Jedes Jahr verkaufen sie 100.000+ Produkte ohne direkten Kundenkontakt.
Daten validieren Entscheidungen. Wir zeigen, wie.

Marktsituation und Herausforderungen

Fehlender direkter Kundenkontakt

In einem traditionellen B2B2C-Modell (Business-to-Business-to-Consumer) wie der Fahrradbranche verkaufen Hersteller ihre Produkte an Großhändler, welche diese dann an Einzelhändler weitergeben. Die Hersteller erhalten somit hauptsächlich Rückmeldungen in Form von Verkaufszahlen von den Händlern, nicht jedoch direktes Feedback von den Endkunden über die Nutzung ihrer Produkte.

Unzureichendes Nutzerfeedback

Da die Hersteller entfernt von der eigentlichen Produktnutzung sind, mangelt es an wertvollen Einblicken, wie ihre Produkte im Alltag eingesetzt werden. Dies führt zu einer Lücke in der Innovationskette, da potenzielle Verbesserungen und Anpassungen, die aus Nutzerfeedback resultieren könnten, oft unberücksichtigt bleiben.

Abhängigkeit vom stationären Handel

Viele Branchen wie die Fahrradbranche sind stark vom stationären Handel abhängig. Der direkte Kundenkontakt ist oft auf den Moment des Kaufs im Geschäft beschränkt. Fahrräder und ihre Komponenten benötigen typischerweise eine physische Präsentation und Beratung, um den Kunden die notwendigen Informationen zur Verfügung zu stellen und ihre Kaufentscheidung zu unterstützen.

Geringe Digitalisierung

Im Vergleich zu anderen Konsumgütern ist die Digitalisierung in der Fahrradbranche noch nicht weit fortgeschritten. Dies betrifft sowohl das Produkt selbst als auch die Verkaufsprozesse. Fahrräder sind physische Produkte, die aus zahlreichen Komponenten bestehen, und obwohl einige Fortschritte durch E-Bikes und digitale Tracking-Systeme erzielt wurden, bleibt die Gesamtdigitalisierung gering, insbesondere, wenn man den Blick auf die Komponenten richtet.

Fehlende Datenintelligenz

Einige Unternehmen haben bereits eine Vielzahl von Daten oder haben über ihre Partner Zugang dazu. Oftmals werden diese nicht strukturiert und in Bezug zu Geschäfts- Performance- Kennzahlen genutzt, um sie für die Zukunft als Erkenntnisse anzuwenden. Kann man die Ladenhüter nicht datengestützt vermeiden?

Mangelnde Markt- und Kundenorientierung ist der wichtigste Misserfolgsfaktor für das Scheitern von Innovationen in Unternehmen. Jedes Jahr werden alleine in der Europäischen Union rund 350 Mrd. US-Dollar in Forschung & Entwicklung investiert.

Segmentierungsstrategien während der Produktentwicklungsphase

1. Marktanalyse

Ziel: Die Marktanalyse dient der Ermittlung der Marktgröße, des Wachstumspotenzials, der Marktanteile und der Konkurrenzsituation. Sie ist grundlegend, um die Positionierung eines Produkts auf dem Markt zu verstehen und zu planen.

Methoden: Zu den Methoden gehören Umfragen, die Sekundärforschung mit bereits vorhandenen Marktdaten und umfangreiche Datenanalysen. Diese Ansätze ermöglichen es, ein klares Bild von der aktuellen Marktsituation und den Aktivitäten der Wettbewerber zu erhalten.

2. Trendstudienanalyse

Ziel: Die Trendstudienanalyse ist darauf ausgerichtet, langfristige Verhaltensmuster und Entwicklungen in Datensätzen zu erkennen und zu interpretieren. Sie spielt eine entscheidende Rolle dabei, die zukünftige Richtung von Märkten, Technologien oder Konsumentenverhalten vorherzusagen, was strategisch wichtige Anpassungen in der Produktplanung und -entwicklung ermöglicht.

Methoden: In der Trendstudienanalyse werden methodische Ansätze wie Zeitreihenanalyse, Regressionsanalysen und Prognosemodelle verwendet. Diese Techniken helfen Unternehmen, Trends zu erkennen und zu visualisieren, um zu verstehen, wie sich bestimmte Faktoren über die Zeit entwickeln und ihre Produkte beeinflussen könnten. Fortschrittliche statistische Software wird genutzt, um aus historischen Daten Zukunftsprognosen und -Szenarien zu entwickeln.

