Advanced Analytics Consulting

Prognose von Kundenaffinitäten

Predictive Modelling

Prognose von Kundenaffinitäten

Durch den Einsatz von Predictive Analytics erkennen und verstehen Sie frühzeitig erfolgskritische Veränderungen im Kunden- und Marktverhalten. Zukünftige Ereignisse lassen sich damit weitaus präziser vorhersagen und potenzielle Handlungsmöglichkeiten effizienter bewerten.

Unsere einzigartigen prämierten Lösungsansätze verfolgen das Ziel, die Nutzung von Predictive Analytics für unsere Kunden so einfach und effizient wie möglich zu gestalten. In einem selbstlernenden, dynamischen und automatisierten Closed-Loop-Ansatz können Ihre Modelle trainiert, gescort und validiert werden. Dadurch stellen Sie sicher, dass die Prognosegüte Ihrer Modelle nachhaltig und langfristig gesichert bleibt. Sollte ein Modell unter einen von Ihnen definierten Schwellenwert fallen, wird ressourcensparend ein neues und besseres Modell für Sie berechnet.

Dabei basieren unsere Lösungsansätze auf Nachhaltigkeit, d. h. die Bereitstellung von effizienten und wiederverwendbaren Predictive Analytics-Prozessen, die dauerhaft in die Geschäftsprozesse integriert werden.

Uplift Modelling / Incremental Response Modelling

Kunden identifizieren, die ein gewünschtes Verhalten nur bei Kontakt zeigen

In Ihren Kampagnen möchten Sie Ihre Kunden gezielt kontaktieren. Oftmals werden die Kampagnen danach bewertet, wie sich deren Empfänger im Anschluss verhalten haben. Für eine realistische Einschätzung der Wirtschaftlichkeit einer Kampagne ist es aber auch entscheidend, wie sich Kunden verhalten hätten, wenn sie die Kampagne nicht erhalten hätten. Erst dadurch lassen sich die Opportunitätskosten ihrer Kampagnen quantifizieren. Genau hier setzt das Uplift Modelling an. Nachdem zwei vergleichbare Kundengruppen in einer Stichprobe gezogen wurden, wird eine von beiden kontaktiert, die andere jedoch nicht. Mithilfe unserer selbst entwickelten und prämierten Uplift-Lösung können Sie Merkmale identifizieren, die im Kontaktfall zu einer signifikanten Erhöhung Ihrer Responses führen. So sparen Sie nachhaltig Werbebudget, da Sie dadurch Kunden erkennen, die auch ohne Kontakt gekauft hätten. Darüber hinaus identifizieren Sie, welche Kunden negativ auf Ihren Werbedruck reagieren (d. h. mit erhöhter Kündigungsneigung).

Uplift Modelling

Kundensegmentierung

Kundensegmentierungen

Kunden mit ähnlichen Bedürfnissen erkennen und gezielt ansprechen

Ihre Kunden sind einzigartig. Um sie zu verstehen, haben Sie schon viele Informationen gesammelt. Die wesentlichen Bedürfnisse Ihrer Kunden zu erkennen und sie danach zu kategorisieren hilft Ihnen bei der Aussteuerung Ihrer Kampagnen. Dadurch stellen Sie sicher, dass Ihre Kunden in Abhängigkeit ihrer Bedürfnisse das passende Angebot zum passenden Zeitpunkt und über den richtigen Kanal erhalten. Ihre Cross-Channel-Kontakt- und Servicestrategie wird dadurch signifikant verbessert. Durch unsere langfristige und branchenübergreifende Expertise helfen wir Ihnen, eine für Sie und Ihre Kunden passende Segmentierungsform zu wählen und entwickeln mit Ihnen Maßnahmen für eine gezielte und bedarfsgerechte Ansprache ihrer Segmente. Durch Ex-post-Simulationen erkennen Sie rückwirkend, wie sich die Mengeneinteilung und Bedürfnisstruktur Ihrer Kunden langfristig entwickelt hat und können daraus zukünftige Veränderungen messen und darauf reagieren.

Kundenwertmodellierung

Grundvoraussetzung zur Steigerung des Kundenwerts

Bei der Ermittlung des Kundenwerts sind grundsätzlich verschiedene analytische Ansätze zu unterscheiden:

Der Customer Lifetime Value (CLV) ist ein Ansatz, um den einmaligen Akquisitions- und laufenden Kundenbindungskosten den Gewinn gegenüberzustellen, den ein Kunde in seinem gesamten Lebenszyklus erwirtschaften wird. Die Grundlage dafür ist eine detaillierte Kundendeckungsbeitragskalkulation.

