Personalisierung umschreibt allgemein das „Zuschneiden“ eines Angebotes auf bestimmte Personen oder Personengruppen. Die Personalisierung kann nach der erfolgreichen individuellen (Erst-)-Ansprache verschiedene weitere Dimensionen umfassen, von der erstmaligen „Darreichung“ eines Produktes, beziehungsweise einer Dienstleistung, über dessen individuell angepasste Verwendung, bis hin zu zielgerichteten Maßnahmen im Kundenbindungs- und Kundenrückgewinnungsmanagement. Letztlich dient Personalisierung der effektiveren und effizienteren Bedienung der Bedürfnisse des Kunden, der schnelleren und qualitativ höherwertigeren Abwicklung der Interaktionen mit diesem und folglich der Erhöhung der Kundenzufriedenheit sowie der Wahrscheinlichkeit wiederholter Kontakte und Transaktionen. Insofern können Personalisierungsmaßnahmen eines Unternehmens von der Kundengewinnungsphase bis hin zur Kundenbeziehungs- oder sogar der Trennungsphase reichen.

Personalisierung vs. Customization

Der Begriff der Customization ist mit dem der Personalisierung verwandt und wird teilweise auch synonym verwandt. Im Kern lässt sich jedoch hinsichtlich der Akteure eine Unterscheidung treffen: Personalisierung ist als gezielte und aktive Marketingmaßnahme des Unternehmens zu verstehen. Customization umfasst hingegen die Bereitstellung einer entsprechenden Möglichkeit für den Kunden, ein Produkt oder eine Dienstleistung für seine spezifischen Bedürfnisse zu individualisieren, der Kunde „personalisiert“ also selbst innerhalb eines vorgegebenen Rahmens.

Oft spricht man in Bezug auf Personalisierung auch von „Next best action“- oder „Next best offer“-Marketing. Damit wird auf den Paradigmenwechsel hingewiesen, der als Konsequenz aus einem solch dezidierten personalisierten Marketing erwächst: Unter der Maßgabe der Unternehmensziele erfolgt eine intensive Fokussierung auf den Kunden und seine Bedürfnisse. Statt, wie klassischerweise, für ein vorab formuliertes Angebot potenzielle Interessenten zu finden und anzusprechen, wird der Kundendialog situativ entschieden – jeweils nach den in einer spezifischen Konstellation vermuteten Bedürfnissen, Vorlieben und Befindlichkeiten. Es geht also darum, jedem einzelnen Kunden zum „richtigen“ Zeitpunkt das jeweils „richtige“ Angebot zu unterbreiten.

Vom Targeting zur Personalisierung

Technisch baut Personalisierung, auch in den auf die werbliche Ansprache folgenden Phasen, unter anderem auf die Instrumente des Targetings auf und wird durch weitere verfügbare Informationen, insbesondere aus dem unternehmenseigenen Umfeld, angereichert. Daraus werden individuelle Profile erstellt, die eine Zurechnung einzelner Nutzerhandlungen ermöglichen. Aus den erhobenen Daten lassen sich zudem Prognosen über die Interessen und das zukünftige Verhalten der Kunden ableiten. Diese Informationen dienen unter anderem dazu, im Einklang mit den Unternehmens- und abgeleiteten Marketingzielen, den Kunden „ideal“, ohne Friktionen, durch das Angebot zu „leiten“. Je mehr Informationen und auch je mehr Kanäle für die Durchführung des Kundendialogs existieren, umso höher sind die Anforderungen an das Entscheidungssystem. Es liegt auf der Hand, dass hier somit ein geradezu „idealtypisches“ Einsatzszenario für intelligente Systeme und maschinelles Lernen entstanden ist. Entsprechend lassen sich in diesem Kontext zahlreiche Anwendungsbeispiele zur Individualisierung von Angebotsmechanismen mit Hilfe von KI finden.

