FAQ

Häufig gestellte Fragen CrossEngage

Was ist das Customer-Operating-System?

Das Customer-Operating-System ermöglicht den Aufbau wertvoller und langfristig profitabler Kundenbeziehungen. Kern der Lösung ist die Customer-Data-Plattform, eine echtzeitfähige Lösung für die umfassende Verarbeitung von Kundendaten mit kanalübergreifendem Kampagnenmanagement. Ergänzt wird diese durch eine nahtlos integrierte Customer-Prediction-Plattform, die automatisiert Modelle maschinellen Lernens erstellt, um zukünftiges Kundenverhalten zu prognostizieren. So lassen sich relevante Kundengruppen auswählen und personalisiert ansprechen.

Wie werden die 360-Grad-Kundenprofile generiert?

CrossEngage nutzt verschiedene Identifier, um unterschiedliche Datenpunkte datenschutzkonform individuellen Kunden zuzuordnen. Diese Konsolidierung wird auch als „Profile Stitching“ bezeichnet und ermöglicht die Generierung umfassender 360-Grad-Kundenprofile.

Wie automatisiert CrossEngage Kampagnen und individuelle Customer-Journeys?

Mit unserem visuellen Journey Builder legen Sie CRM- und Marketing-Kampagnen an und spielen diese gezielt an individuelle Kundensegmente aus. Mit wenigen Klicks erstellen Sie auch komplexe Customer Journeys, die auf kundenspezifischen Verhaltensweisen und Präferenzen basieren. Diese Kampagnen können sowohl zu bestimmten vordefinierten Zeiten als auch durch bestimmte Trigger ausgelöst werden. So können Sie auf Kundenverhalten in Echtzeit reagieren. Nachrichten können Sie für verschiedene Kanäle und Subsegmente anpassen. Darüber hinaus haben Sie die Möglichkeit, bestimmte Kundensegmente von Kampagnen auszuschließen und die Nachrichtenfrequenz über alle Kanäle hinweg zu deckeln.

Wie schnell lässt sich CrossEngage implementieren?

Da Ihre bestehende Infrastruktur erhalten bleibt, kann CrossEngage in wenigen Monaten implementiert werden. Natürlich ist der Aufwand vom Umfang der entsprechenden Infrastruktur abhängig. Jedoch kann CrossEngage in allen Fällen deutlich schneller eingesetzt werden als die bekannten Marketing-Cloud-Lösungen, da diese Ihre bestehende Infrastruktur gänzlich ersetzen.

Welche Daten kann CrossEngage sammeln und konsolidieren?

CrossEngage kann Daten aus allen Datenquellen zusammenführen, die Ihnen zur Verfügung stehen. Dazu zählen neben grundlegenden Profildaten Ihrer Kunden auch Daten aus der Kundenhistorie sowie das aktuelle Nutzerverhalten über verschiedene Kanäle hinweg in Echtzeit. Beispiele für Datenquellen wären etwa CRM-Systeme, Data-Warehouses, Web-Tracking-Lösungen oder Response-Daten aus kanalspezifischen Marketing-Tools.

Wie funktioniert die Audience Segmentation?

Mit der visuellen Benutzeroberfläche unseres intuitiven Segment Builders erstellen Sie auch komplexe Segmente mit nur wenigen Klicks. Sie definieren einfach beliebige Konditionen und erhalten in Echtzeit die gewünschten Segmente. Ein Beispiel für ein Kundensegment wäre etwa eine Verkettung folgender Konditionen: Männliche Kunden über 30 Jahren, die innerhalb der letzten 14 Tage die Website besucht haben oder innerhalb der letzten sieben Tage den Newsletter geöffnet haben.

Muss ich meine bestehende Infrastruktur ersetzen?

CrossEngage liegt als übergeordnete Instanz über Ihrer bestehenden Infrastruktur und ermöglicht die Orchestrierung aller angebundenen Datenquellen und Tools. Wir integrieren Ihre bestehende Infrastruktur und gewährleistet auch zukünftig Agilität, da Sie neue Tools und Kanäle einfach integrieren können. Für die Integration kanalspezifischer Lösungen nutzen wir APIs oder Webhooks, über die unsere Plattform mit den entsprechenden Tools kommuniziert.

Wie erstellt man Predictive Models mit CrossEngage?

Die Verarbeitung und Modellierung in der CrossEngage Customer-Prediction-Plattform basiert auf den eigenen Kundendaten. Diese Rohdaten müssen der Software zunächst in festgelegter Struktur über eine Uploadmöglichkeit, SFTP-Server oder API zur Verfügung gestellt werden.

