Gerne beraten wir Sie auch telefonisch & geben Ihnen eine kostenfreie persönliche Auskunft zu Ihrem Projekt.

X

Customer Analytics (CRM): Wie man die Kundenbeziehung mit Data Mining nachhaltig verbessert

Kunden möchten, dass ein Unternehmen sich ganz auf Ihre persönlichen Bedürfnisse ausrichtet. Nur wer also Kunden dieses Gefühl geben kann, wird diese langfristig an sich binden können. Loyale, dauerhafte Kundenbeziehungen sind deutlich profitabler und nachhaltiger als Einmalgeschäfte. Customer Analytics stellt hierzu ein wirkungsvolles Werkzeug für das Customer Relationship Management (CRM) dar. So kann man beispielsweise mit einer Kundenanalyse oder eine Kundenbedarfsanalyse wertvolle Rückschlüsse auf die Wünsche der Kunden gewinnen. Auch für zukünftige Vorhersagen z.B. bezüglich Kaufentscheidungen oder Abwanderungstendenzen können CRM predictive Analytics wertvolle Informationen liefern.

Wenn auch Sie die Kundenbeziehungen durch analytisches CRM oder CRM predictive Analytics optimieren wollen, stehen Ihnen unsere Experten gerne für ein persönliches Gespräch zur Verfügung!

Lassen Sie uns Ihre Anforderungen wissen & wir erstellen Ihnen innerhalb weniger Stunden ein kostenfreies Angebot.

Jetzt unverbindlich anfragen

Dieser Artikel beantwortet folgende Fragen:

  • Was versteht man unter Customer Analytics?
  • Welche Möglichkeiten ergeben sich durch analytisches CRM und CRM predictive Analytics?
  • Welche Fragestellungen können mit einer Kundenanalyse untersucht werden?
  • Welches Potential steckt in Customer Analytics?
  • Wie wird eine Kundenbedarfsanalyse konkret durchgeführt?

„Der Kunde ist König“

Dieser Leitsatz bestätigt die Wichtigkeit der Fokussierung auf den Kunden als Abnehmer von Produkten, Waren oder Dienstleistungen. Kunden entscheiden, ob ein Anbieter oder Unternehmen erfolgreich ist. Durch die fortschreitende Digitalisierung werden die Beziehungen zum Kunden außerdem vor neue Herausforderungen gestellt. Der Kunde ist vom „Verkäufer“ oder Dienstleister nicht mehr als ganzheitlicher Mensch mit allen Wünschen, Vorlieben und emotionalen Ausdrücken wahrnehmbar, sondern als digitale Spur. Werden Kunden aber anonym und maschinell „verarbeitet“, reagieren sie illoyal, sind wechselfreudig und die Kundenbindung sinkt.

Tendenzen also, die man also unbedingt verhindert sollte. Kunden wünschen sich eine persönliche, exklusiven Behandlung, Unternehmen bevorzugen loyale, zufriedene Kunden.

Wir beraten sie, welche Möglichkeiten der Kundenanalyse für Ihr Unternehmen optimal sind. Unsere Angebotspalette zum Thema Data Mining umfasst eine große Bandbreite bis hin zu kompletten Auswertungen. Nehmen Sie hierzu Kontakt mit uns auf und profitieren sie von unseren Erfahrungen im Bereich Customer Analytics und der Kundenanalyse.

Zurück zur Tante Emma: Kundenanalyse anno dazumal

Eine Betreuung also, wie sie früher im Tante-Emma-Laden üblich war. Die Besitzerin begrüßt den Kunden namentlich, kümmert sich persönlich um seine Anliegen, kennt das Umfeld und kann interessante Produktempfehlungen geben. Das persönliche Gespräch und der Austausch sorgen dabei für eine dauerhafte und loyale Bindung des Kunden.

Damit dieses Tante-Emma Prinzip gut funktioniert, müssen Besitzer und Kunde sich gegenseitig kennen.

Auch in der digitalen Welt muss eine Kundenbindung durch gegenseitiges Kennenlernen erfolgen. Erfahrungswissen über die Wünsche, Bedürfnisse und Handlungen des Kunden müssen anhand einer Kundenbedarfsanalyse gewonnen werden. Hierzu steht Customer Analytics als Verfahren zur Verfügung.

Customer Analytics

Das Ziel von Customer Analytics besteht darin, den digitalen Kunden ins Zentrum zu rücken – ein digitaler Tante-Emma Laden also. Dabei stehen der Aufbau und die Gestaltung profitabler Kundenbeziehungen im Vordergrund. Methodisch werden hierfür Kundenwerte (Kunden-Scoring) eingeführt und gebildet, die sich durch gezieltes Management von Kundenbeziehungen weiter ausbauen und erhöhen lassen.

Auf Basis bestehender Daten – meist Transaktionsdatenbeständen – kann man durch analytisches CRM Wissen über den Kunden gewinnen. Auch externe Datenquellen können dazu herangezogen werden. Analytisches CRM fasst alle Auswerte- und Analysemethoden zusammen, die zur Unterstützung der Kundenbeziehungspflege Verwendung finden. Werden diese Methoden zur Prognose oder zur Vorhersage zukünftiger Prozesse verwendet, spricht man von CRM predictive Analytics.

Typische Fragestellungen

Im Bereich Customer Analytics gibt es eine große Vielfalt an möglichen Anwendungen.

Einige Fragen und Aufgabenfelder sind beispielsweise:

  • Gezieltes Ansprechen einzelner Kunden:
    Welche Kunden sind momentan bzw. künftig am wertvollsten? Mit welchen Kunden soll eine neue Partnerschaft angestrebt werden? Zu welchen Bestandskunden soll die Beziehung intensiviert, ausgebaut oder vertieft werden?
  • Dynamische Segmentierung verfolgt Kunden und ihre Bewegungen im Zeitverlauf: Welche Seiten besucht der Kunde in Folge? Welche Produkte stehen im Interesse des Kundens? Welche Artikel werden zusammen gekauft oder gesucht? Gibt es Intervallmuster?
  • CRM predictive Analytics: Vorhersage des zukünftigen Verhaltens von Kunden mithilfe statistischer Modelle für das Kundenverhalten: Was braucht mein Kunde als nächstes (Cross-Selling)?
  • Berechnung von Kundenwerten, sog. Customer Lifetime Value (LTV) als Basis für geplante Marketingmaßnahmen.
  • Zusammenhänge erkennen: Wie wirkt sich Kundenzufriedenheit auf die Loyalität aus?

Analytisches CRM

Analytisches CRM verknüpft Vertrieb und Marketing anhand von Kennzahlen. Dabei werden KPIs (Key Performance Indikatoren) eingeführt, um im nächsten Schritt gewisse Kundengruppen zu identifizieren und selektieren. Um die Fragestellungen anhand der Bedürfnissen und Wünschen des Kunden (Kundenbedarfsanalyse), dem Kundenverhalten sowie dem Wert de Kunden (Kunden-Scoring) auszuwerten, sind Daten über und von den Kunden notwendig. Die Datenauswertung basiert auf Daten über Kundenkontakte oder Kundenreaktionen. Oft stehen im Unternehmen selbst bereits strukturierte Erfassungssysteme zur Verfügung. Kundenkontakte sond beispielsweise bereits registriert in Datenbanken vorhanden. Rücklaufmanagement erfolgt meist unter Einbindung von Erfassungssystemen. Aber auch aus externen Datenbanken können Informationen eingebunden und für die Wissensgenerierung verwendet werden. Beiträge oder Bewertungen auf sozialen Medien wie Facebook, Twitter oder Instagram können ebenso in die Analyse eingebunden werden, sofern sie öffentlich verfügbar sind. Die resultierenden Ergebnisse der Datenauswertung liefern empirisch belegbare Entscheidungsregeln für Marketing und andere kundenbezogene Aktivitäten.

Customer Analytics - Kundenanalyse am Beispiel Kundenbedarfsanalyse

Kundenanalyse: Schema eines Prozessablaufs unter Einbindung des analytischen CRMs

Analytisches CRM am Beispiel Kundenbedarfsanalyse

Ein Betreiber eines Onlineshops für Damen- und Herrenmode möchte sein Sortiment erweitern. Das Unternehmen hatte bisher ausgesuchte Artikel sowohl aus dem Bereich Accessoires als auch aus dem Bereich Uhren & Schmuck im Sortiment. Nun soll das Angebot in einem der beiden Bereiche deutlich ausgebaut und erweitert werden.

Im Rahmen unserer Beratungstätigkeit unterstützt Novustat den Unternehmer in der Entscheidungsfindung.

Dabei soll auf Basis der aktuellen Kundendaten zum einen die Entscheidung getroffen werden, welcher Shop mehr Kunden anspricht und letztendlich zu Käufen führen wird.

Die Entscheidungsfindung im analytischen CRM erfolgt in mehreren Schritten:

1. Identifikation und Formulierung der Fragestellung

Kundebedarfsanalyse: Welche Kunden zeigen Interesse/Kaufabsicht/tätigen Käufe bei welchen der beiden Shopkandidaten (Accessoires oder Uhren & Schmuck)? Auswertung in Abhängigkeit von anderen gekauften Waren oder Warenkategorien. Zielvariable: Häufigkeit der Käufe (bereinigt um Retouren) und Gesamtumsatz eines Kunden

2. Auswahl geeigneter Daten

Als Datenbasis stehen die Daten aller getätigten Verkäufe der vergangenen drei Jahre zur Verfügung. Aufgelistet ist unter anderem jeweils Warenkategorie, erzielter Gesamtumsatz und Kundennummer

3. Auswahl geeigneter Analysestrategien

Für die Kundenbedarfsanalyse wird eine Kundensegmentierung vorgenommen. Wie unterscheiden sich Käufer von Uhren & Schmuck von Käufern, die Accessoires bestellen? Gibt es hinsichtlich Häufigkeit der Bestellungen, Gesamtumsatz und anderen Merkmalen Unterschiede?

4. Data Mining und Knowledge Discovery in Databases (KDD)

Mit Rapidminer werden entsprechende Analysealgorithmen implementiert und die Vorhersagegüte untersucht.

5. Interpretation und Ergebnisbereitstellung

Im Rahmen der Analysen hat sich gezeigt, dass Accessoires vorwiegend von Frauen gekauft werden. Hier werden viele niedrig-preisige Artikel bestellt mit geringer Retourenrate. Bestellungen der Kategorie Uhren & Schmuck werden von Männern und Frauen gleichermaßen getätigt. Die Häufigkeit von Bestellungen liegt unter denen von Accessoires, liegt allerdings hinsichtlich des Umsatzes 10-fach über dem der Accessoires.

Potential von Customer Analytics

Durch die zusätzlichen Informationen über den Kunden oder potentiellen Kunden können Marketingstrategien effizient und zielgenau durchgeführt werden.

Werbemaßnahmen erreichen Kunden, die mit hoher Wahrscheinlichkeit auch darauf reagieren. Produkte, die der Kunde benötigt, kann man gezielt anbieten und so die Kaufbereitschaft erhöhen (Cross- und Upselling). Durch die Vorhersage von Kaufmustern oder Intervallen kann man die Lagerhaltung bestimmter Produkte optimieren. Aber auch Retouren kann man vorhersagen und durch rechtzeitige Einleitung von Gegenmaßnahmen die Rücknahmekosten senken. Im Bereich des eigenen Unternehmens kann Custom Analytics zu einer Steigerung der Mitarbeitermotivation im Kundenservice beitragen, da Servicemitarbeiter aktuelle Informationen über die Kunden zur Verfügung haben.

CRM predictive Analytics finden aktuell im Dynamic Pricing Anwendung. Dabei werden die Warenpreise individuell aufgrund bestimmter Faktoren festgelegt.

Bonus: mit Kunden-Scoring wertvolle Kunden erkennen durch!

Die täglichen Herausforderungen der digitalen Welt verändern den Business-Alltag für viele Unternehmen. Doch gleichzeitig standen dafür noch nie so leistungsfähige Softwarelösungen zur Verfügung wie heute. Diese Softwarelösungen sind nicht nur in tägliche Operationen wie Vertrieb oder Marketing integriert, sie ermöglichen auch die Aufbewahrung und spätere Analyse der Unternehmensdaten. Customer Analytics gehört zu einem der wichtigsten Bereiche in denen statistische Methoden ihren Einsatz finden. Moderne Analysemethoden können hier wichtige Insights für Management und Geschäftsführung liefern. Novustat unterstützt seine Kunden dabei, aus Daten durch Anwendung statistischer Algorithmen Wissen zu extrahieren und somit den Mehrwert für Sie zu schaffen. Die Expertise von Novustat erstreckt sich dabei über zahlreiche Felder der modernen Business Intelligence: Von Mitarbeiterbefragung bis zu komplexen Data Mining Techniken. In diesem Artikel wollen wir Ihnen mit Kunden-Scoring ein weit verbreitetes Werkzeug für analytisches CRM vorstellen. Wir zeigen Ihnen, wie Sie den Kundenwert und  Ihres Unternehmens erstellen, optimieren und nutzen können.

