CRM und Web Analytics gemeinsam nutzen

In den meisten Unternehmen existieren zwei parallele Beschreibungen desselben Kunden. Das CRM-System dokumentiert, wer er ist und was er in der Vergangenheit gekauft hat. Web Analytics dagegen erfasst, was er in diesem Moment tut – welche Seiten er besucht, was er in den Warenkorb legt, wo er abbricht …

 

Beide Datenbestände werden in der Regel von unterschiedlichen Teams gepflegt, in unterschiedlichen Dashboards ausgewertet und selten miteinander verknüpft. Für Prognosen zum Abwanderungsrisiko (Churn) hat diese Trennung messbare Folgen: Entscheidungen basieren auf einem unvollständigen Bild und Marketingbudgets fließen potenziell in Maßnahmen, die am tatsächlichen Kundenbedürfnis vorbeigehen.

 

Zwei Datenwelten, zwei blinde Flecken

Der Kern des Problems liegt darin, dass beide Systeme grundverschiedene Fragen beantworten. Ein Überblick:

 

Aus Sicht des CRM-Systems

•  Identität und Stammdaten des Kunden

•  Kaufhistorie mit Zeitpunkten und Warenkörben

•  Status im Loyalty-Programm, Customer Lifetime Value

•  Historie der Support-Tickets

 

Aus Sicht der Web-Analytics

•  Klickpfade und Navigationsverhalten

•  Warenkorb-Ereignisse inklusive Abbrüche

•  Verweildauer und Suchbegriffe

•  Kampagnen als Traffic-Quellen

 

Jede Perspektive hat einen strukturellen blinden Fleck. Das CRM registriert nicht, ob ein Bestandskunde aktuell auf der Website unterwegs ist – zwischen zwei Käufen herrscht dort Funkstille. Die Web-Analytics wiederum arbeiten überwiegend mit anonymen Sessions: Ohne Identität fehlen Kaufhistorie, Kundenwert und damit jede Grundlage für eine belastbare Churn-Einschätzung. Beide Systeme liefern korrekte Daten und kommen trotzdem zu widersprüchlichen Schlüssen.

 

Fallbeispiel: Derselbe Kunde, drei Diagnosen

Wie stark die Perspektiven auseinanderlaufen können, illustriert ein typischer Fall aus der Praxis (hier aus Vertraulichkeitsgründen mit synthetischen Daten):

 

LETZTE AKTIVITÄT

• CRM-Perspektive
  Kein Kauf seit 72 Tagen
• Web-Analytics-Perspektive
  Vier Website-Besuche in einer Woche
• Kombiniertes Bild
  Aktive Kaufentscheidungsphase

 

KAUFABSICHT

• CRM-Perspektive
  Nicht erkennbar
• Web-Analytics-Perspektive
  Drei Warenkorbabbrüche
• Kombiniertes Bild
  Kaufabsicht vorhanden, aber preissensibel

 

CHURN-PROGNOSE

• CRM-Perspektive
  78 % Abwanderungsrisiko
• Web-Analytics-Perspektive
  Hoher Engagement-Score
• Kombiniertes Bild
  Tatsächliches Risiko: 22 %

 

NÄCHSTER SCHRITT

• CRM-Perspektive
  Rabatt von 20 % anbieten
• Web-Analytics-Perspektive
  Keine Aktion (Nutzer anonym)
• Kombiniertes Bild
  Gratisversand auf den offenen Warenkorb

 

Isoliert betrachtet würde das CRM einen pauschalen Rabatt von 20 Prozent auslösen – die Standardreaktion auf 72 Tage Kaufpause. Die verknüpften Daten zeigen jedoch einen Kunden, der kaufen will und lediglich am Preis zögert. Ein Gratisversand auf den bereits gefüllten Warenkorb löst das Problem zu einem Bruchteil der Kosten. Der pauschale Rabatt hätte in diesem Fall Marge vernichtet und wäre beim Kunden als unpassend wahrgenommen worden. Datensilos führen also nicht nur zu ungenauen Prognosen, sondern auch zu teuren Fehlentscheidungen.

 

Der messbare Effekt der Datenfusion

Wie groß der Genauigkeitsgewinn durch verknüpfte Daten ausfällt, lässt sich mit der Kennzahl AUC (Area Under the Curve) beziffern. Sie beschreibt, wie zuverlässig ein Prognosemodell zwei Gruppen unterscheidet. In diesem Fall: abwandernde und bleibende Kunden. Die Skala reicht von 0,5 (Zufallsniveau) bis 1,0 (fehlerfreie Trennung). Werte über 0,8 gelten häufig als gut bis sehr gut, müssen aber im jeweiligen Use Case und im Zusammenspiel mit Precision, Recall und Kampagnenkosten bewertet werden.

 

Im oben erwähnten Fall wurden drei Modellvarianten auf identischen Testdaten verglichen. Ein Modell, das ausschließlich auf CRM-Daten basierte, erreichte einen AUC-Wert von 0,76. Ein Modell, das nur auf Web-Analytics-Daten beruhte, kam auf 0,68. Dieser niedrigere Wert erklärt sich durch den hohen Anteil anonymer Sessions, der die nutzbare Datenbasis verkleinert.

