Die Relevanzanalyse
Autoren: Julio Guevara & Jürgen Rösger
Eine effektive Methode, um Marketingkommunikation, Kampagnen, Content und Produktentwicklung erfolgreich zu beschleunigen und zu verbessern
Die Welt und die Bedürfnisse der Kunden durch ihre Augen betrachten und verstehen
Die aktuellen Herausforderungen der Kundeninteraktion in einer digitalen Welt
Wie schon an anderen Stellen auf cdxe.de herausgestellt,, schätzen Kunden eine auf sie zugeschnittene Experience. In einer von Salesforce durchgeführten Befragung sagten 84% der Nutzer, dass Customer Experience mindestens genauso wichtig ist wie das Produkt selbst, und ein großer Teil von ihnen gab an, dass sie für gute Customer Experience durchaus mehr bezahlen würden.
Das hat sich zusätzlich in einer von HBR und MasterCard durchgeführten Studie bestätigt: In dieser Studie gaben ebenfalls mehr als 45% der Probanden an, dass sie für eine gute Experience gerne mehr bezahlen würden. Über 65% gaben zusätzlich an, dass sie sich vorrangig dann zu einer Marke oder einem Produkt hingezogen fühlen, wenn diese den Kunden und die Kunden-Experience in den Mittelpunkt ihrer Bemühungen stellt.
Bei Konsumenten steht Customer Experience hoch im Kurs (Quelle: Harvard Business Review)
In der aktuellen Marktsituation kann ein exzellentes Kundenerlebnis genau der Vorteil sein, den es braucht, um der Konkurrenz voraus zu sein. In diesem Fall kann Relevanz genutzt werden, um eine bessere Erfahrung für Kunden zu erreichen.
Einer der Kerntreiber für eine positive Experience-Wahrnehmung ist das Gefühl des Kunden, verstanden zu werden und passende Angebote und Informationen zu den für ihn gerade relevanten Themen zu bekommen. Die große Herausforderung ist also, zu verstehen: Was möchte der Kunde und wie kann mein Produkt oder Service die Probleme und Bedürfnisse kontext-relevant erfüllen?
In diesem Artikel soll aufgezeigt werden, wie man mit der Methode der Relevanzanalyse kundenzentriert Bedürfnisse analysieren kann, um so Unternehmen in die Lage zu versetzen, bedürfnisrelevante Inhalte, Angebote und Kampagnen zu entwickeln, z produzieren und auszuspielen.
Die Customer Journey ist nicht geschlossen und linear, sondern ein komplexer, mehrschichtiger Use-Case-getriebener Prozess
Ein Produkt soll ein bestimmtes Bedürfnis bedienen und eine Funktion erfüllen. Aber um dies schaffen zu können, ist es wichtig, den Kontext der Kunden zu betrachten.
Der Kontext ist entscheidend, wenn es darum geht, die echten Motivationen und Bedürfnisse von Kunden zu analysieren. Um dies zu verdeutlichen, kann man sich den klassischen "Marketing-Trichter" als das Endergebnis eines realen Problems oder einer Frage vorstellen, zum Beispiel: Eine Person möchte vielleicht bewusster damit umgehen, wie nachhaltig ihr Lebensstil ist, aber sie weiß nicht, wo sie anfangen soll. Also beschließt sie, nach Informationen über "globale Erwärmung", "saubere Energie" und "wie kann man Strom sparen" zu suchen. Durch diesen Prozess springt sie von Thema zu Thema, bis sie darauf aufmerksam gemacht wird, dass man beispielshalber durch eine bewusste Entscheidung für nachhaltige Mobilität etwas bewirken kann. Dadurch entsteht der Drang und das Bedürfnis, ein Elektrofahrzeug zu kaufen (siehe Abbildung).
User Journey von Sustainability zu Elektroautos (Quelle: IMG)
Der tatsächliche Wert liegt also darin, zu verstehen, was eine Person dazu bringt, eine Dienstleistung oder ein Produkt kaufen zu wollen. Die Messung der Relevanz und die Kontextualisierung jedes Schrittes des Prozesses können dabei helfen, die Verbindung zwischen dem Produkt "Elektroauto" und den tatsächlichen und aktuellen Nutzerbedürfnissen in Sachen "nachhaltiger Lebensstil" zu finden.