Recommendation Engines

Das Spektrum reicht von „Recommendation Engines“, die im Online-Shop automatisiert und zielgerichtet Vorschläge für ein „Cross“- oder „Upselling“ und zur Auswahl „passende“ Produktempfehlungen unterbreiten, bis hin zu anspruchsvollen Customer-Journey-Analysen über verschiedene Kontaktpunkte hinweg, die eine vollumfängliche Analyse des Kunden und seiner Vorlieben gestatten, bis hin zu individuellen und automatisch erstellten Ansprachen – wie personalisierten Texten und Webseiten.

Die Ausspielung individueller Produktvorschläge durch „Recommendation Engines“ kennt man schon seit langem im digitalen Marketing. Amazons „Kunden, die das gekauft haben, haben auch gekauft…“ ist ein auch in diesem Buch bereits vielzitierter Klassiker, der auf der Identifizierung von Mustern im Konsumentenverhalten setzt, um aus der Ähnlichkeit von Kundentypen eine effiziente Angebotsunterbreitung abzuleiten. Grundsätzlich sind diese „Empfehlungsdienste“ nicht auf den Bereich des eCommerce begrenzt, auch im Bereich der digitalen Medien kommen sie immer stärker zum Einsatz, wenn es gilt, redaktionelle Inhalte oder Werbebotschaften der Anzeigenkunden zielgerichtet auszuspielen. Auch Akteure wie Netflix oder Spotify greifen intensiv auf derartige Verfahren zurück. Und im Prinzip erfolgt auch die „organische“ Ausgabe der Suchergebnisse bei Google entlang dieser Logik.

Zuschneidung des Angebotes

Meist funktioniert dies über die Quantifizierung des individuellen, potenziellen Interesses eines Nutzers an einem „Angebot“, worüber dann die personelle Ausspielung gesteuert wird. Im Prinzip geht es dabei immer um eine Filterung der insgesamt möglichen Vorschläge, also die Konzentration auf diejenigen, zu denen am ehesten eine Affinität aus dem gesammelten Datenmaterial berechnet werden kann. Während für den Nutzer idealerweise damit mehr „Übersichtlichkeit“ erzielt wird, ist es das Ziel aus Sicht des Unternehmens auf diese Weise das Angebot entlang ökonomischer Kennzahlen zu optimieren. In der Regel geschieht dies mit dem Ziel einer höheren „Conversionrate“, die beispielsweise den Anteil derjenigen, die ein Produkt kaufen beziehungsweise nutzen oder allgemein eine bestimmte gewünschte Handlung ausführen, im Verhältnis zu der Zahl der Nutzer, die insgesamt mit dem Angebot konfrontiert wurden, ausdrückt.

Zwei Arten von Empfehlungen

Grundsätzlich lassen sich zwei Empfehlungstypen beschreiben: zum einen „inhaltliche und kontextuelle Empfehlungen“, zum anderen „kollaborative Empfehlungen“. 

• Inhaltliche und kontextuelle Empfehlungen basieren auf der individuellen Nutzung des Angebotes durch den Nutzer selbst. Aus seinem persönlichem Konsum- und Informationsverhalten sowie aus seinem Umgang mit dem Angebot wird auf bestimmte Neigungen und Interessen geschlossen. Hier spiegelt sich gewissermaßen die Logik des Behavioural Targetings wider.

• Kollaborative Empfehlungen beruhen hingegen auf der Gegenüberstellung mit vergleichbaren Nutzerprofilen („Kunden, die das gekauft haben, haben auch…“). Das entspricht in den Grundzügen der Wirkungsweise des Predictive Behavioural Targetings

Daneben sind auch weitere regelbasierte Formen („Wenn – dann“) von Empfehlungen denkbar. Im Rahmen von Clustering-Verfahren des „Unsupervised Learnings“ könnte KI dabei auch zusätzliche, „neue“ Übereinstimmungen und Regeln identifizieren, die dem menschlichen Auge zunächst verborgen geblieben sind.