Das Kundenpotenzialscoring ermöglicht die Prognose des zukünftigen Umsatzes oder Deckungsbeitragspotenzials Ihrer Kunden. Mithilfe von Data Mining-Methoden wird die für Sie relevante Steuerungsgröße in einer zukünftigen Periode (z. B. 3/6/12 Monate) kundenindividuell prognostiziert. Durch unseren intelligenten Sliding-Window-Ansatz helfen wir Ihnen dabei, den für Sie optimalen Vorhersagezeitraum zu finden.

Kundenwertmodellierung

Text Mining

Text Mining

Informationsgewinnung aus unstrukturierten Texten

Mithilfe von Text Mining-Algorithmen können aus unstrukturierten Textdaten (z. B. E-Mails an Servicecenter, Posts in sozialen Netzwerken, Blogs, Kommentare etc.) Informationen extrahiert und kategorisiert werden. Durch Sentiment Detection ist es u. a. automatisiert möglich, eine große Zahl an Textdokumenten hinsichtlich der Stimmung und Tonalität zu klassifizieren und ggf. entsprechenden E-Mail-Verteilern zuzuweisen. Aber auch eine Klassifikation unstrukturierter Textdokumente zu verschiedenen Geschäftsprozessen, Produkten oder organisatorischen Einheiten lässt sich durch unsere in vielen Projekten bewährten Textanalyseprozesse effizient realisieren.

Unsere Expertise endet nicht bei der reinen Analyse und Verarbeitung der Textdatei. Wir stellen auch sicher, dass Sie die neu gewonnenen Erkenntnisse in Ihrem privaten CRM-Geschäft z. B. durch Implementierung von Triggerkampagnen oder Optimierung von Serviceprozessen integrieren können – zum Nutzen Ihres Kunden.

Forecasting

Prognose von Zeitreihendaten

Forecast-Modelle kommen überall dort zum Einsatz, wo eine strukturelle Vorhersage von Zeitreihen (z. B. Callvolumen im Callcenter) nicht möglich ist, weil die hierfür benötigten Daten grundsätzlich nicht zur Verfügung stehen, ohne die Kausalzusammenhänge nicht bekannt bzw. deren Modellierung zu komplex ist. In solchen Fällen werden Methoden aus dem Bereich der Zeitreihenanalyse benötigt, um präzise Prognosewerte berechnen zu können.

Mit unserem dynamischen Forecasting-Ansatz sind Sie in der Lage, Ihre Planung auf einer präzisen Prognose aufzubauen, um:

Ihre vorzuhaltenden Kapazitäten (z. B. im Callcenter) zu optimieren, die Bearbeitung der eingehenden Schriftstücke im Backoffice effizient zu steuern oder sich rechtzeitig gegen Preisänderungsrisiken abzusichern.

Dadurch können Sie sich einen erheblichen Vorteil gegenüber Ihren Wettbewerbern verschaffen.

Forcast-Modelle

Abbildung einer ganzen Customer Journey

Customer Journey

Die Kundensicht: Vom Erstkontakt bis zum Kauf

Jeder Kunde durchläuft in seiner Kaufentscheidung verschiedene Phasen und kommt dabei in Kontakt mit verschiedenen Touchpoints, die einen unterschiedlichen Einfluss auf diese Entscheidung haben. Um Ihre Kanäle effizient steuern zu können, müssen Sie wissen, welchen Anteil diese am Erfolg haben. Leider helfen die gängigen Attributionsmodelle (First Click, Last Click etc.) nur bedingt, um Wechselwirkungen zwischen den Touchpoints zu erkennen und fair zuzuordnen. In unserem datenbasierten Ansatz werden nicht nur die konvertierten Customer Journeys betrachtet, sondern alle. Dadurch lassen sich Touchpoint-Kombinationen erkennen, die sich überproportional stark auf Conversions auswirken.

Die effiziente Verteilung Ihres Werbebudgets ist ausschlaggebend für das Erreichen Ihrer Ziele. Es stellt sich daher die Frage, wie das Budget auf die Kanäle verteilt werden sollte, um die relevanten Zielgrößen zu maximieren. In unserem innovativen Ansatz suchen wir für Sie mithilfe von Methoden aus der nicht linearen Programmierung nach derjenigen Budgetallokation auf Ihren Kanälen, die den maximalen (größtmöglichen) Ergebnisbetrag erwarten lässt.

