Wie erfindet man CX und UX mit datengetriebenem Voice of Customer neu?

Lesezeit: 15 Minuten

When 89% der Unternehmen angeben, sich bereits im Wettbewerb um Customer Experience (CX) zu befinden, neigt man möglicherweise zur Nachverfolgung von jeder verfügbaren Metrik. Wenn Sie aber wirklich datenbewusst sein wollen, sehen Sie Ihre Kunden nicht nur als Einträge in einer Tabelle. Sie hören ihnen tatsächlich zu. Genau hier setzt die Analyse der Stimme des Kunden ein.

Was ist Voice of Customer (VoC)?

Voice of Customer (VoC) ist eine Forschungsmethode, mit der Unternehmen die erforderlichen Daten sammeln, um die Bedürfnisse und Anforderungen ihrer Kunden zu beschreiben. Der Prozess setzt voraus, dass alle Rückmeldungen, Meinungen, Bewertungen usw. eingesammelt werden, die eine Zielgruppe zu einem bestimmten Produkt, einer bestimmten Dienstleistung oder Erfahrung äußert. Anschließend werden die Daten verwendet, um die Lücke zwischen den Erwartungen der Kunden und ihren tatsächlichen Erfahrungen mit der Marke zu schließen.

Die VoC-Forschung gewinnt neue Erkenntnisse für fundierte Entscheidungen in der Produkt- und Geschäftsentwicklung. In diesem Beitrag wird weiter unten noch aufgezeigt, wie die gesammelten Informationen Ihrem Unternehmen bei der grundlegenden Optimierung der Benutzeroberfläche des Produkts und des allgemeinen Kundenerlebnisses helfen können.

Typically, all voice of customer programs consist of three stages:

• Erfassung – Verschiedene Methoden zur Erfassung von Kundenfeedback werden angewandt, um die für die Analyse erforderlichen Daten einzusammeln. Es können direkte Methoden wie Umfragen/Abstimmungen oder indirekte Methoden wie Auswertungen der Kundendaten aus Review-Plattformen sein.
• VoC-Datenanalyse – Algorithmen werden eingesetzt, um die gesammelten Rohdaten zu untersuchen und bestimmte Muster zu erkennen, z. B. Gemeinsamkeiten bei den Kundenerwartungen innerhalb einer bestimmten demografischen Gruppe.
• Implementierung – Nutzung der gewonnenen Erkenntnisse zu Verbesserungen in den entsprechenden Geschäftsbereichen.

Wondering whether your company needs to go to such lengths with customer feedback collection? The following voice of customer statistics should help you shape up your business case:

• Laut Salesforce geben 80% der Kunden ian, dass die Erfahrung mit dem Unternehmen für sie genauso wichtig ist wie seine Produkte oder Dienstleistungen.
• HubSpot-Studien besagen dass 80% der Verbraucher aufgrund eines mangelhaften Kundenerlebnisses von einem Unternehmen die Finger lassen würden.
• Eine Walker-studie legt nahe, dass das Kundenerlebnis in nur einem Jahr den Preis und das Produkt als entscheidende Unterscheidungsmerkmale einer Marke überholen wird.
• In CX führende Unternehmen übertrafen die Rückstandswerte im S&P 500 Index um fast 80%.
• Forrester gibt an dass erlebnisgestützte Unternehmen im vergangenen Jahr den Umsatz um das 1,4-Fache und den Wert der Kundenlebensdauer um das 1,6-Fache im Vergleich zu den anderen Unternehmen gesteigert hätten.

Wenn Sie sich schließlich die diesjährige Top-Liste der begehrtesten globalen Unternehmen, ansehen, werden Sie feststellen, dass die Top-Plätze von führenden CX-Unternehmen wie Apple, Amazon, Walt Disney, Starbucks, Microsoft, Alphabet (Google) und Netflix belegt sind.

Kurz zusammengefasst: Unternehmen, die sich durch ein hervorragendes Kundenerlebnis auszeichnen, tendieren zu:

• Schnellerer Umsatzsteigerung im Vergleich zu den Mitbewerbern;
• Höheren Werten im Kundenlebenszyklus;
• Massiver Stärkung der Kundenbindung, Abnahme der Kundenabwanderung im Laufe der Zeit und Loyalitätssteigerung.