Das Verständnis für die Bedürfnisse der Kunden ist wichtig, aber mit den derzeitigen Methoden nicht realistisch
Um Erkenntnisse über die Bedürfnisse ihrer Kunden zu erhalten, bedienen sich Unternehmen diverser Methoden. Aber gibt es überhaupt eine Methode, um den Kontext tatsächlich vollends zu durchdringen und zu wissen, welche Themen für ein bestimmtes Produkt von Interesse sind? Gibt es eine Methode, die uns sagt, was für unsere Kunden relevant ist und was nicht? Oder was für eine Marke relevant ist und was nicht?
Vielleicht. Aber noch nicht ganz.
Die Kontextualisierung der Nutzerbedürfnisse kann durch eine tiefere Analyse dieser Such- und Nutzerdaten erreicht werden, aber im Moment sehen wir Branchenexperten, die sich ausschließlich auf qualitative Methoden verlassen, um diese dringend benötigte Kontextualisierung zu erhalten. Das Hauptproblem bei qualitativen Methoden ist, dass sie nicht skalierbar sind. Sie sind durch ihren Umfang und ihre Umsetzbarkeit stark eingeschränkt; dies ist beispielsweise bei Usability-Tests und Fokusgruppenforschung der Fall.
Die Bereiche Marketing und UX-Forschung bleiben bei dem Versuch, echte Einblicke in die Kundenbedürfnisse zu erhalten, aufgrund der Kompromisse, die jede ihrer aktuellen Methoden hierbei eingehen muss, dramatisch zurück. Schließlich erforschen wir ein Thema entweder in einem breiten Spektrum mit einem flachen Fokus oder in einem dünnen Spektrum mit einem tiefen Fokus.
Zumindest bis jetzt.
Topic depth vs. topic width (Quelle: IMG)
Sehen wir uns ein Beispiel an.
Es gibt eine fast obligatorische Praxis in der Disziplin SEO, bei der Experten versuchen, die Bedürfnisse der Nutzer durch einen Prozess namens Keyword-Recherche zu quantifizieren. Kurz gesagt ist eine Keyword-Recherche ein Prozess, bei dem ein SEO-Experte oder ein Experte aus der Branche selbst eine explorative Sammlung von Suchbegriffen (Keywords) vornimmt, für die eine Domain möglicherweise in Suchmaschinen gefunden werden möchte. Zu den gesammelten Keyword-Daten gehören verschiedene verwandte Begriffe, Synonyme und deren Suchvolumen zu jedem Begriff (die Anzahl, wie oft ein Keyword von Nutzern gesucht wurde) und in manchen Fällen sogar Einblicke in die Wettbewerbslandschaft der Keywords.
Warum ist dieses Verfahren so beliebt?
Es wird geschätzt, dass allein in der Suchmaschine von Google 2 Billionen Suchanfragen pro Jahr durchgeführt werden. Herauszufinden, wonach die Nutzer suchen, ist ein gutes Thermometer für den aktuellen Bedarf des Marktes an einem bestimmten Produkt oder einer Dienstleistung.
Dennoch gibt es ein großes Problem mit diesem rein quantitativen Ansatz: seine Eindimensionalität. Der Kontext dieser Suchanfragen, das "Warum" hinter dem "Was", das eigentliche Bedürfnis hinter der Suchabsicht, muss aus den gefundenen Keywords abgeleitet und vermutet werden. Das Suchvolumen eines Themas ist zwar ein valider Näherungswert, um den Bedarf oder das Interesse der Nutzer zu messen, gibt aber keine Einblicke in andere Aspekte der dahinter stehenden Absicht, z. B. die Meinungen der Nutzer zu einem bestimmten Thema oder verwandte Interessensgebiete der Nutzer, die diesen Bedarf überhaupt erst auslösen.
Der Kontext wird ignoriert.
Das bedeutet, dass einerseits quantitative Methoden (wie eine Keyword-Recherche oder eine klassische Befragung) den Kundenkontext nicht berücksichtigen, andererseits fehlt der qualitativen Forschung die Validierung und Aussagekraft von skalierbaren Methoden.
Hier befinden wir uns an einem Scheidepunkt. Wie können wir die tiefgreifenden kontextuellen Informationen erhalten, die notwendig sind, um die Bedürfnisse der Kunden zu verstehen, ohne die Robustheit einer massiven quantitativen Methode aufzugeben? Und was am Wichtigsten ist:
Wie finden wir eine Themenlandkarte, die uns hilft, durch die zugrundeliegenden Motivationen und Wünsche der Kunden entlang der gesamten Customer Journey zu navigieren?