Personalisierung & Customization in der Praxis

Eine der weltweit größten Online-Galerien, „Saatchi Art“, die Künstlern damit eine Plattform bieten, um direkt und mit möglichst großer Reichweite in Kontakt zu Kunstliebhabern zu treten, stand vor dem Problem, wie die über die Jahre stark angewachsene Anzahl an Kunstwerken noch marktorientiert und übersichtlich angeboten werden konnte. Bei Produkten wie diesen, die sich nicht einfach nach übereinstimmenden Merkmalen klassifizieren lassen, sondern individuelle „ästhetische“ Qualitäten aufweisen, erweisen sich klassische kollaborative Empfehlungen wie „andere Kunden kauften auch diese Kunstwerke“ oder „weitere Bilder dieses Künstlers“ nur als bedingt zielführend. Stattdessen versuchte man, Muster im spezifischen „geschmacklichen Empfinden“ der einzelnen Nutzer – anhand der Katalognutzung, etwa der Verweildauer auf einzelnen Kunstwerken, und der bisherigen Kaufhistorie zu identifizieren. Mittels Einsatz von Deep Learning sei es gelungen, die Conversion Rate deutlich zu erhöhen, wie ein A/B-Test angeblich belegte.

Ziel: Conversionoptimierung

Die britische Hotelkette „Jurys“ deckte mit Hilfe von Verfahren zur Mustererkennung auf den ersten Blick nicht offensichtliche Zusammenhänge zwischen dem Mediennutzungs- und dem Buchungsverhalten ihrer Kunden auf. Es zeigte sich, dass hierbei eine Korrelation zwischen einer Zimmerbuchung und einem medialen Interesse an Sportthemen bestand, die bisher in dieser Form nicht aufgefallen war. Eine tiefergehende Analyse brachte jedoch zu Tage, dass viele dieser gewonnenen Kunden, zuvor zielgerichtet nach Hotels in unmittelbarer Nähe von Fußballstadien suchten und dies insbesondere an Tagen, an denen Spiele der britischen Premier League terminiert gewesen waren. Ausgestattet mit dieser Erkenntnis erstellte die Hotelkette spezifische Inhalte, um diese Klientel entsprechend aufzufangen und zu kanalisieren. Die Zahl der Conversions konnte somit merklich gesteigert werden.

Koordinierung von Angebot und Nachfrage

Einen weiteren spannenden und vermutlich richtungsweisenden Versuch hat die temporäre Zimmer- und Wohnungsvermittlung „Airbnb“ unternommen. Eine interne Analyse ergab hier, dass es bei der Zimmersuche auf der Plattform notwendig ist, sich nicht nur an den Präferenzen der Mieter zu orientieren, sondern auch diejenigen der Vermieter bei der Ergebnisausgabe der Angebote passender Unterkünfte zwingend miteinzubeziehen. Ein Vertrag kommt schließlich nur dann zustande, wenn die potenziellen Vermieter auch bereit sind, einen bestimmten Übernachtungsgast zu akzeptieren – und nur dann wird auch die entsprechende Provision für Airbnb fällig.

Aus diesen Erkenntnissen entwickelte man ein komplexes Modell zur Verbesserung der Suchergebnisanzeigen, das anschließend in der Realität getestet und anhand der Conversionzahlen (also mit dem Ziel einer steigenden Anzahl von zustande gekommenen Vermietungen) optimiert wurde.

AirBnB: Abgleich Vermieter und Mieter

Ursprünglich hatte man die Relevanz und damit die Sortierung der Suchergebnisse allein an den potenziellen Mieter ausgerichtet, für die neben der Bewertung durch vorherige Nutzer, wohl vor allem Faktoren wie der Preis und der Lage bei der Entscheidung für ein bestimmtes Angebot eine Rolle spielten. Die Kriterien auf der Vermieterseite können – so das Ergebnis der Analyse –  jedoch deutlich variieren. Einerseits dürften diese tendenziell ein Interesse an möglichst wenig belegungsfreien Tagen innerhalb ihrer zeitlichen Angebotsspanne haben. Tatsächlich akzeptierten viele Anbieter eher Gäste, die eine weitgehend lückenlose Belegung ermöglichten. Andererseits steht diesem ökonomisch rationalen Verhalten auch eine eher „gelegentliche Vermietungshaltung“ gegenüber. Diese ließ sich vor allem für „kleinere“ Märkte mit vergleichsweise weniger Angebot an Unterkünften feststellen. Daneben spielten aber auch andere Faktoren eine Rolle: Ein spezifisch unterschiedliches Verhaltensmuster der Anbieter war auch bei der Vorlaufzeit einer Vermietung auszumachen.

