„Personas“ sind als Marketing-Instrument und internes Hilfsmittel zur Produktentwicklung in vielen Branchen mittlerweile nicht mehr wegzudenken. Gerade im Hinblick auf die immer weiter ansteigenden und dabei diffuser werdenden Datenmengen, die z.B. im Bereich E-Commerce anfallen, hält das Konzept der „Buyer Persona“ oftmals nicht mehr mit der sich verändernden Business-Realität mit.
Die sogenannte „Buyer Persona“ ist eine fiktive Person mit verschiedenen Eigenschaften, Merkmalen und speziell kreierten persönlichen Hintergründen. Für die Erstellung von Personas wird im Allgemeinen einer von zwei Ansätzen verfolgt, die sich vor allem in der Herkunft der Information über die Zielgruppe unterscheiden. Eine „reale Persona“ basiert vor allem auf qualitativen und quantitativen Daten aus der Markt- und Anwenderforschung.
Zusätzlich zur „realen Persona“ hat sich noch eine zweite Vorgehensweise etabliert: die „realistische Persona“. Anders als bei der „realen Persona“ stammen die Daten zur Erstellung des fiktiven Nutzerprofils nicht direkt von der Zielgruppe selbst. Viel mehr definieren Marketingstrategen diese mittels ihres gesammelten Anwenderwissens. Das schließt z.B. Befragungen mit den Mitarbeitern aus dem Vertrieb sowie Annahmen der Entwickler über die Zielgruppe mit ein.
Unterziehen wir dieses Konzept nun einer tiefergehenden Analyse, so werden wir feststellen, dass sich gerade im Zusammenspiel mit dem immer größer werdenden eigenen Datenpool schnell zahlreiche Probleme ergeben können.
Einige davon wollen wir im Folgenden näher beleuchten.
Indem ich selbst auswähle, welche Eigenschaften und Profilinformationen für meine „Buyer Persona“ relevant sind, verlasse ich den Weg der datengestützten, objektiven Analyse. Das eröffnet die Gefahr, durch falsche Priorisierung
und Auswahl der „Buyer Persona“-Eigenschaften das Sichtfeld von vornherein zu verengen und dadurch einen falschen Fokus zu setzen.
Die Grundlagen für die Erstellung vieler „Buyer Personas“ sind große Studien zum Verbraucherverhalten und/oder aktuelle Marktforschungsdaten. Je nach Budget und Zeit können noch Einzel-Interviews und vielerlei wissenschaftliche Tests und Befragungen ergänzt werden. Mit steigender Komplexität steigt oftmals aber auch das Fehlerpotential bei der methodischen Auswertung. Durch Hinzunahme unterschiedlicher Datenquellen und Anbieter ist eine Zusammenführung der Daten und damit die Verallgemeinerbarkeit der Aussagen wiederum schwierig. Kaufe ich mir Daten von Spezialunternehmen für diese Art von Daten, ist Qualität und Herkunft dieser nicht 100%ig klar. Es benötigt Vertrauen, dass auch echte Daten geliefert werden, welche hinreichend aktuell und qualitativ in Ordnung sind.
Bei allgemeinen Markforschungsdaten und Verbraucherdaten ist das Abstraktionslevel hoch und unter Umständen werden der Unternehmens- und Markenkontext oder lokale Besonderheiten nicht ausreichend berücksichtigt. Bei Einzelinterviews ist der Aufwand sehr hoch und die Verallgemeinerbarkeit der Aussagen der Testpersonen oftmals fraglich. Es gilt, für sich die richtige Balance aus repräsentativen Daten und Einzelstichproben entsprechend der Ziele (und Budgets) zu finden.
Menschen und ihre Entscheidungsprozesse sind es allemal. Und sie verändern sich. Täglich. Ich werde die Komplexität niemals einfangen, das muss mir bewusst sein. Als Unternehmen benötige ich grobe, verallgemeinerbare Aussagen als Orientierungshilfe für mein Marketing und den Vertrieb. Ich brauche Stereotype, denn diese bieten mir Orientierung im Chaos. Die erfassten Buyer Persona-Daten bieten also eine erste inhaltliche Orientierung, sie werden aber niemals genau die Menschen in ihrer Komplexität ausreichend charakterisieren, die ich mit meinem Produkt oder meiner Dienstleistung ansprechen will, nämlich MEINE potentiellen Kunden.