In diesem Artikel wollen wir einen Ansatz vorschlagen, der dieses Problem löst. Einen Prozess, der darauf abzielt, die Bedürfnisse der Kunden zu verstehen, und zwar in einem großen Umfang; der sich auf einen primär quantitativen Charakter stützt, während er gleichzeitig den Kontext der Kunden miteinbezieht. Ein Prozess, den wir als Relevanzanalyse bezeichnen.
Wie man verfügbare Daten ausnutzt und analysiert
Draufsicht auf die Funktionsweise der Relevanzanalyse (Quelle: IMG)
Neue Daten- und Informationstechnologien haben es uns ermöglicht, den Umfang unserer Forschungsarbeit in die Breite und Tiefe zu erweitern. Datenbanken haben sich vergrößert, neuere Metriken wurden entwickelt, Tools und Methoden wurden geboren und Information wurde demokratisiert und zugänglicher gemacht. Die Relevanzanalyse nutzt die Macht von Automatisierung und künstlicher Intelligenz und den Reichtum der aktuell verfügbaren Datenquellen von Customer Insights im Netz, um alle notwendigen Erkenntnisse zu sammeln, um Kunden wirklich zu verstehen.
Indem wir diese aktuellen technologischen Fortschritte nutzen, sind wir in der Lage, viele kontextuelle Nuancen sichtbar zu machen (wie in unserem Elektroauto-Beispiel), indem wir verschiedene "kontextuelle Näherungswerte" messen - Relevanz, Semantik, Suchvolumen und Sentiment - und dadurch ein klares Bild von den Bedürfnissen und Wünschen unserer Kunden gewinnen, was durch traditionelle Verfahren nicht möglich wäre.
Das Geheimnis der Relevanzanalyse: Was passiert im Maschinenraum?
Zunächst einmal müssen wir eines verstehen: Eine Relevanzanalyse ist ein iterativer Prozess der Datenerfassung, der dabei hilft, jeden Schritt der Customer Journey zu quantifizieren, zu priorisieren und in einen Kontext zu stellen.
Warum iterieren wir das? Weil ein Themenfeld meistens das Potenzial eines neuen verwandten Themenfeldes aufdeckt, das bei der ersten Datenerhebung nicht berücksichtigt wurde. Obwohl sie quantitativer Natur ist, ist die Relevanzanalyse ein explorativer Forschungsprozess, der jeden Schritt einer sich ständig wechselnden Customer Journey zusammenpuzzelt.
Wie mit dem Datenmagnet brauchbare Daten gesammelt werden (Quelle: IMG)
In verschiedenen Schritten des Prozesses benötigen Nutzer möglicherweise unterschiedliche Informationen: inspirierend ("Wie kann man Energie sparen?"), informativ ("Was ist die nachhaltigste Art der Fortbewegung?"), vergleichend ("CO2-Emissionen Elektroauto vs. normales Auto"), umsetzbar ("Testfahrt mit dem Elektroauto") usw..
Jeder Schritt im Kaufprozess spielt eine wichtige Rolle. Der entscheidende Punkt ist, mit der "On-Demand-Gesellschaft" mithalten zu können und die richtige Information oder Dienstleistung zu einem spezifischen Bedürfnis zum richtigen Zeitpunkt zu präsentieren.
Hier ist unser Vorgehen:
Big Data in Bewegung bringen - für ein größeres Gesamtbild
Zuallererst müssen wir das Problem der Skalierbarkeit lösen. Hier kommt der Prozess der Datenerfassung zum Einsatz. Bei der Relevanzanalyse können wir Millionen von Datenpunkten aus Suchmaschinen nutzen, um den Grad des Interesses an einer bestimmten Gruppe von Keywords zu messen (zum Beispiel zu einem bestimmten Thema wie Elektroautos).
Wenn zum Beispiel das Suchvolumen für "Kofferraum von Elektroautos" höher ist als für "Pferdestärken von Elektroautos", kann man eine fundierte Annahme treffen, dass der Kofferraum eines Elektroautos für unsere Kunden relevanter ist als die Pferdestärken. Solche Annahmen lassen sich nicht nur für Suchanfragen mit einer Kaufabsicht treffen, sondern für jede Art von Suchanfragen. Kunden nutzen Suchmaschinen zur Klärung von Zweifeln, die sie zu nahezu jedem Thema haben; das macht sich die Relevanzanalyse zunutze.
