Beschreibung

"Seinen Lieblingskunden kennen und diesen treffsicher beschreiben können, ist die Pflicht eines jeden Unternehmers." Wie relevant diese Aussage von Phil ist, wird deutlich, wenn wir einmal die Zeit und das Geld aufrechnen, die wir für Marketing-Aktivitäten sonst ziellos aus dem Fenster werfen. In dieser Folge sprechen wir über einen KI-basierten Service, mit dem sogenannte Buyer Personas datengetrieben erstellt und aktuell gehalten werden können. Mehr Details auf der Folgenseite unter webgefaehrte.de/podcast.

Schlagwörter
Unternehmer Podcast für Internet Marketing
Unternehmer Podcast für Internet Marketing
Folge 016 - Buyer Persona als Service
Loading
/
Erfolgsrezept

Buyer Persona unvoreingenommen kennen und regelmäßig updaten

Invest

  • 15-30min für Setup des Tools
  • keine Daten-Segmentierung vorab
  • 72 Stunden Verarbeitungszeit (initial)
  • Spätere Updates im Sekundenbereich
  • Kosten: 1.100 USD pro Buyer Persona
  • 1-5 Arche-Typen (Buyer Persona)
  • Beschreibung rationalen (Needs) und
  • Emotionalen Ebene (Go-Tos)
  • Empfehlung zu Kanal, Medium & Tonalität
  • Conversion Rate Steigerung (⦰ 180%)

Return

Intro


[0:02] Unternehmer-Podcast für Internet-Marketing, Folge 16. Ich sage Hallo und herzlich Willkommen zu einer neuen Folge des Unternehmer-Podcasts. 
Mein Name ist Jan von Webgefährte. 
Heute möchte ich Sie auf eine besondere gedankliche Reise entführen, mit meinem heutigen sprechen wir über unsere Lieblingskunden, wie wir diese treffsicher charakterisieren, und mit diesem Wissen über die sogenannte Bayer Persona die bestmögliche Personalisierung für Werbeanzeigen oder Social-Media-Posts, aber auch Webseiteninhalte und andere Marketing-Vehikel zu erreichen. Jetzt fragen Sie sich vermutlich, was ist denn das Besondere daran? In einem Wort, und die Geschwindigkeit, mit der dies in der heutigen digitalen Welt möglich ist. 
Wenn Sie erfahren wollen, was eine datengetriebene Persona ist, welche Daten für die Erstellung verwendet werden und wie wir diese zeitsparend im Online-Marketing einsetzen können, dann lade ich Sie herzlich ein, in den nächsten Minuten dabei zu sein. 
Ich wünsche Ihnen erkenntnisreiche Einblicke und ganz viel Freude beim Hören. 

Vorstellung des Gastes


[1:31] Seine Mission, Potenziale von künstlicher Intelligenz verstehen und vorantreiben. 
2020 veröffentlichte er sein Buch Künstliche Intelligenz in der Praxis und beschreibt darin, Anwendungsfälle, mit denen Unternehmen und Unternehmer KI wettbewerbs- und zukunftsorientiert einsetzen. Als Mitgründer von Mnemonic AI möchte er uns den Spaß an der Arbeit in der zunehmend komplexer und schnell-lebigeren digitalen Marketingwelt zurückbringen. Dafür entwickelt er seit 2019 eine KI-basierte Plattform, mit der er bereits mehreren hundert Marken ermöglicht, die Bedürfnisse ihrer Kunden einfach per Knopfdruck verstehen zu können. 
Seine inzwischen 20 Jahre Erfahrung teilt er beispielsweise auf Entwicklerkonferenzen wie der PyTexas oder als Gast in Podcasts für die digitale Arbeit. 

[2:41] Was sich hinter dem Begriff Psychographie verbirgt, welches Potenzial aus der Nutzung Daten getriebener Bayer und anderer Personas für uns Einzelunternehmer bereits heute heben lässt. 
Und wie sich dieses Potenzial in naher Zukunft entwickeln wird, das verrät er uns nun am besten selbst. Ich sage ganz herzlich Willkommen im virtuellen Podcast-Studio, lieber Phil Wenker. 

[3:09] Hi Jan, danke für die Einladung. Super gerne, ich freue mich riesig, dass du die Zeit findest. 
Bevor wir jedoch inhaltlich in dein spannendes Thema eintauchen, wollen wir doch unseren Zuhörern mal die Möglichkeit geben, dich so ein bisschen kennenzulernen. 
Bist du ein Kind der 70er, 80er, 90er Jahre? Und was hat dich in diesem Jahrzehnt besonders geprägt? 
Ich bin ein Kind der Achtziger, also der ersten Generation der Achtziger. 
Das hat mich da geprägt, also ich glaube, das war eine große Zeit der Umwälzung, die ich als Kind miterlebt habe. 
Sowohl politischer Struktur, wenn man mal in Deutschland denkt, was so in den Achtziger bis in die Neunziger hinein passiert ist, gesellschaftlich, technologisch. 
Ich bin nicht traumatisiert von den 80er-Jahren, außer von der Musik vielleicht, aber ansonsten geht’s, glaube ich. 
Verstehe ich. Für unsere Zuhörer, die jetzt mit deinem Namen noch nichts anfangen können, du verbringst heute einen großen Teil deiner Zeit auf der anderen Seite in den USA, bist aber in Deutschland geboren, im Münsterland, wenn ich das richtig verstanden habe. 
Und damit, glaube ich, können unsere Zuhörer da schon ein bisschen was sich darunter vorstellen. 
Welchen Traumberuf hattest du als Kind und warum genau diesen? 

[4:36] Welchen Traumberuf? Boah, das ist schwierig. Ich glaube, sehr lange Zeit Archäologe wollte ich werden. Vor allen Dingen Ägypten fand ich spannend als Kind, wenn ich mich so zurückerinnere. 
Oder Pyramiden und Hieroglyphen. Das fand ich ziemlich spannend, dass wollte ich, glaube ich, mal sehr lange Zeit werden, ja. Und war es da die beeindruckende Größe einer Pyramide und die damals zur Verfügung stehenden, weiß ich nicht, beschränkten Mittel, die man hatte, um sowas zu bauen, oder was hat die Faszination für dich ausgemacht? 
Ich glaube, als Kind hat man, glaube ich, noch nicht so die Relation, wie schwierig es war oder nicht schwierig es war, eine Pyramide händisch zu errichten. 
Ich glaube, mich haben tatsächlich hauptsächlich die Hieroglyphen interessiert, also ein anderes Schriftbild, wenn ich so drüber nachdenke. 
Auch das kann ich nachvollziehen, wenn ich die Biografie von Steve Jobs im Hinterkopf habe. 
Er hatte auch, glaube ich, so ein Faible für Schriftarten zumindest und das, was darüber auch an Effekt beim Leser transportiert werden kann. 
Aber spannend, okay. 

[5:45] Bleiben wir noch ganz kurz in der Kindheit. Hattest du vielleicht ein Idol? Und wenn ja, was hast du an diesem bewundert? 
Ich glaube nicht. Also ich wusste jetzt keinen. 
Kein Superman? Kein klassischen Action-Hero? Nee, ich glaube nicht. Aber ich bin auch, glaube ich, nicht der Typ für Helden. 
Alles gut. 

[6:06] Dann schwenken wir mal so ein Stück weit Richtung deiner unternehmerischen Tätigkeit ein. Was war denn für dich der Auslöser, bei Mnemonic einzusteigen bzw. dort als Mitgründer tätig zu sein? Oh, das hat eine kleine Vorgeschichte. Ich habe meinen Mitgründer kennengelernt in einer Forschungsinitiative von der EU. Horizon 2020 hieß die damals. Da ging es so grundsätzlich um, was kann man mit Technologie, neuen Technologie, maschinellem Lernen machen, innerhalb der EU natürlich auch immer in Bezug auf Datenschutz. Das war noch prä-DSGVO. 
So haben wir uns kennengelernt und haben dann an verschiedenen Themen gearbeitet, die in diesem Bereich verortet sind, würde ich sagen. Wir hatten dann ein bisschen Medien-Coverage im guten deutschen WDR und auf 1Live und so etwas, weil wir die Ersten waren, die nachweisen konnten, also wissenschaftlich reliabel nachweisen können, konnten, wenn auf Social-Media-Plattformen irgendwas gefakt worden ist. 
Also das war lange Zeit vor irgendwelchen Troll-Armeen oder wie man es jetzt in der Presse nennt, und sind dann tatsächlich von extern angesprochen worden, ob man das nicht umdrehen könnte, um zu gucken, okay, was würde denn gut funktionieren. 
Und so wurde dann die Idee für Mnemonic geboren, haben dann noch relativ viel Zeit mit. 

