 |
 |
|
|
Home
Mit einer Responseoptimierung allein ist noch nicht die Frage beantwortet, ob es sich lohnt, ein bestimmtes Werbemittel an einen Kunden zu schicken, also ob der Umsatz, den dieser Kunde bringen wird, die Kosten des Werbemittels und des Versandes rechtfertigt. Mit den Analysen von Neuroconsult kann außer über Segmentierungen (Einteilung der Kunden in gute und schlechte Kunden) und Responseprognosen (wie wahrscheinlich ist es, dass ein Kunde überhaupt reagiert) hinaus auch bestimmt werden, welche Umsatzhöhe in Euro pro Kunde zu erwarten ist.
Mit den Methoden von Neuroconsult sind Umsatzprognosen für jeden einzelnen Kunden, sowohl über alle Warengruppen als auch in einzelnen Warengruppen, möglich. Damit kann nicht nur der Versand eines Hauptwerbemittels, sondern auch der von Spezialkatalogen optimiert werden. Diese Prognosen können verwendet werden, um abzustimmen, ab welchem Kundensegment sich ein Versand des Werbemittels nicht mehr lohnt. So können präzise Kosten-Nutzen-Analysen für Kampagnen vorgenommen werden und Auflagenhöhen genau festgelegt werden.
Mit Umsatzprognosen ist hier nicht eine Prognose für den Gesamtumsatz eines Unternehmens gemeint, sondern der Umsatz pro individuellem Kunden: diese Prognose pro Kunde kann sich auf einen bestimmten Zeitraum, ein bestimmtes Werbemittel, eine bestimmte Warengruppe oder einen bestimmten Vertriebskanal beziehen.
Unsere Kunden beantworten damit z.B. folgende Fragen:
Unsere Umsatzprognosen basieren auf Einzelkundenverhalten, sind also keine einfache Hochrechnung vergangener Entwicklungen.
Das Beispiel wurde gewählt, da dass Unternehmen selbst bereits eine hohe Responserate bei diesem Spezialkatalog erzielte und wissen wollte, ob das Ergebnis dennoch weiter zu verbessern ist.
Die Hauptunterschiede in der Selektion ergaben sich dadurch, dass bei dem Vorgehen von Neuroconsult keine festen Grenzen bei der Selektion existieren, wie bei dem bisher verwendeten RFM-Schema. So wurden z.B. auch Kunden angeschrieben, die vor 2,5 Jahren das letzte Mal gekauft haben, aber in Kombination mit anderen Kriterien durchaus als Topkunden eingestuft wurden.
Kundenverhalten ist nicht so einfach zu bewerten, dass die Selektionsvorgabe sein könnte, alle Kunden anzuschreiben, die das letzte Mal vor maximal 2,5 Jahren gekauft haben. Auch die Hinzunahme weniger weiterer Faktoren wie in der RFM-Selektion reicht nicht aus, um eine aussagekräftige Segmentierung der Kunden zu erhalten. Entscheidend ist die 360°-Sicht auf die Kundendaten, die sich nicht nur auf ein letztes Kaufdatum und ähnliche einfache Kennzahlen stützt, sondern das Kundenverhalten möglichst detailliert aufschlüsselt. Bei der Optimierung von Neuroconsult waren für das Unternehmen überraschend auch Kunden dabei, die vor bereits 4 Jahren das letzte Mal etwas gekauft haben.
Da das Kundenverhalten bei der angewandten Methode sehr umfassend durch sehr große Datenmodelle simuliert wird, wird eine sehr hohe Prognosegenauigkeit, welchen Umsatz eine Kundengruppe erreichen wird, erzielt.
Die Prognosegenauigkeit der Analysen ist abhängig von der genauen Fragestellung, von den vorhandenen Daten über die Kunden und der Branche. Spendenprognosen z.B. sind schwerer vorherzusagen als Umsatzerwartungen im Versandhaus- und Finanzbereich - das Verhalten von Spendern ist erratischer als das von Versandhaus- oder Bankkunden.
