Marketing Analytics

Kündigerprävention durch Churn Prediction

Kundenabwanderung erfolgreich reduzieren

Kunden binden

Erhöhen Sie die Kundenbindung durch proaktive, relevante und wertstiftende Ansprache, bevor der Kunde zum Wettbewerb abwandert.

CLV erhöhen

Kunden, die langfristig ans Unternehmen gebunden werden können, erzielen einen höheren Customer Lifetime Value (CLV) und tragen damit nachhaltig zum Unternehmenserfolg bei.

Akquisekosten senken

Die Kosten für die Akquise von Neukunden übersteigen die Kosten für die Customer Retention in etwa um den Faktor fünf. Jeder Kunde, der von der Abwanderung zum Wettbewerber abgehalten werden kann, ist damit bares Geld wert.

Das Prinzip

Churn Prediction ist ein Prognoseverfahren, das Ihnen Vorhersagen über die Kündigungswahrscheinlichkeit jedes einzelnen Kunden erlaubt. Mit diesen Prognosen lassen sich Maßnahmen zur Kundenbindung ergreifen, noch bevor Kunden abwandern. Dieses Verfahren lässt sich sowohl bei vertragsbasierten Geschäftsmodellen (Banken, Versicherungen, Telekommunikation, Versorgungsunternehmen etc.) als auch bei transaktionsbasierten Geschäftsmodellen (Handel, Gaming etc.) sehr erfolgreich anwenden.

Unsere Vorgehensweise

Indizien zur bevorstehenden Abwanderung von Kunden verstecken sich höchstwahrscheinlich bereits in Ihren Daten zum Kundenverhalten. Sinkende Frequenz oder Servicenutzung, Abweichungen vom regulären Kauf- oder Nutzungsverhalten, Beschwerden im Customer Service oder die Suche bestimmter Begriffe auf Ihrer Website – all diese Daten können extrahiert und miteinander verknüpft werden. Kunden, die bereits abgewandert sind, werden hinsichtlich ihres Verhaltens vor der Abwanderung analysiert und mit denen verglichen, die nicht abgewandert sind. So lassen sich wiederkehrende Verhaltensmuster für abwanderungsgefährdete Kunden identifizieren. Durch Anwendung dieser Muster auf aktuelle Daten können solche Kunden mit einer hohen Trefferquote identifiziert werden. Wir automatisieren diesen Prozess für Sie. Damit haben Sie stets aktuelle Abwanderungsvorhersagen, die sie direkt in Marketingaktionen nutzen können.

Mehr Business durch Next Best Offer

Cross- und Upselling optimieren

Höhere Relevanz

Erhöhen Sie die Relevanz ihrer Kundenansprache durch die Identifikation von Angeboten und Inhalten, die am interessantesten für den jeweiligen Kunden sind. Oder anders herum – finden Sie die Bestandskunden, die für ein gegebenes Angebot die höchste Annahmewahrscheinlichkeit aufweisen.

Höhere Frequenz

Wenn Sie für Ihre Kunden mit Ihren Angeboten permanent relevant bleiben, erhöhen Sie damit automatisch die Frequenz, mit der Ihr Kunde diese Angebote nutzt.

Mehr Umsatz

Kunden, die individuell relevante Cross- und Upselling-Angebote erhalten, interagieren nicht nur häufiger mit Ihnen als Anbieter – sie erzeugen auch mehr Umsatz pro Transaktion.

Das Prinzip

Next Best Offer Modellierung erlaubt es Ihnen, jedem Ihrer Kunden individuell passende Angebote zu unterbreiten. Die Definition von „passend“ bestimmen Sie dabei – je nachdem ob Ihr Fokus auf der schnellen Eroberung von Marktanteilen  (Frequenz oder Umsatz) oder Profit (Uplift) liegt. Auf Basis dieser Zieldefinition werden für jeden Kunden die besten Angebote oder aber – abhängig von der Sichtweise – für jedes Angebot die besten Kunden ermittelt.

Unsere Vorgehensweise

Viele Anbieter von Next Best Offer Ansätzen setzen Algorithmen ein, die die individuelle Kaufwahrscheinlichkeit eines Kunden für ein Produkt berechnen. Das ist ausreichend, wenn das Ziel ausschließlich die Erhöhung des Absatzes ist. Bei der Eroberung von Marktanteilen, z.B. bei der Einführung neuer Produkte, ist das ein sinnvolles Ziel. Die Effizienz der Marketingkommunikation und damit der Profit werden damit aber nicht automatisch erhöht, weil Kunden angesprochen werden, die ohnehin gekauft hätten.

Sobald Effizienz und damit Profit im Vordergrund stehen, sind andere Ansätze gefragt. Wir gehen daher einen Schritt weiter und erstellen für Sie Next Best Offer Modelle für Ihre spezifische Zielsetzung oder auch für unterschiedliche Zielsetzungen. Je nach Ziel Ihrer Marketingaktion kommen dann die jeweils passenden Modelle (z.B. sogenannte Uplift-Modelle) zum Einsatz.