[7:31] Mit Research verbracht und Development, bis wir ein System hatten, was einen Beta-Status hatte, wo wir dann die vier Kunden gewonnen haben, die bereit waren, das auszuprobieren. 
Daraus ist dann Mnemonic geworden. 
Ich verstehe. Und deine Rolle dort, mal so in zwei Sätzen oder drei Sätzen zusammengefahren? 
Ich bin komplett mit dem Research, also mit der Erforschung von maschinellen Systemen oder künstlicher Intelligenz beschäftigt. Ich mache nichts anderes. 
Also bist du eher technische Part bei euch als Rundungspartner, verstehe. 
Na, bist du ja genau der richtige Gesprächspartner heute für mich, für das Thema. 
Da können wir ja richtig tief eintauchen. Ich freue mich drauf. 

Einordnung des Themas


[8:11] Können wir mal das Thema mal inhaltlich so ein bisschen umreißen? 
Ich habe in meiner Einleitung schon mal den Begriff Psychographie erwähnt. 
Vielleicht können wir da mal starten. Was ist in deiner Interpretation Psychographie? 
Und warum ist diese bei der Personalisierung von Inhalten, sei es jetzt auf einer Webseite oder bei einer Kampagne, in einer Werbeanzeige, wie auch immer, warum ist diese aus eurer Sicht so wichtig? 
Also Psychographie würde ich definieren als das Vermessen der Persönlichkeit eines Individuums oder einer Gruppe von Individuen. 
Wir haben ja in der Psychologie, in der Psychiatrie ja oft das Problem, dass wir es mit relativ schwammigen Begrifflichkeiten zu tun haben. 
Wo dann auch immer sehr viel Raum für Interpretation ist, was das denn jetzt bedeutet. 
Psychographie als solches ist eine relativ alte Wissenschaft. 
Das Modell, was wir nutzen, nennt sich Big-Five-Factor, beziehungsweise das Ocean Model. 
Das wurde 1960 in Deutschland und parallel ein analoges Modell in den USA entwickelt von Psychologen. 
Man hat herausgefunden, dass man Persönlichkeit auf fünf Skalen messen kann oder vermessen kann, robust. 
Es gibt noch ganz viele andere. Es gibt DISC, das ist hier in den USA sehr populär. 
Es gibt Myers-Briggs-Type-Indicator, heißt es, glaube ich. 
Das Schöne beim Ocean-Modell ist, das ist das Einzige, meines Wissens, das sich wissenschaftlich tatsächlich bewiesen hat. Also es gibt über 2000 Studien, die die Funktionalität dieses Modells der Psychographie belegen. 
Es gibt eine Diskussion, ob man diese Einzelspektren, die sich Traits nennen, ob man die noch weiter differenzieren kann oder ob es vielleicht sogar noch ein sechstes gibt. 
Aber die grundlegende … 

[10:03] Messgröße dafür ist tatsächlich relativ robust wissenschaftlich, also robust, wie es in der Psychologie vielleicht sein kann. 
Da hat man natürlich viel mit individueller Ausprägung zu tun beim Individuum. 
Das Problem an der ganzen Geschichte ist, dass, um die Persönlichkeit eines Menschen zu erheben, muss man bisher das Individuum durch einen 144-Fragen-Katalog führen. 

[10:29] 1, 4, 4. Habe ich das richtig verstanden? Korrekt. Es gibt ein paar Versuche, das mit weniger Fragen zu beantworten, aber dann verlierst du natürlich Vorhersagegüte. 
Und das ist relativ umständlich, würde ich mal sagen. Vor allen Dingen jetzt, wenn wir an die Zielgruppe deines Podcasts denken. 
Du kannst ja nicht bei jedem deiner Kunden erstmal so ein 144-Item-Fragenkatalog vorlegen und hoffen, dass sie dir den beantworten. 
Du hast natürlich dann alles, was mit Interviews, mit Umfragen, diese Survey-Bias-Geschichten und alles, die damit reinspielen, die so Ergebnisse gerne verfälschen. 
Daher hat sich vor Anfang der 90er-Jahre ein sehr schlauer Mensch, lustigerweise auch hier aus Austin gedacht, J.T. Pennebaker, vielleicht drückt sich Persönlichkeit ja auch in Sprache aus oder in Sprachmustern, in der Verwendung von Grammatik, von Verben, so etwas alles, und hat dann festgestellt, die auch stimmt. 
Er hat dann ein sehr, sehr großes Lexikon geschaffen, mit dem man händisch dann quasi jede Äußerung nach Flexionen, nachschauen kann, was das für eine Aussage über die Persönlichkeit zulässt, und wir haben ein neuronales Netz entwickelt, das das macht. 
Also wir brauchen noch 128 Zeichen, nicht Wörter, Zeichen, um die Persönlichkeit eines Menschen mit zwischen 94 und 98-prozentiger Genauigkeit beschreiben zu können. 

[11:55] Und wichtig ist das Ganze, um jetzt mal den Bogen zurückzuschlagen, weil alles, was wir haben, Vorlieben, wie wir kommunizieren, wie wir rezipieren, Medien, Nutzung und so etwas, alles lässt sich ziemlich stringent auf die Persönlichkeit zurückführen. Weil wir wissen, dass die Persönlichkeit in unserem Gehirn quasi eingebaut ist. 
Also, die ist ausgeprägt, wenn wir so… 
20, 21 spätestens sind, ist die hard-wired, wie man hier sagt, und da machen wir auch nix dran. 
Also können lernen, damit umzugehen, wie sehr wir unseren Persönlichkeits-Traits erlauben, sich nach außen auszuprägen, das können wir ja lernen, aber in der grundsätzlichen. 

[12:37] Ausprägung der Persönlichkeit ändert sich erst mal nix, wenn wir nicht ein schweres Trauma erleben, zum Beispiel. 
Trauma Forschung ist bei Persönlichkeiten nicht hoch. Und natürlich physische Einflussnahme aufs Gehirn durch eine Verletzung würde das auch verändern. 
Oder Tumore oder so etwas. Persönlichkeit bestimmt, wie gesagt, alles, wie wir reagieren. 
Zum Beispiel auf welche Reize wir reagieren in Online-Werbung. 
Ob wir eher ein zahlengetriebener Mensch sind oder eher ein emotional getriebener Mensch. 
Ob wir eher Bilder oder eher Videos mögen oder eher Text oder Statistik. 
Sowas alles wird davon beeinflusst. 
Und wir benutzen das als Kriterium, um Targeting zu erlauben, im Prinzip, oder ein verbessertes Targeting-Möglichkeiten zu geben. 
Unsere AI analysiert deinen Kundenstamm und gibt dir dann eine Anleitung, eine Empfehlung, wie du mit dieser Gruppe von Personen, also wir machen das nicht für das Individuum, sondern wie du dieser Gruppe von Personen, wie du sie aufteilst anhand ihrer Persönlichkeitskriterien und wie du jedes einzelne Subsegment im Prinzip am besten ansprichst, um erfolgreich dein Produkt zum Beispiel zu verkaufen. 