So kann ich z.B. auf Basis einer Studie zum Kaufverhalten in Online-Shops für Turnschuhe einen modischen Trend zu sportlichem Schuhwerk im Alltag ableiten und richte infolge dessen meine Verkaufsaktivitäten verstärkt auf den Verkauf von Schuhwerk aus. Trends sind flüchtig, daher habe ich keine Zeit, mein Bauchgefühl wissenschaftlich zu verifizieren. Umfassende Analysen dauern Wochen, wenn nicht Monate. Und Handlungen habe ich daraus noch nicht abgeleitet, wenn ich die Ergebnisse habe. Also gehe ich nach groben Analysen und Erfahrungswerten vor.
Dieses Vorgehen ist logisch, führt jedoch nicht zwingend zu mehr Verkäufen. Denn die Annahme, dass auch die eigenen Nutzer dem in der Studie postulierten Trend folgen werden, kann genauso gut dazu führen, dass Zeit, Budget und Ressourcen für Kampagnen investiert werden, die die eigene Zielgruppe entgegen der Studie nicht im Geringsten interessieren.
Meine „Buyer Persona“ bildet zwar meine bereits gewonnenen Kunden recht gut ab, ignoriert aber die überwältigende Mehrheit der Nutzer und „Nicht-Kunden“, die meinen Online-Shop oder meine Webseite täglich besuchen. Das betrifft über 90% meines Traffics – alle die, die am Ende der User Journey nicht im CRM auftauchen. Doch genau diese Nutzer sollten das Ziel all meiner Marketing- und Sales-Aktivitäten, mindestens aber meiner Analysen sein. Denn sie sind der Link zwischen meiner Marke (immerhin waren sie mal da) und der Welt da draußen. Sie liefern mir mögliche Puzzle-Stücke, die mein Bauchgefühl über mögliche Trendentwicklungen stützen könnten. Hierfür braucht es ein kontinuierliches Monitoring.
Als Marketer / Sales Manager sehe ich mich also großen Herausforderungen gegenüber. Ich muss den steigenden Anforderungen bei der Konzeption und Umsetzung meiner Entwicklungs- und Verkaufsstrategie gerecht werden. Nicht nur muss ich meine Kampagnen über mehrere Kanäle hinweg konsistent und glaubhaft ausspielen, ich muss außerdem das dynamische Verhalten und die sich ständig verändernden Eigenschaften meiner Nutzer über die Zeit hinweg im Blick behalten. Und das idealerweise in meinem Markenkontext und auf allgemeiner Marktebene.
Doch wie könnte dann ein Vorgehen zur „Trend“-Erkennung aussehen? Die Antwort darauf liegt im Einsatz von künstlicher Intelligenz. Sie erlaubt es, mithilfe selbstlernender Algorithmen dynamisch und in Echtzeit passende „Personas-Segmente“ zu erstellen, welche auf Basis der Traffic-Quellen und konsumierter Content-Themen basiert. Die Basis dafür ist das individuelle Verhalten meiner Nutzer, welches aus Muster und Veränderungen dieser analysiert wird. Als weiteres Element wird dabei der Faktor Zeit mit einbezogen und analysiert, wie sich relevante Nutzereigenschaften und –Interessen über einen bestimmten Zeitraum hinweg verändern.
Ergänzend zu festen, stereotyp festgelegten „Kunden-Repräsentationen“ kann man sich „fluide Personas“ als dynamische, umstands-/ situationsbezogene „Interessenprofile“ oder „Eigenschaftstypen“ vorstellen. Eine solche „fluide
Persona“ basiert damit nicht mehr auf meinen subjektiven Annahmen und Interpretationen, sondern rein objektiv auf meinen Daten.
Dank unserer innovativen Smart Data-Technologie ist es uns gelungen, den oben genannten Prozess zu automatisieren und mithilfe unserer intelligenten Software „fluide Personas“ in Echtzeit zu generieren.
Eingebunden in die digitale Wertschöpfung kann dank dieser „fluiden Personas“ die Ausrichtung von Marketing- und Sales-Aktivitäten komplett neu gedacht und automatisiert abgebildet werden.
Schließen Sie potentielle Zielgruppen bei Marketing- und Sales-Aktivitäten nie wieder mit unvollständigen Annahmen aus.
