Im Umfeld urbaner Mobilitätsdienstleistungen vollzieht sich eine tiefgreifende digitale Transformation, die weit über die Einführung neuer Fahrzeugtypen hinausgeht. Anbieter von Mikromobilität, die den öffentlichen Raum nutzen, stehen vor der doppelten Herausforderung: Operative Effizienz zu gewährleisten und gleichzeitig eine nachhaltige Nutzer:innenbasis aufzubauen.

Das ist besonders relevant in einem Kontext, in dem der Zugang zu physischen Assets die eigentliche Dienstleistung darstellt: Ein Fahrrad, ein E-Scooter oder ein Carsharing-Fahrzeug. In diesem komplexen Szenario befindet sich der Fahrradverleiher Nextbike aus Leipzig, der seine Fahrräder im gesamten Stadtgebiet bereitstellt, in einem hochkompetitiven Marktumfeld.

Der Wettbewerb kommt nicht nur von direkten Konkurrenten im Bike-Sharing, sondern auch von aufstrebenden E-Scooter-Anbietern und etablierten öffentlichen Verkehrsnetzen. Für Nextbike, wie für alle Akteure in der Shared Mobility, ist die Fähigkeit zur effektiven Kundenbindung und effizienten Neukund:innenakquise von entscheidender Bedeutung für den langfristigen Erfolg.

Als Digital Business Berater sehen wir hierin eine Kernherausforderung: Die Steigerung der Markenbindung und Kundenakquise in einem wettbewerbsintensiven Shared Mobility Markt. Eine generische Kundenansprache, die alle Nutzer:innen über einen Kamm schert, stößt in Zeiten, in denen Konsument:innen eine individualisierte und relevante Erfahrung erwarten, an ihre Grenzen.

Studien im Bereich des digitalen Marketings belegen immer wieder, dass Personalisierung zu höheren Konversionsraten und einer stärkeren Kund:innenbindung führt. Die Antwort auf diese Herausforderung liegt in einer intelligenten, datengetriebenen und hochgradig personalisierten Marketingstrategie, die konsequent durch Künstliche Intelligenz (LLMs oder „KI“) unterstützt wird. KI ermöglicht es, die individuellen Bedürfnisse und Präferenzen der Nutzer:innen in einem Umfang zu verstehen und zu adressieren, der mit manuellen Ansätzen schlichtweg unerreichbar wäre.

Dieser Beitrag beleuchtet detailliert, wie Unternehmen im Shared Mobility Sektor die Potenziale von KI nutzen können, um das Kundenerlebnis zu revolutionieren, die Kundenbindung zu vertiefen und die Akquiseprozesse strategisch zu optimieren.

Die strategische Datenbasis: Fundament für jede Personalisierung

Der Ausgangspunkt jeder erfolgreichen KI-Strategie ist der Aufbau einer robusten und integrierten Datenbasis. Für einen Anbieter im Shared Mobility Bereich wie Nextbike bedeutet dies die Aggregation und Strukturierung relevanter Nutzer:innendaten aus unterschiedlichen Quellen, um ein umfassendes 360-Grad-Bild der Kund:innen zu erhalten. Diese Daten sind der Rohstoff, aus dem KI-Algorithmen wertvolle Erkenntnisse gewinnen können. Ohne eine kohärente und qualitativ hochwertige Datengrundlage bleiben die Möglichkeiten der Personalisierung und Automatisierung limitiert.

Relevante Datenpunkte und deren strategische Bedeutung:

• Nutzungsverhalten: Das umfasst detaillierte Informationen über Fahrtstrecken, Dauer, präferierte Start- und Endpunkte, typische Uhrzeiten der Nutzung und die Art der genutzten Fahrräder (Standard- vs. E-Bike). Diese Metriken erlauben tiefgreifende Rückschlüsse auf primäre Nutzungsmotive, wie etwa täglichen Pendelverkehr im Gegensatz zu freizeitlicher Erkundung der Stadt oder sportlicher Aktivität. Die Analyse von Nutzungsmustern kann beispielsweise aufzeigen, dass bestimmte Routen zu Stoßzeiten stark frequentiert sind, was auf Pendler:innen hinweist.
• App-Interaktionen: Daten über Klickpfade, spezifische Suchanfragen innerhalb der App, die Nutzung bestimmter Funktionen (Routenplanung, Favoriten speichern) oder Reaktionen auf In-App-Nachrichten. Diese Verhaltensdaten offenbaren nicht nur Nutzer:innenpräferenzen in Bezug auf die App-Funktionalität, sondern auch das generelle Engagement und die Aktivität des:der Nutzer:in innerhalb des Ökosystems.
• Feedback- und Support-Interaktionen: Beinhaltet sowohl direktes als auch indirektes Kund:innenfeedback, das aus Support-Anfragen, Problemberichten, Umfragen oder App-Store-Bewertungen gewonnen wird. Solche Daten sind ein direkter Indikator für Zufriedenheit, identifizierte Pain Points und bieten wertvolle Hinweise für die Verbesserung des Service und der Kommunikation.
• Kontextdaten: Externe Datenquellen wie aktuelle Wetterdaten, lokale Eventkalender (z.B. Messen, Konzerte, Sportveranstaltungen in Leipzig) und Informationen zu Störungen im öffentlichen Nahverkehr spielen eine entscheidende Rolle. Diese externen Faktoren beeinflussen die Nachfrage erheblich und ermöglichen die Ausspielung von hochgradig kontextsensitiven und zeitkritischen Angeboten, die den unmittelbaren Bedarf des:der Nutzer:in adressieren.

Praktischer Leitfaden für die Etablierung der Datenbasis:

• Implementierung einer Customer Data Platform (CDP): Eine CDP ist das Herzstück einer modernen Datenstrategie. Sie ist essenziell, um disparate Datenquellen wie App-Analytics, Customer Relationship Management (CRM)-Systeme, Support-Systeme oder Web-Tracking-Daten in konsolidierten, einheitlichen Nutzer:innenprofilen zusammenzuführen. Diese zentrale Sicht auf den:die Kund:in schafft die notwendige Grundlage für komplexe KI-Analysen und die gezielte Aktivierung spezifischer Segmente.
• Daten-Governance und DSGVO-Konformität: Sicherstellung, dass alle Datenerfassungs- und -verarbeitungsprozesse den strengen Anforderungen der DSGVO entsprechen. Transparenz gegenüber den Nutzer:innen bezüglich der Datennutzung und die Einholung expliziter Einwilligungen sind hierbei unerlässlich, um Akzeptanz und Vertrauen zu gewährleisten.
• Definition relevanter Datenpunkte („Smart Data“): Es gilt, „Smart Data“ statt einer bloßen Ansammlung von „Big Data“ zu priorisieren. Vor der Datensammlung sollte klar definiert werden, welche Daten wirklich entscheidend sind, um spezifische Hypothesen zu testen und einen messbaren Mehrwert für das Marketing und das Kundenerlebnis zu schaffen. Eine gezielte Datensammlung reduziert Komplexität und erhöht die Effizienz der Analyse.

Segmentierung: Präzises Verständnis der Nutzer:innen-Persona

Mit einer soliden und strukturierten Datenbasis kann KI ihre volle Stärke in der automatisierten, dynamischen Segmentierung der Nutzer:innen entfalten. Anstatt Nutzer:innen in statische demografische Gruppen einzuteilen, identifiziert KI mittels unüberwachter Lernverfahren (z.B. Clustering-Algorithmen wie K-Means oder Hierarchical Clustering) komplexe, verhaltensbasierte Segmente. Diese Segmente sind weitaus aussagekräftiger für Marketingzwecke, da sie tatsächliche Nutzungsmotive und Präferenzen widerspiegeln. Aktuelle Studien zur Personalisierung zeigen auf, dass ein präzises Verständnis der Nutzer:innen-Persona die Effektivität von Marketingkampagnen um ein Vielfaches steigern kann.

Beispiele für KI-generierte Segmente bei Nextbike:

• Der:die „Effizienz-Pendler:in“: Dieser Typ ist charakterisiert durch regelmäßige Fahrten zu Stoßzeiten auf spezifischen, oft optimierten Routen zwischen Wohnort und Arbeitsplatz/Uni. Für diese:n Nutzer:in ist hohe Verfügbarkeit der Fahrräder an relevanten Punkten und schnelle, reibungslose Ausleihprozesse entscheidend. Das Marketing sollte hier auf Zeitersparnis und Zuverlässigkeit abzielen.
• Der:die „Urban-Explorer:in“: Dieser Segment-Typus zeichnet sich durch häufige, längere Fahrten an Wochenenden oder in der Freizeit aus, oft zu touristischen oder Erholungszielen innerhalb und außerhalb Leipzigs. Flexibilität bei der Rückgabe und der Erlebniswert der Fahrt stehen hier im Vordergrund. Angebote könnten Tourenvorschläge oder Empfehlungen für E-Bikes umfassen.
• Der:die „Situations-Nutzer:in“: Diese:r Nutzer:in fährt unregelmäßig, oft als Ad-hoc-Alternative bei schlechter ÖPNV-Verbindung, unerwarteten Bedarfen oder spontan bei gutem Wetter. Reagiert stark auf kurzfristige Anreize und die unmittelbare Verfügbarkeit von Rädern in der Nähe. Hier sind schnelle, kontextuelle Nachrichten von großer Bedeutung.
• Der:die „Trial-User:in“: Dieses Segment umfasst Nutzer:innen, die die App registriert haben, aber noch keine oder nur sehr wenige Fahrten unternommen haben. Dies ist ein kritischer Touchpoint für die initiale Aktivierung; spezifische Onboarding-Programme und Anreize sind hier essenziell, um die erste Fahrt zu fördern und Hürden abzubauen.

Praktischer Leitfaden zur Nutzung smarter Segmentierung:

• Dynamische Segmentzuordnung: Eine statische Segmentierung ist nicht ausreichend. Die KI-Modelle sollten in der Lage sein, Nutzer:innen bei verändertem Verhalten (z.B. vom „Trial-User:in“ zum „Effizienz-Pendler:in“) automatisch neuen Segmenten zuzuordnen. Dies ermöglicht eine agile Anpassung der Kommunikationsstrategie und stellt sicher, dass die Botschaften stets relevant bleiben.
• Prädiktive Analysen zur Churn Prevention: Durch die kontinuierliche Analyse von Nutzungsmustern und Verhaltensänderungen kann KI frühzeitig Nutzer:innen identifizieren, die ein erhöhtes Abwanderungsrisiko (Churn Risk) aufweisen. Das ermöglicht proaktive Reaktivierungsstrategien, wie das Anbieten von Gutscheinen oder personalisierten Vorteilen, bevor der:die Nutzer:in das Interesse verliert. Die Kosten für die Reaktivierung sind in der Regel deutlich geringer als die für die Neukund:innenakquise.
• Segment-spezifische Wertversprechen: Jedes Segment hat unterschiedliche Pain Points, Bedürfnisse und Motivationsfaktoren. Die Kommunikation muss diese spezifischen Bedürfnisse klar und prägnant adressieren, um maximale Resonanz zu erzielen. Ein „Effizienz-Pendler:in“ reagiert anders auf ein Angebot als ein:e „Urban-Explorer:in“.

Hyperpersonalisierte Kommunikation über gesamten CLV

Basierend auf der KI-gestützten Segmentierung und prädiktiven Analysen kann ein Shared Mobility Anbieter wie Nextbike eine hochpersonalisierte Kommunikation über verschiedene Touchpoints hinweg etablieren. Das übergeordnete Ziel ist es, die Relevanz der Botschaft für den:die einzelne:n Nutzer:in über den gesamten Customer Lifecycle (CLV) hinweg maximal zu erhöhen. Empirische Daten zeigen, dass personalisierte Marketingkampagnen im Vergleich zu generischen Kampagnen deutlich höhere Öffnungs-, Klick- und Konversionsraten erzielen, da sie als weniger störend und relevanter wahrgenommen werden.

Beispiele für KI-optimierte Kommunikationsstrategien:

• Onboarding von Neukund:innen: Nach der Registrierung erhält ein:e Nutzer:in, der:die dem „Effizienz-Pendler:in“-Segment zugeordnet wurde, gezielte Hinweise auf Stationen entlang typischer Pendelrouten in Leipzig und ein zeitlich begrenztes Erstnutzungsangebot (z.B. eine Push-Nachricht: „Die ersten 30 Minuten gratis für deinen Weg zur Arbeit! Dein nächstes Nextbike ist nur 2 Minuten entfernt.“). Dies baut initiale Nutzungsbarrieren ab.
• Reaktivierung von inaktiven Nutzer:innen: Ein:e „Situations-Nutzer:in“, der:die seit drei Wochen keine Fahrt getätigt hat, aber bei gutem Wetter typischerweise aktiv war, erhält eine Push-Benachrichtigung: „Sonnige Aussichten in Leipzig! Schnapp dir ein Nextbike und sichere dir jetzt 1€ Rabatt auf deine nächste Fahrt!“ (KI-Trigger: Nutzungshistorie + Wetterprognose). Dies ist ein proaktiver Versuch, den:die Nutzer:in zurückzugewinnen.
• Bindung von Viel-Nutzer:innen und Abonnent:innen: „Urban-Explorer:innen“ erhalten exklusive Informationen über neue Abo-Modelle oder Vorteile, die auf ihre längeren Fahrten zugeschnitten sind (z.B. eine E-Mail: „Unbegrenztes Fahrvergnügen am Wochenende: Entdecke unser neues ‚Explorer-Abo‘ mit vergünstigten E-Bike-Minuten!“). Solche Angebote stärken die Loyalität und den Customer Lifetime Value (CLTV).
• Cross- & Up-Selling: Nutzer:innen, die häufig längere Strecken zurücklegen oder topografisch anspruchsvolle Gegenden (wie den Fockeberg in Leipzig) befahren, erhalten gezielte Empfehlungen für E-Bikes oder Kombi-Angebote mit Partnerrabatten (z.B. „Erleichtere dir die Fahrt zum Fockeberg – probier doch mal unser E-Bike! Jetzt mit 10% Rabatt auf die erste E-Bike-Fahrt.“).
• Kontextuelle Benachrichtigungen (Geofencing): Beim Betreten eines Gebiets mit hoher Fahrraddichte oder einem „Hotspot“ für freie Räder erhält der:die Nutzer:in eine Benachrichtigung über verfügbare Nextbikes in unmittelbarer Nähe. Ebenso bei geringer Verfügbarkeit zur Planung der Rückfahrt. Dies sind micro-moments, in denen die Relevanz der Information am höchsten ist.

Praktischer Leitfaden für effektive Kommunikationsgestaltung:

• Kanal-Orchestrierung: Setze auf einen integrierten Multi-Channel-Ansatz (In-App-Nachrichten, Push-Notifications, E-Mail, SMS), der durch die KI kanalübergreifend orchestriert wird. Das Ziel ist es, Überkommunikation zu vermeiden und die Präferenz des:der Nutzer:in für bestimmte Kommunikationskanäle zu respektieren. Eine Kanal-Orchestrierung sorgt für eine kohärente Customer Journey.
• Relevanz und Wertversprechen: Jede Kommunikation muss einen klaren Mehrwert oder einen spezifischen Vorteil für den:die Empfänger:in bieten, basierend auf seinem:ihrem Profil und Kontext. Irrelevante Nachrichten führen schnell zu Abmeldungen und negativer Markenwahrnehmung.
• Call-to-Action (CTA) Optimierung: Klare, prägnante und aktionsorientierte CTAs sind unerlässlich. Diese sollten durch A/B-Tests kontinuierlich optimiert werden, um die höchste Konversionsrate zu erzielen. Ein gut platzierter und formulierte CTA kann den Unterschied zwischen einer gelesenen Nachricht und einer ausgeführten Aktion ausmachen.

Technologische Architektur: Tools für Marketing Automation

Die Implementierung einer solchen Strategie erfordert eine durchdachte technologische Infrastruktur, die verschiedene Systeme nahtlos integriert und leistungsstarke KI-Funktionalitäten bereitstellt. Die Auswahl der richtigen Tools ist entscheidend für die Skalierbarkeit und Effizienz der Personalisierungsmaßnahmen.