Noch interessanter ist die Tatsache, dass CX-Führungskräfte ohne Weiteres höhere Preise erzielen können, weil 86% der Kunden bereit sind, für ein großartiges Kundenerlebnis mehr zu zahlen.

Wenn Ihr Unternehmen also diese Vorteile nutzen will, ist es an der Zeit, mit der Arbeit an Ihrer Voice-of-Customer-Strategie zu beginnen.

So sammeln Sie die VoC-Daten

• Kundeninterviews
• Interne und externe Kundenbefragungen
• Live-Chat-Daten
• Callcenter-Daten (Telefon, E-Mail, Support-Tickets)
• Soziale Medien
• Webseitenanalyse
• Online-Kundenrezensionen
• Net Promoter Score (NPS)
• Feedbackformulare
• Fokusgruppen

Wie Sie sehen, kann man viele Daten sammeln. Die Operationalisierung eines solchen Volumens an unstrukturierten Informationen ist ohne die richtigen Tools und Technologien allerdings problematisch.

So wenden Sie Data Science für die VoC-Analytik mit dem größtmöglichen Nutzen an

Bei Unmengen an Informationen sichern die VoC-Methoden, die auf manueller Datenanalyse basieren, nicht mehr die besten Ergebnisse.

Die VoC-Erfassungstools können mehrere verstreute Dateneinträge erzeugen, die Ihnen keine zusammenhängende Geschichte erzählen werden. In der Tat kann die Datenanalyse aus verschiedenen Blickwinkeln zu widersprüchlichen Schlussfolgerungen führen.

Mit Hilfe von Data Science können Sie genau herausfiltern, welche Verbesserungen am gefragtesten sind und wie diese einen Mehrwert für Ihr Unternehmen generieren können. Nun erfahren Sie, wie Sie die für Ihr Unternehmen sinnvollsten Kundeninformationen einsammeln und wie diese in Erkenntnisse umzuwandeln sind.

Schritt 1: Beginnen Sie mit einer Hypothese.

VoC-Programme erzeugen den größten Nutzen, wenn sie auf die Beantwortung spezifischer Fragen und die Auswertung der in Ihrer Branche verwertbaren Ergebnisse abzielen. Als Autoherstellerkönnten Sie beispielsweise daran interessiert sein, die Anzahl der Rückrufaktionen zu verringern und herausfinden, welche Fahrzeugfeatures mehr Umsatz generieren und mehr Kundenzufriedenheit garantieren. Telekommunikationsunternehmen möchten dagegen wissen, wie sie die Kundenabwanderung vermeiden oder auf Eskalationsanrufe reagieren sollen und welche Upsell-Strategien für ein bestimmtes Kundensegment am besten funktionieren.

Die Hypothese, die Sie entwickeln, wird Ihre Entscheidungen in Bezug auf folgende Aspekte widerspiegeln:

• Voice-of-Customer-Daten;
• Anzuwendende Tools für die Analyse der Stimme des Kunden;
• Typen der Analyse, die Sie durchführen werden.

Schritt 2: Machen Sie eine Bestandsanalyse Ihrer aktuellen VoC-Quellen.

Möglicherweise hat Ihr Unternehmen bereits einige Kundendaten erfasst oder auch nicht. In jedem Fall müssen Sie vor einer Analyse Antworten auf folgende Fragen finden:

• Welche Datenquellen sind vorhanden?
• Welche Datenquellen werden nicht mehr verwendet (oder wurden nie verwendet)?
• Wo werden die Daten gesammelt und gelagert?
• Wie kann man auf die Daten zugreifen?

Die Vorbereitung Ihrer Daten für die Analyse kann einige Zeit und etwas technologischen Aufwand in Anspruch nehmen, v.a. weil die meisten Quellen im „Besitz“ verschiedener Abteilungen, wie z. B. Kundendienst, Vertrieb, Marketing, PR usw., sein können. Alle Quellen müssen konsolidiert und bereinigt werden, bevor eine VoC-Software installiert werden kann.

Um den Vorgang zu vereinfachen, sollten Sie jede Datenquelle mit den folgenden Codes kennzeichnen:

• Global verwendet – die Daten sind überall;
• Teilweise verwendet – die Daten sind in einigen Abteilungen gespeichert;
• Selten verwendet – die Daten werden nicht häufig gesammelt;
• Früher verwendet;
• Nie genutzt.

Schritt 3: Passen Sie Ihre Datenquellen Ihren Zielen an.

Als Nächstes ist es sinnvoll, die VoC-Quellen nach dem zu erwartenden Wert einzustufen und entsprechend zu markieren. Dafür können Sie eine globale Taxonomie für alle fünf oben genannten Punkte erstellen und eines oder mehrere der folgenden Ziele zuordnen:

• Betriebskosten senken;
• Kundenerlebnis optimieren;
• Kundenabwanderung verhindern;
• Umsätze steigern;
• Problemlösungszeit verkürzen.

Auf diese Weise können Sie feststellen, ob Sie über genügend Datenquellen für umfassende Schlussfolgerungen verfügen, und bestimmen, wo Sie die erforderlichen Daten sonst gewinnen können.

Zusätzliche Erkenntnisse können Sie gewinnen, indem Sie versuchen, das, was Kunden sagen, mit dem zu verknüpfen, was sie tun. Denn der berühmte Spruch von David Ogilvy lautet: “Die Verbraucher denken nicht so, wie sie sich fühlen. Sie sagen auch nicht, was sie denken, und tun nicht, was sie sagen.”

Später werden Sie vielleicht auch einen Datensatz mit den Ergebnissen früherer Umfragen erstellen wollen, der beispielsweise die Bereitschaft der Kunden zum Weiterempfehlen Ihres Produkts miteinschließt. Sie können die Umfrageergebnisse wieder mit Ihren Datenbanken verknüpfen und einige Daten für jede neue Messung zur weiteren Analyse abrufen. So können Sie z.B. die Übereinstimmung der angegebenen Kundenzufriedenheit innerhalb

Der Aufbau einer solchen Datenverknüpfung ist ein integraler Teil einer ganzheitlichen Sichtweise zur ROI-Messung Ihres VoC-Programms und Ihrer CX-Initiativen.

Schritt 4: Analysieren Sie die Historie.

Sobald Sie alle verfügbaren VoC-Quellen in einer zentralen Datenbank gesammelt haben, können Sie mit der Modellierung und Prognose im Hinblick auf Ihre Ziele beginnen. Insbesondere können Sie die vorliegenden Daten verwenden, um folgende Fragen zu beantworten:

• Welche Rolle spielt die Zunahme/Abnahme der Kundenzufriedenheit bei den teuren Anrufen im Contact Center?
• Wie verändern sich die Abwanderungsraten in Bezug auf die Zufriedenheit?
• Wie ist die Korrelation zwischen einem verbesserten Feature Release und der Kundenabwanderung?

Schritt 5: Richten Sie Ihre Analyse für die Zukunft aus.

Historische Daten sind wirklich wichtig, aber erfahrungsorientierte Unternehmen blicken in ihrem Streben nach dem Mehrwert auch vorwärts und nicht nur rückwärts. Mit modernen Tools für die Textanalyse und Predictive Analytics kann man nun das Wortlaut in Umfragen auswerten, Schlüsselwörter und allgemeine Muster automatisch klassifizieren lassen und diese Daten in umsetzbare Erkenntnisse umwandeln.

Die Lösungen für Predictive Analytics können bei der VoC-Methode anhand der Kundenstimmung, des Echtzeitverhaltens auf Webseiten und der anderen Hinweise ermitteln, wie verschiedene Faktoren Ihre festgelegten Ziele beeinflussen. Fortgeschrittenere Systeme, die durch maschinelles Lernen unterstützt werden, können Ihren Teams sogar als Echtzeit-Empfehlungsmaschinen dienen und Vorschläge dazu machen, wie sie mehr Kunden generieren und wie sie bei einer bestimmten Zielgruppe am besten agieren können. Darüber hinaus lernen die Algorithmen für maschinelles Lernen im Laufe der Zeit schrittweise dazu und können häufige Trends, Verhaltensweisen der Kunden und andere Muster, die Ihnen etwas Neues über sie erzählen, noch besser erkennen.

Anwendungsfälle für die VoC-Analytik aus dem Leben

Wie bereits erwähnt, sollten die erfassten VoC-Daten mit bestimmten Geschäftszielen übereinstimmen. Denn so können Sie Produkt- bzw. Serviceverbesserungen vornehmen, die eigentlich zu greifbaren Vorteilen führen. In der Tat prognostiziert Gartner, dass 50% der Unternehmen in diesem Jahr ihre Investitionen in CX-Innovationen fließen lassen.