Big Data Analytics

Analytics-Lösungen auch für große, unstrukturierte Daten nutzbar machen

Immer mehr Daten aus Clickstreams, sozialen Netzwerken, Kauftransaktionen, Marktanalysen oder Sensordaten, die quasi im Sekundentakt generiert werden, müssen intelligent und schnell verarbeitet werden. Das Thema Big Data Analytics wird meist dann interessant, wenn sich mit den vorhandenen Business Intelligence-Bordmitteln nicht mehr alle relevanten und erfolgskritischen Daten auf effiziente Weise speichern, prozessieren und für Marketing, Kundenmanagement und Vertrieb verfügbar machen lassen.

Neue Technologien zur Speicherung und Vorverarbeitung der Daten (Hadoop) oder In-Memory-Datenbanken zur Echtzeitanalyse (z. B. Exasol) helfen dabei, den speziellen Eigenschaften von Big Data effizient zu begegnen.

Unsere Big Data Analytics-Lösung: Wir begegnen neuen Anforderungen mit einem einzigartigen Lösungsportfolio, um Big Data in existierende Business Intelligence-Umgebungen zu integrieren und diese Big Data-fähig zu machen.

  • Bereitstellung innovativer Konzepte zur Speicherung von strukturierten und unstrukturierten Daten zur Datenablage in Echtzeit oder Batch
  • Effiziente parallelisierte Verarbeitung dieser Informationen (u. a. Bereinigung, Aggregation, Anreicherung) über MapReduce
  • Bereitstellung, Verteilung und Verknüpfung von Big Data-Inhalten mit vorhandenen dispositiven Daten und Bereitstellung der Information über In-Memory-Datenbanken für Realtime-Kampagnenmanagement und Realtime-Analytics.

Big Data Analytics

Kreditlimitoptimierung

Kreditlimitoptimierung

Maximierung des Rechnungsumsatzes bei minimalem Risiko

Immer mehr Kunden bezahlen ihre Bestellungen bequem auf Rechnung. Dies birgt für die Unternehmen ein erhebliches Ausfallrisiko, wenn die Rechnungen nicht fristgerecht oder gar nicht beglichen werden. Um sich präventiv gegen dieses Risiko abzusichern, ist es sinnvoll, bereits beim Bestellprozess ein risiko- und potenzialgerechtes Kreditlimit zu gewähren.

Ist diese Steuerung zu stringent, wird zwar das Inkassorisiko minimiert, aber ein relevanter Teil der Nachfrage kann nicht bedient werden. Andererseits führt eine zu tolerante Kreditlimitgewährung zu maximaler Nachfrage mit sehr hohem Inkassorisiko.

Um diese beiden Pole optimal und kundenindividuell auszusteuern, werden für unterschiedliche Kundengruppen die Dimensionen Risiko und Potenzial getrennt voneinander in einem multivariaten Modell unter Berücksichtigung der relevanten Einflussfaktoren prognostiziert. Anschließend führt eine rechnerische Kombination der Risiko- und Potenzialdimensionen, bei denen der Grad der Risikoaversion berücksichtigt werden kann, zu einer optimalen Kreditlimitvergabe.

Next Best Offer

Optimierte Empfehlungen für Ihre Kunden

Um ein möglichst relevantes Angebot bei einem User zu platzieren, das eine hohe Annahmewahrscheinlichkeit verspricht, sollten folgende Faktoren berücksichtigt werden.

  • Zeitpunkt im Kundenlebenszyklus
  • Kundenverhalten während der Vertragslaufzeit
  • Präferenzen (z. B. bezüglich Kontaktkanal oder Produktnutzung)
  • Kontext, in dem der Kundenkontakt stattfindet (Anfrage, Vertragsänderung, Beschwerde etc.)

Durch die Analyse der verfügbaren Daten und des jeweiligen Einflusses auf die Produktbuchungen in der Kundenhistorie kann ein genaues Profil erstellt werden, das zur Ableitung von Empfehlungen verwendet wird. Sie haben die Möglichkeit, die von uns berechneten Next Best Offers in Ihre operativen Systeme zu integrieren, wodurch domainübergreifende Entscheidungen getroffen werden können.

Die in den unterschiedlichen Kanälen (CRM- und Callcentersysteme, Online- bzw. Selfservice-Portale, Kampagnenmanagementsysteme und Newsletterapplikationen) gesammelten Informationen werden unmittelbar wieder genutzt, um die Ergebnisse kontinuierlich zu optimieren.

Next Best Offer