Was ist Kunden-Scoring?

Das Kunden-Scoring (auch Kundenwert genannt) ist ein Analyse- und Prognoseinstrument, das versucht die spätere Reaktion eines Kunden mit bereits vor der Aktion bekannten Merkmalen zu erklären.

Typischerweise ist der Kundenwert ein Wert von 0 bis 100%, der jedem Kunden zugeordnet wird und seine Affinität abbildet (oft in Verbindung mit einem bestimmten Produkt / Marketing-Kanal). Einen Kundenwert beinhaltet 5-10 wichtige Business Metrics und stellt somit eine akkumulierte Kundeninformation dar.

Mithilfe von dem Kunden-Scoring kann man folgende Ziele erreichen:

  • Messung des Kampagnenerfolgs
  • Customer Behaviour Analytics: Besseres Verständnis des Kaufverhaltens und Optimierung des Umsatzes
  • Next Best Offer Analytics: Profilierung des Kunden mit einem bestimmten Produkt
  • Churn Analytics: Identifikation von Kunden, die kurz davor stehen, seinen Vertrag/Verhältnisse mit dem Unternehmen zu kündigen.

Wie berechnet man das Kunden-Scoring im Customer Analytics?

Die Entwicklung eines Kunden-Scoring teilt sich in folgende Schritte auf:

1. Design

Das Testdesign wird von dem Analyseteam in Absprache mit dem Fachbereich (Marketing oder Verkaufsabteilung) festgelegt. Novustat Experten haben mehrjährige Expertise in diesem Bereich gesammelt und unterstützen Kunden gerne dabei, ein passendes Design für das Kunden-Scoring zu wählen.

2. Datenbasis

In diesem Schritt definiert und beschreibt man die Kunden-Datenbasis. Für den Kundenwert nutzt man häufig die Kundenmerkmale aus folgenden Bereichen: Stammdaten, Kontaktdaten, Ausgaben und Nutzungsdaten. Weitere Merkmale sind abhängig von der Branche des Unternehmens. Als Zielvariable werden die Kennzahlen des Kampagnen- oder Produkterfolges verwendet. Dadurch entsteht das Customer Analytics Modell des Kundenverhaltens.

Wichtig ist dabei zu berücksichtigen, dass ein Merkmal nur dann sinnvolle Insights für ein Kunden-Scoring Prozess liefert, wenn es die Unterschiede zwischen den Kunden bezüglich der Zielvariable klar abbilden kann. In den Abbildungen unten ist Merkmal „Alter“ für das Kunden-Scoring gut geeignet, da man einen deutlichen Unterschied zwischen Produktaffinität in einzelnen Altersgruppen sieht. Das Merkmal „PLZ“ ist im Gegenteil wenig geeignet, da man homogene Verteilung der Affinität im ganzen Land beobachtet.

Wahl der Merkmale für Kundenwert für Customer Analytics

Wahl der Merkmale für Kundenwert Bestimmung

Novustat berät Sie gerne zu den weiteren Fragen der Datenvorbereitung, das um Kunden-Scoring zu optimieren.

3. Testdurchführung

In diesem Schritt wendet man statistische Analysemethoden an, um das Kunden-Scoring zu berechnen und die Vorhersagegüte abzumessen.

4. Anpassung

Nach der Testdurchführung werden nötige Anpassungen gemacht. Dies kann beispielsweise die Modellwahl oder Variablenreduktion betreffen. Somit wird die Modellperformance und damit Prognosekraft für das Unternehmen noch weiter gesteigert. Die Anpassung des Modells ist ein sehr wichtiger Schritt um aussagekräftige Ergebnisse erziehen zu können.

Customer Analytics Modelle müssen oft trainiert werden. Die Schritte müssen also wiederholt werden bis das gewünschte Resultat erreicht wird:

Analytisches CRM für Customer Analytics: Ablauf des Modealterungsprozesses

Analytisches CRM: Ablauf des Modealterungsprozesses

5. Anwendung

Nach erfolgreicher Entwicklung kann das Kunden-Scoring Modell in Produktionsumgebung aufgenommen werden.

