Daniel Renggli: Wie können wir Kundenerlebnisse durch den Einsatz von analytischer KI optimieren? Und welchen Beitrag leistet Analytic AI zu einem besseren Return-on-Marketing-Investment? Willkommen zu einer weiteren Ausgabe von Beyond CXM, Custom Experience Management Weitergedacht. Präzise zum fünften Teil der Miniserie zu KI und zugleich zur 40. Ausgabe dieses Podcasts. Mein Name ist Daniel Renggli, Marketing und CX gehören zu meinen Passionen. Mit diesem Podcast und der in den sozialen Medien fortgeführten Diskussion will ich zusammen mit meinen Gästen das Thema Custom Experience Management breiter beleuchten und weitertragen aus der bestehenden CX-Community hinaus. Mein heutiger Gesprächspartner Jan Schoenmakers, CEO und Gründer von Hase & Eagle, einem der meistprämierten KI-Startups Deutschlands. Herzlich willkommen Jan!

Jan Schoenmakers: Schön, dass ich da sein darf.

Daniel Renggli: Jan Schoenmakers gründete 2018 mit Hase & Eagle sein viertes Startup. Dabei konnte er auf eine langjährige Karriere in Marketing und Unternehmenskommunikation zurückblicken, unter anderem bei ewe, ag, Next Practice und Edelmann. Als Berater hatte er rund 200 Unternehmen rund um Digitalisierung und Data-Driven Management begleitet. Letztes war die Motivation, wie er mir einmal verraten hat, Hase & Eagle zu gründen. Es gab im Marketing und im Vertrieb schlichtweg keine gute Analyselösung mit einem entsprechenden oder… sorry, fangen wir noch einmal an hier. Letztes war die Motivation, wie er mir einmal verraten hat, Hase & Igel zu gründen. Es gab im Marketing und im Vertrieb schlichtweg keine gute Analyselösung mit einem ansprechenden, selbst erklärenden Dashboard. Ein Management-Tool, das Marketing- und Vertriebsleitern hilft, die richtigen Entscheidungen zu treffen. Jan Schoenmakers ist gemäss Wirtschaftswoche zudem einer der versiertesten KI-Forensiker. Dazu darfst du gleich mehr erzählen, Jan. Sein Master of Arts in Kommunikationswissenschaft sowie sein Zertifikat als Coach und Mediator absolvierte Jan in Jena, Paris und Cape Girardeau in den USA. Er ist außerdem Autor zahlreicher Fachartikel und und Meinungsbeiträge sowie ein gern gesehener Gast an Konferenzen und selbst in der Tagesschau. Janne, die kennen uns übrigens schon seit rund vier Jahren. Es ist kein Geheimnis, dass ich unter anderem auch für "Hase und Igel" tätig bin. Dazu ein großer Fan, derer K.I. Lösungen bin. Ja, Jan, was sollten unsere Zuhörer noch von dir wissen?

Jan Schoenmakers: Ich glaube, du hast das schon sehr gut eingeführt und zusammengefasst. Vielleicht aber noch was außerhalb des Beruflichen. Ursprünglich wollte ich gar nicht in eine bürgerliche Beschäftigung gehen, sondern mein großer Traum war immer, es mit meiner Musik oder der Musik meiner jeweiligen Band zu schaffen. Das hat nicht ganz funktioniert, aber die Leidenschaft für die Musik und die Bands sind geblieben.

Daniel Renggli: Das haben wir gemeinsam.

Jan Schoenmakers: Das ist noch brutaler als mit Startups. Da überlebt wenigstens jedes Zehntel. Bei Bands dürfte es wahrscheinlich jede Tausendste oder so sein.

Daniel Renggli: Vermutlich. Und sonst zur Familie?

Jan Schoenmakers: Ja, ich bin nicht nur als Unternehmer ...

Daniel Renggli: Produktiv.

Jan Schoenmakers: ... sehr proaktiv und sehr reell. So ist Hase und Igel mein fünftes Unternehmen und das passt dazu, dass ich auch fünf Töchter habe. Allerdings habe ich mit den Unternehmen früher gestartet als mit den Kindern.

Daniel Renggli: Sehr schön. Ja, da fragt man sich dann oft, wo bleibt dann die Zeit, um eben so ein Startup erfolgreich zu machen, wie du das mit Hasen und Igel gemacht hast, wenn du so eine große Familie hast und nebenbei noch Musik machst. Aber irgendwie scheint dir das ja alles unter einen Hut zu bringen.

Jan Schoenmakers: Gut, das ist auch einfach die Frage von einerseits einer guten Selbstorganisation, klaren Prioritäten und vernünftig Disziplin. Es ist aber vor allem einfach die Frage von einem hervorragenden Team, von einer hervorragenden Ehe zu Hause, wo wir uns gegenseitig unterstützen und gegenseitig den Rücken frei halten und von einem hervorragenden Team im Unternehmen, wo sich wirklich jeder auf jeden verlassen kann und damit auch in einer überschaubar großen Firma Arbeitsteiligkeit tatsächlich funktioniert.

Daniel Renggli: Sehr schön. Ja gut, kommen wir zum Thema. Wie unterscheidet sich denn eigentlich die analytische KI von der generativen, die mittlerweile praktisch jedes Kind kennt?

Jan Schoenmakers: Kind ist ein sehr schönes Beispiel dafür, denn genetisch in Anführungsstrichen unterscheiden die sich gar nicht so sehr. Was heute so an KI-Lösungen unterwegs im Markt, baut eigentlich alles auf Python auf, auf neuronale Netze, auf Transformer. Es gibt Unterschiede, die sind aber verhältnismäßig gering. Doch so wie jeder Mensch, jedes Kind genetisch sehr ähnlich zu allen anderen auf die Welt kommt, ist der Lebensweg, den wir dann ja einschlagen, völlig verschieden. Wie werden wir erzogen und welchen beruflichen Weg schlagen wir auch später ein, welchen Lebensstil schlagen wir später ein. Und das sind auch die entscheidenden Unterschiede zwischen den verschiedenen Arten von KI. Die kommen quasi auch mit ähnlichen Genen auf die Welt, doch eine generative KI wird von Anfang an darauf erzogen, uns Menschen ein Stück weit nachzumachen, uns Menschen zu gefallen und wie ein Mensch unter uns akzeptiert zu werden, indem sie eigentlich die gleichen Stärken und Schwächen hat wie wir. Die zeigt Empathie, die zeigt Kreativität, die ist ein toller Sparring-Partner, aber wie wir Menschen auch hat sie einen mäßigen Sinn für Statistik und hält es auch nicht immer so mit der Wahrheit, kann oft gar nicht so erklären, wie sie jetzt aus dem Bauch raus entscheidet. Und die analytische KI, die wird quasi von Kindesbeinen aus dazu erzogen, so ein nerdiger Wissenschaftler zu sein. Als Mensch wird man wahrscheinlich Autismus noch diagnostizieren, weil die nicht sonderlich empathisch ist und auch nicht übertrieben eloquent, aber brutal ehrlich. Die beobachtet uns Menschen wie ein auf die Erde gefallener Außerirdischer und sagt, das ist aber komisch, was machen die denn? Und sieht damit ganz genau hin und zeigt uns wirklich brutally honest unser Spiegelbild. Und damit ist sie da schwächer, wo wir als Menschen stark sind, wo auch eine generative KI stark ist, wenn es jetzt um Eloquenz geht oder um so ein kreatives Baring. Aber sie ist viel stärker als wir Menschen und viel stärker als generative KI, wenn es um eine Einschätzung der Realität und unseres Verhaltens geht, eine neutrale, objektive Sicht und hält es damit der Wahrheit eben auch sehr genau und kann erklären, warum sie das tut, was sie tut. Damit ist sie jemand, der uns mehr ergänzt.

Daniel Renggli: Ja, ein sehr schöner Vergleich und eine sehr gute Erklärung. Vielen Dank, Jan. Jetzt zurück zur Einführung, zur Vorstellung. Wie kommt es denn dazu, dass sich die WIWO, die Wirtschaftswoche, eine der versiertesten KI-Forensiker nennt?