Die Umsatzprognosen können durchgeführt werden für unterschiedliche Vertriebskanäle, also ein klassisches Mailing oder eine Online-Kampagne, unterschiedliche Werbemittel, und andere mögliche Formen von Werbemaßnahmen.
Ist das Ziel bei einer Werbeaktion möglichst viele Reaktionen zu erzielen, ist eine Responseprognose die geeignete Analyseform. Hier wird nicht der Umsatz der Werbeaktion optimiert.
Mit Hilfe von Umsatzprognosen können optimale Auflagenhöhen für Werbekampagnen festgelegt werden.
Die Herausforderung bei diesen Analysen ist es diejenigen Kunden zu identifizieren, die für ein bestimmtes Produkt oder eine Dienstleistung affin sind, die sie vorher noch nicht gekauft haben, also keine Verhaltensdaten des Kunden in der vorherzusagenden Warengruppe vorliegen
Folglich muss hier aus den sonstigen Bestellungen in anderen Warengruppen auf das zukünftige Kaufverhalten in die vorherzusagende Warengruppe geschlossen werden. Möglich ist dies durch die 360°-Auswertung von Kundendaten der Vorjahre, in denen alle Käufer der entsprechenden Warengruppe ausgewertet wurden. Diese Kunden wurden anhand ihrer sonstigen Kaufdaten segmentiert bezüglich der Zielgröße "Kauf in anderer Warengruppe" und jedes Kundensegment mit einem Prognosewert für künftige Käufe in anderer Warengruppe versehen, der aus den Vergangenheitsdaten abgeleitet wurde.
Projektbeispiel: Möbel
Welcher Kunde wird im nächsten Halbjahr Möbel kaufen, der vorher noch nie Möbel gekauft hat?
Zur Optimierung des bestehenden Kundenstammes sollten Cross-Selling Potenziale im Kundenstamm ausgenutzt werden, um gezielt Kundengruppen mit zusätzlichen hochwertigen Angeboten aus dem Möbelbereich zu bewerben. Das Prognosemodell wurde optimiert, damit ein möglichst hoher zusätzlicher Umsatz in der angeschriebenen Kundengruppe realisiert werden kann. Alternativ kann das Prognosemodell auch für den Response in % pro Kunde optimiert werden. Es wurde eine hohe Trennschärfe zwischen den Kundensegmenten erreicht, d.h. die Neuronalen Netze können gut unterscheiden zwischen Kundengruppen mit hoher und mit niedriger Umsatzprognose.
Die Kundengruppen, die eine besonders hohe Umsatzerwartung für bestimmte Angebote hatten, wurden von dem Versandhändler gezielt damit beworben.
Projektbeispiel: Computerzubehör
Bild: Gegenüberstellung von durchschnittlicher Umsatzprognose pro Kunde und den tatsächlich eingetretenen Werten für die Warengruppe "Computerzubehör" für Kunden, die bisher nicht aus dieser Gruppe gekauft haben.
Anhand der genauen Segmentierung der Kunden und der ROI-Prognosen in den einzelnen Segmenten lassen sich Cross-Selling-Maßnahmen sehr genau und zielgerichtet steuern. Die Maßnahmen können in den Segmenten mit hohem Prognosewert entsprechend aufwändiger gestaltet werden als in den Segmenten mit niedrigerem Wert. In den untersten Segmenten kann auf einen Einsatz von Cross-Selling-Maßnahmen sogar ganz verzichtet werden.
Was die Analyse insgesamt leistet:
Projektbeispiel: Für einen Versandhändler hat Neuroconsult ein Modell erstellt, dass prognostiziert, ob ein Kunde, nachdem er zum ersten Mal bei dem Versandhändler gekauft hat, in den nächsten 3 Monaten wieder kaufen wird.
Das Ziel des Unternehmens war die gezieltere Behandlung derjenigen Erstkäufer (d.h. Neukunden nach dem ersten Kauf), die mit einer höheren Wahrscheinlichkeit wieder kaufen werden als der Durchschnitt.
Die Herausforderung bei dieser Fragestellung liegt darin auf Basis lediglich eines einzelnen Kaufs den Kunden zu analysieren. Es konnten gleich große Segmente gefunden werden, deren Wiederkaufwahrscheinlichkeit 10% unter und 15% über der durchschnittlichen Wiederkaufwahrscheinlichkeit liegen.
