Zusammenfassung
Kundenzentrierung erfordert die Analyse und Integration von Daten über interne und externe Faktoren. „Single Source of Truth“ (SSoT) bezeichnet eine Optimierung der Datenspeicherung und -verarbeitung, bei „Single Version of Truth“ (SVoT) geht es um die Optimierung von Analyse- und Berichtsprozessen. Dabei geht es nicht darum, um umfangreiche Messdaten herum Lösungen zu konstruieren, sondern für die zentralen Anwendungsbereiche entscheidungsrelevante Daten zur Verfügung zu stellen. Sinn und Zweck einer integrierten Sicht in einem Dashboard besteht darin, Analysen der Treiber von Begeisterung und Enttäuschung von Kundinnen und Kunden für alle relevanten Kundenreisen bei allen Entscheidungsträgerinnen und -trägern bekannt zu machen und daraus konkrete Maßnahmen abzuleiten. Automatische Kundensegmentierung für Microtargeting (Look-alike) und Hyperpersonalisierung werden zunehmend für eine enge Verbindung der Analyse von Kundenfeedback durch künstliche und menschliche Intelligenz sorgen. Dadurch werden immer kleineren Zielgruppen und einzelnen Personen bessere Kundenerlebnisse ermöglicht, und der Anteil loyaler und begeisterter Kundinnen und Kunden erhöht.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Ames, D. R., Benjamin, L., & Brocker, J. (2012). Listening and interpersonal influence. Journal of Research in Personality, 46, 345–349.
Andriosopoulos, D., Doumpos, M., Pardalos, P.M., & Zopounidis, C. (2019). Computational approaches and data analytics in financial services: A literature review. Journal of the Operational Research Society, 70(10), 1581–1599.
Anant, V., Donchak, L., Kaplan, J., & Soller, H. (2020). The consumer-data opportunity and the privacy imperative. Online: https://www.mckinsey.com/business-functions/risk-and-resilience/our-insights/the-consumer-data-opportunity-and-the-privacy-imperative. Zugegriffen: 25.05.2022.
Ashta, A, Herrmann, H. Artificial intelligence and fintech: An overview of opportunities and risks for banking, investments, and microfinance. Strategic Change. 2021; 30: 211–222.
Benning-Rohnke, E., Hasebrook, J., & Schärer, M. (2020). Digitaler Wandel – Möglichkeiten einer erfolgreichen Transformation. In: R. Wegener, S. Ackermann, J. Amstutz, S. Deplazes, H. Künzli, A. Ryter (Hrsg.). Coaching im digitalen Wandel (148–158). Göttingen: Vandenhoeck & Ruprecht. Online: https://www.vr-elibrary.de/doi/10.13109/9783666407420.148. Zugegriffen: 04.07.2022.
Epley, N. (2014). Machen wir uns nichts vor. Wie wir erkennen, was andere denken. Berlin: Ullstein (englisches Original: Mindwise. Why we misunderstand what others think, believe, feel, and want. 2014, New York: Vintage Books).
Ganz, W., Fromm, H., Satzger, G., & Gouthier, M. (2015). Phasenübergreifendes Service Life Cycle Management zur Steigerung der Dienstleistungsproduktivität. Messung, Bewertung und Steigerung – konzeptionelle und praxisbezogene Ansätze. Bericht des Verbundprojekts „ServUp!“, gefördert vom Bundesministerium für Bildung und Forschung (01FL10083-88). Online: http://publica.fraunhofer.de/dokumente/N-360582.html. Zugegriffen: 28.04.2022
Gigerenzer, G., & Kober, H. (2008). Bauchentscheidungen: Die Intelligenz des Unbewussten und die Macht der Intuition. München: Goldmann.
The Guardian (2021). Facebook ‘tearing our societies apart’: key excerpts from a whistleblower. 4. Oktober 2021, online verfügbar unter: https://www.theguardian.com/technology/2021/oct/04/facebook-tearing-our-societies-apart-key-excerpts-from-a-whistleblower-frances-haugen. Zugegriffen 02.03.2022.
Hasebrook, J., Hackl, B., & Rodde, S. (2021). More Stressful, Less Successful – Management in Times of Pandemic. Steinbeis Transfer. Online: https://transfermagazin.steinbeis.de/?p=10013&lang=en. Zugegriffen: 27.05.2022
Hasebrook J., & Nathusius W. (1997). An expert advisor for vocational guidance. Journal of Artificial Intelligence in Education, 8, 21–42.
Hayes, S., Hofmann, S., Stanton, C., Carpenter, J., Sanford, B., Curtiss, J., & Ciarrochi, J. (2018). The role of the individual in the coming era of process-based therapy. Behaviour Research and Therapy. 117. https://doi.org/10.1016/j.brat.2018.10.005.
Hennig-Thurau, T. (2004). Customer orientation of service employees. Its impact on customer satisfaction, commitment, and retention. International Journal of Service Industry Management, 15(5), 460–478.
Holtel, S. (2016). Digitale Führerschaft braucht kognitive Kompetenz–mit Dampfmaschinen für das Denken. In T. Petry (Hrsg.) (2. Aufl.) Digital Leadership: Erfolgreiches Führen in Zeiten der Digital Economy (253–276). Freiburg i.Br.: Haufe.
Kühn, A., Joppen, R., Reinhart, F., Röltgen, F., von Enzberg, S., & Dumitrescu, R. (2018). Analytics Canvas – A Framework for the Design and Specification of Data Analytics Projects. Procedia CIRP, 70, 162–167.