Google Vorschläge (Quelle: Google)
Wir können verschiedene Datenbanken nutzen, um Informationen darüber zu sammeln, wie viele Menschen nach einem bestimmten Thema, Produkt oder einer Dienstleistung suchen, oder ob es eine bestimmte Jahreszeit gibt, in der das Interesse an Relevanz sich zuspitzt. Solche Datenbanken erlauben uns auch, zu sehen, welche Organisationen und Unternehmen bereits als Lösung für die Bedürfnisse unserer Kunden innerhalb der Suchergebnisse angeboten werden (und damit als relevant wahrgenommen werden).
Zusätzlich können wir Web-Scraping-Techniken einsetzen, um den aktuellen Trends in einer bestimmten Branche oder einem bestimmten Markt voraus zu sein. Wenn ein Kunde in einem Magazin, einem Blog oder einer Zeitung von den neuesten Produkten gelesen hat, wäre es nur sinnvoll, selbige nach zusätzlichen Informationen zu analysieren, z. B. nach verwandten Themen, kommenden Trends oder sogar den Themen, über die eine bestimmte Zielgruppe, ihre Influencer und Meinungsführer derzeit am meisten sprechen.
Durch die Erkennung von Mustern aufkommender Themen, die einen plötzlichen Anstieg des Such- und Sprachvolumens zeigen (wie oft ein bestimmter Begriff im Web besprochen, kommentiert, geliked oder geteilt wird), haben wir die Möglichkeit, kommende Trends zu erkennen, bevor sie anfangen zu boomen.
Wie künstliche Intelligenz helfen kann, quantitative Daten mit qualitativen Nuancen zu verbinden
Erwähnungen, Likes, Shares und Kommentare helfen uns, zu wissen, über welche Themen jeden Monat am meisten gesprochen wird und welche für eine Themen-Nische von aktueller Relevanz sein könnten.
Kunden führen auch Online-Gespräche über Produkte und Dienstleistungen in Foren und sozialen Medien. Die Interaktionen, die auf diesen Plattformen stattfinden, können die Wahrnehmung eines Themas oder Produkts stark verändern und liefern wertvolle Erkenntnisse über die allgemeinen Gefühle einer bestimmten Zielgruppe gegenüber einem Thema. Hier äußern sich Kunden, beschweren sich, bewerten und loben alle Arten von Produkten und Dienstleistungen. Sie äußern persönliche Meinungen, Probleme und Frustrationen.
Diese Interaktionen können durch den Einsatz von künstlicher Intelligenz ausgenutzt werden, genauer gesagt durch die Sentiment-Analyse von Themen-Nischen. Wir erhalten nicht nur einen Überblick über das Sprachvolumen eines Themas, sondern auch über den “Ton” der Gefühle, die häufiger aufkommen, wenn über ein Thema und jeden spezifischen Aspekt davon gesprochen wird.
Dies kann beispielsweise helfen, aufzudecken, welche Probleme die Kunden derzeit innerhalb ihrer Customer Journey haben. Wenn das Thema "Ladestationen für Elektrofahrzeuge" in den sozialen Medien und der Presse mit einer negativen Stimmung besetzt ist, ist die Wahrscheinlichkeit groß, dass die Kunden mit diesem spezifischen Aspekt des Produkts nicht zufrieden sind und dies adressiert werden muss.
Automatisierung und NLP (Natural Language Processing) helfen uns, eine höhere Menge an Erkenntnissen zu gewinnen
Was folgt, ist ein komplexer, aber eleganter Schritt der Datenverarbeitung: bereinigen, kombinieren und clustern.
Die Relevanzanalyse wird durch einen automatisierten Prozess fortgesetzt, in welchem wir die Daten bereinigen, indem wir irrelevante Datenpunkte entfernen, zum Beispiel doppelte Begriffe und Ergebnisse ohne Sprachvolumen oder Suchvolumen.
Nach einer Qualitätsprüfung des Datenpools zerlegen wir ihn in kleinere Stücke von Kategorien und Unterkategorien. Dazu verwenden wir modernste NLP-Technologien für die Klassifizierung jedes gesammelten Keywords und Begriffs. Der von uns verwendete Algorithmus ähnelt der Google-eigenen Methodik für das Themenclustering (word co-occurrence and bigraph co-clustering).
Unsere Methode übertrifft den klassischen TF-IDF-Ansatz, rudimentäre Keyword-Cluster-Analysen und andere Klassifikationsalgorithmen (zum Beispiel Methoden, die auf LSA, LDA oder Dokumenten-Clustering basieren), indem sie sich den Kontext zunutze macht, in dem die Wörter verwendet werden. Um genauer zu sein, ist dies dank der Informationen möglich, die die semantischen Beziehungen zwischen häufig zusammen verwendeten Wörtern (die Co-Occurrence-Häufigkeit einzelner Keywords) in einem hochspezialisierten Satz von gesammelten Daten bilden (das Bi-Graph-Co-Clustering der zugrunde gelegten Ergebnisse).
An diesem Punkt fangen wir an, ein Bild von den wirklichen Bedürfnissen der Verbraucher zu bekommen und sehen die Unterschiede und Beziehungen zwischen den einzelnen Schichten der Customer Journey.
Wie Daten in der Relevanzanalyse verarbeitet werden (Quelle: IMG)
Was ist den Kunden wichtig? Was ist für sie relevant?
Die Durcharbeitung der verschiedenen Gruppen von Themenclustern und der dazugehörigen Fragen hilft, einen detaillierten Überblick darüber zu erhalten, welche Aspekte eines Themas für die Kunden wichtiger sind als andere. Wir können sehen, welche Kategorien wichtiger sind ("Kofferraum", "Motor", "Farbe", " Steuererleichterung", "Nachhaltigkeit", usw.).
Wir können auch genauere Informationen über jede Kategorie erfahren ("welche Marken oder Farben sind bei den Kunden am beliebtesten") und neue Kundenverhaltensweisen entdecken, indem wir die Ergebnisse innerhalb und zwischen den Kategorien vergleichen ("die Leute bevorzugen große geräumige Autos, wenn sie Familie haben, aber kleine Autos, wenn sie keine Familie haben"). Wir können sogar verwandte Themen entdecken, die normalerweise von anderen Methoden komplett übersehen werden ("Nachhaltigkeit im Haushalt", "Smart Cities", "Yoga und Meditation").
Unterkategorien und Kategorien können dann anhand des Such- und Sprachvolumens priorisiert werden, da diese ein klares Signal für die Kundenrelevanz sind, wobei gleichzeitig der Produktfit in diese Themen berücksichtigt wird. Insgesamt lässt sich auf diese Weise herausfinden, welche Zusammenhänge zwischen den verschiedenen Aspekten eines Produkts und dem Kontext der Kunden und ihren individuellen Bedürfnissen bestehen.
Am Ende entsteht daraus eine Themenlandkarte: eine visuelle Darstellung der Beziehungen zwischen der jeweiligen Marke und dem Kontext ihrer potenziellen Kunden.
Eine Topic Map wird erstellt, um die Erkenntnisse greifbar zu machen (Quelle: IMG)
Mit der Topic Map ist man nun in der Lage, für die identifizierten Themen und den daraus ableitbaren Wünschen und Anforderungen passende Inhalte, Services und Produktangebote zu erstellen und an den relevanten Plätzen entlang der Customer Journey zu platzieren. Entweder bei eigenen digitalen Touchpoints, Medienpartnern, Social Media-Angeboten oder Influencerumfeldern. Dadurch erreichen wir eine höhere Sichtbarkeit bei Suchmaschinen für diese kontextrelevanten Use Cases, generieren auf diesem Wege zusätzlichen organischen Traffic und sind so in der Lage, bisher nicht oder schwer adressierbare Zielgruppen in unser kommerzielles Ökosystem zu holen. Gleichzeitig claimen wir mit dieser Maßnahme unbesetzte Felder bei Suchmaschinen.
Die Relevanzanalyse ermöglicht es uns, aufzudecken und zu verstehen, welche Inhalte und Themen für unsere potenziellen Kunden relevant sind.
Quellen
A. Rennie, J. Protheroe, C. Charron and G. Breatnach. “Decoding Decisions - Making sense of the messy middle”. Think with Google 2020.
HBR Analytic Services. “The Value of Experience Customer Needs Top the Innovation Agenda”. Harvard Business Review, 2020 (Last checked June 2021).
Interactive Marketing Group. “Creating C-BEV leads by extending the funnel - A data driven approach”. 2017.
J. F. Allen, M. Swift, W. de Beaumont. “Deep Semantic Analysis of Text”. Semantics in Text Processing. STEP 2008 Conference Proceedings (Last checked June 2021).
J. Kong, A. Scott and G. M. Goerg. “Improving semantic topic clustering for search queries with word co-occurrence and bigraph co-clustering”. Google, Inc., 2016.
Salesforce Media. “Insights from 8,000 Consumers - Rethink Your Approach to Customer Engagement”. Salesforce, 2020 (Last checked June 2021).