Mit unserem Model-Builder können Sie in wenigen Schritten standardisierte Modelle für übliche Anwendungsfälle entlang des Customer Lifecycles erstellen. Dafür müssen lediglich bestimmte Fragen zur Kampagne und dem Prognose-Horizont (Zeitraum der Vorhersage) beantwortet werden. Nach der Prüfung kann es zur Berechnung freigegeben werden. Anhand des berechneten Modells werden gezielte Scorings und Prognosen für die ausgewählte Kundengruppe erstellt, auf Basis derer die Selektion für die intelligente Ausspielung von Marketingaktivitäten erfolgt.

Für KI-Experten und Data Scientists bieten wir eine fortschrittliche AutoML-Workbench, mit der Sie beliebig viele komplexe, vollständig manipulierbare Predictive Models erstellen können.

Wie sicher sind meine Daten?

Als Auftragsdatenverarbeiter haben wir keine Rechte an Ihren Daten. Diese liegen auf gesicherten Servern in Europa, welche die ISO-Norm 27001:2005 erfüllen. Es gilt das deutsche Datenschutzrecht, das zu den strengsten der Welt gehört. Unsere Plattform entspricht der neuen europäischen Datenschutz-Grundverordnung (DSGVO). CrossEngage wurde von externen Datenschutzbeauftragten geprüft.

Entspricht CrossEngage der DSGVO?

Ja, absolut. CrossEngage entspricht nicht nur der Datenschutzgrundverordnung (DSGVO), sondern hilft Ihnen durch die zentrale Konsolidierung von Kundendaten auch dabei, deren Portabilität sicherzustellen sowie Opt-in- und Opt-out-Prozesse einfach zu verwalten und zu dokumentieren.

Wofür benötigt man Machine Learning im Marketing?

Der Einsatz von Machine Learning verspricht bei der Analyse und Bewertung von Kunden als Entscheidungsgrundlage für Direktmarketing-Maßnahmen besonders präzise Ergebnisse und einen erheblichen Effizienzgewinn im Analytikprozess. Machine Learning ermöglicht wertvolle Prognosen über zukünftiges Kundenverhalten, um einzelne Audiences, Kampagnen, Kanäle, Angebote aber auch die gesamte Marketingstrategie umsatz- oder gewinnoptimal anzupassen.

Wie funktioniert Machine Learning?

Prognosen von zukünftigem Kundenverhalten werden mit Hilfe von statistischen Machine-Learning-Modellen berechnet. Diesen Modellen ist gemeinsam, dass sie auf Basis vergangener Daten Muster im Kundenverhalten erkennen, anhand derer sich zukünftiges Verhalten vorhersagen lässt. Dabei steht nicht ein spezifischer Kunde im Mittelpunkt der Betrachtung, sondern die Kombination aus Merkmalen, die einen Kunden ausmachen.

Aus diesen Merkmalen wird eine Art „Fingerabdruck” erstellt, der einen Rückschluss auf das zukünftige Verhalten eines Kunden erlaubt. Kunden mit einem ähnlichen Fingerprint verhalten sich ähnlich, sodass die gewonnenen Kenntnisse auf andere Kunden übertragen werden können.

Dieses Vorgehen wird „Scoring” genannt. Beim Scoring wird eine Prognose für einen Zeitraum erstellt, den das Predictive Model noch nicht kennt. Hier ist also eine echte Vorschau in die Zukunft möglich. Jeder einzelne Kunde wird mit einem individuellen Score-Wert bewertet – meist ist es eine zukünftige Kaufwahrscheinlichkeit und eine zukünftig zu erwartende Umsatzhöhe.

Was ist Automated Machine Learning (AutoML)?

Die Idee von AutoML ist, die einzelnen manuellen Prozessschritte zur Erstellung von Predictive Models zu automatisieren bzw. zu standardisieren. Im Bereich Marketing und CRM bietet zum Beispiel die CrossEngage Customer-Prediction-Plattform (CPP) diese Standardisierung. Die Nutzer:in der Plattform kann aus Rohdaten (im CRM: Transaktions- und Kundenstammdaten) sehr schnell und mit sehr geringem Aufwand eigenständig eine Vielzahl an Prognosemodellen erstellen.

Was ist NextGen AutoML?

NextGen AutoML ist der Moment, in dem die Automatisierung des Machine Learnings (AutoML) weitergeht zu einem System, welches proaktive Vorschläge macht. AutoML ist das maximal mögliche Skalieren einer großen Anzahl von KI-Modellen, sodass diese industriell gefertigt werden können. NextGen AutoML hingegen ist dann erreicht, wenn nicht die Nutzer:in alle Prognosefragen selbst stellen und definieren muss (und die KI genau diese Fragen beantwortet), sondern die KI der Anwender:in eigenständig und automatisiert Chancen und Handlungsmöglichkeiten aufzeigt.

Welche Daten brauche ich für Machine Learning?