[13:45] Also kleinstes gemeinsames Vielfaches hast du, glaube ich, mal verwendet als Erläuterung. 
Welche Eigenschaften haben alle Leute in diesem Segment gemeinsam? 
Ja, genau. Und es gibt halt tatsächlich relativ viele Untersuchungen, dass zum Beispiel Demografie, also rein Alter, Geschlecht als Segmentierungsgrundlage mit die schlechteste Vorhersagegüte hat, um zu sagen, ob jemand etwas kaufen will, zum Beispiel oder nicht. 
Sondern dass halt andere Faktoren viel, viel stärker sind. Und ich glaube, das, was wir bei unseren Kunden sehen, unterstützt die Vermutung sehr stark. 
Das hat auf jeden Fall mal erklärt, nicht nur die Definition des Begriffes, sondern auch, was damit möglich ist. 
Der Fairness halber vielleicht noch eingeworfen. Es gibt auch hier in Deutschland verschiedene Modelle. 
Beispielsweise die Nymphenburger Gruppe hat auch ein Modell rausgebracht, wo man die Persönlichkeit in sieben verschiedene Gruppen einteilen kann. 

[14:38] Und nach den häufigsten Tests, die man da macht, fällt man vermeintlich nicht genau in eine Gruppe, sondern zum Teil auch mal dazwischen. Gibt es so ein Ergebnis, also wenn jemand dann mit eurer Systemlösung dort arbeitet, gibt es dann immer genau eine Empfehlung für eine Gruppe oder wie sieht das dann aus? Also beim Ocean-Modell hast du ein Spektrum über fünf Parameter im Prinzip. 
Also wir haben, am Ende kommt jetzt nicht raus, du bist nicht der Forscher oder der Ingenieur oder sowas, sowas kommt dabei nicht raus bei uns. Also wir haben halt fünf Skalen und die sind auch relativ fluent. Es gibt natürlich ein paar Ausprägungen auf den Skalen, die eher im pathopsychologischen Bereich sind, die wir hoffentlich nicht so häufig sehen. Aber wir haben festgestellt dann für die weitere Nutzung, dass die größten drei Ausprägungen eigentlich die meiste prädiktive Fähigkeit haben. 
Also wir messen das komplette Spektrum, also alle fünf Skalen, aber wir wissen, dass die dominanten drei den größten Einfluss darauf haben, wie du auf irgendeinen externen Stimulus reagieren wirst. Ich meine, darauf kommt es ja letztendlich an. Es kommt ja nicht darauf an, jemanden möglichst genau zu beschreiben, sondern die Handlungsempfehlungen mitzugeben, die am Ende dazu führen, dass ich weiß, okay, wie muss ich meine Werbeanzeige gestalten, mit einer entsprechenden Infografik, wo Zahlen drin sind, weil jemand sich von sowas besonders gut überzeugen lässt. Und das. 

[15:59] Dann in die Umsetzung zu bringen. Wunderbar. Können wir uns vielleicht im Verlauf unserer Unterhaltung auch nochmal an einem Beispiel angucken? Da wird das dann auch nochmal greifbar. 

[16:09] Ich würde sehr gerne nochmal auf das Thema maschinelles Lernen eingehen. Du beschäftigst dich damit und auch den Vorstufen davon, hast du mir erzählt, an verschiedenen Unis, auch schon seit 20 Jahren. Welche Rolle spielt maschinelles Lernen bei der Erstellung dieser Personas und warum, glaubst du, ist das ein besonders gutes Werkzeug, um solche Personas zu erstellen? Also grundsätzlich würde ich sagen, ich finde es halt geil, um das deutlich zu sagen. 
Ich finde es spannend. Wie gesagt, ich beschäftige mich da schon mit, als es noch statistisches Lernen hieß irgendwie. Okay. 

[16:45] Und ich sitze nach wie vor, wenn ich mich auf unseren Servern einlogge und sehe, was die Systeme machen, und ich bin nach wie vor begeistert davon, dass es funktioniert. 
Also ich zweifle nicht an, dass es funktioniert, aber ich finde es nach wie vor cool. 
Und ich glaube, jetzt durch diesen Hype mit Chat-GPT wird, glaube ich, zum ersten Mal in der breiten Masse der Nutzer deutlich, was die Leistungsfähigkeit von Maschinen im Lernen oder künstlicher Intelligenz, welche Begriffe wir da jetzt auch nutzen wollen, überhaupt ist. 
Der Vorteil von der Nutzung von Deep Learning, was wir nutzen, um Personas zu erstellen, erschließt sich, glaube ich, vor allen Dingen, wenn du siehst, wie es sonst gemacht wird. 
Also, was ist die Alternative? 
Gängig ist zur Persona-Erstellung, dass man, also zumindest in Unternehmen einer gewissen Größe, erstmal einen Arbeitskreis bildet. Klassisch deutsch. Arbeitskreis. 
Man guckt dann okay, welche daten haben wir überhaupt über unsere Kunden das machen alle Menschen. 

[17:45] Durchschnittlich gehen ungefähr 150 Mann-Stunden drauf für diese Erstanalyse was haben wir überhaupt an daten das sind nicht daten von uns das sind Daten von einem der  Big4 – ich weiß ich nicht genau, glaube KPMG oder PwC – ich möchte jetzt auch niemanden zu nahe treten, und dann gibt es natürlich auch externe Agenturen oder Berater die reinkommen und sagen okay wie können wir denn so, Workshops wie erarbeiten wie so ein Kundenprofil aussieht, Von dem was wir festgestellt haben als wir uns angeguckt haben wie der Markt funktioniert was Leute bisher machen das sind die alternativen, Bevor wir überhaupt überlegt haben bauen wir da jetzt was für, War das Endergebnis immer das Personas dann im Unternehmen meist sein Kompromiss sind was ja grundsätzlich per se nichts Schlimmes ist, aber wenn du halt deinen Kunden möglichst genau beschreiben möchtest, sind Kompromisse vielleicht nicht zwingend das Richtige, sondern du willst halt eine exakte Beschreibung haben. Und im schlimmsten Fall ist es das, was hier in den USA Hippodecision genannt wird. Also der der höchsten Seniorität oder der höchsten Gehaltsklasse entscheidet am Ende, wie die Person aussieht. Und das hast du halt alles nicht mit uns. Unser System hat halt keine Vorlieben. Unser System hat auch keine Fantasie, Also es erfindet nichts. Wir haben in unserem neuronalen Netz nicht das Problem der Halluzination, was zum Beispiel ChatGPT hat. 
Das analysiert halt einfach Daten und gibt dir die Personas zurück, ob du das magst oder nicht. 
Und das ist zum Beispiel ein Faktor, dass wir hatten, dass das oft gar nicht gewollt ist. 

[19:13] Also man hat in Unternehmen, gerade Unternehmen einer gewissen Größe, hat man eine Vorstellung, hey, das sind unsere Kunden. 
Und so haben wir immer schon über unsere Kunden gesprochen, das sind unsere Kunden. 
Und wenn unsere AI dann daherkommt und sagt so, hey, aber deine Kunden sehen eigentlich so aus, stößt du durchaus auf Widerstand. 
Das ist, glaube ich, auch relativ menschlich. Und der zweite große Vorteil ist halt die Geschwindigkeit und die Dynamisierung, würde ich sagen. 
Ich habe es gesagt, 150 Stunden für die Erstanalyse von Daten, ob sie vorhanden sind und was nicht. 
Wenn man es als Mensch macht, unser System braucht maximal 72 Stunden, um zum ersten Mal Personas zu erstellen. 
Wenn wir dann Personas updaten, weil sich vielleicht, was an deinem Unternehmen geändert hat, an deinen Produkten oder an deinen Kunden, brauchen wir noch 12 Sekunden. 