Customer Analytics: Kunden-Scoring unter der statistischen Lupe

Kunden-Scoring und darauf basierendes analytisches CRM kann man aus der Sicht der Statistik auf unterschiedliche Wege erstellen:

  • Logistische Regression: Ein typisches Verfahren ist die Erstellung der Kunden-Scoring auf Basis der logistischen Regression. Als Ergebnis erhält man die Wahrscheinlichkeit, dass ein Kunde auf Produkt/Service des Unternehmens positiv reagiert. Logistische Regression ist ein klassisches Tool der statistischen Analyse, das sich durch eine hohe Modellgüte und Modellstabilität kennzeichnet. Weitere Informationen finden Sie in  unserem Artikel zum Thema logistische Regression.
  • Random Forest: Eine weitere Möglichkeit der statistischen Modellierung ist der Random Forest Algorithmus, ein Klassifikationsverfahren, das aus mehreren Entscheidungsbäumen besteht. Am Start eines solchen Baumes wird oft eine binäre Fragestellung (ja/nein) gestellt und die Antwort bestimmt dann den weiteren Weg des Algorithmus bis zur Bestimmung der Zielgröße.
  • Neuronales Netz: Künstliche neuronale Netze die vom Computer simuliert werden beziehen sich auf das Neuronen-Netz des menschlichen Gehirns. Solche Netze bestehen aus mehreren “Neuronen”, die die Prädiktoren, versteckte Variablen sowie Zielvariablen repräsentieren. Neuronale Netz und Random Forest gehören zu den Machine Learning Methoden die heutzutage immer häufiger in der Business Intelligence angewendet werden.

Die Wahl der passenden statistischen Customer Analytics Methode hängt von vielen Faktoren ab, z.B.:

  • Ziele der Prognose
  • Datenstruktur
  • Spezielle Anforderungen des Unternehmens usw.

Die Novustat Statistik-Experten beraten Sie gerne und helfen Ihnen dabei, das optimale Modell für Ihre Anforderungen anzupassen und zu implementieren.

Nach einer erfolgreichen Umsetzung muss das Kunden-Scoring Modell regelmäßig verwaltet und ggf. angepasst werden. Dabei spielen die Ereignisse wie Änderungen in Marktdynamik, saisonale Effekte, Änderungen der Kundenbasis, Erscheinen der neuen Produkte usw. eine entscheidende Rolle da dadurch die Marktsituation für alle Agenten sich ändern kann. Daher sind Optimierung und Controlling von dem Kundenwert sehr wichtige Prozesse in Customer Analytics die in regelmäßigen Abständen durchgeführt werden müssen und den stabilen Erfolg des Unternehmens zu unterstützen.

Customer Analytics & Kunden-Scoring

Auch Ihr Unternehmen kann von der Einführung des Kunden-Scoring profitieren. Analytisches CRM ermöglicht es, Kunden Verhalten vorherzusagen und auf Marktbedingungen abgeschnittene Planungsmaßnahmen zu treffen. Somit kann man agiler auf die Anforderungen der Kunden reagieren, exakt die gewünschte Produkte anbieten und im Fall von Churn Events erfolgreich Win-Back Potential sichern.

Zusammenfassung

Customer Analytics rücken den Kunden in den Mittelpunkt.

Analytisches CRM hilft, den Kunden anhand von digitalen Daten am anderen Ende des Bildschirms kennenzulernen und mehr über seine Bedürfnisse und Wünsche zu erfahren (Kundenbedarfsanalyse). So hat das Unternehmen im nächsten Schritt die Möglichkeit Marketingstrategien effizient und zielgerichtet zu setzen. Eine Erhöhung der Kundenbindung und Förderung der Kundenloyalität und –zufriedenheit sind die Folge einer erfolgreichen Kundenanalyse. Gerne unterstützen wir Sie und Ihr Unternehmen dabei. Nutzen Sie unsere Expertise, um ihre Kunden individuell anzusprechen. Wir unterstützen Sie in allen Belangen der Datenanalyse: Von der Beratung und Festlegung der Fragestellung bis hin zur Auswertung im Data-Mining oder der Ergebnispräsentation. Nehmen Sie Kontakt mit uns auf!

Weiterführende Informationen

Peter Neckel, Bernd Knobloch: Customer Relationship Analytics, dpunkt.verlag

Jetzt Anrufen Jetzt anfragen