Next Best Offer – für jeden Kunden das passende Angebot

Von |2018-10-31T12:12:51+00:009. Juli, 2015|Data Mining / Analytics|0 Kommentare

In meinem letzten Blogbeitrag habe ich Ihnen gezeigt, wie Sie Cross- und Up-Selling Potenziale nutzen können. Hierbei haben wir Empfehlungen aufgrund von historischen Kaufdaten aller Kunden abgegeben und diese um Business Rules und verhaltensbasierte Daten ergänzt.

Durch die Zusammenführung und Analyse der Daten aus den unterschiedlichen Kommunikationskanälen und Systemen (z.B. Web- & Shop-Tracking, Newsletter, Kundenkarten, CRM und ERP-Systeme) kann allerdings ein noch umfassenderer Einblick in das Kundenverhalten und die Kundeninteressen gewonnen werden. Einen erfolgversprechenden Weg stellen Ansätze dar, die auf analytischen Modellen beruhen.

Mittels Data Mining Plattformen wie KNIME, SAS Enterprise Miner oder IBM SPSS können für jeden Kunden Scorewerte berechnet werden, die die Annahmewahrscheinlichkeit pro Kunde für die verschiedenen Produkte bewerten. Diese Ergebnisse bilden ein Ranking, das die Auswahl des optimalen Produkts und der besten Kampagne für den jeweiligen Kunden ermöglicht. Das Wissen über den Kunden wird so mit den aktuell verfügbaren Angeboten des Unternehmens verknüpft.

Um einem bestimmten Kunden ein möglichst relevantes Angebot (Next Best Offer) zu offerieren, das eine hohe Kaufwahrscheinlichkeit verspricht, sollte das Scoring Modell dabei bestenfalls die folgenden Faktoren berücksichtigen:

  • Zeitpunkt im Kundenlebenszyklus

  • Kundenverhalten während der Kundenbeziehung

  • Präferenzen (z.B. bezüglich Kontaktkanal oder Produktnutzung)

  • Kontext, in dem der Kundenkontakt stattfindet (Anfrage, Vertragsänderung, Beschwerde, etc.)

Die Rückmeldungen der angesprochenen Kunden auf das Cross- oder Up-Selling-Angebot können dann wieder gesammelt und unmittelbar zur Optimierung der Scoring Modelle und der Next Best Offer genutzt werden. Da dieses Produktranking für jeden Kunden individuell berechnet werden muss, entsteht jedoch ein hoher analytischer Aufwand: Für jedes Produkt muss ein passendes Prognosemodell erstellt werden, um im nächsten Schritt die Produkte mit der höchsten Kaufwahrscheinlichkeit berechnen zu können.

Data Mining Automation Lösungen wie DynaMine bieten hier den Vorteil, dass das Anlegen und Trainieren von Modellen automatisiert werden kann. Gleichzeitig sorgt DynaMine dafür, dass die berechneten Daten immer topaktuell sind und das bei deutlich höherem ROI durch maximale Steigerung der Prognosequalität.

Hinterlassen Sie einen Kommentar

Unsere Themen interessieren Sie?
Gerne beantwortet unser Team Ihre weiteren Fragen!
close-link