Einige Marktführer nutzen jedoch bereits jetzt die Stimme des Marktes, um ihrer Produktvision Form zu verleihen und einen besseren Service anzubieten. Nachfolgend finden Sie einige praktische VoC-Beispiele, die Ihre Beachtung durchaus verdienen, wenn Sie ein erfolgreiches VoC-Programm und eine erfolgreiche CX-Strategie entwickeln möchten.

Airbnb nutzt Gästefeedback und Data Science für die Suchoptimierung

Das Sucherlebnis ist für Airbnb von enormer Bedeutung, weil die gesamte Produktvision auf einem „naht- und problemlosen Vermietungserlebnis rund um die ganze Welt“ aufgebaut ist. Wenn man aber Hunderttausende von Einträgen mit unterschiedlichen Parametern auf der Plattform hat, werden zugeschnittene Angebote schwieriger.

Damit kein Gefühl der Überforderung entsteht und die Kunden mit besseren Vorschlägen überzeugt werden, begann das Airbnb-Team mit der Arbeit an einer nutzerorientierten Datensuche. Das Unternehmen verwendete umfangreiche Daten aus den Gast-/Gastgeber-Interaktionen und entwickelte ein Modell für die Schätzung der Buchungswahrscheinlichkeit an einem Ort, an dem sich die suchende Person befand.
Um das Modell zu verfeinern, verschlüsselte das Team auch die Beziehung zwischen dem Ausgangs- und dem Zielpunkt.

Source

Infolgedessen würde die Plattform nicht nur die Suchergebnisse für Großstädte ausblenden, sondern den Nutzern auch gezielt eine Möglichkeit bieten, ein Mietobjekt genau an dem gesuchten Ort zu finden.

Außerdem experimentierte Airbnb auch mit anderen Methoden zur Erfassung von Verbraucherdaten und führte eine personalisierte Suche nach den demografischen Kriterien ein. Durch die lokale Analytik stellte man fest, dass asiatische Nutzer beim Besuch der Homepage normalerweise eine hohe Absprungrate hatten. Es stellte sich heraus, dass dieses Zielgruppensegment auf den Link “Wohngegend” geklickt hatte, mit dem Durchsuchen von Fotos begonnen hatte und dann nie zurückgekehrt war, um einen Aufenthalt zu buchen. Mit dieser Erkenntnis hat das Unternehmen eine lokalisierte Homepage-Version für Besucher aus den asiatischen Regionen erstellt, in der die Gegend-Links durch die wichtigsten Reiseziele in Japan, Korea, China und Singapur ersetzt waren. Nach der Implementierung wurde eine Umsatzsteigerung von 10% gemessen.

VoC-Analytik sorgt für Echtzeit-Transparenz bei Amadeus

Amadeus – ein globaler Anbieter von Reisetechnologien – ist soweit gewachsen, dass Frontlinien-Mitarbeiter Mühe hatten, die vielen und immer mehr werdenden Kunden zu erreichen und mit ihnen in Kontakt zu bleiben. Bis dahin wurde das Kundenfeedback manuell erfasst und war größtenteils ineffektiv. Also war die Antwortrate auch niedrig und das Unternehmen konnte nicht ganz nachvollziehen, welche Art von Verbesserung sich seine Zielgruppe wünschte.

Die Zusammenarbeit mit Confirmit Horizons diente der Erarbeitung eines neuen optimierten VoC-Programms. In der Phase nach der Implementierung konnte das Unternehmen verschiedene Umfragen in mehreren Sprachen durchführen, alle Ergebnisse wurden dabei automatisch analysiert und an die relevanten Abteilungen weitergegeben. Kundenbetreuung, Vertrieb und Führungsteams erhielten Zugriff auf Live-Dashboards und monatliche Berichte, in denen die wichtigsten Punkte zusammengefasst waren.