3. Umfragen

Ziel: Durch Umfragen sollen Verbraucherpräferenzen, Kaufgewohnheiten und Zufriedenheit mit bestehenden Produkten ermittelt werden. Diese Informationen sind entscheidend, um Kundenbedürfnisse genau zu verstehen und Produkte entsprechend anzupassen.

Methoden: Für Umfragen können verschiedene Kanäle genutzt werden, darunter Online-Umfragen, telefonische Befragungen und schriftliche Fragebögen. Jeder dieser Kanäle hat seine Vorzüge, je nach Zielgruppe und Informationsbedarf.

4. A/B-Tests

Ziel: A/B-Tests dienen dem Vergleich der Wirksamkeit verschiedener Produktvarianten oder Funktionen. Sie sind besonders wertvoll, um Entscheidungen über Produktmerkmale, Design oder Marketingansätze zu treffen.

Methoden: Bei dieser Methode werden zwei Varianten parallel getestet, um festzustellen, welche besser abschneiden. Dies kann in kontrollierten Umgebungen oder direkt im Marktumfeld durchgeführt werden, abhängig von der Art des Produkts und der Zielsetzung des Tests.

5. Data Analytics (nur bei digital vernetzten Produkten)

Ziel: Data Analytics zielt darauf ab, tiefgehende Einblicke in Kundenverhalten, Produktleistung und operative Effizienz zu gewinnen. Diese Analytik ermöglicht es, Muster und Korrelationen in großen Datensätzen zu erkennen, die sonst verborgen bleiben würden.

Methoden: Die Methoden umfassen maschinelles Lernen, statistische Modellierung und Big Data-Technologien. Diese Werkzeuge können verwendet werden, um prädiktive Modelle zu erstellen, die Entscheidungsfindung zu verbessern und personalisierte Kundenerfahrungen zu schaffen. Durch die Integration von Data Analytics in die Produktentwicklungsphase können Unternehmen ihre Strategien basierend auf datengestützten Erkenntnissen optimieren und so die Erfolgschancen ihrer Produkte erhöhen.

Strategien bei digital vernetzten Produkten

1. Datenaggregation

Ziel: Ziel der Datenaggregation ist es, große Mengen von Einzeldaten in übersichtlichen Berichten zusammenzufassen, um allgemeine Trends und Muster zu erkennen.

Methoden: Dies beinhaltet die Entwicklung von Dashboards und Berichten, die zentrale Leistungskennzahlen (Key Performance Indicators, KPIs) wie Nutzungszeiten, Häufigkeit der Nutzung und demografische Trends visualisieren. Tools wie Tableau oder Power BI werden oft verwendet, um komplexe Daten anschaulich darzustellen.

2. Verhaltenssegmentierung

Ziel: Nutzer basierend auf ähnlichem Verhalten und ähnlichen Präferenzen in Gruppen einzuteilen.

Methoden: Die Clusteranalyse ist eine statistische Methode, die verwendet wird, um Nutzer in Gruppen zu segmentieren, die ähnliche Verhaltensmuster aufweisen. Diese Segmente können dann für zielgerichtete Marketingstrategien oder zur Personalisierung von Produktempfehlungen genutzt werden.

3. Sequenzanalyse

Ziel: Untersuchung der Abfolge von Aktionen, die Nutzer durchführen.

Methoden: Hierbei wird analysiert, welche Schritte Nutzer typischerweise unternehmen, bevor sie ein Produkt kaufen oder eine Dienstleistung in Anspruch nehmen. Diese Methode hilft, die Nutzerreise (Customer Journey) zu verstehen und kritische Touchpoints zu identifizieren.

4. Zeitreihenanalyse

Ziel: Erforschung, wie sich das Nutzerverhalten über die Zeit entwickelt.

Methoden: Bei dieser Analyse werden Datenpunkte, die in regelmäßigen Intervallen gesammelt wurden, untersucht, um Muster, saisonale Schwankungen oder andere Anomalien im Zeitverlauf zu identifizieren. Dies ist besonders nützlich, um langfristige Trends zu erkennen und darauf zu reagieren.

5. Cohortenanalyse

Ziel: Vergleich des Verhaltens von Nutzergruppen, die zu unterschiedlichen Zeiten begonnen haben, das Produkt oder die Dienstleistung zu nutzen.