Abhängig von den Wiederkaufwahrscheinlichkeiten wird eine kundenspezifische Maßnahme angestoßen.
Außer dem Zeitraum können die Prognosen angepasst werden auf:
Was die Analyse leistet:
Bei dem Versandhändler konnte so erreicht werden:
Bei Kündigungsprognosen geht es um die Vorhersage von Ereignissen, wie:
Bei Abwanderungsprognosen dagegen besteht eine Unsicherheit in der Definition, wann ein Kunde wirklich als "abgewandert" gilt, da keine vertragliche Bindung vorliegt. Ist ein Kunde bereits abgewandert, wenn er seit einem, zwei oder drei Jahren nichts mehr gekauft hat? Auch bei der Reaktivierung von Kunden gibt es diesen Interpretationsspielraum: Was ist überhaupt ein aktiver, was ein inaktiver Kunde? Ist ein Kunde, der das letzte Mal vor zwei Jahren etwas gekauft hat, ein "inaktiver" Kunde, der wieder aktiviert werden soll? Hier muss das jeweilige Unternehmen definieren, wann ein Kunde als abgewandert gilt.
Projektbeispiel: Kündigung von Mitgliedschaften
Bei einem Clubmodell mit Kündigungsfristen sollte festgestellt werden, wer in den nächsten 3, 6 oder 12 Monaten wahrscheinlich kündigen wird. Es konnten Kundengruppen identifiziert werden, die ein mehr als doppelt so hohe Kundigungsrisiko in den nächsten 12 Monaten hatten als die mit der geringsten Kundigungswahrscheinlichkeit.
Das Unternehmen bewarb die betreffenden Kunden mit einer kundenspezifischen Maßnahme, die ein Zusatzangebot enthielt, wenn die Mitgliedschaft über einen bestimmten Zeitraum weiterhin bestehen bleibt.
Was die Analyse insgesamt leistet:
Welche Kunden, die seit längerer Zeit bei einem Unternehmen nicht mehr gekauft haben, lassen sich durch eine bestimmte Werbemaßnahme wieder zu einem Kauf animieren? Die Herausforderung bei dieser Fragestellung liegt darin, dass die vorhandenen Verhaltensdaten des Kunden weit in der Vergangenheit liegen und daher keine Aktualität mehr aufweisen.
Projektbeispiel: Welche Altkunden können wieder reaktiviert werden?
Es wurde ein Analysemodell entwickelt, dass den Umsatz inaktiver Kunden im nächsten Quartal vorhersagt nachdem diese mit einer bestimmten Werbemaßnahme angeschrieben wurden.
Ziel der Werbeaktion war es den Kundenbestand durch Reaktivierung zu erhalten.
Maßnahmen: Kundenansprache mit Reaktivierungsmailings, die seit mindestens 2 Jahren inaktiv waren
Was die Analyse leistet: Identifikation der Altkunden, die am wahrscheinlichsten wieder reaktiviert werden können
Es wurde eine hohe Übereinstimmung zwischen der tatsächlichen Reaktion der Kunden und Prognose erzielt. Es konnten so die Kunden identifiziert werden bei denen sich ein Reaktivierungsmailing lohnt. Es wurde nicht nur die unmittelbare Reaktion auf das eigentliche Reaktivierungsmailing berücksichtigt, sondern zusätzlich welche Reaktion in den kommenden Monaten erwartet werden kann.
Was die Analyse insgesamt leistet:
Mit den Methoden von Neuroconsult können potentielle Zahlungsausfälle frühzeitig erkannt werden. Bei SSI Schäfer Shop ist ein Bonitätssystem im Einsatz, das basierend auf der aktuellen Bestellung im SAP R3-System eine Einteilung der Kunden in potentiell zahlungsgefährdete Kundengruppen vornimmt.
Was die Analyse insgesamt leistet:
Mit dem Package- und Portooptimierungstool von Neuroconsult können Was-wäre-Wenn-Szenarien simuliert werden: