Buyer Personas durch Machine Learning | epicinsights

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

„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.

Der klassische „Buyer Persona“-Ansatz

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.

„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 potenziellen Kunden ab

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.

Das Problem dabei bleibt: Die Welt ist komplex.

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.

„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% 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.

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. 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.

So wird meine klassische „Buyer Persona“ von einer „fluiden Persona“ untermauert.

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.