Customer Lifetime Value 2.0 und Customer Equity

Der Kundenwert als zentrale Steuerungsgröße in Marketing und Vertrieb

Besseres Benchmarking

Gleich, welche Aktivitäten Sie in Marketing oder Vertrieb anstoßen – wenn Sie den CLV für Ihre Kunden regelmäßig berechnen und historisieren, stehen Ihnen damit verlässliche Kenngrößen zum Vorher-Nachher-Vergleich der Profitabilität Ihrer Aktivitäten zur Verfügung.

Bessere Budgetkontrolle

Wenn Sie den CLV Ihrer Kunden berechnen können, kennen Sie auch dessen Einflussgrößen (z.B. mittlerer Order-Umsatz, Kauffrequenz, Dauer der Kundenbeziehung) und deren Relevanz für den Erfolg. Mit der Konzentration von Budgets auf die wichtigen Erfolgsfaktoren erzielen Sie eine bessere Profitabilität.

Höhere Kundenzufriedenheit

Ihr Vertrieb und Customer Service bekommt mit dem CLV eine hervorragende Kennzahl an die Hand, mit der sich Entscheidungen passgenau für jeden Kunden treffen lassen: Beispielsweise über Kompensationen bei Kundenbeschwerden oder zusätzliche Services. So bekommen genau die Kunden Ihre Aufmerksamkeit, mit denen Sie den höchsten Wert generieren.

Das Prinzip

Der Customer Lifetime Value (CLV) ist der Deckungsbeitrag, den ein Kunde über seinen gesamten Kundenlebenszyklus für ein Unternehmen erwirtschaftet. Er beinhaltet sowohl die bisherige Wertschöpfung, die der Kunde dem Unternehmen in der Vergangenheit eingebracht hat, als auch die, die der Kunde potentiell in Zukunft erwirtschaften wird (das Kundenpotenzial). Der CLV wird gemeinsam mit anderen Kunden-Kennzahlen dazu genutzt, um die Kundenansprache gezielter zu steuern, beispielsweise um die Ansprachekosten zu optimieren. So lassen sich u.a. höhere Budgets für die Ansprache besonders werthaltiger Kunden rechtfertigen.

Die in der Betriebswirtschaft oft genutzte statische CLV-Formel enthält eine Vielzahl von Variablen, die schwierig zu ermitteln sind und einer Reihe von Annahmen unterliegen. Daher gehen wir einen anderen Weg und setzen auf moderne Machine Learning Verfahren. Da die so gewonnenen Ergebnisse nicht auf Annahmen, sondern auf dem tatsächlichen Kundenverhalten basieren, lassen sich beispielsweise Kunden mit hohem Potenzial deutlich besser erkennen.

Der Customer Equity eines Unternehmens ist die Summe der CLVs aller Kunden. Dieser Wert ist insbesondere dann interessant, wenn man ihn nach verschiedenen Kundengruppierungen betrachtet.

Unsere Vorgehensweise

Mit den Kosten und Umsätzen, die in der Vergangenheit liegen, wird zunächst über den herkömmlichen CLV-Ansatz der bisherige Deckungsbeitrag für jeden Kunden berechnet. Für die Vorhersage der zukünftigen Deckungsbeiträge pro Kunde nutzen wir jedoch keine statische Formel, sondern ein Machine Learning Verfahren. Damit lassen sich aus dem Kundenverhalten in der Vergangenheit das zukünftige Verhalten und damit die zukünftigen Deckungsbeiträge wesentlich treffsicherer vorhersagen. Wichtiger Erfolgsfaktor ist allerdings eine ausreichend große Transaktionshistorie mit allen relevanten Umsatz- und Kostentreibern.

CLV und Customer Equity haben nur dann einen echten Nutzen im Unternehmen, wenn sie zu jeder Zeit für jeden Kunden aktuell zur Verfügung stehen. Daher sorgen wir dafür, dass die Berechnung auf Ihren Daten für jeden Kunden operationalisiert wird. Die Ergebnisse lassen sich wiederum über Reports auswerten. In Verbindung mit einer bestehenden Kundensegmentierung lässt sich damit beispielsweise der Customer Equity für die unterschiedlichen Kundensegmente vergleichen, auch im Zeitverlauf. Interessante Erkenntnisse zur Optimierung der Vertriebssteuerung lassen sich erzielen, wenn man den Customer Equity nach den Akquisitionskanälen betrachtet.

