Womöglich gerade weil die E-Mail mit konkurrenzlos niedrigen Produktions- und Versandkosten lockt, wird ihren Inhalten zu wenig Beachtung geschenkt. Zudem treffen zwei grundsätzlich verschiedene Sichtweisen aufeinander. Zum einen die Sicht des Kunden: In einer Studie von Forsa aus 2012/2013 gaben fast 60 Prozent der Befragten an, dass sie zu viele Informationen erhalten. Die große Mehrheit empfindet die Inhalte als nicht relevant. Die Folge: Ebenfalls fast 60% der Befragten überfliegen Angebote nur. 20% löschen Inhalte gar sofort. Die Kunden wünschen sich also Inhalte, die auf ihre Interessen zugeschnitten sind.

Auf der anderen Seite die Sicht des Anbieters: Viele Unternehmen sind noch in der Kampagnen-Mentalität verankert und versenden die Inhalte, die für sie selbst relevant sind - nicht zwangsläufig tut es ihnen der Kunde gleich. So werden zum Beispiel Produkte beworben, die der Einkauf herausstellen möchte – etwa weil umfangreiche Vorräte existieren oder besondere Preise angeboten werden können. Nur 17% der Unternehmen passen Inhalte und Angebote überhaupt irgendwie für einzelne Kunden an. Nicht einmal 20% davon nutzt das Verhalten der Kunden oder vorliegende Daten, um eigene Inhalte zu entwickeln. Stattdessen werden alle Kunden mit beinahe identischen Inhalten versorgt. Daraus folgt das oben beschriebene Problem: Ein Großteil der Inhalte ist nicht relevant für den einzelnen Kunden und wird nicht gelesen bzw. gelöscht.

Jeder Onlineanbieter sammelt umfangreiche Daten über seine Kunden. Mit deren Hilfe können grundsätzlich bereits Kunden segmentiert werden, wodurch das beschriebene Problem bereits erheblich verkleinert werden kann. Es kann zum Beispiel im einfachen Fall nach Alter, Geschlecht und Wohnort oder erweitert nach Produktpräferenzen, Loyalität, Verkaufshistorie etc. segmentiert werden – diesen Kundengruppen können jeweils individuelle Inhalte angeboten werden.

Wer nämlich auf kundenorientiertes E-Mail Marketing setzt, trifft durch die logischerweise daraus folgende Personalisierung der Inhalte den Nerv des Kunden deutlich besser, denn je nach Stadium im sog. “Kundenlebenszyklus” entstehen individuelle Bedürfnisse und Präferenzen bei den Kunden. Erstkäufer haben ganz andere Schwerpunkte als Stammkunden. Und Kunden, bei denen ein Verlust droht, müssen ebenfalls besonders adressiert werden.

Während die Zahl der Datenquellen und damit auch die Möglichkeiten einer Segmentierung der Zielgruppe ständig zunehmen, wird diese Entwicklung jedoch kaum auf den Newsletter-Verteiler transportiert. Das Problem dabei ist meist folgendes: Die Daten (Kundenstammdaten, Bestellungen, Retouren etc.) befinden sich in unterschiedlichen Quellen. Die verwendeten E-Mail-Marketing Systeme setzen dagegen meist auf Listen – sollen diese aus unterschiedlichen Datenquellen erstellt werden, sind umfangreiche und kostspielige Integrationen notwendig.

Nun könnten diese Listen aus Selektionen erstellt und dann in die E-Mail-Marketing Systeme importiert werden. Im Regelfall ist das Erstellen solcher Selektionen aus verschiedenen Quellen jedoch ein IT-Projekt. IT-Ressourcen sind aber knapp. Jedes neue Kriterium, das in eine Selektion einfließen soll, verursacht wieder laufenden IT-Aufwand. So steht ein solches Vorhaben meist hinter anderen mutmaßlich dringenderen Arbeiten zurück. Kein Wunder, dass sich das Marketing dann irgendwie behelfen muss, um wenigstens rudimentäre Segmentierungen durchzuführen. Die daraus resultierenden Daten werden über standardisierte Formate (zum Beispiel CSV) in vorhandene E-Mail Systeme importiert und es wird versucht, zumindest diese Kundengruppen individuell zu adressieren. Jedoch ist hier ein umfangreicher manueller Aufwand notwendig und die Kundensegmente sind aufgrund generischer Selektionen meist noch viel zu groß.

Sehr gezielt und relevant könnte man kommunizieren, wenn das Segment auf einen einzelnen Kunden verkleinert werden könnte. Diesen Schritt kann man verständlicherweise über manuelle Verfahren nicht gehen.

Wie können diese 1-Kunden-Segmente nun erreicht werden? Zunächst muss der Status eines Kunden in seinem "Lebenszyklus" betrachtet werden – der sogenannte Customer Lifetime Value (CLV). Der Customer-Lifetime-Value kann generell als durchschnittlicher Wert verstanden werden, den ein Käufer während seines gesamten „Kundenlebens" für ein Unternehmen hat und voraussichtlich auch zukünftig haben wird. Dieser Wert lässt sich über verschiedene Verfahren berechnen. Je genauer man den Wert eines Kunden kennt, desto gezielter kann man versuchen, sein Engagement zu vergrößern oder zu erhalten. Die Kenntnis dieser Daten erlaubt es somit, die Aufmerksamkeit gezielt auf interessante Kundengruppen zu lenken und erleichtert die Freigabe der entsprechenden Budgets. Simples Beispiel: Einen Kunden mit hohem CLV kann man ruhigen Gewissens höherwertig incentivieren (über Gutscheine, Boni, Stati, etc.) als einen Kunden mit geringem CLV. Auf der anderen Seite versucht man, sich inhaltlich an die aktuellen Interessen des Kunden über Algorithmen zu nähern. Dabei werden Daten aufgrund von Wahrscheinlichkeiten ausgewertet und daraus Prognosen abgeleitet. Je besser diese Algorithmen arbeiten, desto zielgenauer die Angebote. Das funktioniert jedoch nicht in allen Bereichen. Insbesondere Vollsortimenter, bei denen Produkte aus verschiedenen Produktgruppen bestellt werden, haben hier ein Problem. Sichtbar wird dieses selbst bei Branchengrößen wie Amazon, bei denen sich Bestellungen von Fachbüchern mit privaten Elektronikartikeln und schließlich Geschenken für das Patenkind mischen. Hieraus Muster abzuleiten bedarf schon aufwändiger Datenanalysen. Bei Online-Anbietern mit spitzerem Sortiment ist diese Aufgabe etwas leichter zu bewältigen.

Die aufwändige Lösung ist also die Berechnung des CLV und die Prognose der Interessen auf Basis von Algorithmen.

Verhaltensbasierte E-Mail Kampagnen versprechen eine sehr hohe Conversion. Sie automatisiert zu individualisieren ist eine der wesentlichen Herausforderungen. Es gilt dabei auch, Trigger aus verschiedenen Datenquellen zentral auszuwerten. Über Regeln lassen sich die Analyse und der Versand automatisieren.