Hier finden Sie eine effizientere Ausrichtung Ihrer MarketingmaschineDer Schlüssel zu einer erfolgreichen Kundengewinnung und nachhaltigen Bindung ist Wissen. Was sind die Bedürfnisse meiner Zielgruppe? Welche Merkmale zeichnen jeden einzelnen Nutzer aus? Was macht meine Kunden einzigartig? Erst dieses Wissen erlaubt es mir, meine Zielgruppe richtig zu verstehen und zu adressieren. Um allerdings an dieses Wissen zu gelangen, gilt es einige Herausforderungen zu überwinden.
Die Nutzung klassischer „Buyer Personas“ als stereotypisches Extrakt aus vielerlei (fremder) Datenquellen hilft mir bei der abstrakten Abgrenzung und Fokussierung meiner Zielgruppe. Als umfassendes Mittel zur Identifikation der Interessen meiner potentiellen Kunden ist dieser Ansatz jedoch allein nicht ausreichend. Zu groß ist die Gefahr, durch einen einseitigen Blick auf meine virtuellen „Wunsch-Kunden“ die Unterschiede zur Realität zu verkennen. Doch wie soll ich nun aus einem großen Pool multidimensionaler Daten aus Tracking, Produktkatalogen und anderen Datenquellen das Wissen extrahieren, das ich brauche?
Um die Frage beantworten zu können, wird es Zeit, einen dynamischeren Plan zu verfolgen. Einerseits realisiere ich „klassisch“ meine idealen Kundengruppen anhand statischer soziodemographischer und ökonomischer Daten, auf Basis von Markforschung und Umfragen. Andererseits muss ich das Ohr am Puls meines Online-Shops haben – also mich auf die Analyse der User Journeys und Content-Rezeption konzentrieren. Dank meiner eigenen Datenhoheit in diesem Bereich muss ich das nicht nur zu einem bestimmten Zeitpunkt, sondern über die Zeit hinweg machen. Damit bin ich in der Lage, Veränderungen der Verhaltensweisen meiner Nutzer zu entdecken und darauf angemessen zu reagieren.
Klassischerweise nehme ich als Marketer und Online-Shop-Betreiber eine Top-Down-Betrachtung auf meine Daten ein. Ich schaue von oben auf meine Kunden, ziehe Marktforschungsdaten heran und versuche aus der Vogelperspektive verallgemeinerbare Aussagen zu treffen, die ich auf meine Buyer-Persona transferiere. Dafür ziehe ich meine Kundendaten heran und nehme demografische Daten, Wohnort, Alter und Geschlecht hinzu. Bereits hier macht sich eine konsistente First-Party-Datenstrategie bezahlt (Wie das geht, beantworten wir u.a. gern hier). Als Ergebnis erhalte ich eine Handvoll virtuelle Persönlichkeiten, die mein Idealbild meiner Kunden entsprechen und aus denen ich nun passende Content-Angebote sowie die Kanäle zur Distribution dieser ableite.
An diesem strategisch wichtigen Ziel angelangt, muss ich mir darüber bewusst sein, dass das abstrakte Abbild meiner selbst konstruierten und interpretierten „Buyer-Persona“-Realität nicht unbedingt dem realen Setting derjenigen Nutzer entspricht, die ein Interesse daran haben, meine Produkte zu kaufen. Ich laufe Gefahr, dem sog. „Survivorship-Bias“ zu unterliegen. Um eine möglichst neutrale Position bei der Bewertung meiner Zielgruppen zu erlangen, muss ich diese daten- und faktenbasiert bewerten und mit der Realität abgleichen. Ein Blick ins CRM reicht dafür nicht aus. Ich muss meine Betrachtungsperspektive ändern. Doch wie geht das?
Um meine virtuelle Zielgruppen-Welt mit der realen Nutzerwelt abzugleichen, muss ich einen „Bottom-Up“-Blickwinkel einnehmen. Dazu sehe ich mir JEDEN EINZELNEN Nutzer an, der zum Stöbern oder aus anderen Gründen bei mir auf dem Online-Shop vorbeikommt – und suche im Verhalten und bei der Content-Rezeption nach Mustern und Gemeinsamkeiten. Daraus leite ich wiederum von 1-n Usern verallgemeinerbare Erkenntnisse ab und abstrahiere diese. Und plötzlich habe ich eine neue Welt an Informationen vor mir. Eine 1:1 Betrachtung von Usern bei einem Traffic von mehreren zehntausend Sessions pro Monat/Woche/Tag ist zugegeben eine echte Herausforderung! Nein, es ist unmöglich, diese komplexe Welt aus menschlicher Wahrnehmungsperspektive zu erfassen. Sie ist gleichzeitig umfänglich, lückenhaft und inkonsistent, sie besitzt einen erdrückenden Detailgrad und lässt nur schwerlich die Identifikation eines roten Fadens durch das menschliche Auge zu. Und es ist eine Welt, die sich mit einer enormen Geschwindigkeit in einer nicht handhabbaren Frequenz ändern kann.