• Machine Learning Plattform: Eine leistungsfähige Plattform ist das neuronale Zentrum der Strategie. Cloud-basierte ML-Services wie Google Cloud AI Platform, AWS SageMaker oder Azure Machine Learning bieten die notwendigen Umgebungen zur Entwicklung, zum Training und zur Bereitstellung der KI-Modelle für Segmentierung, Prognose (z.B. Churn-Wahrscheinlichkeit, Nachfrageprognosen) und Personalisierung von Inhalten und Angeboten.
• Marketing Automation Platform (MAP): Ein robustes MAP-System (z.B. Salesforce Marketing Cloud, Braze, Iterable oder Mautic) ist essenziell, um die Ausspielung der personalisierten Kampagnen über verschiedene Kanäle zu automatisieren und zu orchestrieren. Eine tiefe bidirektionale Integration mit der ML-Plattform ist hier entscheidend, um die von der KI generierten Erkenntnisse (z.B. Segmentzugehörigkeit, individuelle Präferenzen) direkt in die Kampagnenlogik einfließen zu lassen.
• In-App-Messaging & Push-Notification-Dienst: Spezialisierte Dienste sind notwendig, um direkte und kontextuelle Kommunikation innerhalb der Nextbike-App und über Push-Nachrichten effizient zu verwalten und zu personalisieren. Dies ermöglicht Micro-Interaktionen, die im richtigen Moment stattfinden.
• KI-Chatbot-Plattform: Eine Plattform mit fortschrittlichen Natural Language Processing (NLP)-Fähigkeiten ist unerlässlich, um Nutzer:innenanfragen zu verstehen und automatisierte, personalisierte Antworten bereitzustellen. Ein solcher Chatbot entlastet nicht nur den menschlichen Kundenservice erheblich (Reduzierung des Ticketvolumens), sondern verbessert auch die User Experience durch sofortige und relevante Hilfestellung.
• A/B-Testing und Optimierungstools: Integrierte Tools sind notwendig, um verschiedene Kommunikationsansätze (z.B. Betreffzeilen, Botschaften, CTAs, Angebote) systematisch zu erproben und die effektivsten Varianten zu identifizieren. Kontinuierliches Testing ist der Schlüssel zur inkrementellen Verbesserung der Marketing-Performance.

Der Implementierungsfahrplan: Phasen der Transformation

Die Einführung einer KI-gestützten Personalisierungsstrategie ist kein Projekt, das über Nacht abgeschlossen ist. Es handelt sich um einen iterativen Prozess, der in klar definierte Phasen unterteilt werden sollte, um Risiken zu minimieren und schrittweise Mehrwert zu generieren.

Phase 1: Daten- und Infrastruktur-Setup (ca. 1-2 Monate)

• Umfassender Audit bestehender Datenquellen und Datenpipelines, um eine klare Vorstellung von der aktuellen Datenlandschaft zu erhalten.
• Auswahl und Implementierung der Customer Data Platform (CDP) sowie initialer Integrationen zu relevanten Quellsystemen.
• Sicherstellung der vollständigen Compliance mit allen relevanten Datenschutzanforderungen (DSGVO) und Etablierung robuster Opt-in-Prozesse.

Phase 2: KI-Modellierung und Pilot-Segmentierung (ca. 2-3 M)

• Aufbau und Training erster KI-Modelle für die Verhaltenssegmentierung (z.B. über Clustering-Algorithmen) und erste prädiktive Analysen (z.B. initiale Churn-Prognosemodelle).
• Pilotierung der ersten personalisierten Kommunikationsströme für 2-3 strategisch wichtige Schlüssel-Segmente, um erste Learnings zu generieren.

Phase 3: Kampagnen-Automatisierung + Chatbot (3-4 M)

• Vollständige Integration der Machine Learning Plattform mit der Marketing Automation Platform, um die automatisierte Ausspielung von Kampagnen zu ermöglichen.
• Entwicklung und Automatisierung der ersten End-to-End personalisierten Kampagnen (z.B. für Onboarding, Reaktivierung, Cross-Selling-Szenarien).
• Rollout eines initialen KI-Chatbots zur Beantwortung von Frequently Asked Questions (FAQs), um den Kundenservice zu entlasten.

Phase 4: Kontinuierliche Optimierung & Skalierung (Laufend)

• Systematisches A/B-Testing und multivariate Tests zur fortlaufenden Optimierung aller Kommunikationsmaßnahmen und Angebote.
• Regelmäßiges Retraining und Verfeinerung der KI-Modelle basierend auf neuen Daten und den erzielten Performance-Metriken.
• Schrittweise Erweiterung der Personalisierungslogik auf weitere Kanäle, Produktbereiche und geografische Märkte.

Erfolgsmessung und Performance-Indikatoren

Die Wirksamkeit der implementierten Maßnahmen muss kontinuierlich und evidenzbasiert anhand definierter Key Performance Indicators (KPIs) überwacht werden. Eine datengetriebene Erfolgskontrolle ermöglicht es, den ROI der KI-Investitionen zu quantifizieren und die Strategie kontinuierlich zu optimieren.