Lamberti, L. (2013). Customer centricity: The construct and the optional antecedents. Journal of Strategic Marketing, 21(7), 588–612.
Levine, T.R., Shaw, A., & Shulmann, H. (2010). Increasing deception detection accuracy with strategic questioning. Human Communication Research, 36, 216–231.
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems (pp. 4765–4774).
Mashewari, D. (2021). The 8 biggest marketing fails of all time (with practical takeaways). Online: www.wordstream.com/blog/ws/2021/12/28/marketing-fails. Zugegriffen: 8. Juni 2022.
McKinsey (2021). Prediction: The future of CX. Online verfügbar unter: https://www.mckinsey.com/business-functions/marketing-and-sales/our-insights/prediction-the-future-of-cx. Zugegriffen 02.03.2022
Molnár, B., Pisoni, G., & Tarcsi, Á. (2020). Data Lakes for Insurance Industry: Exploring Challenges and Opportunities for Customer Behaviour Analytics, Risk Assessment, and Industry Adoption. Proceedings of the 17th International Joint Conference on e-Business and Telecommunications (ICETE 2020) – Volume 3: ICE-B, 127–134.
Oberscheid, L. (2020). Explainable Artificial Intelligence in Banking. Master Thesis (Betreuer: Prof. P. Drews und Prof. J. Hasebrook). Leuphana University of Lueneburg.
Ondrus, J., & Pigneur, Y. (2006). Towards a holistic analysis of mobile payments: A multiple perspectives approach. Electronic Commerce Research and Applications, 5(3), 246–257.
Peppard, J. (2000). Customer Relationship Management (CRM) in Financial Services. European Management Journal, 18(3), 312–327.
Prelec, D. (2004). A Bayesian truth serum for subjective data. Science, 306, 462–466. Online: www.researchgate.net/publication/8231017_A_Bayesian_Truth_Serum_for_Subjective_Data. Zugegriffen 30.03.2022
Reichheld, F. (2021). Winning in purpose. The unbeatable strategy of loving customers. Boston: Harvard Business.
Reuters (2021). What they said: Quotes from a Facebbok hearing in Congress. 5. Oktober 2021, online verfügbar unter: https://www.reuters.com/technology/facebook-damage-will-haunt-generation-us-senator-says-2021-10-05. Zugegriffen 02.03.2022.
Ringler, C. (2021). Truth and lies: The impact of modality on customer feedback. Journal of Business Research. 133. 376–387. https://doi.org/10.1016/j.jbusres.2021.05.014.
Schneider, B., & Bowen, D. E. (1995). Winning the service game. Boston (MA): Harvard Business School Press.
Sharma, A. K., Sharma, D. M., Purohit, N., Rout, S. K., & Sharma, S. A. (2022). Analytics Techniques: Descriptive Analytics, Predictive Analytics, and Prescriptive Analytics. In: Jeyanthi, P.M., Choudhury, T., Hack-Polay, D., Singh, T.P., Abujar, S. (eds) Decision Intelligence Analytics and the Implementation of Strategic Business Management. EAI/Springer Innovations in Communication and Computing. Heidelberg: Springer.
Snyder, H., Witell, L., Gustafsson, A., & McColl-Kennedy, J. (2022). Consumer lying behavior in service encounters. Journal of Business Research, 141, 755–769. Online https://www.sciencedirect.com/science/article/pii/S0148296321008882. Zugegriffen 30.03.2022
Schulz, D., Stock, C., Alves, C., Behrens, T., & Palaschinski, M. (2020). LCR-Prognose mit KI. Künstliche Intelligenz in der Liquiditätssteuerung. zeb Banking Hub. Online: https://bankinghub.de/banking/steuerung/lcr-prognose-mit-ki. Zugegriffen: 15.05.2022.
Valdez Mendia, J. M., Flores-Cuautle, J. J. A., Tan, & A. W. K. (2022). Toward customer hyper-personalization experience – A data-driven approach, Cogent Business & Management, 9(1). Online: https://cogentoa.tandfonline.com/doi/full/10.1080/23311975.2022.2041384. Zugegriffen: 27.05.2022
Semerádová, T., & Weinlich, P. (2019). Computer Estimation of Customer Similarity With Facebook Lookalikes: Advantages and Disadvantages of Hyper-Targeting. IEEE Access, 7, 153365–153377. Online: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8877755. Zugegriffen: 16.05.2022.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Autoren
Autoren
Joachim Hasebrook (Abb. 3.6)
Autorenprofil Joachim Hasebrook. Bitte verwenden Sie zum Abspielen dieses Videos die SN More Media-App und scannen Sie die folgende (▶ https://doi.org/10.1007/000-8x5)
Marc Buermeyer (Abb. 3.7)
Autorenprofil Marc Buermeyer. Bitte verwenden Sie zum Abspielen dieses Videos die SN More Media-App und scannen Sie die folgende (▶ https://doi.org/10.1007/000-8x4)
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Hasebrook, J., Buermeyer, M. (2023). Die Perspektive des Kunden analysieren. In: Benning-Rohnke, E., Hasebrook, J., Pütz, M. (eds) Kunden begeistern. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-38264-3_3
Download citation
DOI: https://doi.org/10.1007/978-3-658-38264-3_3
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-38263-6
Online ISBN: 978-3-658-38264-3
eBook Packages: Business and Economics (German Language)