Nun ist mittlerweile bekannt: Machine Learning verschafft uns heute Einblicke in bisher verschlossene Welten. Was für die Wissenschaft gilt, kann so fern beim Thema Online-Marketing nicht sein. Dank moderner KI-Methoden können wir das Chaos „Nutzerverhalten“ durchdringen und vielerlei Erkenntnisse daraus ableiten. Es braucht nur eine Maschine, die in der Lage ist, die hohe Dynamik der Daten just-in-time zu erfassen sowie Muster zu erkennen und deren Wandel über einen Zeitraum hinweg abzubilden.
Mit Fluiden Personas machen wir genau das! Und im Unterschied zu einem rein CRM-basierten Ansatz erhalten wir hiermit Zusatzinformationen über die „Nicht-Kunden“, also den größten Teil des täglichen Traffics auf Online-Shops und Websites, der mir zuvor verschlossen blieb. Über das Beobachten des Verhaltens, das Ableiten von Mustern und der Wahrnehmung der zeitlichen Veränderlichkeit dieser lässt sich so ein recht komplettes, ein „fluides“ Bild des Nutzerverhaltens zeichnen und die entscheidende Frage beantworten: Passen meine virtuelle Personas zum realen Bild meiner Nutzer? Was sind ihre Interessen und, abgeleitet daraus, wie kann ich über spezifische Content-Themen oder Cross-Selling-Angebote auf sie reagieren?
Zu guter Letzt bieten Fluide Personas durch den anonymen KI-Ansatz einen großen Vorteil beim Datenschutz. Klassische Personenmerkmale wie demografische Daten, Wohnort, Alter oder Geschlecht sind für dieses Konzept unerheblich und liefern bei der Analyse keine zusätzlich notwendigen Information.
Fluide Personas als dynamische, umstands- bzw. situationsbezogene „Interessenprofile“ oder „Eigenschaftstypen“ sind eine perfekte Ergänzung zu festen, virtuell konstruierten „Kunden-Darstellern“ à la Personae aus strategischen Zielgruppen-Analysen auf Basis von Markforschungs- und Kundendaten. Sie bieten den Realitätsabgleich und das Echtzeit-Monitoring zu meinen Themenwelten und liefern mir Insights darüber, was meinen Nutzern wirklich wichtig ist. Sie beinhalten die tatsächlichen Interessen und Eigenschaften meiner Nutzer und „wachsen“ bzw. verändern sich entsprechend des Verhaltens meiner Nutzer über die Zeit. Durch die automatisierte, vorurteils- und wertungsfreie Betrachtung meiner Daten durch Fluide Personas erhalte ich einen unverstellten und objektiven Blick auf meine Nutzer und potentiellen Kunden, auf die ich meine entsprechenden Maßnahmen aufsetzen kann. Die Basis des Bildes, das sich dabei von den Menschen ergibt, die meine Seite bzw. meinen Shop täglich besuchen, sind dabei die Verhaltensdaten ALLER Nutzer (unabhängig ob Kunde oder Nicht-Kunde), die mit individuellen Zugriffen abgeglichen und verfeinert werden.
Das heißt: Fluide Personas ermöglichen es mir als Webseiten- oder Shop-Betreiber bzw. als Marketing- & Sales-Verantwortlicher nicht nur, meine Zielgruppe endlich vollumfänglich und multidimensional zu erfassen. Meine „Insights“ sind darüber hinaus rein objektiv, datenbasiert und durch mathematisch-maschinelle Verarbeitung auch völlig wertungsfrei.
Erfahren Sie mehr darüber, wie unsere Fluide Persona-Solutions Ihnen mit künstlicher Intelligenz helfen können, Ihre Nutzer auf eine völlig neue Art und Weise kennen zu lernen: epic-insights.com