 

Das fusionierte Modell dagegen erzielte einen AUC-Wert von 0,86 – und lag damit 10 Prozentpunkte über der reinen CRM-Variante. Das entspricht einem Zugewinn von rund 13 Prozent. Bemerkenswert ist dabei weniger der absolute Wert als der Mechanismus dahinter: Das kombinierte Modell korrigiert Fehleinschätzungen, die beide Einzelmodelle unabhängig voneinander treffen – etwa den vermeintlich inaktiven Kunden, der auf der Website hochaktiv ist.

 

Im genannten Fallbeispiel bedeutete dieser Genauigkeitsgewinn (bei der gewählten Entscheidungsschwelle und Kampagnengröße) rund 50 zusätzlich korrekt identifizierte, akut abwanderungsgefährdete Kunden – und damit ein Reaktivierungspotenzial, das bei getrennter Datenhaltung unentdeckt geblieben wäre.

 

 

Erklärbarkeit als Akzeptanzfaktor

Prognosemodelle setzen sich im Marketing nur durch, wenn ihre Aussagen nachvollziehbar sind. Bewährt hat sich hierfür das Verfahren SHAP (SHapley Additive exPlanations), das für jede einzelne Vorhersage ausweist, welche Faktoren das Ergebnis in welche Richtung beeinflusst haben (Lundberg/Lee 2017). Ein Churn-Score von beispielsweise 2,7 Prozent wird damit zu einer prüfbaren Aussage: Der kürzliche Kauf und die aktive Website-Nutzung senken das Risiko, die Warenkorbabbrüche erhöhen es leicht. Fachabteilungen müssen dem Algorithmus jedoch nicht blind folgen: Sie können seine Begründung lesen und im Zweifel widersprechen.

 

Von der Prognose zur Segmentstrategie

Der eigentliche Nutzen entsteht, wenn aus den fusionierten Daten operative Segmente abgeleitet werden. In der Praxis haben sich fünf Gruppen bewährt, die jeweils eine eindeutige Maßnahmenlogik besitzen:

 

• Champions – geringes Risiko, hoher Customer Lifetime Value, aktive Web-Nutzung – eignen sich für Ambassador-Programme und exklusive Zugänge.
• At-Risk-High-Value-Kunden kombinieren hohes Abwanderungsrisiko mit hohem Wert und sinkender Web-Aktivität; hier entscheidet Geschwindigkeit, üblicherweise ein personalisiertes Win-back-Angebot innerhalb weniger Tage.
• Promising-Kunden mit wachsendem Wert und regelmäßigen Sessions benötigen Entwicklung statt Rettung.
• Für das Segment Need Attention genügt meist eine kostengünstige Re-Engagement-Sequenz.
• Hibernating-Kunden schließlich – hohes Risiko, geringer Wert, keine Web-Aktivität – sind eine Kosten-Nutzen-Abwägung: Übersteigen die Reaktivierungskosten den erwarteten Kundenwert, ist der Verzicht die wirtschaftlich rationale Entscheidung.

 

Diese Prioritätenlogik schützt vor zwei verbreiteten Fehlern: Sie verhindert, dass wertvolle gefährdete Kunden in Standard-Newslettern untergehen – und sie stoppt Budgetabflüsse in Segmente, deren Rückgewinnung sich nicht rechnet.

 

 

Voraussetzungen für die Umsetzung

Für einen Prototyp erfordert die Datenfusion meist keinen grundlegenden Umbau der bestehenden Systemlandschaft. Drei Punkte haben sich hier als entscheidend erwiesen:

 

• Erstens der Datenschutz: Die Verknüpfung sollte über pseudonymisierte Schlüssel erfolgen (etwa gehashte Identifier), sodass direkte Identifikatoren nicht systemübergreifend ausgetauscht werden. Die verknüpften Daten bleiben jedoch pseudonymisierte personenbezogene Daten und müssen weiterhin nach DSGVO-Anforderungen geschützt werden.
• Zweitens der Betrieb: Gerade bei sensiblen Kundendaten spricht vieles dafür, Analyse und Modell lokal in der eigenen Unternehmensumgebung zu betreiben, statt Daten an externe Dienste zu übergeben.
• Drittens: realistische Erwartungen an die Match-Rate. Im beschriebenen Fallbeispiel etwa ließen sich 42 Prozent der CRM-Kunden mit Web-Sessions verknüpfen. Das genügt bereits für einen deutlichen Modell-Lift. Eine vollständige Verknüpfung ist also weder nötig noch realistisch.

 

Fazit

CRM und Web Analytics beschreiben denselben Kunden aus zwei unvollständigen Blickwinkeln. Erst ihre Verknüpfung macht Churn-Prognosen belastbar, Maßnahmen treffsicher und Budgetentscheidungen begründbar. Der Einstieg muss dabei nicht groß sein: Ein Prototyp mit vorhandenen Daten, einer pseudonymisierten Verknüpfung und einem erklärbaren Modell reicht aus, um den Effekt im eigenen Haus zu quantifizieren – und liefert zugleich die Argumentationsgrundlage für den weiteren Ausbau.