Während im Durchschnitt Gastgeber auf Airbnb demnach zwar bevorzugten, eine Buchung mindestens eine Woche im Voraus zu erhalten, fanden sich auch durchaus Gruppen, denen ein sehr kurzfristiger Bezug lieber war. Tatsächlich stellte sich heraus, dass die diesbezüglichen Vorlieben sehr weit auseinanderklafften. Gleiches galt für andere Entscheidungsfaktoren wie die Anzahl der Gäste oder die Art des Aufenthaltes – sei es ein Wochenendtrip oder eine beruflich veranlasste Reise. Diese Erkenntnisse legten den Schluss nahe, dass eine rein durchschnittliche Betrachtung Nachteile birgt hinsichtlich der Optimierung der Conversion Rate, weil dann spezifische Gruppen mit Merkmalen jenseits des Durchschnitts auch eher unspezifisch, also letztlich unbefriedigend, angesprochen werden würden. Stattdessen könne eine sinnvolle, auf jeden Einzelfall abgestimmte Vorgehensweise die jeweils besten Ergebnisse liefern.

Dynamische Modellierung

Durch die Variabilität sowohl der Nachfrage- als auch der Angebotsseite ergibt sich eine Anforderung von hoher Komplexität an den Algorithmus, der die Ergebnisausgabe auf der Plattform steuert. Um nicht nur interessierten Zimmersuchenden ein Angebot zu unterbreiten, sondern auch gleichzeitig eine Übereinstimmung zwischen den Anbietern und Nachfragern auf der Web-Plattform erzielen zu können, bedarf es einer „dynamischen Modellierung“ mit dem Ziel, im Verhältnis zu den Ausgaben der Suchergebnisse möglichst viele Mietvereinbarungen zustande kommen zu lassen. Für jede Suchanfrage eines möglichen Gastes auf der Website berechnet das System nun die Wahrscheinlichkeit, dass ein dafür relevanter Anbieter auch bereit ist, diesem eine Unterkunft zu vermieten. Dies bestimmt dann, neben den durch die Mietpräferenz geprägten Faktoren, an welcher Stelle das jeweilige Suchergebnis in der Ergebnisanzeige ausgeben wird. Erreicht wurde dies über eine mechanisierte Auswertung vorliegenden Datenmaterials und dem Training mittels „echter“ Praxisdaten und einer laufenden „Nach-Modellierung“ anhand originärer Sucheingaben mit dem Zielkriterium der Optimierung der Conversion Rate. 

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Personalisierung in der Kundenkommunikation mittels KI erschien zuerst auf Nerdwärts.de.

Das Prinzip der Plattformökonomie

Oft wird in diesem Zusammenhang der Hinweis auf den US-Taxidienst „Uber“, ins Feld geführt, der als größtes Taxiunternehmen der Welt gilt, aber selbst kein einziges Taxi besitzt. Gleiches gilt für AirBnB oder Booking.com, die weltweit und in großem Maße Unterkünfte und Übernachtungsmöglichkeiten anbieten, jedoch selbst über keine eigenen Immobilien und Hotels verfügen. Und Google kann als wichtigster und größter Informationsanbieter der Welt gelten, beschäftigt jedoch keine Redakteure und produziert keine eigenen Inhalte. Dennoch haben sich all diese Unternehmen eine dominante Position in ihrem jeweiligen Markt erobert. Sie sind dort der zentrale Anlaufpunkt sowohl für Nachfrager als auch für die eigentlichen Anbieter. Sie haben es geschafft, sich als Zwischen- und Vermittlerstation, als „Intermediäre“, in die oft bereits jahrzehntelang ohne sie bestehenden Geschäftsbeziehungen einzuklinken und sich auf diesen Märkten unverzichtbar zu machen.