Customer Segmentation

Customer Insights durch datengetriebene Kundensegmentierung

Komplexität reduzieren

Jeder Kunde ist einzigartig. Da aber Marketinginhalte/Creatives nicht für jeden Kunden einzeln erstellt werden können, fasst man Kunden mit einem ähnlichen Verhalten in homogene Kundensegmenten zusammen. Bei einer datengetriebenen (multivariaten) Kundensegmentierung werden Ähnlichkeiten zwischen Kunden automatisch durch einen Clustering-Algorithmus identifiziert. Wenn Kunden eines Kundensegments dann auf dieses Segment zugeschnittene Marketinginhalte erhalten, führt das zu einer höheren Relevanz der Kommunikation für die Kunden – damit steigen auch die Responseraten.

Insights erhöhen

Durch intelligente Algorithmen generierte Kundensegmente erlauben es durch deren Homogenität, die darin enthaltenen Kunden mit verständlichen Eigenschaften wie beispielsweise Alter, Umsatz und Retourenquoten zu beschreiben. Das kann, bei richtiger Einführung, zu einer breiten Akzeptanz im Unternehmen und zu vielfältiger Nutzung dieser Kundensegmente führen.

Marketing Budget sparen

Maßgeschneiderte Angebote bzw. Kampagnen für jeden einzelnen Kunden sind nicht nur in der Umsetzung, sondern auch aus finanziellen Aspekten unmöglich, aber eine individuellere Ansprache von Kundengruppen oder – segmenten ist sogar sinnvoll. Durch die gezieltere Ansprache können einerseits Response- und Buchungsraten erhöht, andererseits auch bares Geld bei der Planung des Marketing- bzw. Werbebudgets gespart werden.

Das Prinzip

Ziel einer datengetriebenen Kundensegmentierung ist es, homogene Kundengruppen zu identifizieren, die bei Marketingaktivitäten einen gezielteren Angang ermöglichen. Eine datengetriebene Kundensegmentierung basiert auf den tatsächlichen Eigenschaften und dem Verhalten der Kunden und nicht auf festgelegten Parametern wie Umsatzgrenzen (z.B. ABC-Segmentierung). Deshalb haben solche Kundensegmente einen ganzheitlicheren Charakter, der alle verfügbaren Kundeninformationen umfassend berücksichtigt.

Für die so identifizierten Kundengruppen können im Anschluss segmentindividuelle Marketingkonzepte entwickelt werden, die zu höheren Erfolgsquoten führen als bei einem undifferenzierten Angang oder einen Angang nach statischen Kriterien.

Unsere Vorgehensweise

Im ersten Schritt bauen wir eine Datenbasis auf, in die alle relevanten Kundendaten einfließen. Das sind beispielsweise:

  • Soziodemografische Daten
  • Kaufverhalten, Umsätze
  • Zahlungsverhalten
  • Nutzungsverhalten (z.B. bei Diensten oder digitalen Angeboten)
  • Responseverhalten auf Marketing-Aktivitäten

 

Wie bei allen Kundendaten-Analysen sind dabei die datenschutzrechtlichen Vorschriften zu beachten.

Auf diese integrierte, kundenzentrierte Datenbasis werden dann im Anschluss intelligente Clustering-Algorithmen angewendet. Die Segmentierung ist dabei in der Regel ein iterativer Prozess, in dem über verschiedene Algorithmus-Parameter das optimale Ergebnis erzielt wird.

Die so erzeugten Kundensegmente werden von uns durch Personas detailliert beschrieben und über Kennzahlen charakterisiert. Dadurch können Sie den spezifischen Charakter jedes Kundensegmentes intuitiv erfassen, die Unterschiede zwischen den Kundensegmenten erkennen und die Kundensegmente im Unternehmen für unterschiedliche Aktivitäten nutzen.

Diese Inhalte könnten Sie ebenfalls interessieren

(Big) Data Engineering

(Big) Data Engineering

Daten akquirieren und integrieren Heute entstehen im und um ein Unternehmen mehr Daten denn je: ERP- und CRM-Daten, Trackingdaten von ... Mehr erfahren

Business Analytics Innovation

Business Analytics Innovation

Modernisierung Ihrer Analytik Wie Sie mit Predictive Power, Automatisierung, Skalierbarkeit und Speed die zukünftigen Herausforderungen Mehr erfahren

Digital Customer Experience and Analytics mit SAS CI 360

Digital Customer Experience and Analytics mit SAS CI 360

Content Personalisierung und Recommendation Relevanz ist nichts Statisches. Jeder Besucher hat andere Präferenzen, Interessen und ... Mehr erfahren

Marketing Analytics

Marketing Analytics

Kündigerprävention durch Churn Prediction Kundenabwanderung erfolgreich reduzieren Erhöhen Sie die Kundenbindung durch proaktive, ... Mehr erfahren

Onmichannel Campaign Management mit SAS

Onmichannel Campaign Management mit SAS

Design und Implementierung von SAS Customer Intelligence Kampagnen können nur so erfolgreich sein wie die Daten, auf deren Basie sie ... Mehr erfahren