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

X

Erfolgreichere Kundenangebote mit Customer Analytics: Wie man die eigenen Kunden besser versteht

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: Wertvolle Kunden erkennen durch 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.

Novustat Experten können in enger Absprache mit Ihnen die Modellierung, Anpassung um Umsetzung der Kunden-Scoring übernehmen und die Prozesse erstellen, die Ihr Kundenbasis mit Kunden-Scoring anreichern werden. Wenn Sie mehr Informationen zu den Möglichkeiten der Customer Analytics Consulting wünschen, kontaktieren Sie uns!