Für die Mustererkennung in CrossEngage benötigt die Plattform Kundentransaktions- und Kundenstammdaten. Unter einer Transaktion verstehen wir den Kauf, die Stornierung oder die Rückgabe eines einzelnen Artikels durch eine:n Ihrer Kund:innen zu einem bestimmten Zeitpunkt. Kundenstammdaten enthalten einen Identifier (z. B. Kunden-ID) und weitere persönliche Merkmale wie das Alter, das Geschlecht oder den Wohnort. Um die Modell- und Prognosequalität zu verbessern, können optional auch Online-, Inbound-, Outbound- oder Daten zu Zahlungsaktivitäten hinzugezogen werden.
Wir verarbeiten dabei nur anonymisierte bzw. pseudonymisierte Daten. Damit können wir aus den uns vorliegenden Informationen nicht auf einzelne Personen schließen. Dies ist absolut DSGVO-konform.

Welche Use Cases können mit Machine Learning im Marketing gelöst werden?

Mit Hilfe von Machine Learning können sämtliche Kundenszenarien und Use Cases entlang des Customer Lifecycles optimiert werden. Sie können jederzeit das sich ändernde, zukünftige Verhalten und die Vorlieben Ihrer Zielgruppen erkennen und dementsprechend automatisiert reagieren.

  • Customer Lifetime Value: Welchen individuellen Kundenwert werden meine Kunden in Zukunft wahrscheinlich erreichen? Welche Kunden sind die Profitabelsten?
  • Neukundengewinnung: Welche potentiellen Kunden werden in Zukunft wahrscheinlich kaufen und welche werden die Wertvollsten sein?
  • First-to-Second Order: Welche meiner Neukunden werden wahrscheinlich wieder kaufen?
  • Cross- und Upselling: Welche Kunden werden wahrscheinlich als nächstes welches Produkt kaufen?
  • Abwanderung: Bei welchen aktiven Kunden besteht die Gefahr, dass sie in Zukunft nicht mehr kaufen?
  • Reaktivierung: Welche meiner ehemaligen Kunden werde ich in Zukunft wahrscheinlich reaktivieren können?

Worin bestehen die Herausforderungen im herkömmlichen Machine-Learning-Prozess?

Um ein Prognosemodell auf herkömmliche Weise zu erstellen, benötigen Sie sowohl qualifiziertes Personal und das richtige Werkzeug zur Durchführung der notwendigen Schritte (Statistiksoftware wie SAS, SPSS, Python, R etc.) als auch viel Zeit. Möchten Sie erstmalig ein Modell erstellen, benötigen Sie dafür nicht etwa einige Tage, sondern wahrscheinlich mehrere Wochen oder sogar Monate. Vor allem, wenn sich in diesem Prozess Fehler einschleichen.

Um nämlich Daten für das maschinelle Lernen zugänglich zu machen, müssen geeignete Methoden der Datenvorverarbeitung, Feature-Engineering, Feature-Extraction und Feature-Selection angewendet werden. Nach diesen Schritten erfolgt die Auswahl des Algorithmus und eine Hyperparameter-Optimierung. All diese Schritte führen zu (manuellen) Herausforderungen, die eine bedeutende Hürde für den Einsatz von Machine-Learning-Modellen in Unternehmen darstellen.

Durch den Einsatz der CrossEngage Customer-Prediction-Plattform werden die manuellen Schritte im Data-Science-Prozess automatisiert und skalierbar.

Was ist der Nutzen von AutoML?

Um sich nachhaltig am Markt zu behaupten, Wettbewerbsvorteile zu sichern oder sogar neue Marktanteile zu gewinnen, ist es unerlässlich, das Marketing kundenzentriert auszusteuern und die Kundenansprache personalisiert (bis zum „Segment-of-One“) zu gestalten. AutoML bietet hierfür die technischen Voraussetzungen.

Durch mehr und präzisere Kundenprognosen können Kundengruppen deutlich zielgerichteter, exakter und effizienter segmentiert und selektiert werden. Zudem ermöglicht AutoML das explorative Testen des richtigen Vorgehens in Richtung Kundenzentrierung. Die personalisierte, kundenwertorientierte Ausrichtung der Kundenansprache führt durch höhere Conversion Rates, Verkaufszahlen und Warenkörbe zu steigenden Umsätzen und Gewinnen. Selektiert man nur jene Kunden, für welche sich das Investment des Marketingbudgets wirklich lohnt, können Werbekosten effizienter eingesetzt und ggf. reduziert werden.

Wie gut müssen meine Data Science Kenntnisse für CrossEngage sein?

Sie benötigen keine Data-Science-Kenntnisse, um mit CrossEngage Prognosemodelle über das zukünftige Verhalten Ihrer Kunden zu erstellen – dafür bieten wir den Model Builder in der Plattform, der Sie mit einem intuitiven User Interface durch den Prozess führt.

Sollten Sie tiefergehende Kenntnisse in diesem Bereich haben, lässt sich im „Experten-Modus“ des Model Builders jeder einzelne Parameter eines Modells manuell einstellen und manipulieren.

Go to top