Jan Schoenmakers: Das liegt ein Stück weit an unserer analytischen KI und ein Stück weit an einem ganz konkreten Projekt, das wir unterstützt vom Bundeswirtschaftsministerium entwickelt haben. Ich bin in zahlreichen großen Medien regelmäßig als Experte zurate gezogen, weil wir mit dieser analytischen KI, die wir entwickelt haben, eben auch natürlich für Journalismus und auch für Politik wichtige Impulsgeber sind, weil wir damit oder unsere Algorithmen damit sehr neutral und oft sehr früh zeigen können, wie sich Dinge entwickeln werden in der Wirtschaft, in der Gesellschaft, gerade weil unsere KI eben nicht in Wünschbarkeiten denkt oder irgendwelche Klischees wiederholt, sondern nüchtern drauf blickt und damit sehr früh entdeckt, oh, da hinten, ganz im Longtail, ganz noch im Kleinen ändert sich was, das wird aber morgen groß und wichtig. Dadurch bin ich da regelmäßig im Austausch, wird unser System gern verwendet und in diesem Kontext, in dem dieses Zitat über mich fiel, fanden die Kollegen von der Wirtschaftswoche eine Entwicklung besonders spannend, deswegen auch dieser Begriff Forensik so nach vorne gestellt, die wir eben unterstützt von und für das Wirtschaftsministerium gemacht haben auch zusammen mit anderen Unternehmen in Deutschland und Singapur, nämlich unser KI-System einzusetzen, um die Arbeit von Ermittlern im Zoll und in ein Stück weit auch in die Sicherheitsbehörden, Polizeireihen und Unternehmensagenten in der Brand Protection zu automatisieren und damit den Menschen in diesen Bereichen sieben Meilenstiefel zu verleihen, dabei Verbrecher zu jagen. In Netzwerke aufzudecken, die Industriegüter fälschen und schmuggeln und in Verkehr bringen, weil das einfach extrem gefährlich ist. Wenn so ein Zug zum Beispiel gefälschte Achsen hat oder ein Windrad gefälschte Radlager, da geht es nicht nur um Sneaker. Also auch Puma ist Teil des Konsortiums. Die wollen auch nicht, dass ihre Sachen gefälscht werden, offenkundig. Das ist beim Fashion natürlich ein Riesenproblem. Aber ein gefälschter Sneaker, der kostet Arbeitsplätze, der bringt aber niemanden um. Ein gefälschtes Radlager für einen Zug kann hunderte Menschen umbringen, deswegen diese Netzwerke hinterauf zu speuern. Wer bringt sowas eigentlich in Verkehr? Wer steckt dahinter? Nicht nur da ist ein gefälschtes Produkt, sondern welche Firmen arbeiten zusammen im Hintergrund, um dieses gefälschte Produkt zu produzieren, zu transportieren und in den Markt zu bringen, um diesen Sumpf auszuheben. Das ist was, was wir mit diesem Attention-Projekt gemacht haben, woraus eine entsprechende Lösung hervorgegangen ist und das ist für die Wirtschaftswoche natürlich ein sehr spannendes Thema, nochmal spannender als reine Marketingthemen, weil es wahnsinnige Implikationen quer durch die Wirtschaft hat. Ein hoher einstelliger Prozentbereich aller Güter, die in die EU eingeführt werden, sind Fälschungen und Schmuggeln.

Daniel Renggli: Ja, spannend und eine gute Sache dazu. Ja, zum Thema Custom Experience, worum es hier in diesem Podcast ja hauptsächlich geht. Was zeichnet deiner Meinung nach eine gute Custom Experience aus in zwei, drei Sätzen?

Jan Schoenmakers: Für mich bedeutet eine gute Customer Experience, dass sie, das ist was Heidegger zu Handen nannte. Sie ist gar nicht vorhanden, mir fällt gar nicht auf, dass ein Unternehmen mir gerade Kundenservice bieten oder mir ein Produkt verkaufen will, sondern es ist so en passant und selbstverständlich, dass ich eigentlich denke, das wollte ich selbst noch bevor ich einen Bedarf aussprechen kann und sagen Mensch, jetzt helft mir doch hier mal endlich, ist schon jemand gekommen, hat mir die Antwort gegeben oder die Hilfe serviert und wenn ich noch nach dem richtigen Produkt suche, in einem komplexen Sortiment, wird es mir schon empfohlen.

Daniel Renggli: Ja, das führt mich eigentlich gleich zur nächsten Frage. Ich meine, die Erwartungen der Kundinnen und Kunden, die steigen stetig. Wie hilft uns da die analytische KI, diese besser zu verstehen?

Jan Schoenmakers: Indem man wegkommt von diesem Paradigma klassischer Marktforschung, dass man versucht den Menschen in die Köpfe und in die Seelen zu schauen und stattdessen aus ihrem Verhalten lernt. In die Köpfe und in die Seelen schauen war immer schon schwierig, wird es immer bleiben. In manchen Bereichen ist es natürlich unverzichtbar. Ich werde immer so was wie Fokusinterviews brauchen, wo ich nachfragen kann und sagen, ja, aber warum machst du das denn und wie siehst du das wirklich? Aber ich habe nie eine Garantie drauf, dass der, der vor mir sitzt, wirklich aufrichtig mit mir ist und dass er repräsentativ ist. Mit analytischer KI schauen wir stattdessen sehr fein und sehr objektiv auf das Verhalten der Menschen und wie sie sich verhalten, wie sie sich zum Beispiel informieren, wie sie reagieren, was sie vor, nach im Kauf tun etc. Das verrät oft unterbewusst und unbewusst viel mehr über ihre Intentionen als wenn man sie direkt auf der Straße anspricht und sagt, ja aber warum gehst du jetzt da ins Kaufhaus?

Daniel Renggli: Können wir mit diesen Erkenntnissen dann auch Personas kreieren, beziehungsweise brauchen wir die überhaupt noch?

Jan Schoenmakers: Wir können die kreieren, die sehen aber völlig anders aus. Ich hatte ja vorhin gesagt, analytische KI ist so ein bisschen wie ein auf der Erde gefallenes Alien. Die schaut sehr nüchtern drauf und reagiert nicht auf die gleichen Dinge, auf die wir als Menschen reagieren. Wenn wir jetzt einen anderen Menschen beobachten und daraus eine Persona bilden wollen, dann machen wir uns sehr dran fest am Gesicht, am Körper. Wie attraktiv ist der Mensch? Wie alt ist der Mensch? Ist das Mann, Frau? Haben wir da irgendwelche Vibes von denen, ob die homo- oder heterosexuell sind? Das ist das, was uns als soziale Wesen immer so als erstes interessiert. So wirken die reich. Die KI, die schaut ja wirklich auf das Verhalten und clustert aus dem Verhalten. kann man dann durchaus personas bilden und sagen es gibt zum beispiel wenn realer fall warum kaufen leute knäckebrot ermittelt mit unserem neutrum system gibt es ein cluster wirklich von menschen das sind die skandinavien romantiker für die ist das ein emotionales erlebnis den geht es nicht drum wie das schmeckt oder wie der crunch ist die wollen sich auf die scheren insel träumen es gibt die knäckebrot fans die finden es wirklich lecker und die tauschen sich wirklich aus zu den rezepten die wollen selber backen und die möchten dass ich mit ihnen darüber rede was das für ein crunch hat und ob sesam drin ist und ob der geröstet ist und es gibt die die abnehmen wollen den ist ziemlich wurscht wie das schmeckt und denen ist sehr wichtig dass sie damit möglichst viel kalorien sparen um möglichst schnell und trotzdem gesund abzunehmen und das vor allem beim Frühstück. So sehen Personas aus, die man mit einer analytischen KI baut, denn dann kann ich zum Beispiel sagen für diese Skandinavien-Romantiker, ich weiß nicht, ob die männlich, weiblich, alt, jung, homo, hetero, reich, arm sind. Ich weiß aber, wenn ich die richtig trigger, dann kaufen die ordentlich und ich verdiene mit ihnen. Und ich weiß für dieses Cluster, weil ich das Verhalten ja messen und durch die verschiedenen Plattformen verfolgen kann, zu welcher Zeit, in welchem Medium und über welche Partner, zum Beispiel Influencer oder welche Journalisten ich genau dieses Cluster am besten erreiche. Das würde ich jederzeit Persona nennen, auch wenn das, was wir typischerweise mit einer Persona verbinden, nämlich der Cutout mit dem Gesicht, mit der Statur, mit dem Alter, mit dem Geschlecht fehlt.

Daniel Renggli: Aber wir können doch theoretisch diese auch direkt ansprechen mit den Erkenntnissen, die wir über die analytische KI gewonnen haben.

Jan Schoenmakers: Das können wir dann, wenn sie schon bei uns in der Plattform sind. Also wir können sie auf, bei uns, wenn sie sich schon irgendwo identifiziert haben und wir First-Party-Data haben, können wir natürlich wirklich hyperpersonalisieren und für jeden einzelnen Kunden damit eine KI gestützte Prognose haben, was wird der oder die am liebsten kaufen wollen, am nächsten kaufen wollen, was wird den oder die interessieren. Außerhalb unserer eigenen Plattform gibt ja die DSGVO oder die GDPR enge Grenzen vor, wie weit man zu Individuen, also wenn man sie individuell ansprechen möchte, plattformübergreifend anreichern darf, Daten, Informationen, Annahmen. Das heißt, da kann ich Muster ansprechen. Ich kann sagen, wenn ich folgendes Muster See zum Beispiel auf einer bestimmten Social Media Plattform, dann spreche ich die so an, weil dann ist es bestimmt so ein Skandinavienromantiker, der deswegen mein Knickebrot kaufen wird. Aber ich darf eigentlich nicht wissen, wie der jetzt heißt und ob das derselbe Jan ist, der gerade noch bei NZZ oder Spiegel Online war, weil mir einfach technisch geht das natürlich, aber weil mir da rechtlich Grenzen gesetzt sind.

Daniel Renggli: Das heißt, wir kommen jetzt noch nicht um Personas herum, aber ich denke, wichtig ist dass man diese Personas validiert und das möglichst regelmäßig und nicht irgendwann mal eine Persona schafft, wie das in vielen Unternehmen passiert, sondern für die nächsten fünf Jahre so stehen lässt, während sich die ganze Welt gedreht hat.

Jan Schoenmakers: Absolut, aber das gilt generell für unser komplettes Marketing und damit auch natürlich für die Customer Experience, dass wir wegkommen müssen von diesen quasi sozialistischen Fünf-Jahres-Plänen und wirklich agil werden müssen, auf Sicht mit Radar und Sonar auf Sicht navigieren müssen, um anzuerkennen, dass sich der Markt, die Kultur um uns dauernd ändert und dass vor allem Menschen keine Dutzend Ware sind, dass jeder Mensch anders ist und je besser wir darauf eingehen, je schneller, proaktiver wir darauf reagieren können, desto erfolgreicher werden wir auch als market sein

Daniel Renggli: Jetzt würde mich interessieren, welche KPIs wir im Customer Experience Management mithilfe der analytischen KI tracken können. Zu den wichtigsten KPIs im Customer Experience Management zählen der Customer Satisfaction Score natürlich, also die Kundenzufriedenheit per se, der Net Promoter Score oder NPS, der Effort Score, also die Anstrengung, die es bedarf für eine Transaktion oder eine Problemlösung, First Contact Resolution, also die Anzahl der Anrufe in einer Kundenserviceabteilung, die beim ersten Gespräch zufriedengestellt werden konnten, oder die Churn Rate, also die Abwanderungsrate. Inwiefern unterstützt uns die analytische KI hier?

Jan Schoenmakers: Die unterstützt uns bei allem, weil sie am Ende den Prozess durchweg begleitet. Von der Produktdefinition oder Service-Definition, in der ich aus dem Markt proaktiv lerne, was Werden die Leute denn wollen? Was erwarten sie von einem Produkt? Und wie viele werde ich da wahrscheinlich auch kriegen, sodass ich sowohl die Produkteigenschaften als auch die Stückzahlen managen kann und ihnen von vornherein was biete, wenn ich das konsequent mache, was sie wirklich brauchen in einer Menge, die dann auch eine schnelle Lieferbarkeit garantiert, ohne unnötig hohe Bestände zu haben. Dann komme ich ins Targeting. Das Thema hatten wir gerade. Wie spreche ich die so an, dass es für sie möglichst intuitiv ist, weil sie am richtigen Zeit am richtigen Ort angesprochen werden, dann kommen sie in meine eigenen Kanäle. Auch da lerne ich ja sehr schnell aus den Verhaltensmustern mit analytischer KI und kann ihnen quasi jetzt in der Kaufhausmetapher, während sie noch suchen, wo überhaupt die Herrenabteilung ist, schon den Blazer, den sie kaufen wollen, entgegentragen, sagen, Mensch, ich will sie ja nicht vom Suchen abhalten, gucken Sie gerne rum, aber wollten Sie nicht den haben. Wenn ich damit richtig liege, dann bin ich natürlich ein großer Helfer geworden und nicht nur ein Verkäufer. Und auch im After Sales, im Service wird das intensiv eingesetzt, um zum Beispiel mit unserem Language Model, kein LLM, sondern zwischen Small und Medium Size, zu analysieren, wie interagieren Kunden mit einem Kundenservice in ihren eigenen Worten. Also Speech-to-Text-Protokolle der Telefonate, Analysen der Freitextformulare, um rauszufinden, warum eskaliert was überhaupt im Service in Second Level oder in irgendeine Beschwerde. Wenn wir das besser vorwegnehmen können, können wir diese Eskalation vermeiden, an denen es ja niemandem liegt. Das ist ja eine Lose-Lose-Situation. Damit habe ich den ganzen Prozess und habe damit natürlich von dem Aufwand überhaupt ein Produkt zu kaufen, über die Begeisterung mit dem Verkäufer bis zu dem After-Sales- was ein NPS ja sehr stark auch bestimmt und stützt, meinen ganzen Prozess auch entlang der KPI optimiert. Unterschied ist natürlich wie direkt oder indirekt. Also sowas wie ein NPS wird ja über Befragungen in der Regel ermittelt, genau wie auch zum Beispiel First Choice Werte jetzt im Branding, die kann ich damit indirekt beeinflussen, weil ich mache mit einer besseren CX die Leute zufriedener und dann erinnern sie sich hoffentlich daran, sagen es auch wenn sie befragt werden. Aber so was wie zum Beispiel eine Churn Rate oder eine Warnkorbabbruchrate oder eine messbare Strecke, bis man seine Informationen hat, wie viele Klicks, wie viele Minuten braucht es dafür, die kann ich natürlich, auch Conversion Rates davor, das ist ja oder Klickraten, sind ja auch schon Indikatoren, ob es für die Leute relevant ist oder ob ich sie mit was anspreche,

Daniel Renggli: Stimmt.

Jan Schoenmakers: was gar nicht relevant ist, die kann ich mit analytischer KI ganz direkt beeinflussen, weil ich die ja unmittelbar mit Messpunkten verknüpft habe. Da ist ja nicht erst eine Befragung oder sowas dazwischen. Da lernt das Modell auch aus jedem einzelnen Klick oder jeder Minute, die jemand noch weiter nach seiner Ware oder Information sucht, dazu und merkt, oh, das ist wohl gut oder das ist wohl nicht so gut.

Daniel Renggli: Ich bin überhaupt kein Fan vom NPS, weil der NPS liefert eigentlich selten Daten darüber, was verbessert werden muss. Wir wissen nichts über potenzielle oder bereits abgesprungene Kunden und der NPS sagt auch nichts über die Dynamiken am Markt. Passive oder indifferente Kunden existieren auch nicht. Sie sind keine inaktiven, zufriedenen Kunden. Sie schauen sich ziemlich sicher nach Alternativen und die Loyalität ist nur eine indirekte Folge der Kundenzufriedenheit. Aus diesem Grund bevorzuge ich das Customer Value Management, das auf die Wertstiftung bei den Kunden abzielt und einen Vergleich mit der Konkurrenz schafft. Du hast es bereits erwähnt, wir könnten als Alternative mit Text-to-Speech, beziehungsweise Text-Recognition, mit Sentimentanalysen, beispielsweise Analysen aus den Gesprächen mit der Kundenserviceabteilung, der Kundenbefragungen oder gar einer entsprechenden Auswertung des E-Mail-Verkehrs schnell und einfach feststellen, welche Kunden zufrieden und unzufrieden sind. Wie siehst du das?

