Quelle: unsplash.com

Ich sehe was, was du nicht bist – klassische „Buyer Personas“ und ihre Probleme bei der Vermarktung und Weiterentwicklung von Produkten

Analyze
Fluide Personas

„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 „Persona“ oftmals nicht mehr mit der sich verändernden Business-Realität mit.

Der klassische „Buyer Persona“-Ansatz

Als „Buyer Persona“ bezeichnet man 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, sondern werden anhand des im Unternehmen selbst vorhandenen Anwenderwissens definiert. 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.

„Buyer Personas“ sind fiktive Schöpfungen mit selbst interpretierten Eigenschaften und Einflussfaktoren

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.

„Buyer Personas“ bilden nur selten die tatsächliche Lebenswelt meiner potentiellen Kunden ab

Die Grundlagen für die Erstellung vieler „Buyer Personas“ sind große Studien zum Nutzerverhalten oder aktuellen Marktforschungsdaten.

Das Problem dabei: Diese Daten bieten zwar eine erste inhaltliche Orientierung, sie werden aber niemals genau die Menschen 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.

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.

„Buyer Personas“ ignorieren die Mehrheit der nicht kaufenden / konvertierenden Nutzer

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%, die ich nicht via Cookie erkennen kann oder die gar kaufen und im CRM auftauchen.

Diese Nutzer sollten aber das Ziel all meiner Marketing- und Sales-Aktivitäten sein, um sie letztendlich doch noch als zahlende Kunden zu gewinnen.

Der Ausweg: Fluide Personas mit Hilfe von Machine Learning

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.

Doch wie könnte dann ein Vorgehen zur „Persona“-Erstellung aussehen? Die Antwort darauf liegt im Einsatz von künstlicher Intelligenz. Sie erlaubt es, mithilfe selbstlernender Algorithmen dynamisch und in Echtzeit passende „Personas“ zu erstellen. Die Basis dafür bildet das individuelle Verhalten meiner Nutzer. Als weiterer Faktor wird allerdings auch der Faktor Zeit mit einbezogen und analysiert, wie sich relevante Nutzereigenschaften und –Interessen über einen bestimmten Zeitraum hinweg verändern.

So wird meine klassische „Buyer Persona“ zu einer „fluiden Persona“.

Anstelle von festen, willkürlich festgelegten „Kunden-Darstellern“ 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.

In den kommenden Wochen werden wir die Hintergründe und Funktionsweise dieser Technologie noch genauer vorstellen.

Unsere Blog-Beiträge:

Newsletter Anmeldung

* Pflichtfelder