Methoden: Kohorten werden basierend auf ihrem Startdatum gebildet, und ihr Verhalten wird über die Zeit hinweg verglichen. Dies ermöglicht eine differenzierte Betrachtung der Nutzerbindung und -aktivität abhängig von der Nutzungsdauer.

6. Predictive Analytics

Ziel: Vorhersage zukünftiger Verhaltensweisen oder Präferenzen basierend auf historischen Daten.

Methoden: Der Einsatz von maschinellem Lernen und statistischen Modellen ermöglicht es, Vorhersagen zu treffen, z. B. bezüglich der Wahrscheinlichkeit der erneuten Nutzung oder des Kaufs eines Produkts. Diese Techniken können helfen, proaktiv Maßnahmen zu ergreifen, um Kundenbindung zu erhöhen oder Churn zu vermeiden.

7. Heatmaps und Clickstream-Analyse

Ziel: Visuelle Darstellung von Interaktionsdaten, um zu verstehen, wo Nutzer auf einer Webseite oder in einer App die meiste Zeit verbringen oder am häufigsten klicken.

Methoden: Heatmaps zeigen, welche Bereiche einer Webseite oder App die größte Aufmerksamkeit erhalten, was wertvolle Einblicke in das Nutzerverhalten und die Nutzererfahrung liefert. Clickstream-Analyse verfolgt die genaue Reihenfolge der Klicks, die ein Nutzer macht, und hilft, die Benutzerinteraktionen detailliert zu verstehen.

Auszüge aus einem typischen KPI-Zielsystem zum strategischen Monitoring des tatsächlichen Nutzerverhaltens von verschiedenen Kundensegmenten:

1. Täglich/Monatlich aktive Nutzer (DAU/MAU): Misst die Nutzeraktivität.

2. Engagement-Rate: Einschließlich durchschnittliche Sitzungsdauer und Interaktionen pro Besuch.

3. Conversion Rate: Anteil der Nutzer, die eine bestimmte Zielaktion vollziehen (z.B. Registrierung oder Aktivierung).

4. Churn Rate: Prozentsatz der Nutzer, die den Service verlassen.

5. Growth Rate: Verhältnis wiederkehrender vs. neuer Besucher.

6. Benutzerfluss: Verfolgt die Pfade, die Nutzer durch Ihre Anwendung oder Website nehmen.

7. Heatmaps: Visualisieren, wo Nutzer klicken, scrollen und verweilen, um Interaktionsmuster zu erkennen.

8. Conversion-Raten nach Segmenten: Analyse der Conversion-Raten, getrennt nach unterschiedlichen Nutzersegmenten.

9. Feedback-Raten: Auswertung des Nutzerfeedbacks durch Umfragen oder Feedback-Tools.

10. Net Promoter Score (NPS): Maß für die Kundenzufriedenheit und -loyalität.

Nicht alle KPIs müssen immer angewendet werden, aber die relevanten wenigstens so instrumentalisiert werden, dass sich regelmäßige (z.B. monatliche) Ableitungen von Plan und Ist Nutzung in Echtzeit davon ableiten lässt. Maßnahmen sollten unmittelbar abgeleitet werden. 

Björn Bergfeld., Partner bei Neue Digitale Partners

Schlussfolgerung

Unternehmen sollten - unabhängig vom Digitalisierungsgrad des eigenen Portfolios -, mittels verschiedener quantitativer Researchmethoden in der Produktentwicklung sicherstellen, Produkte und Lösungen auf Basis echter Kundensegmente zu entwickeln.

Unternehmen müssen die eigenen Digitalisierungsbemühungen erhöhen, um direkten Kundenkontakt zu fördern und wertvolle Nutzungsdaten zu sammeln, die so zur kontinuierlichen und effektiven Produktverbesserung beitragen.

Unternehmen sollten systematisch Data Analytics einsetzen, um datengetriebene Entscheidungen zu treffen und Innovationen gezielt voranzutreiben, welche ihre langfristige Wettbewerbsfähigkeit stärken und so den ROI von Produktinnovationen in ihrem Unternehmen massiv verbessern.

Unternehmen, deren Produkte bislang nicht digital vernetzt sind, sollten mittel- und langfristig um eigene IoT-Fähigkeiten und Datenschnittstellen erweitert werden oder die potentiellen Möglichkeiten der Partner ( z.B. Komponenten-, Plattform oder System Partner ) ausreizen, wo immer das technisch möglich / implementierbar ist.