Jan Schoenmakers: Absolut. Das ist ja der Fall, auf den ich gerade in meinem kurzen Überblick entlang der Wertschöpfungskette auch rekurriert habe im Kundenservice, Was man aber natürlich auch schon in vorherige Prozesse auch von der Marktforschung über Targeting bis natürlich eben Sales after Sales durchziehen kann. Wenn ich natürlich sprachliche Inhalte der Kunden habe, zum Beispiel die Bewertungen, die sie über Produkte und Unternehmen schreiben, die Social Media Beiträge, in denen es um meine Themen und Produkte geht, die Freitextformulare, die sie mir ausfüllen, Speech-to-Text über das Callcenter, Messenger-Kommunikation etc., kann ich diese Inhalte alle anonymisieren. Wichtig aus rechtlichen Gründen, es sei denn, ich bin rein auf First-Party-Data unterwegs mit meinen internen Kunden, dann darf ich es ein Stück weit personalisieren, aber wenn ich da jetzt sowas wie Bewertungen und so mit reinnehme, muss ich natürlich sehen, dass ich es anonymisiere, in ein Natural Language Processing Algorithmus laden, wie gesagt, wir nutzen dafür direkt ein eigenes Sprachmodell, das tiefer reingehen kann, um dann eben zu sagen, worum geht es da und was sind jetzt Treiber, dass das eine positive oder negative Experience ist. Und ich brech da mal sehr eine Lanze dafür, tiefer reinzuschauen, wie wir das eben mit unserem Language Model machen, um Themenstrukturen auch zu verstehen. Um nicht nur zu sagen, das ist ein positives Sentiment, das ist ein negatives und beim positiven Sentiment kam vielleicht häufiger als beim negativen das Wort Komfort vor, sondern ich möchte ja im Zweifel verstehen, was meinen die Leute denn mit Komfort? Warum finden die das eine Sofa komfortabler als das andere und erst mit so einer Language Model basierten Themenstrukturanalyse, die mir die Kontexte zeigt und die Verästelung, die Hierarchien eines Themas, verstehe ich dann zum Beispiel, ach so, es gibt vielleicht ein Drittel der Kunden, die von Komfort sprechen, das toll finden beim Sofa, denen es gar nicht darum geht, dass es komfortabel ist, weil man besser drauf sitzt, sondern dass es komfortabel ist, weil man es bequemer reinigen kann und bequemer ausziehen und wieder einschieben kann und dass das zählt für sie als eine Komfort-Eigenschaft, Das würde ich ja sonst gar nicht verstehen, wenn ich nur Hashtags auszähle und Sentiment kodiere. Und dann kann ich wieder in eine feinere Ansprache gehen natürlich und sagen, also wenn ich genug Daten vom Einzelnen habe, wenn Jan jetzt ein Fieldschreiber ist und mir dauernd irgendwelche Formulare ausfüllt und Feedback gibt, kann ich damit vom Zweifel sogar sagen, wo spreche ich den Jan an. Meistens werde ich Cluster ansprechen, denn damit ich solche Muster feststellen kann, brauche ich eine gewisse Menge an Daten. die kriege ich selten von einzelnen Individuen, es sei denn, ich interview die über Stunden weg, was durchaus geht.

Daniel Renggli: Ja gut, jetzt hast du aber wieder sozusagen vom Targeting gesprochen und ich verstehe auch, dass man für gewisse Zwecke die Daten anonymisieren muss, aber eigentlich ist da mit dem einzelnen Kunden dann nicht geholfen. Also wenn ich mich jetzt beispielsweise über ein E-Mail beschwere, dann würde ich erwarten, dass jemand reagiert. Das tun sie ja oft. E-Mail ist vielleicht das falsche Beispiel, aber wenn ich jetzt da in, gerade beim NPS, nochmal auf den mps zurückzukommen wenn ich da ins freitextfeld irgendwie schreibe also die erfahrung war wirklich mies und dann dann hörst du nichts mehr normalerweise und da würde ich mir eigentlich wünschen dass man diese freitextfelder ausliest und dann entsprechend reagiert

Jan Schoenmakers: kein Ton] Das wird, das passiert ja aber auch schon immer mehr und das ist nochmal eine andere Richtung, denn das kann ich entweder einfach regelgeleitet machen, indem ich sage, ich definiere bestimmte Trigger in den Freitextfeldern, wenn bestimmte Negativkommentare vorkommen, dass dann einfach, Entweder wenn das ein guter Kunde ist, der, wo es sich lohnt, auch personell Aufwand drauf zu stecken. Das muss man ja gerade bei Massenprodukten auch dagegen halten, dass dann direkt Mitarbeiter sich das anschaut und sagt, "Oh, Vorsicht, besonders negativ. Guck mal, wie du darauf reagierst." Oder dass man einen Bot regelgeleitet antworten lässt. Mehr und mehr Modelle, mehr und mehr Unternehmen machen das auch mit LLM-Chatbots. denn für sowas kann man natürlich ChatGPT zum Beispiel ganz hervorragend nutzen. Wenn ich das aber nur mit ChatGPT mache oder mit irgendeinem Einzelmitarbeiter oder einem regelgeleiteten Bot, der dann Daniel antwortet, wenn Daniel geschrieben hat, die Erfahrung war mies, dann mache ich dich damit zwar glücklicher, naja du bist ja schon sauer, aber zumindest mitigiere ich das ein Stück weit und du gehst versöhnlicher raus, aber ich lerne als Unternehmen nicht draus. Deswegen muss ich in der anderen immer sehen, dass ich diese Freitextinhalte wirklich auch über die Kunden weg zusammenfasse, also zusammenfließen lasse und strukturiert analysiere, um zu verstehen, was sind denn Gründe, dass Leute glücklich oder unglücklich sind und wie hängen die zusammen. Und das ist nicht eine Frage von Targeting, sondern das ist eine fundamentale Frage, wie weit ich als Unternehmen fähig und willens bin, aus den Reaktionen meiner Kunden zu lernen. Und je besser ich das lernen kann und verstehe was deren treiber für eine positive und negative cx sind was nichts mit meinen vorstellungen ihrer treiber zu tun haben muss desto besser kann ich mich darauf einstellen und dann across the board ihnen auch einfach eine bessere user oder customer experience bieten

Daniel Renggli: Absolut. Es braucht sicher beides, logisch. Ich meine, wir wollen ja als Unternehmen lernen, wir wollen Customer-Centric werden, wenn wir es nicht schon sind. Und auf der anderen Seite eben erstaune ich immer wieder, dass es Unternehmen gibt, die halt wirklich sagen, sie werden konzentriert und dann eben nicht reagieren nach solchen Kommentaren in einer NPS-Umfrage. Also auf der Skala und alles andere scheint denen irgendwie wie egal zu sein. Oder dann eben vielleicht aggregieren sie diese Daten tatsächlich, aber gehen dann nicht auf das Individuum ein. Und das ist eigentlich auch falsch.

Jan Schoenmakers: Aber Kunden, also Kundenzentrierung ist für mein Gefühl auch einfach ein schwieriger Begriff, weil es so wie zum Beispiel Haltung ist. Das ist so ein Sammelbegriff unter dem jeder was anderes versteht. Alle sind sich einig,

Daniel Renggli: Hm, stimmt.

Jan Schoenmakers: dass es wichtig ist, aber setzt fünf Experten in den Raum oder auch einfach fünf Manager oder Mitarbeiter und du wirst fünf völlig verschiedene Definitionen kriegen, denn außerhalb des absoluten Hyperprämien Bereichs und außerhalb extrem großer Kundenwertkategorien, wie zum Beispiel, wenn ich den Kunden riesige Vermögensaufbaupläne verkaufe, übers ganze Leben, ist eine Kundenzentrierung im Sinne von zentriert auf den einzelnen Kunden. Hier für kaum ein Unternehmen wirtschaftlich darstellbar, sodass Kundenzentrierung meistens ein Plural ist und ich aus dem, was die Kunden wollen oder wie die Kunden reagieren, aus so einem hypothetischen Aggregat lerne. Und das ist die Frage, wie stelle ich da eine Mesoebene ein? Zwischen ich lerne, was aus dem Markt den Kunden und ich gehe auf den einzelnen Kunden ein und meistens ist die pragmatische Lösung, eben damit die Kunden realistisch in Cluster, in Gruppen einzuteilen und zwar datengetrieben, empirisch, um möglichst feiner zentriert zu sein, als einfach nur auf den Kunden als Abstraktum. Aber in den wenigsten Fällen werde ich als Unternehmen meine Prozesse und Produkte so anpassen können, dass wirklich jeder Einzelne zu seinem Recht kommt. Da muss ich schon wirklich brutal viel mit ihm verdienen, damit ich die Technik und die Mitarbeiter auch bezahlen kann, die mir das ermöglichen.