Die Frontlinien-Mitarbeiter erhielten auch den Zugriff auf die Live-Dashboards, jetzt können sie die Service-Ebenen in Echtzeit überwachen und bei Bedarf sofortige Auswertungen und Änderungen vornehmen. In der Phase nach der Einführung dieser Analytik übertraf die Amadeus-Hotelabteilung ihr unternehmensweites NPS-Ziel von 50 Punkten und erzielte 76,4 Punkte. Die allgemeine Zufriedenheit mit dem Support betrug im August 2017 9,28 Punkte bei einem Ziel von 8,6 Punkten.

Stitch Fix kreiert ein Verkaufserlebnis anhand von Kundendaten

Stitch Fix ist ein innovatives Unternehmen für persönliches Styling und ein Bekleidungseinzelhändler. Innerhalb eines relativ kurzen Zeitraums gelang es dem Unternehmen bis zu 2 Millionen aktive Kunden in den USA zu gewinnen und 2017 Kleidungsstücke im Wert von 977 Millionen US-Dollar zu verkaufen.

Das Erfolgsrezept des Startups war Data Science. Das 80-köpfige Team sammelt und analysiert ständig Kundendaten, um das Einkaufserlebnis bei dem Einkleiden noch besser zu gestalten.

Zunächst analysierten die Mitarbeiter die Datensätze der Kunden, die bei der Anmeldung für den Service ein detailliertes Profil ausgefüllt hatten. Das Unternehmen erfasste verschiedene VoC-Daten zu dem Geschmack und den allgemeinen Vorlieben der Kunden (z. B. Art der Ärmel bei den Blusen), den persönlichen Merkmalen (z. B. Risiko-bereitschaft) und dem Lebensstil (z. B. Mutterschaft). Damit war die notwendige Grundlage zur Unterbreitung besserer Vorschläge für ihre Kunden geschaffen.

Dann legte das Team einen separaten Datensatz für seine Waren an. Jedes von der Firma verkaufte Kleidungsstück wurde mehrmals mit verschiedenen “Übereinstimmungs-bewertungen” versehen, die anhand der Kundenpräferenzen ermittelt wurden, und entsprechend priorisiert. So konnte das Unternehmen noch mehr Daten aus dem Kundenfeedback herausfischen, das jedes Mal aktiv eingeholt wurde, wenn ein Kunde seine Box mit ausgewählten Kleidungsstücken erhielt. Der Algorithmus filterte zusätzliche Erkenntnisse darüber, wie jeder Artikel den Vorlieben einer Person in Bezug auf Stil, Passform und Preis entsprach. Solche Zyklen fanden bei jedem Kunden statt und halfen dem Unternehmen, seine Vorschläge kontinuierlich zu verbessern.

Darüber hinaus nutzte das Unternehmen den VoC-Ansatz für die Entwicklung neuer Designs für die hauseigene Bekleidungsmarke. Eines Nachmittags bemerkte das Data-Science-Team, dass viele Kundinnen Mitte 40 nach einem bestimmten Blusenstil suchten, der in ihrem Bestand fehlte. Ein Jahr später entwickelt das Unternehmen anhand von allen gesammelten Erkenntnissen zu den Produktlücken neue Bekleidungsartikel, die bestimmte, zuvor nicht erkannte Bedürfnisse seiner Kundinnen und Kunden erfüllen.

Außerdem verwendeten die Mitarbeiter von Stitch Fix Data Science, um Feedback zur Passform der Kleidung zu sammeln und zu analysieren. Basierend auf den Erfahrungen von 2 Millionen Kunden bestimmte das System des Unternehmens, welche Art von Passform einen Kunden dazu bringen würde, sie außerhalb seiner Komfortzone zu tragen. Mit Hilfe von Data Science hat das Unternehmen detailliert den Abstand zwischen dem Kragen und dem ersten Knopf eines Hemdes für Männer mit großer Brust angepasst, um die Kunden in dieser Kategorie zu begeistern.

Stitch Fix hat die Kundendatenanalyse und Data Science in den Mittelpunkt der Organisation gerückt und verzeichnet jetzt dank dieser Heransgehensweise große Erfolge in mehrfacher Hinsicht.

Wenn Sie sich jetzt auch als VoC-Champion sehen wollen und wissen möchten, wie Data Science Ihr Unternehmen unterstützen kann, helfen die Infopulse-Berater Ihnen gerne bei der Festlegung von klaren Zielen, richtigen Datenquellen und Algorithmen für die Übersetzung der Stimme des Kunden in verbesserte CX- und UX-Erfahrungen.