[19:59] Das hätte ich gerne auch noch eingeworfen, unter dem Motto, die einmalige Erstellung ist ja das eine. 
Aber wir haben ja auch in der Einleitung darüber gesprochen, dass es speziell im Online-Marketing so dynamisch ist, dass ich sagen kann, okay, was ich 2022 als Customer-Persona definiert habe, inwieweit ist das noch nutzbar, auch zwei Jahre später? 
Und da eine Möglichkeit zu haben, die dann schon, ich sag mal, angeschlossenen Datenquellen zu nutzen, um diese Persona anzupassen und einfach zu sehen, bin ich da noch mit der richtigen Ansprache unterwegs, das ist ja schon allein ein Riesenmehrwert. 
Also ich meine, wir haben ja alle die Pandemie erlebt. Da haben sich von heute auf morgen Kundenwünsche oder Kundenbedürfnisse sehr, sehr drastisch geändert. 
Vorher wolltest du Mercedes haben, dann wolltest du auf einmal Toilettenpapier haben. Und das sind halt alles Dinge, die du mit statischen Personas nicht abbilden kannst. 
Und es gibt Untersuchungen darüber, dass Unternehmen im Durchschnitt ihre Personen nach alle vier bis sechs Jahren nur aktualisieren. 
Überleg mal, was vor vier Jahren wie da der Markt ausgesehen hat oder die Welt ausgesehen hat oder vor sechs Jahren. 
Und finde ich unternehmerisch riskant, muss ich ganz ehrlich sagen. 
Bis grob fahrlässig. Das sind halt einfach alles Dinge, die… 

[21:22] Die Problematiken, die du mit künstlicher Intelligenz einfach nicht mehr hast. 
Ganz genau. Um das vielleicht nochmal aus Unternehmersicht so ein bisschen zu untermauern, ist natürlich, ja, was ist denn, wenn ich mir sechs Jahre lang nicht die Charakteristika meines Lieblingskunden anschaue? Ich verbrenne halt einfach Geld im Online-Marketing. Egal, ob ich organisch oder anorganisch meine Zielkunden erreichen möchte, muss mich dann halt einfach nur nicht wundern, dass meine Conversion-Rate nach unten geht. 
Sehr guter Punkt. Was mir besonders gefallen hat, war auch dein Hinweis, wir sind mit der Nutzung des Systems in keiner Art und Weise irgendwie voreingenommen. Der Christopher Mey hat das auch in seinem Podcast erwähnt, als wir über Conversion-Optimierung so mit Eye-Tracking und Heatmap gesprochen haben. Da ist es ja der gleiche Ansatz. Also, das System hat gelernt, wie funktioniert der Betrachter, der vor dem Computer sitzt, welche Augenbewegungen führt er in der Regel aus und kann dann mit einer entsprechenden Wahrscheinlichkeit auch sagen, okay, auch wenn du deine Lieblingskunden dann vor deine Webseite oder deine Marketingbroschüre setzt, dann werden sie in ähnlicher Art und Weise reagieren und das bestätigst du jetzt auch noch mal aus Sicht der Bayer-Persona und das finde ich schon alleine ein überzeugendes Argument. 
Ja, Bias in Artificial Intelligence ist ja generell ein sehr großes Thema, also auch global gesehen. 

[22:43] Wir haben da den Vorteil, wie unser System gebaut ist, dass unser System keine externalen Faktoren anlegt, sondern immer auf den Daten deines Unternehmens agiert. 
Ob Daten, die du besitzt, oder ob das Daten sind, die wir öffentlich gefunden haben, aber es sind immer Daten von deinem Unternehmen. 
Und ganz salopp gesagt, wenn du Idioten als Kunden hast, dann sind auch die Personen als Idioten. 
Also unser System schleift das halt einfach durch. 
Höre ich zumindest bei dir aus, ist ja für eure Lösung ein ganz weites Spektrum. Also das kann ja von manuellen Fragebögen, die ihr dann digitalisiert oder auch mit einer API bestehende Quellen anzuzapfen, da seid ihr ja leidenschaftslos. Habe ich das richtig? Ja, also wir sind tatsächlich Quellen offen. Source-Agnostik, so schön ein Neusprech. Wir nehmen alles. Wir nehmen Videos, wir nehmen Audio, Text. 
Bilder nicht, also Text auf Bilder nehmen wir nicht, aber sonst, wir nehmen dein Social-Media-Profil, wir nehmen, E-Mails, wir nehmen Customer-Reviews. 

[23:43] Sales-Data und das Schöne ist, dass Deep-Learning, also unser System weiß ja, was am Ende rauskommen soll, und kann dann selber bestimmen, dass dieser, diese Datenquelle ein hohes oder ein niedriges Gewicht haben soll in der Erstellung der Person. 
Das heißt, wir müssen dann manuell gar nicht eingreifen. Wir sagen im Prinzip immer kippt rein an Daten, was ihr habt. Das System findet das schon selber heraus, ob es das benutzen kann oder nicht. Es gibt natürlich ein paar Güte Metriken, das würde jetzt sehr technisch sehr kleinteilig werden, aber wir haben für uns intern ein System entwickelt, was wir, Informationsdichte nennen. Das heißt, individuell für dein Produkt oder für deine Marke kann unser System bestimmen, ob das wertvolle Daten sind oder nicht. Sagen wir, du hast ein dreiseitiges Review, was von einem Uni-Professor geschrieben worden ist und ein LOL-Kommentar von einem Teenager. 

[24:42] Das würde man normalerweise sagen, dass der Wahrscheinlichkeit höher ist, dass das Review von dem Uni-Professor mehr Details erhält, mehr in die Tiefe geht, dass der gewohnt ist, eine Argumentation zu schreiben, dass das logisch aufeinander aufbaut und so etwas. 
Also da könnte eine hohe Informationsdichte sein, wohingegen das LOL relativ ambivalent ist, erstmal in der Bedeutung, und halt nicht viel über das eigentliche Produktaussagen. 
Das Problem ist halt nur, wenn sich das Ganze um eine TikTok-Werbekampagne dreht, dann kann halt das LOL tatsächlich deutlich mehr Gewicht haben, als der The Review eines Uni-Professors, der sich darüber aufregt, dass seine Daten nach China abgehen. 
Und das ist was, was unser System selbstständig bestimmen kann. 
Und dementsprechend auch Weights zuschlägt, welcher Kommentar oder welcher oder welcher Datenpunkt jetzt gerade der relevante ist. 
Verstanden. Du hast ein paar Begrifflichkeiten erwähnt, beispielsweise Deep Learning. Ich würde die in den Shownotes einfach auch nochmal mit einem kurzen Kommentar versehen für diejenigen, die damit nichts anfangen können, sodass wir da auch jeden auf jeden Fall mitnehmen. 

[25:54] Und apropos mitnehmen, vielleicht können wir an der Stelle, wenn wir über vielleicht auch den Nutzen, ja, also was zieht man aus einem dann datengetrieben erstellten Persona-Profil dann auch für unternehmerischen Nutzen. 
Vielleicht können wir an der Stelle wirklich auch nochmal den Videokanal öffnen, ja? 

Anwendungsfall


[26:13] Du hast eine Demo-Umgebung und vielleicht können wir uns da einfach mal ein Beispiel anschauen für unsere Zuhörer, die sich da vielleicht auch so ein bisschen für den Workflow interessieren und darüber einfach nochmal ein bisschen in Detail gehen und das ein bisschen visualisieren. 
Ich glaube, das wäre ganz sinnvoll. 
Schau mal, ob du den Bildschirm teilen kannst, Phil. 

[26:35] Schau mal. So, kannst du ihn sehen? Das kann ich sehen. 
Okay. Also, das ist jetzt natürlich nicht mit echten Daten, denn wir wollen natürlich nicht von irgendjemandem dritten die Daten hier zeigen. 
Das sind also alles gefakte Daten im Prinzip. Eine Spielwiese sozusagen. 
Genau, genau. Wir haben einen relativ simplen Prozess. 
Wir haben ein Onboarding, das ist, wo genau das abgefragt wird, welche Daten sind vorhanden. 
Das braucht man keine Angst vorhaben, das ist ein Wizard, der führt einen da durch, also er stellt halt einfach Fragen und sagt dir, was du tun musst. 
Das dauert ungefähr viertel Stunde bis 30 Minuten, dauert das einmalige Setup in unserer Plattform für dich als Nutzer. 
Und ab dann macht die KI eigentlich alles automatisch. Wir haben General Onboarding, unser System basiert auf Sprache, deshalb fragen wir nach einer, was wir intern nennen wir es immer den Großmutter-Check. 
So, was machst du? Könntest du es erklären, sodass es deine 80-jährige Großmutter versteht? 

