Predictive Analytics: Können Sie mit ihr in die Zukunft schauen?
Kein Mensch kann in die Zukunft schauen und kein Mensch kann Daten aus der Zukunft kennen. Doch es gibt Methoden im Rahmen von Predictive Analytics, wie Sie mit Daten aus der Vergangenheit auf zukünftige Trends und Entwicklungen schließen können.
Diese Methoden können Sie im Database Marketing anwenden. Wir gehen einmal davon aus, dass wir eine Direktmarketingaktion mit einem Coupon planen, um in einem definierten Kampagnenzeitraum von 30 Tagen den Umsatz in unseren Filialen zu erhöhen.
Kundensegmentierung nach Erwartungshaltung
Im Vorfeld sollten wir überlegen, welche Kundensegmente kontaktiert werden. Mit Hilfe des Uplift-Modells bilden wir vier Kundensegmente:
- A – Kunden, die die gewünschte Reaktion nur zeigen, wenn sie angesprochen werden (die Überzeugbaren),
- B – Kunden, die immer kaufen, unabhängig von einer Marketingaktion (die Sicheren) bzw. Kunden, die nie kaufen, ganz egal, ob sie angesprochen werden oder nicht (die Resistenten)
- C – Kunden, die einen geplanten Kauf unterlassen, wenn sie kontaktiert werden (die Reaktanten)
Häufig werden in Direktmarketingaktionen alle Kundensegmente gleichermaßen adressiert. Eine Adressierung macht eigentlich nur bei den überzeugbaren Kunden im Segment A Sinn. Die Resistenten und die sicheren Kunden können Sie kontaktieren oder nicht – eine Auswirkung auf den Zusatzumsatz hat Ihre Ansprache jedenfalls nicht.
Anders sieht es bei den reaktanten Kunden aus. Hier gilt die Devise „in Ruhe lassen“, da Sie diese Kunden sonst möglicherweise verlieren. Das ist insbesondere bei Vertragskunden der Fall, die sich im Falle einer Ansprache wohlmöglich überlegen, den Vertrag zum nächsten Zeitpunkt zu kündigen.
Definition der richtigen Kundesegmente
Aber wie kann ich die richtigen Kundensegmente bilden? Das ist die große Herausforderung, nur die Kundengruppe der überzeugbaren Kunden zu definieren. Eine Möglichkeit der Segmentierung ist es, Kundeninformationen aus der Vergangenheit zu nutzen, um über predictive Modelle, die Kunden mit einer hohen Kaufwahrscheinlichkeit im Zeitraum der geplanten Kampagne zu identifizieren.
Ein Beispiel aus der Praxis
Bei einem filialisiertem Einzelhändler, der eine Kundenkarte einsetzt, haben wir für eine geplante (fiktive) Couponaktion diejenigen 20 TSD Kunden segmentiert, mit der höchsten Kaufwahrscheinlichkeit. Im predictivem Modell haben wir historische Kaufdaten zugrunde gelegt und Informationen, ob bereits Coupons in der Vergangenheit von den Kunden genutzt worden sind. Tatsächlich haben 43 % der Kunden, die wir anhand von predictiven Kennzahlen segmentiert haben, in dem fiktiven Kampagnenzeitraum gekauft.
Im nächsten Schritt haben wir diejenigen Kunden segmentiert, von denen wir ausgehen, dass diese nicht in den nächsten 30 Tagen einen Umsatz tätigen werden (resistente oder überzeugbare Kunden). Hier lagen wir mit dem predictiven Modell bei einer Trefferquote von 94 %. Ob die Kunden tatsächlich mit einem Coupon überzeugt werden können, sprich einen Umsatz durchführen – diese Aussage liefert dieses Modell aktuell noch nicht.
Predictive Analytics erlaubt einen Blick in die Glaskugel
Das Ergebnis der Untersuchung war, dass die Auswahl der Kundensegmente über predictive Analytics die besten Ergebnisse lieferte.
Durch Anwendung des Uplift-Modells unter Berücksichtigung der predictive Analytics bei der Kundensegmentierung profitieren Sie gleich mehrfach:
- Sie kontaktieren nur die überzeugbaren Kunden und sparen dadurch Kontaktkosten und vermeiden Erlösschmälerungen bei Couponversendungen, was zu einem höheren ROI führt.
- Es erhöht sich die Conversion Rate Ihrer Kampagne.
- Durch die gezielte Ansprache der Überzeugbaren Kunden erhöht sich der Anteil Ihrer Kunden, die Markentreue entwickeln.
Hinterlassen Sie einen Kommentar
Wollen Sie an der Diskussion teilnehmen?Sie sind herzlich eingeladen!