Plattformen als „Gatekeeper“

Der Schlüssel zu diesem Erfolg liegt in der Errichtung von Plattformen, die der Vernetzung der Marktteilnehmer auf beiden Seiten dienen. Damit wird die klassische Wirtschaftsbeziehung zwischen Produzenten und Abnehmern aufgebrochen. Die Produzenten als Eigentümer der „Hard Assets“, der „Produktionsmittel“ im klassischen Sinne, werden dabei ihres direkten Zuganges zu den Kunden beraubt. Stattdessen nehmen die Plattformen nun die maßgebliche Rolle als „Gatekeeper“ ein, kontrollieren damit den jeweiligen Markt und partizipieren an dieser Wertschöpfungskette auf Kosten der Produzenten, was sich bei diesen zwangsläufig auch in gesunkenen Margen bemerkbar macht.

Mehrwert durch Vernetzung

Diese Regeländerungen beeinflussen die Geschäftsstrategien grundsätzlich. Wettbewerb beruht dann weniger auf der Beschaffenheit der Produkte, eine Differenzierung erfolgt nicht allein anhand der Qualität der Produktmerkmale, sondern verstärkt über komplementäre Leistungen, insbesondere über diejenigen, die aus dem Charakter der Plattform resultieren: Produzenten und Konsumenten werden sich für die Plattform entscheiden, die ihnen die beste Vernetzung liefert. Für die Produzenten erhöhen sich damit ihre Absatzchancen, die Konsumenten erhalten auf diese Weise Zugriff auf ein möglichst großes Angebot, gleichzeitig wird der Markt für sie damit transparenter.

Netzeffekte: Standards schaffen

Ein wesentlicher Aspekt der Plattform besteht in der Schaffung von sogenannten „Netzeffekten“. Diese entstehen, wenn sich ein gemeinsamer Standard – wie ein übergreifendes Netz – etabliert und beruhen auf den wechselseitigen Auswirkungen einer Teilnahme an diesem für alle kompatiblen Standard. Am besten lässt sich dies mit der rationalen Wahl einer neu zu erlernenden Sprache erklären: Wer ökonomisch vorgeht, wird sich diejenige Sprache aussuchen, deren Erlernen es ihm gestattet, mit möglichst vielen Menschen zu kommunizieren – etwa Englisch, Arabisch, Spanisch oder Mandarin. Durch das Erlernen dieser Sprache profitiert man allerdings nicht nur selbst, auch alle anderen, die bereits diese Sprache beherrschen, ziehen einen Vorteil daraus, da sie nun mit einer weiteren, zusätzlichen Person kommunizieren können.

Standards reduzieren Risiko

Von der Einigung auf einen gemeinsamen Standard profitieren damit letztlich alle. Das hat unter anderem auch damit zu tun, dass auf diese Weise Marktsicherheit entsteht: Existiert nur ein einziger Standard, so besteht kein Risiko, auf das falsche Pferd zu setzen. In letzter Konsequenz bedeutet das aber auch, dass alle Beteiligten von einer Monopolisierung profitieren. Paradoxerweise haben also – entgegen der klassischen Markttheorie –alle, auch die Nachfrager, ein Interesse an einem eingeschränkten Wettbewerb auf diesen Netzwerkmärkten.

Plattformökonomie als Größenstrategie

Google, AirBnB, Uber & Co ist es gelungen, auf ihren Märkten entsprechende Standards zu schaffen, indem sie ihre jeweilige Plattform als die maßgebliche Stelle zur Marktkoordinierung etablieren konnten. Konzentriert sich die gesamte Nachfrage und das gesamte Angebot an einem zentralen Punkt, wird der Markt für alle effizienter. Angebot und Nachfrage können zielgenauer befriedigt werden. Es ist nicht notwendig, andernorts nach Marktpartnern zu suchen, das spart Zeit und senkt die Transaktionskosten. Alle Teilnehmer binden sich damit an die etablierten Plattformen. Für die Plattformbetreiber bedeutet dies, stets auf radikale Wachstumsstrategien zu setzen, um möglichst schnell eine ausreichende Größe zur Errichtung und Aufrechterhaltung eines Standards zu erreichen.

Die Relevanz von Daten in der Plattformökonomie

Daten und ihre Nutzbarmachung spielen in diesem Kontext ebenfalls eine entscheidende Rolle. Die Plattformen funktionieren, weil sie die Bedürfnisse der Teilnehmer jeweils gut kennen, daraus ziehen sie ihre Vorteile als Mittler zwischen den Akteuren. Folgerichtig werden die meisten dieser Plattformen als Datensammelpools geführt, die nicht nur die Vernetzung der wechselseitigen Kundenbeziehungen protokollieren, sondern auch das Nutzungsverhalten und die Bedürfnisse sämtlicher Beteiligter detailliert erfassen.

Die Kraft der Disruption

Diese Plattformen zerstören tradierte Szenarien und stülpen den Märkten kompromisslos ihr Geschäftsmodell über. Die anderen Marktteilnehmer sind dadurch gezwungen, sich diesem Änderungsprozess zu beugen. Fast in jeder Branche sind derartige Entwicklungen denkbar oder bereits Realität. Neben den bereits genannten Unternehmen lassen sich als weitere prominente Vertreter etwa auch Amazon für den Handel und Facebook im Bereich der Kommunikation und der Sozialen Netzwerke nennen. Es dürfte oft nur eine Frage der Zeit sein, bis sich auch auf anderen Märkten Plattformen entwickeln. Darin liegt einerseits eine Chance für schnelle und zielbewusste Akteure, andererseits aber auch ein beachtliches Bedrohungspotenzial für die traditionellen Anbieter.

Plattform in der Nische

Plattformen können jedoch auch in Nischen funktionieren, was wiederum Perspektiven für neue, alternative Geschäftsansätze bietet. Durch die effiziente Zusammenführung von Nachfragen und Anbietern werden auf einmal Geschäftsmodelle möglich, die bislang nicht als wirtschaftlich galten. Zeitliche und örtliche Differenzen lassen sich durch ein digitales und breit distribuiertes Angebot überbrücken, was ebenfalls eine Senkung von Transaktionskosten nach sich zieht – also das Zustandekommen eines Abschlusses wahrscheinlicher macht. Das führt in der Summe dazu, dass auch Nischenprodukte für wenig Nachfrager profitabel angeboten werden können.

Individualisierung und Mass Customization

Bezog sich dies ursprünglich allein auf digitale Produkte, wie digitale Musik, Videos, Software oder eBooks, die aufgrund ihrer „immateriellen“ Beschaffenheit kaum Lager- und Vertriebskosten verursachen (der sogenannte „Long Tail“), entstehen heute immer mehr Plattformanbieter, die diesen Gedanken auf „greifbare“ Güter ausweiten und die sogar Personalisierung und Individualisierung von Produkten ermöglichen. Vorreiter in Deutschland wie „myMuesli“ ermöglichten es den Kunden, Produkte – in diesem Fall „Müslimischungen“ – selbst zusammenzustellen oder zu konfigurieren. Die höheren Preise rechtfertigen sich durch den hohen Individualisierungsgrad und die damit einhergehende tieferreichende Befriedigung der Bedürfnisse des einzelnen Nachfragers. Die Geschäftsmodelle haben sich inzwischen in vielen Segmenten bewährt, als Beispiele anführen lassen sich etwa „chocri.de“ für Schokolade, „MyBoshi.net“ für gehäkelte Mützen und „uniquefragrance.de“, bei dem man sich ein personalisiertes Parfum zusammenstellen kann – um nur einige zu nennen.

Plattformökonomie und 3D-Druck

Auch neue digitale, datenbasierten Produktionstechniken ermöglichen individuell gestaltete Angebote und Leistungen. Während Designer ursprünglich, um ihre Produkte zu verkaufen, gezwungen waren, in Vorleistung zu gehen, also Muster produzieren lassen und sich um eine Vertriebsorganisation kümmern mussten, ermöglichen die Fortschritte beim 3D-Druck heute potenziell eine individuelle und auftragsbezogene Produktion „on demand“.