Daniel Renggli: Ich wollte gerade sagen, das kann sich kein Unternehmen leisten, sich auf einen einzelnen Kunden zu konzentrieren. Klar, aber auf der anderen Seite steht das so als Begriff für die Ausrichtung auf die Kundenbedürfnisse, auf die Custom Experience. Aber du hast natürlich völlig recht mit deinem Statement.

Jan Schoenmakers: Aber der Kunde erwartet das ja, da muss ich vorsichtig und differenziert eben

Daniel Renggli: Viele erwarten das.

Jan Schoenmakers: auch sein in meiner Kommunikation. Wenn ich als Unternehmen sage, ich bin kundenzentriert, bei mir ist der Kunde König, dann erwarte ich ehrlicherweise als Kunde, dass man mir den roten Teppich ausrollt und einen Drink bringt und vielleicht noch die Nägel manikürt, wenn ich da reinkomme, weil ich bin ja der König. Ich möchte wie ein König behandelt werden. Wenn mir ein Unternehmen sagt, unsere Kunden sind uns wichtig, wir sind auf die Bedürfnisse unserer Kunden konzentriert und wir lernen laufend draus. Das ist eine andere Botschaft. Dann komme ich rein und ich erwarte, wenn ich was äußere, dass es irgendeine Reaktion darauf gibt und dass ich nicht dreimal dieselben Fehler dort vorfinde. Aber ich erwarte nicht zwingt, dass man mich selbst eben wie in ein komplett einmaliges Ereignis im Kaufhaus behandelt oder im E-Commerce durch. Ich finde, da müssen Unternehmen auch Soul-Searching betreiben und sagen, was können wir denn überhaupt leisten und sehen, dass sie die richtigen Erwartungen wecken.

Daniel Renggli: Genau. Ja, das ist es ja, das Experience Management, beziehungsweise die eben die Erwartungshaltung zu managen, nicht die Experience, sondern die Erwartungshaltung zu managen. Und dies halt je nachdem, was du da in der Werbung versprichst, wird die dann oft am Touchpoint eben nicht eingehalten. Das führt dann normalerweise zu Frustration. Aber gut, lassen wir das. Kommen wir etwas mehr zum Thema Marketing und Vertriebsoptimierung generell, also weg von der Custom Experience, wobei natürlich beides sehr stark zusammenhängt, logisch. Marktforschung vielleicht zum Anfang. Was ist möglich und weshalb sollten wir uns auf die analytische KI oder weshalb sollten wir auf die analytische KI setzen?

Jan Schoenmakers: Wir hinterlassen ja inzwischen völlig natürlich mit allem, was wir tun, Datenspuren, genauso wie wir ausatmen, wie wir CO2 ausatmen, atmen wir Daten aus mit jedem Schritt, den wir gehen und damit kann eine kontinuierliche Erhebung und Auswertung dieser Daten von allen Menschen und Unternehmen im digitalen Raum eine viel viel höhere Abtastrate bieten, als jede klassische Marktforschung das jemals konnte und das vollautomatisiert. Das heißt, wir kriegen, wenn wir analytische KI nutzen, um diese unfassbaren Datenmengen, die wir mit jeder Millisekunde ausatmen, auszuwerten und darin die Trends, die Zusammenhänge, die Treiber zu erkennen, ein sehr viel realistischeres Bild als bisher, weil wir quasi die Grundgesamtheit und keine Stichprobe haben. Es gibt ja kaum jemand, nicht an diesem digitalen Leben teilnimmt und sehr, sehr viel schneller ein Bild, weil wir beinahe in Echtzeit sehen, was da passiert und nicht warten müssen, bis wir die nächste Befragungsrunde zusammen haben und terminiert und ausgewertet. Und damit können wir viel früher, viel schneller reagieren. Plus es ist auch Unternehmen möglich, das zu nutzen, die nie größer Marktforschung betreiben konnten, weil es viel zu personalaufwendig, viel zu teuer war. eben durch die Automatisierung. Damit haben wir einfach für sehr viel mehr Unternehmen als vorher eine sehr viel realistischere Sicht auf den Markt, die auch noch viel schneller reinkommt, so dass ich früher Trends erkennen kann oder früher auch neue Zusammenhänge erkennen kann. Zum Beispiel wir haben ein Lockdown. Was ändert sich im Lockdown an Kundenerwartungen und an Kaufverhalten etc. Und das kann analytische KI sowohl quantitativ als auch qualitativ. Auf der Seite, wie ändern sich Zahlen, ja, wo wollen mehr Menschen oder weniger Menschen ein bestimmtes Produkt oder eine bestimmte Dienstleistung, wie verändert sich zum Beispiel auch Mediennutzungsverhalten und ist das ein Strohfeuer wie der kurzfristige Clubhouse-Hype oder ist es ein nachhaltiger Trend, auf den wir uns einstellen sollten? Auf der anderen Seite aber diese gerade schon mit einerseits dem Knäckebrot-Beispiel, andererseits dem NPS Beispiel diskutierte qualitative language model basierte Analyse wie hängen denn inhaltlich die Bedürfnisse zusammen und was ändert sich da

Daniel Renggli: Jetzt gibt es immer mehr Leute, die sagen, ich habe eben ein bisschen Marktforschung betrieben via ChatsGPT. Ich habe da zwei Tage gute Prompts eingegeben und ich habe eigentlich alles, was ich wissen wollte zum Markt. Jetzt kann man sich darauf verlassen.

Jan Schoenmakers: Nein bis Jein. Es kommt darauf an, was man davon will. Ich hatte jetzt gerade auf der Bit and Pretzels ein sehr interessantes Gespräch mit einem Besucher an unserem Stand, der das so zusammengefasst hat. ChatGPT ist wie ein gutes Gespräch mit jemand, der das Internet auswendig gelernt hat. Das fand ich grandios, das fasst es total gut zusammen, denn ChatGPT generell, generative KI, die geht ja nicht los und recherchiert irgendwas live. Die lernt quasi permanent das Internet auswendig, so wie wir Menschen was auswendig lernen, abstrahiert davon, dabei geht ganz viel Information verloren, wie bei uns auch. Wir erinnern uns, ach, letztes Jahr in Südfrankreich, wir haben ganz viel Textur nicht mehr, wir könnten nicht mehr sagen, wird die Luft gerochen, was war da genau, wie viele Menschen standen da am Strand. Wir erinnern uns an den Sonnenuntergang mit der Liebsten und das haben wir uns gemerkt und so funktioniert es bei generativer KI auch. Sie lernt mehr als jeder Mensch je lernen könnte aus dem gesamten, fast dem gesamten Internet, aber dann merkt sie sich das, was sie für wichtig hält und diese Information, die sie für wichtig hält, die kann ich bei ihr abrufen. So wie wenn ich sage, ach Daniel, erzähl doch mal von deinem letzten Urlaub. Das ist auch nicht so, als wäre ich mit dir da gewesen. Wenn das reicht und wenn ich damit leben kann, dass so eine Erinnerung auch häufiger verfälscht, wie wir auch dazu neigen, Dinge zu romantisieren oder andersrum Dinge zu dramatisieren. Der Job, den wir gekündigt haben, der war immer schon der schlechteste. Natürlich, dann ist das super. Dann kann ich mit wenig Kosten sehr schnell einen Sparings Partner kriegen. Und wenn das reicht, dann ist ja gut. Oft reicht es aber halt nicht, wenn ich wirklich Kernprozesse im Unternehmen oder viel Geld, ich will ein neues Produkt entwickeln, ich frage mich, ist der Schweizer Markt was für mich oder bleibe ich in Österreich. Da geht es ja um Millionen, da geht es um Jobs, da brauche ich Präzision, da brauche ich Textur und die liefert mir eine generativer Chatbot nicht. Da brauche ich eine analytische KI, die wirklich in Echtzeit ausschwärmt und sagt, jetzt zähl mir bitte aus, wie viele Schweizer sich gerade, keine Ahnung, für Liegefahrräder interessieren und was die jetzt hier und heute damit erwarten. Lass mir die Textur drin, abstrahier das nicht über Gebühr und rechtfertige mir, erklär mir, warum du zu diesem Schluss kommst. Ich muss mich darauf verlassen können, weil ich im Zweifel jetzt hier 50 Millionen für die Erschließung des Schweizer Markts ausgebe, da würde ich ja auch im realen Leben nicht meinen Kumpel fragen, wenn ich überlege, ich ziehe nach Frankreich, wie war denn dein Urlaub in Frankreich, sondern da gehe ich vorher selber hin und gucke mir das Haus an, bevor ich es kaufe.

Daniel Renggli: Ja, wahrscheinlich könnte man es zusammenfassen, du hast echt sag gesagt, Mit Desk Research versus Field Research. In der Marktworschung spricht man viel von Desk Research. Also das, was du online findest, kommt dann dem gleich. Das sind ja wahrscheinlich Informationen aus bestehenden Studien, die teilweise auch nicht sehr aktuell sind, die vielleicht sogar veraltet sind. Und was sonst so diskutiert wird im World Wide Web, während dem das andere ist, ist eine Echtzeitdatenerhebung.

Jan Schoenmakers: Es sind auch oft Informationen, also generative KI ist sehr schlecht darin festzustellen, welche Quelle gut und vertrauenswürdig ist. Ein paar journalistische Quellen sind schon reingebacken, wo bestimmte Verlage auch dann überrepräsentiert sind, aber man kann zumindest sagen, die haben vielleicht eine gewisse Schlagseite, aber die arbeiten halbwegs professionell. Aber ansonsten muss man sich nur mal anschauen. Von GPT, Deep Research, über Perplexity bis Gemini, was für einen Murks, die an Quellen referenzieren. Wenn man ihnen sagt, referenzieren wir eine Quelle, dann werden da Expertisen zu ganzen Märkten getroffen, aufgrund irgendwelcher obskurer Werbeblocks. Der Grund, dass generative KI darin nicht gut ist, ist, dass sie nur auf die Texte schaut. Das sind eben in erster Linie Sprach- und Textmodelle und eben nicht auf die soziale Dimension. Während jetzt unser analytisches System, eben unser Neutrum, eben die Metadaten mit berücksichtigt beim Text. Wer hat den geschrieben? Was schreibt er noch? Aber vor allem, wie gehen die Menschen mit um? Wie viele lesen den? Wie viele zitieren den? Wie reagieren die drauf? Worauf reagieren die noch? Genau, um so eine soziale, eigentlich ähnlich wie Google mal zur besten Suchmaschine geworden ist, weil sie auch die soziale Relevanz, was machen die Menschen mit den Texten, verwendet haben, um zu sagen, wenn sehr viele Menschen das als autoritativ ansehen, ist es noch keine Garantie. Auch Autoritäten haben oft mal Unrecht, aber die Wahrscheinlichkeit ist höher, dass das seriös ist, als wenn das zwar gut klingt, dass aber nur irgendjemand sagt, der mit seiner Sicht von keinem anderen übernommen wird und der nur von seiner Mutter und sich selbst gelesen wird.

Daniel Renggli: Ja, schön. Verlassen wir das Thema Marktforschung. Ich glaube, zusammenfassend könnte man sagen, analytische KI ist hier wahrscheinlich die bessere Option auf der einen Seite und auf der anderen Seite ist es natürlich die günstigere Option im Vergleich zu eben traditioneller Marktforschung über Befragungen, langwierige teilweise Befragungen. Und was ja immer auch wichtig ist im Marketing und Vertrieb oder insbesondere im Vertrieb ist, wie hilft uns allenfalls die analytische KI neue Kunden zu finden und zwar nicht irgendwelche Kunden, sondern solche, die eine hohe Aufschlusswahrscheinlichkeit versprechen und einen hohen Customer Lifetime Value.

Jan Schoenmakers: Da muss man differenzieren zwischen B2B und B2C und zwar aus rechtlichen Gründen. B2C haben wir sehr sehr viele Punkte davon jetzt schon berührt. Wenn wir schon unsere Produkte besser auf den Markt ausrichten können, wenn wir das verbessern, wenn wir die Custom Experience an unseren Touchpoints verbessern und den After Sales, dann erhöhen, dann sollten wir damit den Kundenwert erhöhen. Und diese Korrektur habe ich gerade extra eingebaut, denn die Hypothese ist oft, ja wir erhöhen damit automatisch den Kundenwert, aber halt, tun wir das wirklich? Die analytische KI, die hilft uns das rauszufinden, wenn wir eben nicht nur wie das bei generativer KI auch schon immer der Fall ist, die eigenen Daten, unsere Business Intelligence Daten aus dem Unternehmen mit dazu bringen und sagen so liebe Algorithmen, jetzt stellt mir doch mal fest an unserem tatsächlichen Customer Lifetime Value und an unserem tatsächlichen Deckungsbeiträgen und Erträgen, was bringt uns wirklich mehr Geschäft, denn ein Unternehmen ist ja kein Sozialverein, das möchte gute Beziehungen, das möchte aber gute Beziehungen, um Geld zu verdienen. Und womit, mit welchen Schritten entlang der ganzen CX Wertschöpfungskette verdienen wir wirklich mehr Geld? Wer sind für uns die richtig, richtigen Kunden? Und das lässt sich nur beantworten daraus, das sind die, mit denen wir langfristig viel Geld verdienen. Das ist der Job von einem Unternehmen. Das können für uns die Algorithmen ermitteln aus unglaublich komplexen Zusammenhängen, wo man eben nicht nur sagt, ach ja, das sind die 40-jährigen Männer mit mindestens 5000 Euro Monatseinkommen, denn so stumpf ist die Realität nie. Das sind dann super komplexe Klassifikationsmodelle, wie extrem verästelte Entscheidungsbäume, die sagen, ja der Jan ist jetzt deswegen besser, weil hier, aber Vorsicht, der Faktor spielt auch ein und dann der und dann läuft das für jeden Kunden, wird jeder Kunde wird durch simuliert und die KI sagt mir, das kannst du von ihm erwarten, gelernt daraus, womit mache ich wirklich Geschäft. Das kann ich B2C eben mit meinen eigenen Kunden machen und daraus lernen, mit welchen Kanälen, mit welchen mit welchen Segmentierung und welchen CX Schritten verdiene ich mehr. B2B darf ich viel tiefer reingehen, weil ich von Privatpersonen in Europa eben keine Profile plattformübergreifend bilden darf, von Unternehmen aber schon. Wenn ich Unternehmenskunden habe, kann ich nicht nur sagen, liebe KI, liebe analytische KI, lerne aus meinen Umsätzen und bisherigen Kunden, wer die besten Kunden sind, sondern ich kann sagen, reichere diese besten Kunden an, um alles, was du über sie herausfinden kannst, was steht auf ihren Webseiten, was bauen sie für Stellen auf, was schalten sie für Werbung, wie werden sie bewertet etc., was melden sie für Umsätze und pack das ins Modell mit rein und dann geh los und finde mir draußen im Markt die Unternehmen, die auf dieses Beuteschema perfekt passen und die mit hoher Wahrscheinlichkeit meine nächsten besten Kunden sind. Reicher, die an, gibt mir alle Informationen, die ich für die Ansprache brauche und dann wird Vertrieb vom Schießen mit Schrott zum absoluten Laservisier, wobei ich solche martialischen Metaphern eigentlich nicht mag.

Daniel Renggli: Also du baust quasi digitale Zwillinge deiner besten Kunden.

Jan Schoenmakers: Exakt, um damit wirklich in Leadscouting zu gehen. Beim B2C darf ich ja nicht in dem Sinne Leadscouten, da darf ich über Marketing und kann dann segmentieren, Kunden binden etc. B2B kann ich wirklich jagen und sammeln gehen, rausgehen und sagen ich definiere hier individuelle Zielkunden im Markt dieses Unternehmen in Australien das wird super für mich und da schicke ich jetzt die Außendienste hin, das möchte ich jetzt haben.

Daniel Renggli: Ja spannend. Hilft uns die Analytica ja auch Kampagnen zu optimieren in Bezug auf deren Wirksamkeit und in Bezug auf unsere Budgets?

Jan Schoenmakers: Absolut, das ist der Prozess, den ich gerade bei B2C umrissen habe, dass die Algorithmen lernen aus unseren Response-Daten. Was haben wir wirklich am Ende des Tages umgesetzt, denn das muss ja der ultimative Prüfstein sein. Welche Kampagnen, welche Kanäle, welche Creatives, welche Argumentationsstrategien, welches Timing geben uns wirklich mehr Umsatz und mehr Ertrag im Unternehmen. Dieser Lernprozess, der diese Entscheidungsbaumodell dann hervorbringt, der kann mir damit auch genau sagen, an welcher Verästelung des Entscheidungsbaums lag es denn jetzt, dass die eine Kampagne oder das ein Argument super funktioniert und das andere nicht. Da kommt diese Explainability unserer analytischen KI zum Tragen, was eben jetzt ein LLM so nicht kann. Und damit weiß ich, wo ich ansetzen muss, um zu optimieren, um besser zu werden und kann mir aus dem System eben jenseits eines reinen Media Mix Modellings wirklich konkrete Empfehlungen generieren lassen, sagen, geh doch hierhin, ändere folgendermaßen dein Budget, dein Mix, dein Timing, dann wirst du so und so viel mehr Euro Umsatz machen oder so und so viel mehr Markenbekanntheit erreichen mit dem gleichen Budget. Und das funktioniert natürlich auch B2B. Das funktioniert überall da, wo ich meine eigenen Daten so weit zusammen habe, dass ich überhaupt sagen kann, habe ich denn Umsatz oder habe ich einen Ertrag gemacht. Das ist lustigerweise auch anno 2025 immer noch bei vielen Unternehmen eins der Kernprobleme. Überhaupt zu sagen, wo messe ich eigentlich meine Umsätze, gerade im mehrstufigen Vertrieb.

Daniel Renggli: Ja, sicher. Und auf der anderen Seite eben sehe ich auch, dass es Unternehmen gibt, die halt viel Geld ausgeben, beispielsweise für Search Engine Advertising, das sie gar nicht ausgeben müssten, weil sie eigentlich den meisten Traffic, 90, 95% des Traffics, die sie ausgeben, die haben eigentlich nur ein paar Stunden, die sie ausgeben müssen über organische Suchanfragen kriegen.

Jan Schoenmakers: Oder mehr und mehr über die KI-Suche von Perplexity, Google, GPT.

Daniel Renggli: Ja, natürlich, sowieso.

Jan Schoenmakers: Das ist genau das. Ich meine, dass Menschen da nicht gut hinterher kommen, teils liegt es ein bisschen auch an geistiger Faulheit. Manche Unternehmen gehen echt mit dem Geld um, als würde es ihnen eigentlich gar nicht gehören. Aber meistens liegt es ja nicht am mangelnden Motiv. Jeder gute Marketer

Daniel Renggli: Hmm.

Jan Schoenmakers: möchte eine ordentliche Wirksamkeit mit seinen Budgets entfalten, aber Menschen können gar nicht hinterher kommen. Denn wenn ich jetzt drei Kanäle habe, vielleicht, aber wenn ich da 30 verschiedene Marketing- und Sales-Kanäle habe und eine Produktpalette und dann noch verschiedene Creatives, da muss ich ja Millionen Kombinationen durchrechnen. Das kann ich mit dem besten Data Scientist und Statistiker nicht mit einem adäquaten Aufwand machen und in einer adäquaten Zeit. Das können aber analytische Karriere-Algorithmen für mich binnen Minuten machen, teils binnen Sekunden und können mir auf der Basis dann direkt zeigen, guck mal in diesem großen Gespinst sind das die paar Hebel die du wirklich hast die du bedienen musst und das sind Fähigkeiten die es vorher so auch gar nicht gab. Nur haben sich viele Unternehmen halt dran gewöhnt, dass man das ja leider gar nicht kann und das ist ein Paradigmenwechsel. Das kann man jetzt eben inzwischen und auch nicht nur die großen Werbetreibenden, weil uns die Algorithmen diese extrem qualifizierte schwierige früher langwierige Rechenarbeit abnehmen.

Daniel Renggli: Das heißt, Neutrum, die Lösung von Haas in die Igel, würde an dieser ganze Arbeit abnehmen und einem ganz genau aufzeigen, wo man was optimieren könnte.

Jan Schoenmakers: Absolut, das nutzen ja viele Unternehmen auch schon und haben damit durchschnittlich schon im ersten Jahr über 27 Prozent mehr Media Budget Effizienz und das ist ein Riesensprung. Das klingt dann schon fast unglaubwürdig, ist es aber überhaupt nicht, wenn man darüber nachdenkt, denn jeder der selber wirklich tief eine Kampagne und sei es so was relativ einfaches wie Google Ads ausgewertet hat und dann manuell optimiert hat und gesagt hat, oh interessant hier guckt mal diese Kombination aus Werbegruppe auf Keywords und folgendes Ad-Format das sieht doch am besten aus und das hat jetzt auch signifikant besser funktioniert und ich justiere das nach, dass man da teils noch ganz andere Steigerungen auch mal 100% bessere Performance kriegt. Das hat jeder Marketer der ein bisschen datengetrieben arbeitet, schon x-fach erlebt. Nur kämpft man halt gegen einen übermächtigen Gegner, wenn man das menschlich machen will, weil diesen Aufwand zu treiben, in der Tiefe alle Kreuzkombinationen zu analysieren, da kommt man nie hinterher. Das macht man höchstens in der Spitze. Und wenn man das mit der analytischen KI aus der Spitze in die Breite überführt und für alles macht, dann ist jedem klar, dass das überhaupt nicht hochgegriffen, sondern eher noch niedrig ist. Ehrlicherweise könnten die Optimierungsquoten ganz anders sein, wenn die Compliance der Unternehmen besser wäre. Denn oft schlägt unser Neutrumsystem dann vor, so solltest du es tun und die Unternehmen reagieren dann aber viel zu langsam oder gehen erst mal noch in drei Arbeitskreise bevor sie wirklich was ändern. Da wäre eigentlich viel mehr Effizienzsteigerung noch möglich, wenn wir auch die Prozesse agiler machen.

Daniel Renggli: Cool, jetzt wissen wir ganz genau was funktioniert, was nicht funktioniert, wo man optimieren könnte. Kann man das auch irgendwie automatisieren, also dass unsere Werbeanstrengungen sozusagen automatisch dann verbessert werden?

Jan Schoenmakers: Das kann man auf jeden Fall machen, wenn man die entsprechenden Systeme dahinter schaltet. Wir haben dazu ein sehr schönes Setup mit unserem Gesellschafter Macapo. Die sind ein großer Hersteller von Marketingportalen, in denen jetzt Händler großer Marken da automatisch Werbeplanung machen und schalten können. Also die Werbung wird dann wirklich automatisch erstellt, automatisch geschaltet, so dass dann zum Beispiel jeder Vodafone-Händler oder jeder Stilhändler da automatisch seine Werbung schalten kann, seine Werbekostenzuschüsse kriegt und das alles CD-konform ist. Und wenn man so ein System anschließt, ein analytisches KI-System wie Neutrum, dann hat man einen geschlossenen Kreis und das macht Macabro mit uns auch zusammen, dass eben unsere Karriere ausfindet. Was wird eben zum Beispiel der Vodashop vor Ort verkaufen können? Was wollen die Leute dort gerade und welche Mengen sind realistisch? Wo informieren sich für die Produkte, die man da jetzt gut verkaufen kann, die Leute? Wann kriege ich die am besten angesprochen? Auf der Basis schlägt Neutrum dann eine Mediastrategie vor und im Zweifel eine Produktpriorisierung. Das Macapo System übernimmt da und erstellt darauf für die Produkte cd-konforme Werbemittel und bucht die auf diese Media Strategie in die jeweiligen Kanäle automatisch ein und der Händler der muss eigentlich gar nichts mehr machen. Und aus den Ergebnissen der Werbung lernt das Neutron Modell wieder, sodass es auch immer noch besser Das geht, das geht auch heute schon. Allerdings...

Daniel Renggli: CD konforme Werbemittel, warte mal schnell. Das heißt, wir können aus den Erkenntnissen der Analyse die generative KI briefen, sodass die halt eben diese Werbemittel dann automatisch optimiert.

Jan Schoenmakers: Ja, auf jeden Fall. Wobei man da immer auch darauf achten muss, auf REC zu setzen und bestimmte Sachen zu inserieren. Also einerseits Retrieval Augmentation, dass man einer generativen sagt, du darfst das nur auf den von Neutrum gesicherten Daten machen und

Daniel Renggli: natürlich

Jan Schoenmakers: dass man dazu auch noch bestimmte Dinge einfach insertiert und vorgibt und sagt, aber so muss das Logo einfach aussehen, Punkt aus oder dieses Bild muss verwendet werden, denn so tickt ja CD auch, da ist ja wenig Spielmasse teilt. Das geht. Was mir aber wichtig ist, man muss eben überlegen, ob man und wo man das überall durchautomatisiert. Auch bei solcher Vollautomatisierung wie Vodafone, das zum Beispiel mit Macapo und Neutrum macht, sollte immer noch ein Mensch regelmäßig drauf schauen, um sicherzustellen, dass das wirklich das ist, was die Marke auch möchte. Dass das das Image vermittelt, das man vermitteln möchte. Denn dass es wirtschaftlich gut funktioniert, heißt ja noch nicht, dass es allein das mit der Vision, die man als Marke hat, das kann man versuchen, AKI beizubringen. Das funktioniert auch ziemlich gut, aber ich kann ja meine Marke nicht aus der Hand geben. Dementsprechend schauen auch da die Manager bei Vodafone, genauso wie Macapo und wir, auch regelmäßig drauf. Es ist einmal im Quartal immer ein Refinement, wo man auch diskutiert, muss irgendwas justiert werden, geht das in die richtige Richtung. Denn ich kann Marketing damit auf einem sehr hohen Niveau und mit einer Lernkurve, die besser ist als die von jedem Menschen, inzwischen schon voll automatisieren in manchen Bereichen. Aber möchte ich das? Weil Marketing ist wichtigsten Funktionen meines Unternehmens. Irgendein Mensch sollte dort immer noch einen Blick drauf haben zu sagen, ist das wirklich, bin das ich, sind das wir, wie wir sein wollen als Unternehmen und nicht nur funktioniert das wirtschaftlich.

Daniel Renggli: Das heißt, wir müssen da sinnvollerweise eine Art Freigabeprozess dazwischen schalten.

Jan Schoenmakers: Ja zumindest ein Review-Prozess, dass jemand eben, so wenn ich an Mitarbeiter

Daniel Renggli: Oder einen review process.

Jan Schoenmakers: delegiere, bin ich auch in der Regel ein sehr lästiger Chef, wenn ich alles persönlich freigeben will. Das ist Micromanagement. Aber andersherum, wenn ich dann ein Team an Mitarbeitern führe, muss ich auch laufend schauen, ob die gut arbeiten, ob die alles haben, was sie brauchen, um gut zu arbeiten und ob Ergebnisse rauskommen, die tatsächlich in meinem Sinn sind. Und so muss ich es mit einem Team an KI-Mitarbeitern genauso machen. Ich muss denen nicht jede Entscheidung abnehmen und freigeben, aber ich muss dauernd drauf schauen. Das ist wie autonomes Fahren. Ich darf inzwischen bei den besten Fahrzeugen die Hände vom Lenker nehmen, aber ich muss immer noch mit einer gewissen Regelmäßigkeit meinen Blick auf die Straße richten. Ich kann da nicht einfach mich langlegen und einschlafen oder einen Film gucken. Noch nicht, ja. Ich glaube auch beim Marketing

Daniel Renggli: Noch nicht.

Jan Schoenmakers: wird es in manchen Bereichen, läuft es ja heute schon vollautomatisch und das wird in immer mehr kommen, aber in der Spitze, da wo es wirklich auch um die Beziehungsgestaltung geht, in die Positionierung im Markt, die Positionierung meiner Marke, da wird es immer einen Menschen brauchen, der die Augen auf die Straße hält und der eingreifen kann, wenn es nötig ist.

Daniel Renggli: Ja, sehr schön, Jan. Wir müssen leider langsam zum Schluss kommen, aber vielleicht kannst du uns noch ganz schnell in ein paar Worten sagen, wohin die Reise geht. Also was erwartest du da in Sachen technologische Entwicklung.

Jan Schoenmakers: Es wird im Moment ganz viel gesprochen von der agentischen Revolution. Das ist ein Stück weit einfach auch der nächste Hype. Das merkt man schon daran, jenen der einem davon was erzählt, sollten wir erstmal fragen, wie ein KI-Agent der definiert und er soll mal drei Beispiele dafür nennen, da fällt schon viel in sich zusammen. Trotzdem ist das aus meiner Sicht nicht falsch, denn da steckt was Neues drin, was ich sehr wichtig finde. Der Abschied von der Idee, dass ein Modell oder eine Lösung alles löst. Nutzt GPT, dann brauchst du nichts anderes mehr. Oder vorher, wenn wir an klassische Office Software denken, nutzt Microsoft, da brauchst du nichts anderes mehr. Nein, nein, nutzt lieber Oracle oder SAP oder so, jetzt habe ich deine ganze Backstory durch. Dieses agentische Paradigma, damit macht sich die Branche ehrlich und die Nutzer kommen auch zunehmend auf die Erkenntnis, keiner kann alles. Auch unser Neutrumsystem kann nicht alles, es kann bestimmte Dinge fantastisch und andere mäßig und Dritte überhaupt nicht und das gilt andersrum für einen GPT, für ein Perplexity, für whatever und diese Erkenntnis ich muss mir überlegen welche Aufgaben ich automatisieren möchte mit KI und so wie ich mir ein menschliches Team zusammenstellt stelle ich mir ein KI Team zusammen ob ich die jetzt Agenten nenne Plattform teilweise werden es tatsächlich auch technisch Agenten sein teilweise werden es klassisch weiter Plattformen sein aber ich stelle mir ein Team zusammen bei dem es mir auf die verschiedenen Fähigkeiten aufkommt für das ich quasi Stellenbeschreibungen habe und gucke dass ich gestalte als menschliche Führungskraft, dass dieses Team gut zusammenarbeitet. Ich bin überzeugt davon, dass das bei KI die nächste große Entwicklung ist und dass das für Unternehmen wirklich toll wird, wenn sie bereit sind, sich damit zu beschäftigen, weil sie eben wegkommen aus diesem einseitigen Login mit Lösungen, mit denen man dann dauernd Sachen macht, für die sie eigentlich gar nicht gedacht sind und hin dazu, dass sie sich zusätzlich, teilweise muss man ehrlicherweise auch sagen parallel oder anstatt ihrer menschlichen marketing teams ki marketing teams bauen aber mit der betonung auf teams

Daniel Renggli: Ja, ich sehe das auch so. Ich meine, letztlich ist es ja ein Zusammenspiel zwischen der generativen, der analytischen und auch der robotischen KI, also der RPI, Robotic Process Automation. Wenn du die Definition eines Agenten anschaust oder eine Agentic AI ansiehst, dann ist es eigentlich genau das, sie analysiert, sie handelt eigenständig und sie gibt dann irgendwelche Anweisungen an die Maschine, die sie ausführt oder der Agent. Und da bin ich auch gespannt, in welche Richtung das noch geht, beziehungsweise was uns Menschen da alles abgenommen wird an Arbeit in Zukunft. Aber noch eine ganz andere Frage zum Schluss, Jan: Wann gehst du mit deiner a Band auf Tournee?

Jan Schoenmakers: Aber Tournee kann man das leider noch nicht nennen. So viel werden wir noch nicht international gebucht. Das kann sich ändern, wer sich mal wearpointless.de anschauen möchte.

Daniel Renggli: Ich wollte gerade sagen, Du müsstest den Namen noch nennen.

Jan Schoenmakers: Vielleicht kriegen wir jetzt ganz viele Buchungsanfragen aus der Schweiz. Ich würde ja total gerne zu den Altgenossen kommen.

Daniel Renggli: Der Podcast, Jan, der wird mehrheitlich in Deutschland gehört, nicht in der Schweiz.

Jan Schoenmakers: Ja, aber auch in Deutschland touren wir gerne. In Deutschland touren wir auch schon ein bisschen,

Daniel Renggli: Natürlich.

Jan Schoenmakers: allerdings noch mehr in der Nord- als in der Südhälfte.

Daniel Renggli: Also, pointless.de.

Jan Schoenmakers: wearepointless.de

Daniel Renggli: We are pointless.de. Wunderbar. Ja, vielen herzlichen Dank, Jan, für dieses sehr inhaltsreiche und gute Gespräch. Wenn Ihnen dieser Podcast gefallen hat, bewerten und abonnieren Sie ihn, um seine erfolgengängigen Kanäle zu finden. Vernetzen Sie sich mit mir oder meinen Gästen auf LinkedIn und diskutieren Sie mit am einfachsten, indem Sie den Hashtag #BeyondCXM verwenden bei Ihrem nächsten Post. Ich freue mich aber auch immer über persönliche Nachrichten. Bis bald. So, dann stoppe ich hier.