Ihr Ansprechpartner

Eike Benjamin Kroll
Mail: eike.kroll@muuuh.de
Tel: 0541-33034-532
Mobil: 0170-3736-861

Kontakt

Wechselwillige Kunden, die nicht vertraglich gebunden sind, schreiben keine Kündigung. Sie verschwinden leise. Aus diesem Grund kann die klassische statistische Churn Prevention außerhalb von Dauerschuldverhältnissen den jeweiligen Kundenbindungsgrad nur unzureichend verifizieren. Ausgeklügelte KI-basierte Methoden bieten einen Ausweg aus diesem Dilemma. Sie beziffern die Abwanderungswahrscheinlichkeit für jeden einzelnen Kunden im Bestand.

Ein Kunde, der nicht vertraglich gebunden ist, kann gehen, wann er will. Hat er sich einmal gegen einen Händler oder Dienstleister entschieden, schreibt er keine Kündigung. Möglicherweise wird sein Warenkorb erst kleiner, bevor er nichts mehr bei Ihnen kauft, oder er entschwindet gänzlich unvermittelt zur on- und offline-Konkurrenz. Anhand dieser beiden Indizien – ausbleibender oder seltener werdenden Interaktion – lässt sich eine vollzogene oder bevorstehende Abwanderung nur schlecht erahnen.

Zahlreiche Webinare zeigen für die unterschiedlichsten Analytics-Suiten, wie ein Churn-Score-Modell entwickelt werden kann. RapidMiner hat sogar einen Standardprozess für diesen Fall implementiert. Auf die Abwanderungsprävention sind diese Modelle jedoch nicht übertragbar. Das liegt vor allen Dingen daran, dass es sich um vollkommen unterschiedliche Kundenbeziehungen handelt.

Jeder statistischen Modellierung eines Ereignisses – in unserem Fall eine Abwanderung oder Kündigung – beruht auf einer eindeutigen und kodifizierten Beobachtung dieses Ereignisses in der Vergangenheit. Diese Beobachtung fehlt im Falle der Abwanderung.

DER MITTELWERT: LÖSUNG MIT TÜCKEN
In der Praxis greifen Unternehmen behelfsweise zu anderen Werten, etwa dem durchschnittlichen Bestellzyklus. Durchschnittswerte sind jedoch nicht leicht interpretierbar, wie die Betrachtung eines gewöhnlichen Spielwürfels zeigt. Angesichts der durchschnittliche Augenzahl von (1+2+3+4+5+6):6 = 3,5 müsste ein durchschnittlicher Wurf eine Augenzahl von 3,5 ergeben. Gleichzeitig wird niemand jemals eine 3,5 würfeln. Ähnlich sieht die Sache beim mittleren Bestellzyklus aus. Wenn der durchschnittliche Kunde eines Herrenausstatters alle sechs Monate fünf Hemden kauft, dann wird es neben Menschen, die häufiger kaufen, auch viele Männer geben, die nur einmal pro Jahr ihre zehn Hemden ordern. Bei keinem dieser Männer wäre die Vermutung gerechtfertigt, er sei abgewandert, nur weil er seit 8 Monaten nicht im Geschäft war und damit gegenüber dem Durchschnitt zwei Monate überfällig ist.

ABWANDERUNGSSCORES BENÖTIGEN EINE ANDERE HERANGEHENSWEISE
Am Beispiel unseres Herrenausstatters könnte die Frage lauten, nach welcher Maßnahme die Kunden statistisch signifikant häufiger eine Krawatte zum Hemd gekauft haben (Cross Selling), oder seit welcher Kampagne bei welchen Kunden ein Hemd aus der höherwertigen Kollektion im Kleiderschrank hängt (Upselling).

Unabhängig davon, ob man Abwanderungs- oder Kündigerwahrscheinlichkeiten prognostiziert, es bleibt Mittel zum Zweck. Für den Kampagnenmanager und Vertriebler ist am Ende die Frage entscheidend, ob er etwas gegen den drohenden Kundenverlust tun kann. Bei der Abwanderungsprävention wird dieser Punkt nur besonders deutlich. Das heißt, es gilt für jeden Kunden zu prüfen, ob eine vertriebliche Bindungsmaßnahme notwendig und sinnvoll ist.

Diese Analyse geht weit über einfache A-B-Tests hinaus. Während die A-B-Tests beispielsweise ermitteln, ob der Netto-Effekt einer Kampagne positiv ist, können deutlich komplexere statistische Verfahren etwa über neuronale Netze ebenfalls ermitteln, unter welchen Bedingungen eine Kampagne wirkt – und unter welchen eben nicht.

SIMULIEREN SIE DIE ZUKUNFT
An dieser Stelle muss sich die Abwanderungsprävention weitergehen als die Kündigerprävention, wie sie bei Versicherungen, Krankenkassen oder Energieversorgern erfolgreich eingesetzt wird. Die Churn-Score-Modelle funktionieren dort deshalb so gut, weil jede Auswirkung anhand genau einer Variable gemessen werden kann. Abwanderung kann sich jedoch auf unterschiedlichen Ebenen zeigen. So kann ein Kunde seine Kauffrequenz verringern oder die jeweiligen Bestellmengen reduzieren. Eine Simulation muss also die Auswirkung jeder Maßnahme sowohl auf die Bestellhäufigkeit als auch die Bestellmenge betrachten.

Stellen wir uns jetzt vor, wir würden unserem Hemdenkäufer jedes siebente Hemd zum halben Preis anbieten. Wenn der Kunden dieses Angebot annimmt, erscheint es für diese Maßnahme so, als hätte sie zu mehr Umsatz mit dem Kunden geführt. Wenn der Kunde jedoch die folgende Bestellung reduziert und nur 5 statt der üblichen 6 Hemden kauft, so hat die Maßnahme de facto zu einem Verlust an Umsatz geführt.

Unter dieser Prämisse muss jede datengestützte Abwanderungsprävention erfolgen. Denn Modelle, die sich an nur einer Variable orientieren, sind in der Regel schneller entwickelt, führen in der Praxis aber häufig zu falschen Ergebnissen bei der Erfolgsmessung von Kampagnen.

ZUM PROGNOSEMODELL IN DREI SCHRITTEN

  1. Entwickeln Sie ein Modell aus relevanten Zielvariablen (in unseren Beispielen „Bestellhäufigkeit“ und „Bestellmenge“)
  2. Entwickeln Sie ein Prognosemodell für diese Zielvariablen, welche die Einflüsse von Kampagnen berücksichtigt.
  3. Simulieren Sie den Einfluss Ihrer Maßnahmen auf die Zielkennzahlen und ermitteln Sie den zusätzlichen Umsatz mit dem Kunden sowie die kundenindividuelle Profitabilität Ihrer Maßnahmen.

Gerne unterstützen unsere Datenspezialisten die Entwicklung, Berechnung und Anwendung einer aussagekräftigen Abwanderungsprävention.