[27:43] Also ohne Fachtermini, wenn möglich, ohne super lange, komplexe Erklärungen, das, was in der Start-up-World der Elevator-Pitch ist. Kannst du das? 
Dann packst du da rein, weil unser System auf Natural Language Processing und Understanding basiert, nutzen wir das halt wirklich aktiv, was du da reinschreibst. 
Und dementsprechend ist es gut, wenn es möglichst allgemein verständlich ist. 
Dann fragen wir halt noch ab, okay, hast du Social-Media-Kanäle? Dann poste die, gib uns bitte die Links dazu, beziehungsweise gib uns Zugriff, je nachdem, was du möchtest. 

[28:16] Und dann hast du noch interne Datenquellen. Also hast du vielleicht Interviews durchgeführt, so Fokusgruppen, wenn man das nennt. 
Hast du Reviews gesammelt? Hast du ein Chatbot auf deiner Seite, aus dem du die Protokolle uns zur Verfügung stellen kannst und so weiter? 
Dann lad sie bitte jetzt hier hoch. Zusätzlich ein paar Sachen nehmen wir dir ab. Du hast es schon gesagt, Google Analytics zum Beispiel, HubSpot, in Zukunft auch Salesforce oder Shopify. 
Dann kannst du es einfach mit so einem Ein-Klick, Authentifizierung, uns den Zugriff auf die Daten gewähren. Du hast als Nutzer auch immer die Hoheit, also du kannst auch sagen, welche Daten du uns geben möchtest und welche nicht. 
Zusätzlich fragen wir noch nach Wettbewerbern. Das hat manchmal ganz praktische Gründe, zum Beispiel, wenn du ein Produkt hast, was noch nicht am Markt gestartet ist, aber du weißt schon, es wird im Wettbewerb treten zu dem Wettbewerber. Dann hilft das wieder unserem System zu verstehen, worum geht es denn überhaupt? Wofür soll ich Personas erstellen? 
Ja, und wenn du das fertig hast, dann kannst du noch sagen, wie viele Personas möchte ich haben? 
1, 2, 3, 4, 5, 20. Unser System verfolgt einen Top-Down-Approach. Wir erstellen immer automatisch die Persona mit der größten Abdeckung über deinen Nutzer zuerst. Wir nennen das Repräsentativität. 

[29:37] Also zum Beispiel diese Persona deckt 20% deiner Kunden ab oder deiner potenziellen Kunden ab. 
Dann erstellen wir die nächste, die deckt vielleicht noch 16% ab, dann die nächste, die deckt 14% ab und so weiter. 
Was wir oft hören, ist, hey, wir brauchen 20 Personas. 
Dann sagen wir relativ häufig, das ist schön, können wir nicht versprechen. 
Weil wir wissen nicht, wie viele unterschiedliche Segmente gibt es denn in deinen Nutzern. 
Das wissen wir nicht. Deshalb verfolgen wir den Ansatz, dass wir immer den größten Cluster zuerst erstellen und dann kleiner werden. 
Also es kann sein, du willst 20 Personas haben, aber am Ende kriegst du nur 5. 
Weil einfach nicht mehr unterschiedliche Menschen in deinen Daten vorhanden sind. 
So, dann nach 72 Stunden kriegst du deine Personas. 
Die kannst du entweder hier in der Web-Oberfläche sehen, du kannst sie als PDF-Export bekommen, oder du kannst sie per REST-API in dein System ziehen. 
Das hat oft was mit Unternehmensgröße zu tun. tun. Manche dürfen halt nur in der eigenen Plattform darstellen. Und daher bieten wir das an. 
Das sind die Übersichtlichkeiten. Das hier, diese Prozentangabe, ist die Repräsentativität. Also, dieser junge Mann würde bei diesem fiktiven Datensatz 14 Prozent abdecken. Wenn du dann reingehst, erhältst du alle Details. Also hier ist ein bisschen Demografie und eine Biografie. 

[30:57] Also fiktiv. Also das ist ein Archetyp für die echten Menschen, die dahinterstehen. 
Ich habe es eingangs, glaube ich, erwähnt. Wir haben das festgestellt, und es gibt Studien, die das untermauern, dass Demografie, also zum Beispiel Alter und dein Familienstand relativwenig prädiktive Kraft haben, um zu sagen, wirst du ein Produkt kaufen oder nicht. Das kann man sich auch relativ gut selber vorstellen. Wenn ich irgendwie, keine Ahnung, im Winter in meiner Wohnung sitzt und die Heizung funktioniert nicht, dann ist es egal, ob ich 30 bin oder ob ich 80 bin. Ich brauche jetzt jemanden, der meine Heizung repariert, weil ich friere. Also der eigentliche Need oder das Problem, was ich habe, was ich mit einem Produkt oder mit einer Dienstleistung lösen möchte, ist viel, viel dominanter. Und so sind unsere Personas auch aufgebaut. Wir haben eine Kategorie, die nennen wir Needs. Das ist so ein High-Level-Overview. Das ist, warum interessiert sich jemand für dein Produkt, für deine Dienstleistung überhaupt? Ordnet das quasi ein. 
Und die Go-Tos sind dann drei bis acht, sehen wir meistens, wirklich Gründe, die ihn vielleicht, ihn oder sie hemmen, dein Produkt zu kaufen oder deine Dienstleistung zu kaufen oder Fragen, die sie haben, die du eins zu eins auf deiner Webseite, deiner Ad-Copy und so weiter übernehmen kannst. 

[32:21] Also das hier war jetzt, glaube ich, ein fiktives Produkt für Apple und da ist zum Beispiel Sicherheit auf Mobilgeräten ein wahr ein Thema oder ein großes Thema in diesem fiktiven Datensatz oder halt auch der Preis natürlich bei Telefonen, die irgendwie 2.000 Dollar kosten. 
Interests sind so Hobbys im Prinzip, so grob in die Richtung Hobbys. Das hilft, die Personen noch ein bisschen einzukategorisieren. 
Und ich kenne mich jetzt mit Marketing nicht aus, da bist du der Fachmann. Ich glaube, das kann man halt auch nutzen für Targeting auf Facebook oder in Google Ads. 
In dieser Interessenskategorien heißt es, glaube ich, bei Google. 
Absolut, ja. Zusätzlich bieten wir noch Emotionen an, also nicht nur eine Polaritätssentimentanalyse, positiv, negativ, sondern wir können einzelne Emotionen. 
Es gibt so ein Set von Emotionen. Man sagt, Menschen sind fähig, 48 Emotionen zu fühlen und auszudrücken. 
Das weiß ich nicht, ob das stimmt. Ich finde, 48 ist ein bisschen viel. 
Nichtsdestotrotz können wir einzige Attribute deines Produkts oder deiner Dienstleistung mit Emotionen in deiner Nutzerschaft verbinden. 
Also vielleicht finden die alles total toll, aber sie hassen deine Bedienoberfläche zum Beispiel. 
Dann würde das in unserem Personas rauskommen. Das ist die Representativeness, habe ich schon erwähnt, und das sind die Personality Traits. 
Das ist das volle Spektrum des Ocean-Modells, ähm, und wir zeigen die drei größten an. 

[33:44] Also, wir können auch auf Wunsch per API das bis sechs Nachkommastellen genau darbieten, die Ausprägung der Persönlichkeit. 
Das ist je nachdem, wo man sich befindet, manchmal relativ nützlich. 
Was wir aber können, was ich glaube, wirklich ein Killerfeature ist, ist, dass unsere AI automatisch Recommendations ausspricht. 
Also, wie du deine Botschaft im Prinzip verpacken solltest. 
Wir können sogar vorhersagen, welcher Werbekanal, welches Werbemittel am effektivsten ist. 
Also, ob es Videowerbung ist, oder ob es Textwerbung sein soll, wenn wir jetzt mal bei AdWords bleiben. 
Je nach Persönlichkeitsausprägung können wir auch sagen, was auf dem Bild oder auf dem Video zu sehen sein soll. 