• Kundenbindung: Wichtige Metriken sind die Wiederkehrende Nutzer:innen-Rate, die durchschnittliche Fahrten pro Nutzer:in, die durchschnittliche Fahrtdauer, die Churn Rate (Abwanderungsrate) sowie der Customer Lifetime Value (CLTV). Studien belegen, dass eine Steigerung der Kundenbindung signifikant zum Unternehmenswert beiträgt.
• Kundenakquise: Hierzu zählen die Anzahl der Neuregistrierungen, die Konversionsrate von Interessent:innen zu aktiven Nutzer:innen und die Kosten pro Akquisition (CPA). Personalisierte Marketingansätze können den CPA senken und die Qualität der Neukund:innen verbessern.
• Engagement: Messgrößen wie die Öffnungs- und Klickraten von E-Mails und Push-Nachrichten, In-App-Engagement-Raten und die Interaktionsrate mit dem Chatbot geben Aufschluss über die Relevanz der Kommunikation.
• Umsatz: Der durchschnittliche Umsatz pro Nutzer:in (ARPU) sowie spezifische Umsatzsteigerungen durch Abo-Modelle und Cross-Selling-Angebote sind direkte finanzielle Indikatoren für den Erfolg der Personalisierungsstrategie.

Praktischer Leitfaden für kontinuierliche Optimierung:

• Etablierung eines Daten-Dashboards: Ein zentrales, interaktives Dashboard, das alle relevanten KPIs in Echtzeit visualisiert, ist unerlässlich. Es ermöglicht Entscheidungsträger:innen, fundierte und schnelle Entscheidungen zu treffen und Trends zu erkennen.
• Regelmäßige Performance-Reviews: Monatliche oder quartalsweise Überprüfung der Ergebnisse in dedizierten Performance-Reviews, um Learnings zu identifizieren und konkrete Handlungsempfehlungen für die weitere Strategie abzuleiten.
• Nutzer:innen-Feedback-Schleifen: Die kontinuierliche Integration von qualitativem und quantitativem Nutzer:innen-Feedback (z.B. über In-App-Umfragen, NPS-Befragungen, Analyse von App-Store-Bewertungen) ist von unschätzbarem Wert für die ganzheitliche Bewertung der Nutzer:innen-Zufriedenheit und die Identifikation neuer Optimierungspotenziale.

Geschäftlicher Mehrwert für Shared Mobility Anbieter

Die strategische Investition in eine KI-gestützte Personalisierungsstrategie generiert einen signifikanten und vielfältigen geschäftlichen Mehrwert, der weit über die reine Effizienzsteigerung hinausgeht:

• Signifikante Steigerung der Kundenbindung: Durch relevante und zeitgerechte Kommunikation wird die Nutzer:innen-Loyalität erhöht und die Abwanderung reduziert. Dies ist besonders kritisch in einem Service-Modell, das auf wiederholter Nutzung basiert.
• Effizienzsteigerung in der Kundenakquise: Gezieltere Ansprache potenzieller Kund:innen auf Basis ihrer Präferenzen führt zu höheren Konversionsraten und einer Optimierung der Marketingbudgets, da Streuverluste minimiert werden.
• Verbessertes Kundenerlebnis (CX): Nahtlose, proaktive und personalisierte Interaktionen steigern die Zufriedenheit und stärken die Markenwahrnehmung positiv, was sich in höheren Empfehlungsraten niederschlägt.
• Nachhaltiger Wettbewerbsvorteil: Unternehmen, die in der Lage sind, eine überlegene digitale Kundenansprache und -betreuung zu bieten, differenzieren sich maßgeblich im Markt und bauen eine schwer kopierbare Position auf.
• Datenbasierte Entscheidungsfindung: Strategische und operative Entscheidungen werden durch fundierte Datenanalysen untermauert. Dies minimiert Risiken, maximiert Potenziale und fördert eine agile Unternehmensführung.

Die Transformation hin zu einem KI-gesteuerten Marketing ist kein rein technisches Projekt, sondern eine tiefgreifende strategische Neuausrichtung. Sie ermöglicht es Akteuren im Shared Mobility Sektor wie Nextbike, die Potenziale der Digitalisierung voll auszuschöpfen und ihre Position als führender Anbieter im urbanen Mobilitätsmarkt nachhaltig zu festigen. Es ist eine Investition in die Zukunft der Kundenbeziehung und damit in den langfristigen Unternehmenserfolg.