
«Gaps»
Feedback
Anforderungen
Konzepte
Workshops
Testen & Lernen
Umsetzung
Pilotprojekte
Konzeption
135
Marketing & Campaign
Management Dashboard
Gemeinsam mit den Business
Stakeholder werden Erkenntnisse
erarbeitet, Anwendungscases
identifiziert und Test-Szenarien
definiert
DATENGEWINNUNG
Aufrund des Business-Bedarfs
werden (neue) Datenquellen
identifiziert und erschlossen
Aufbauend auf Analysen und explorativen
Visualisierungen werden Fragen bzw.
Hypothesen verifiziert oder falsifiziert
Pilotierte und als positive
geprüfte Anwendungs-
Cases werden in die
operativen Porzesse
überführt und automatisiert
AUFBAU DATENKOMPETENZIn der Schnittstelle von
Fachanforderungen der
Businessverantwortlichen und den
relevanten Daten bei den Data Scientists
entstehen ein neues Daten-Bewusstsein
und neue Zusammenarbeitsformen
WISSENSOPERATIONALISIERUNG
KUNDENSPUREN SAMMELN KUNDEN KENNEN KUNDENWISSEN NUTZEN
Iterationen & Rapid PrototypingVORGEHEN
136
«Die Ära der Intuition ist vorüber. In den kommenden 24 Monaten wird sich das Marketing stärker verändern als in den 24 Jahren zuvor.»
Prof. Dr. Björn Bloching; Partner und Leiter
Marketing & Sales bei Roland Berger
«Es muss uns in diversifizierten Massenmärkten gelingen, ein
ähnlich gutes Verständnis des Einzelkunden zu gewinnen,
wie Tante Emma es hatte.»
«Echtzeitanalyse wird auf vielen Geschäftsfeldern zur Killer-Appwerden. Analytische Marktführer bauen Strategie und Wachstum auf
der intensiven Nutzung von Daten auf.»
«Die Gewinner […] werden Unternehmen sein, die durch Analytik
und datenbasiertes Marketing einen klar erkennbaren Nutzen für Kunden schaffen.»
Daten sind der Motor der Digitalen Transformation2
Analytics schliesst Lücke zwischen Noise und Relevanz4
Technologie ist nicht die eigentliche Herausforderung 3
Was von «Big Data» oder “Smart Data” bleibt ist: «Data»1
Think Big – Start Small – Grow Fast & Agil5
TAKE AWAYS I
Euer persönliches Take-Away?
Um relevant zu sein, benötigen Unternehmen detailliertes Wissen über den Konsumenten und v.a. über ihr Verhalten. 2
Technologie und Tools sind nicht der Flaschenhals. Die richtigen Fragen stellen ist die grosse Herausforderung4
Big oder Smart: Daten sind der Motor der digitalen Transformation.Sie schaffen Dank Analytics faktenbasierte Entscheidgrundlagen.
3
In disruptiven Zeiten ist es zentral die Kundenbeziehung zu sichern. Dies wird erreicht durch Relevanz.
1
«Big Bang» Projekte funktionieren selten: Probieren geht über Studieren: Klein starten und mit kurzen Schritten wachsen.5
TAKE AWAYS II
Euer persönliches Take-Away?
Digital ist kein Kanal. Es geht nicht um digitales Marketing, sondern um Marketing in einer digitalen Welt.
2
«Outside-in» vom Kunden her denken (Signale) – nicht Produktdenken (Verkauf)
4
Datenschutz ist ein Vertrauensthema. Transparenz und Kunden im «driver-seat» fördern angfristige Beziehung.
3
Kundenbeziehung muss man sich verdienen – durch echten Mehrwert für den Kunden.
1
Euer persönliches Take-Away?
Relevanz: Individuell (aufgrund Kundenbeziehung) und im Kontext (Zeit, Ort, Bedürfnis, «Kanal») passend – right time!
5
TAKE AWAYS III