[34:33] Also eine Person eine Gruppe von Leuten was sollten die gerade tun in dem Video und so weiter also so genau kann unsere AI das vorher sagen, Und wir wissen dass es funktioniert also wir haben unterschätzt am Anfang wie schwierig es ist Marketing-Entscheidern unternehmen dazu zu bringen eine Empfehlung von einer künstlichen Intelligenz zu folgen da gibt es sehr viel vorbehalte, Werden gerade glaube ich rapide abgebaut aber grundsätzlich gibt es da halt vorbehalte haben wir deutlich unterschätzt Wir laden jeden ein, wir wetten auch um eine Kiste Bier oder mehr, um es auszuprobieren, eine Kampagne selber zu gestalten und danach eine zu gestalten, die genau den Empfehlungen unserer AI entspricht und dann zu sehen, was passiert. 
Einer unserer Kunden ist eine Werbeagentur aus Großbritannien. 
Ich hoffe, das ist okay, dass ich das sage. 
Absolut, absolut. Die heißt CITE, C-I-T-E, kann man sich ergoogeln. 
Die haben unser System benutzt und die haben sich komplett auf unsere Ad-Recommendations verlassen und die sind damit, Finalist geworden. Ich weiß tatsächlich gar nicht, ob sie es gewonnen haben, den Drum Award in Marketing, Gewonnen. 
War, wie gesagt, Finalist oder gewonnen, indem sie innerhalb von drei Monaten eine Conversion-Ratenerhöhung um 400 Prozent erreicht haben. 

[35:51] Das war eine Hausnummer, ja? Ja, und auch nicht in so einem einfachen Produktumfeld, so würde ich es mal sagen. 
Die haben auch meines Wissens einen sehr großen Blogartikel auf ihrer Webseite, wie sie das alles gemacht haben. 
Also kann ich sehr empfehlen. 

[36:08] Eine Agentur aus der Schweiz hat das auch gemacht, aber allerdings dann die Person nicht für Verkauf und Marketing genutzt, sondern für Usability Testings. 
Und die heißen evux aus der Schweiz. Schöne Grüße an der Stelle, sehr nett. Und ich fand es faszinierend, wie ehrlich die waren, muss ich ganz ehrlich sagen. 
Weil die verdienen ihr Geld damit, dass sie Personas händisch erstellen. Und die haben gesagt, hey, okay, wir würden das gerne mal gegeneinander testen. 
Dann haben wir gesagt, ja, okay, aber dann veröffentlicht ihr auch die Ergebnisse. Und das haben sie gemacht. 
Also kann ich auch jedem nahelegen, das mal nachzulesen, was diese KI-Personas halt leisten können. 
Und abschließend kann man noch sagen, du kannst halt dann noch bei uns ein Threshold angeben. 
Du kannst halt sagen, hey, wenn sich die zugrundeliegenden Daten ändern, um Summe X, oder wenn sich – hier ist zum Vergleich eine andere Persönlichkeitsausprägung dann – Wenn sich die Repräsentativität um Summe X verändert oder um Prozentzahl X verändert, dann hält sich gerne automatisch sofort neue Personas. 

[37:16] Einfach, um direkt mitzubekommen, wenn sich irgendwas in meinem Marketingumfeld ändert, wenn sich irgendwas in meinem Unternehmensumfeld ändert. 
Und das machen wir dann. Du kriegst dann quasi sofort, instant, sobald unser System feststellt, dein Schwellenwert ist erreicht worden, kriegst du neue Personas zugeschickt eine Benachrichtigung des neuen Personals zur Verfügung stehen, je nachdem, was du da gerne hältst. Wo wir auch wieder bei unserem vorhergehenden Aspekt des Aktuell-Haltens sind. 
Ja, also einfach bleibe ich da auch im Markt auf Ballhöhe, beziehungsweise auch verstehe ich, wie sich die Interessenlage meines Lieblingskunden verändert. 

[37:54] Das ist sehr beeindruckend, lieber Phil. Finde ich toll. 
Also wir hatten ja den Kontext hier, was ist denn das Nutzenpotenzial? 
Und wenn ich gesagt habe, naja, ihr kriegt da unten tatsächlich noch eine mundgerechte Empfehlung, welchen Marketingkanal, welchem Werbeträger, welchen Inhalten sich für diese Zielgruppe entsprechend eignet, dann ist das aus meiner Sicht schon ein handfester Mehrwert, den derjenige bekommt, unabhängig davon, dass es einfach viel schneller geht. 
Geht und diese Informationen dann nutzen kann für die nächste Marketingkampagne. 

Empfehlungen


[38:29] Bei mir kam in dieser Sektion unter emotionalem der Gedanke, naja, weiß ich auch, mit welcher Tonalität ich meine meine Blogbeiträge für Zielgruppe XY schreiben muss, wenn ich es einfach für organische Marketingzwecke oder für das Content Marketing nutzen möchte. 

[38:47] Ja, also was du halt im Prinzip bekommst mit den Needs und den Go-Tos bekommst du halt die rationale Ebene, also ich will Sicherheit für meinen Cloud oder mein Smartphone. Dann kriegst du die emotionale Ebene und kannst halt auf beiden Ebenen argumentieren, wie so unsere Entscheidungsführung funktioniert und mit der Persönlichkeit kriegst du halt noch das Wie. Also, wie sollte ich dann meine Argumentation präsentieren in Videoform, Textform, in Bildform und so weiter. 
Und das macht es, glaube ich, ziemlich effektiv. Also die 400 Prozent, die die Site erreicht hat, sind natürlich ein Leuchtturm. 
Deshalb wählen wir die natürlich auch. Aber wir sehen im Durchschnitt ungefähr eine Zunahme an Conversions um 180 Prozent. 
Ich finde, hier schließt sich sehr schön der Kreis. Ich habe vorhin in dem Podcast zur Conversion-Optimierung mit dem Christopher schon kurz erwähnt, eine zweistellige Conversion-Rate dort zu erreichen, wenn man mit einer solchen Systemlösung arbeitet, hielt er für durchaus realistisch und jetzt kann jeder überlegen, okay, wo befindet er sich heute, wenn er hier noch eine Analyse beispielsweise für seine Buyer-Persona obendrauf setzt und wo kann ich dann hinkommen. Also ich finde da so ein, Zahlenmaterial zur Orientierung immer ganz, ganz hilfreich. 

[40:04] Cool. Vielen Dank für den Einblick. Gerne. 
Was sind denn so typische Fehler, in die ihr bei der Betreuung eurer Kunden immer wieder reinlauft? 
Nicht, weil ihr Fehler macht, sondern weil auf der Kundenseite Dinge nicht beachtet werden. 
Ich werfe jetzt nur mal so einen Gedanken rein. 
Thema kritische Datenmenge. Also wie viel Datenbasis brauche ich, um dort ein verlässliches Ergebnis zu bekommen? 
Das wäre zum Beispiel so ein Aspekt, der mir einfallen würde. 
Ja, Klassiker. Also um Gottes Willen, wir machen auch Fehler. Wer langweilig, wer nicht. Aber grundsätzlich größte Fehler, den ich immer sehe, ist, dass versucht wird, Daten vorweg zu segmentieren. 
Das hat vielleicht was mit Unternehmenskultur zu tun, in größeren Unternehmen, weiß ich nicht. Aber das ist tatsächlich ein Phänomen, was wir häufig in europäischen und auch gerade deutschen Unternehmen sehen. 
Dass vermeintlich unliebsame Daten herausgelöscht werden, bevor die Daten uns übergeben werden. 
Großer Fehler, weil du willst ja besser werden. Und ich würde immer sagen, ich nehme lieber das 10 negative. 