Digitale Güter und Plattformen

Auch wenn diese Verfahren aktuell zumindest im B2C-Bereich noch in den Kinderschuhen stecken, leiten sich aus der Kombination mit Plattformökonomieansätzen hochinteressante Potenziale ab: Auf Plattformen wie „Shapeways.com“ können fertige Entwürfe – Alltagsgegenstände, Spielzeug, Schmuck – nun direkt durch Designer feilgeboten und von den Kunden gegen Gebühr „heruntergeladen“ werden, um diese dann am heimischen, mit 3D-Drucker ausgestatten Computer selbst auszudrucken. Unter Umständen ließen sich diese Dateien auch noch individuell modifizieren, so dass der Konsument sehr eng in den Produktionsprozess miteingebunden ist. Das vereinfacht es erheblich, derartige Ideen zur Marktreife zu bringen; das unternehmerische Risiko wird reduziert, da keine Vorabinvestitionen in die Produktfertigung oder die Verkaufskanäle notwendig sind.

Mikromarketing und Diversifizierung

Dieses, durch die Plattformen ermöglichte „Mikromarketing“ ist eine Errungenschaft der Digitalisierung, wobei hier anders als bei den großen monopolhaften Plattformen auch eine Diversifizierung des Angebotes bewirkt wird. Aber auch hier tragen Internet und Digitalisierung zu einer Koordinierungsleistung maßgeblich bei. Die Art und Weise, wie damit Märkte „gemacht“ werden können, hat tiefgreifende Auswirkungen, und zwar nicht nur hinsichtlich der zur Verfügung stehenden Absatzkanäle. Das Prinzip der Plattformökonomie verändert damit auch den Kern des wirtschaftlichen Miteinanders von Grund auf.

Blockchain: Das Ende der Plattformökonomie?

Allerdings ist jeder technologische Trend stets durch eine weiterführende innovative Entwicklung latent gefährdet. Aktuell wird vor diesem Hintergrund oft auf das Prinzip der „Blockchain“ verwiesen, der Technologie hinter Bitcoin und Ethereum, womit eine dezentrale und autonome Netzwerk- und Marktorganisation möglich ist. Sofern wirklich – wie zumindest in der Theorie bei Bitcoin – kein Gatekeeper den Marktzugang kontrolliert, weil die Netzwerkleistung streng dezentral durch die Netzteilnehmer selbst und gleichberechtigt geschultert wird, könnte dies dazu führen, dass die revolutionäre Entwicklung der zentralistisch geprägten Plattformökonomie bereits selbst der folgenden, „disruptiven“ Revolution zum Opfer fällt. Dann könnten Systeme wie Bitcoin tatsächlich die Netzwerkmacht distribuieren und diese wieder zurück auf die einzelnen Teilnehmer übertragen.
Das zeigt, dass wir uns hier nicht am Ende einer Entwicklung, sondern eher noch ganz an deren Anfang befinden. Im Zeitalter der Digitalisierung wird damit der ständige Wandel zur einzigen Konstante auf den Märkten.

Der Beitrag ist ein Exzerpt aus:
Wagener, Andreas (2018): Marketing 4.0 In: Wolff, Dietmar / Göbel, Richard (Hrsg.). Digitalisierung: Segen oder Fluch. Wie die Digitalisierung unsere Lebens- und Arbeitswelt verändert, http://www.springer.com/de/book/9783662548400

Mehr zum Thema „Plattformökonomie & Blockchain“ hier:
Vortrag von Prof. Dr. Andreas Wagener nach, gehalten m Rahmen der jährlichen Vortragsreihe zur Digitalisierung der Fakultät Wirtschaft an der Hochschule Hof – „Digitale Wirtschaft, Industrie 4.0 und das Internet der Dinge“:

Blockchain und Industrie 4.0 – Das Ende der Plattformökonomie?

Prof. Dr. Andreas Wagener. Professur für Digitales Marketing: eCommerce & Social Media, Hochschule Hof

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Plattformökonomie als Geschäftsmodell erschien zuerst auf Nerdwärts.de.