[41:08] Reviews, zum Beispiel, als zwei positive, weil jemand, der mal salopp gesagt, richtig pissig ist, der und sich aufgerafft hat, einen Erfahrungsbericht oder ein Review zu schreiben, wird sehr, sehr ins Detail gehen und das hat einen sehr hohen Grad an Informativität, auf dem man personas basieren kann. 
Also das würde ich dringend empfehlen. 

[41:27] Die Datenmenge ist tatsächlich relativ gering. Je nach Umfeld brauchen wir auch gar keine internen Daten vom Unternehmen und können das rein auf öffentlich zugänglichen Daten, können wir personas erstellen. 
Das ist natürlich gerade attraktiv für Unternehmen, die gerade anfangen, Start-ups zum Beispiel. 
Wir sind, wir meinen das, wenn wir sagen, dass wir Source-Agnostic sind. 
Das kannst du benutzen, wenn du gerade startest, dein Einzelunternehmen. 
Du kannst es aber auch benutzen, wenn du ein DAX-Konzern bist. 
Also, das ist halt auch die Bandbreite unserer Kunden im Prinzip. 
Also, von Einzelunternehmen, Startups bis hin zu Großkonzernen, funktioniert das. 
Deshalb, wir müssen ja, man hört immer, man braucht gerade für Deep Learning unglaublich viel Daten. 
Das ist richtig. Aber das Schwierige haben wir ja schon gemacht. 
Wir haben das neuronale Netz ja schon trainiert, dass es weiß, wie eine Person am Ende aussehen soll. 
Jetzt geht es ja eigentlich nur darum, deine Daten zu analysieren und quasi die Lücken zu füllen. 
Und zwar mit entsprechenden Informationen, die für dich hilfreich sind. 
Das heißt, wir haben, glaube ich, jetzt seit 2019 zwei Fälle gehabt, wo wir keine Personas erstellen konnten. 

[42:39] Und das eine war ein Startup, was sehr, sehr, sehr, sehr innovative Dinge getan hat oder tun wollte, die es auch noch nicht gab. Also konnten wir auch nicht auf Wettbewerbsdaten zurückgreifen. 
Die haben halt quasi ein Problem gelöst für Leute, die noch nicht wussten, dass sie ein Problem haben. 
Und da gab’s halt einfach… Die hatten selber keine Daten und öffentlich gab’s halt auch keine Daten. 

[43:01] Und das andere war in einer Sparte, in der wir nicht tätig sein wollten. 
So würde ich es mal ausdrücken. 
Außer das Thema der Vorabsegmentierung, vielleicht noch irgendwelche potenziellen Fehler bei der Interpretation, bei der Umsetzung nachher von dem, was ihr dort als Empfehlungen auf der Seite habt? 
Ich würde ganz klar sagen, nicht glauben, dass man es besser weiß als die AI, weil tut man nicht. 
Es ist halt wirklich so. Neuronale Netze, gerade tiefe neuronale Netze, sind so gut darin, auch über 20 Ecken Verbindungen, Daten zu finden, die valide sind und reliabel sind. 
Das kannst du als Mensch nicht mehr leisten Und wir haben oft Tatsächlich sehr sehr oft den fall gehabt wo jemand gesagt hat ich mache das ich verkaufe Produkte ich seit 20 Jahren ich kenne meine Kunden, In und auswendig ich brauche so ein scheiß nicht, Der dann aber tatsächlich cool genug war um sich darauf einzulassen zu sagen, Okay, machen lassen sie den Kampagnen-Split machen eine Kampagne die du meinst weil du auf 20 Jahren Erfahrung und eine Kampagne die halte komplett von unserer quasi empfohlen wurde dann gucken wir was besser ist und also das Angebot steht auch jedem offen also, Wir sind sehr sehr selbstbewusst was die Leistungsfähigkeit unserer AI geht. 

[44:16] Und scheuen nicht den Vergleich mit Marketern oder ähnlichen, die meinen, sie wissen es besser. 
Es klingt jetzt so negativ, also es ist ja ein Zusammenarbeiten, aber… 

[44:27] Der größte Fehler ist tatsächlich, ihr habt jetzt bezahlt dafür, dass ihr Personas habt und dann benutzt ihr doch auch. 
Und dann nicht nachträglich sagen, ich weiß das aber besser. 
Also das wäre für mich ein großer Grund. Und wenn man sagt, ich fange jetzt ganz klein an, ich habe vielleicht auch keine Kohle, um irgendein Tool zu machen, kennen wir. 
Wir sind gebootstrapped, wir haben kein Venture Capital drin bei uns, wir haben genauso angefangen. 
Macht einfache Segmentierung anhand von Demografie, selbst wenn die nicht so eine hohe Vorhersagegüte haben, weil es ist besser, als gar nichts zu haben oder zu raten. Und dann baut es darauf auf. Das wäre meine Empfehlung. Unser Preis ist, glaube ich, deutlich kompetitiver als irgendwelche Agentur- Workshops für 50.000 Euro. Ich glaube, die Preisfrage stellt sich sowieso jeder Unternehmer, der hier zuhört. Kannst du da eine Aussage zumindest in einer Range geben, wo du dir auch nicht den Mund verbrennst? Ich kann den exakten Preis sagen. Pro Persona nehmen wir 1.100 Dollar. 

[45:23] Das ist doch mal eine konkrete Aussage, mit der man auch das, was wir heute gezeigt haben und den Mehrwert mal entgegensetzen kann und sehen kann, okay, wie viel meiner Zeit müsste ich vielleicht eigenhändig einbringen, um zu einem ähnlichen Ergebnis zu kommen. 
Und ich glaube, dann kann man sich die unternehmerische Make-or-Buy-Entscheidung hier sehr schnell aufbauen. 
Was vielleicht noch ganz wichtig ist, wir sind ein US-amerikanisches Unternehmen, aber auf die Art, wie unsere Technologie strukturiert ist, können wir die auf Servern überall auf der Welt einsetzen. 
Also mit ein paar Einschränkungen in China zum Beispiel geht nicht, das hat aber andere Gründe als technologische. Aber wir können halt zum Beispiel unser System auch auf Servern innerhalb der EU laufen lassen, also dass überhaupt nicht dieses Privacy Shield Problem auftritt, dass Daten in die USA übertragen werden. 

[46:07] Wunderbar, also die Frage hätte ich jetzt auch noch erwartet bei unserem Umfeld, in dem wir unternehmerisch hier tätig sind. Sehr, sehr hilfreich. Vielen Dank. Dann vielleicht noch abschließend, welche zwei Empfehlungen würdest du einem Unternehmer, in dem Fall vielleicht idealerweise Einzelunternehmer, noch mitgeben wollen? Irgendwas, was wir noch nicht erwähnt haben, heute. Ich würde sagen, wichtig ist machen. 
Also ich verstehe die Hemmnisse, warum man auf traditionellem Weg, das klingt jetzt wie eine Marketingbotschaft, ich mein’s gar nicht so, wenn sie ein anderes Tool findet, nehmt das meines Weges, ich verstehe die Hemmnisse, dass man sagt, ich habe keinen Bock durch diese Workshops zu gehen und so etwas alles und dafür fünfstellige Summen auf den Tisch zu legen, verstehe ich, würde ich auch nicht machen, ich hätte schon keinen Bock, den ganzen Tag in so einem Interviewraum zu sitzen. 
Aber macht irgendwas in die Richtung. Also ich glaube, die schlimmste Strafe für einen Unternehmer, oder für ein Produkt oder eine Firma ist, dass sie egal sind. Also, dass sie dem Nutzer egal sind, dass sie dem Kunden egal sind. 

[47:08] Wenn man so einfach so untergeht, so komplett, ohne irgendwelche Impulse zu setzen, das ist, glaube ich, ein Fehler. Und, zu wissen, wie man Kunden anspricht oder sie auch nicht anspricht, ist, glaube ich, sehr, sehr hilfreich. 
Das ist was, was ich mir immer überlegen würde und das braucht Zeit, also das ist mit allen Tools, mit aller KI, das was jetzt wieder so im Startup spreche, Product-Market-Fit heißt zu finden, ist nicht so einfach, aber es ist halt einfach unglaublich wichtig, selbst wenn man jetzt irgendwie am Anfang seiner Selbstständigkeit oder als Einzelunternehmer vielleicht sagt, hey ich habe jetzt einen tollen großen Kunden, das heißt aber halt noch nicht, dass man Product-Market-Fit gefunden hat, sondern das Das heißt, dass man einen Kunden gefunden hat. 
Und das ist, glaube ich, egal, welches Tool man benutzt oder ob man seine eigene Zeit einfach investiert. 
Seine potenziellen Kunden kennenzulernen und möglichst genau kennenzulernen, ist nie verschwendet. 
Weder Geld noch Zeit. 

[48:07] Das ist ein ganz, ganz tolles Schlusswort. Vielen Dank, das hat es jetzt wirklich auch noch mal rund gemacht aus meiner Sicht. 
Wenn jetzt jemand sagt, nach unserer Unterhaltung heute, ja, den Phil, den würde ich gerne kennenlernen. 
Ich würde gerne auch mehr über die Plattform erfahren. 
Wie sollte er auf dich beziehungsweise auf euch am besten zugehen? 
Also, das kann man ganz einfach über unsere Website machen. Mnemonic.ai ist unsere Website. 
Oder man kann mich auch auf LinkedIn selbst anschreiben, wenn man Gesprächsbedarf hat. 
Ich bin gerne hilfsbereit bei allen technischen Fragen und ähnlichen. 
Alles, was die Business-Side angeht, ist über die Webseite wahrscheinlich besser und vor allem noch schneller. 
Wunderbar. Wird verlinkt in den Shownotes. 
Ich würde dort noch den Link zu deinem Buch ergänzen für diejenigen, die sich dort noch ein bisschen einlesen oder mit konkreten Anwendungsfällen versorgen wollen. 
Und damit, glaube ich, haben wir auch den Schulterschluss, dass jemand problemlos auf dich zukommen kann, hinbekommen. 
Lieber Phil, ich möchte mich ganz, ganz herzlich für das tolle Gespräch super entspannt, empathisch und offen bei dir bedanken. 
Es hat mir total viel Spaß gemacht und für deine weitere Arbeit mit Mnemonic wünsche ich dir total viel Erfolg. 
Für die Arbeit mit euren Kunden stets ein gutes Gespür für die Bedürfnisse deren Zielgruppe. 
Danke schön, dir auch alles Gute. 

Resümee


[49:30] Habe ich Ihnen im Intro zu viel versprochen? Nach 72 Stunden kennen wir nicht nur die Charakteristika unserer Lieblingskunden, sondern erhalten zudem konkrete Empfehlungen zu deren Ansprache. 
Das ist in der Tat etwas ganz Besonderes. 
Für mich besonders spannend war Phils Hinweis zur Nutzung öffentlich zugänglicher Daten, und denen von Wettbewerbern. 
Das bietet einen tollen Hebel für Gründer und Startups, die noch keine eigenen historischen Daten besitzen. 
Wer gleich einen Blick auf Beispiele für datengetriebene Bayer-Personas werfen möchte, den empfehle ich noch einen Blick in den Screencast zum Podcast, weiter unten in den Show Notes. 
Feedback, Tipps und Anregungen bitte wie immer unten im Kommentarfeld hinterlassen oder per E-Mail an jan.webgefährte.de weitergeben. 
Ich freue mich drauf. 
Bleiben Sie mir gewogen und sind Sie auch beim nächsten Mal wieder dabei, wenn wir über das Erfolgsrezept zu Freebies und dem wieviel davon für unsere Lieblingskunden sprechen. 
Bis dahin wünsche ich eine gute Zeit und allzeit gute Rankings. Ihr Jan Czichos. 

Show notes

  • Gast: Phil Wennker
  • Begriffsklärung:
    • Die Buyer Persona charakterisiert einen repräsentativen Vertreter unserer Zielgruppe. Diese fiktive Person entsteht auf Basis von gesammelten Daten und wird durch das kleinste gemeinsame Vielfache an Eigenschaften der Grundgesamtheit beschrieben.
    • Psychographie ist die Wissenschaft zur Vermessung von Persönlichkeiten.
    • Durch Personalisierung werden Marketinginhalte auf individuelle Interessen, Bedürfnissen und Verhalten von Nutzern bzw. Lieblingskunden angepasst.
    • Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das sich mit dem Erkennen von Gesetzmäßigkeiten bzw. Mustern beschäftigt, um daraus passende Lösungsansätze abzuleiten.
    • Durch Deep Learning werden Maschinen in die Lage versetzt, sich ohne menschliches Handeln zu verbessern und sich neue Fähigkeiten anzueignen.
    • Natural Language Processing (NLP) ist ein Prozess zur automatischen Analyse und Darstellung der menschlichen Sprache. Es versucht, natürliche Sprache zu erfassen und mithilfe von Algorithmen und Regeln computerbasiert zu verarbeiten.
    • Ein neuronales Netzwerk ist ein Computerprogramm, das auf ähnliche Weise wie das menschliche Gehirn funktioniert. Es besteht aus Neuronen und Verbindungen zwischen ihnen, die Informationen verarbeiten, Muster erkennen und Entscheidungen treffen können. Das Netzwerk lernt durch Beispiele und passt seine Verbindungen an, um seine Fähigkeiten zu verbessern.
    • ChatGPT wird im Online-Marketing Guide unter KI-Tools näher erklärt
  • Erwähnte Tools & Techniken
    • Das 5-Faktor-Model ist die heute unter Psychologen am weitesten anerkannte Persönlichkeitstheorie. Diese Theorie beschreibt, dass die Persönlichkeit von Menschen auf 5 grundlegende Faktoren heruntergebrochen werden kann. Diese Faktoren werden durch das Akronyme OCEAN (oder CANOE) zusammengefasst.

Englisch

  1. Openness to Experience
  2. Conscientiousness
  3. Extraversion
  4. Agreeableness
  5. Neuroticism

Deutsch

  • Offenheit für Erfahrungen (Aufgeschlossenheit)
  • Gewissenhaftigkeit (Perfektionismus)
  • Extraversion (Geselligkeit, Extravertiertheit)
  • Verträglichkeit (Rücksichtnahme, Kooperationsbereitschaft, Empathie)
  • Neurotizismus (emotionale Labilität und Verletzlichkeit)
Screencast

Beispiele für datengetriebene Personas

Diese Videoinhalte werden im Podcast zwischen Sprungmarke 26:13 und 38:28 min besprochen.

Schreiben Sie einen Kommentar

Weitere Folgen

Folge 028 – Nachhaltige Websites

Das schnelle Laden einer Website trägt viel zu einem positiven Nutzererlebnis bei. Aus diesem Grund belohnt Google den Betreiber einer solchen Website mit einem besseren Ranking in den Suchergebnissen. Mit Torsten habe ich darüber gesprochen, was darüber hinaus nötig ist, um eine Website auch nachhaltig zu betreiben. Das Internet trägt in den Medien schon heute den Titel “Stromfresser” und das stellt uns als Gesellschaft vor eine wichtige Herausforderung. Jede Herausforderungen wird bekanntlich von einer unternehmerischen Chance begleitet. Damit wird diese Podcastfolge für uns Unternehmer gleich doppelt zur unmittelbaren Hörempfehlung.

Folge 027 – Qualitätssicherung im digitalen Marketing

Was geht Ihnen durch den Kopf, wenn Sie feststellen, dass eine Seite Ihrer Unternehmenswebsite gerade nicht aufgerufen werden kann? Vermutlich die Fehlerursache und wie lange dieser schon bestand. Aus unternehmerischer Sicht besonders schmerzhaft, wenn für die besagte Seite Werbung geschaltet wurde und Nutzer Ihr Angebot aufgrund eines Fehlers nicht buchen konnten. Grund genug dachte ich dazu mal jemanden einzuladen, der sich mit Qualitätssicherung und Monitoring im Marketing bestens auskennt. Mit seinem Ansatz können wir Problemen wie diesen wirksam entgegentreten.