Stammkundenpflege durch Predictive Analytics

Dass die Neukundenakquise teuer und aufwändig ist, davon kann wohl jedes Unternehmen ein Lied singen. Aktionen, um Stammkunden zu halten und zum Wiederkauf zu animieren, bieten da oft die günstigeren Marketingmaßnahmen.

Die generelle Herausforderung bei jeder Kundenaktion besteht darin, den richtigen Kunden für ein Angebot zu finden, bzw. dem bestehenden Kunden das richtige Angebot zuzusenden.

Dieses Problem haben auch Private Shopping Clubs, auf deren Besonderheiten ich in einem früheren Beitrag bereits eingegangen sind. Da diese nur einen eingegrenzten Kreis an Mitgliedern haben und Neukunden nur begrenzt aufnehmen, ist es umso wichtiger, „schlafende“ Kunden zu wecken und zum Wiederkauf zu animieren. Denn oftmals werden Kunden, die in einem bestimmten Zeitraum keinen oder nicht genug Umsatz getätigt haben, vom Club ausgeschlossen. Das schafft zwar Platz für neue Mitglieder, bedarf aber auch mehr Aufwand und Investment als die Stammkundenpflege.

Um „Schläfer“ zu reaktivieren, müssen zuerst die Kunden identifiziert werden, die in einem festgelegten Zeitraum nicht mehr bestellt haben. Anschließend können diese mit gezielten und spezifischen Angeboten angesprochen werden, um sie zu einem erneuten Kauf zu animieren.

Noch besser wäre es aber doch, wenn die Kunden gar nicht erst inaktiv werden, sondern bereits vorher aktiviert werden. Mit Hilfe von Predictive Analytics und Machine Learning haben wir dazu bei einem unserer Kunden ein Modell entwickelt, das genau diese Herausforderung meistert.

Um proaktiv agieren zu können, müssen wir identifizieren, inwiefern sich inaktive Kunden von denen unterscheiden, die immer fleißig bestellt haben. Anschließend erstellen wir ein Modell, das die entsprechenden Attribute identifiziert und beschreibt.

Anhand dieses Modells wird mit Hilfe von Predictive Analytics herausgefiltert und klassifiziert, wer in Zukunft „Abwanderer“ oder weiterhin fleißiger Käufer sein wird. So kann man den zukünftigen Wert des Kunden besser einschätzen und vorausahnen. Beim Private Shopping Club hilft dies möglicherweise, diejenigen vor der Beendigung der Mitgliedschaft zu bewahren, die zum fleißigen Käufer reaktiviert werden könnten.

Auf Basis dieses Modells können nun Strategien, Maßnahmen und Aktionen geplant werden, die den Kunden binden. Durch die Segmentierung können gezielte Marketingaktionen durchgeführt werden. So kann einem potenziellen Abwanderer vielleicht ein Rabattcode für den nächsten Einkauf gesendet werden, damit er aktiv bleibt.

Die Vorteile des Modells im Überblick:

  • Es lassen sich Vorhersagen betreffend des zukünftigen Kundenwertes treffen, die ansonsten (von einem Mitarbeiter) nur schwer berechenbar sind.
  • Das automatisierte Vorgehen zur Segmentierung der Kunden erleichtert und beschleunigt die Arbeit des Mitarbeiters und ermöglicht oftmals sogar erst die Filterung der in Frage kommenden Kunden.
  • Wer seine Kunden besser kennt, kann dessen Bedürfnisse besser verstehen, gezielt darauf eingehen und geeignete Aktionen ins Leben rufen. Eine personalisierte Ansprache nach Kundentypen ist effizienter als eine produkt- und preisfokussierte Ansprache
  • Kunden können reaktiviert werden bevor sie inaktiv werden und Unternehmen sparen sich so den Aufwand der Neukundenakquise

Machine Learning und Künstliche Intelligenz im Handel

Künstliche Intelligenz (englisch: Artificial Intelligence, abgekürzt AI) ist momentan der große Trend der Online-Branche und wird nach Schätzung von E-Commerce Experten auch 2018 eines der Top-Themen bleiben.

Das Thema „Machine Learning“ ist Teil dieser technischen Entwicklung. Die Definition nach Wikipedia beschreibt Maschinelles Lernen als Oberbegriff für die künstliche Wissensgenerierung aus Erfahrung. Ein künstliches System sammelt Erfahrungen aus Beispielen und kann diese nach und nach verallgemeinern. Dies erfolgt nicht durch ein Auswendiglernen, sondern durch das Erkennen von Mustern aus diversen Beispielen. Mit diesem Hintergrund ist es einem künstlichen System möglich, auch unbekannte Daten auszuwerten und eine Prognose abzugeben.

Mit der Erkennung von Mustern aus Personendaten haben wir uns bereits im Blogartikel zum Thema „maßgeschneiderter Content“ beschäftigt. Dabei werden Algorithmen festgelegt, um die Kaufwahrscheinlichkeit bei Kunden/Interessenten einzuordnen und die Nutzer entsprechen gezielt anzusprechen und zu steuern.
Es gibt verschiedene algorithmische Ansätze, die Maschinelles Lernen ermöglichen. Einige Beispiele finden sich hier.

Einer dieser algorithmischen Ansätze ist das überwachte Lernen. Bei dieser technisch recht einfachen Methode gibt ein Lehrer dem System einige Ansätze vor. Er teilt dem System beispielsweise mit, was es in welcher Situation zu tun hat. Google hat dazu die „Teachable Machine“ erschaffen, um Nutzer an das Thema heran zu führen. Wie im Video zu sehen, kann mir hier das System so „trainieren“, dass es ein Katzenfoto zeigt, wenn ich eine Hand hebe, ein Hundefoto wenn ich keine Hand hebe und ein Kaninchenfoto, wenn ich Krimassen schneide. Dies ist nur eines von zahlreichen Google-Projekten zum Machine Learning.

Bei genauerem Hinsehen trifft die Bezeichnung „Künstliche Intelligenz“ beim Machine Learning nicht ganz zu, da sich Machine Learning eher mit der Entwicklung von automatisierten Algorithmen auf Basis von empirischen Daten bzw. Trainings-Daten befasst. Der Fokus liegt dabei auf der Optimierung der Ergebnisse bzw. Verbesserung der Vorhersagen aufgrund von Lernprozessen.

Die Künstliche Intelligenz befasst sich hingegen mit einem noch viel komplexeren Ziel. Es geht dabei darum, Entscheidungen aufgrund erhobener Daten zu treffen, die menschliche Verhaltensweisen mit einbinden.

Auch im Handel findet künstliche Intelligenz mehr und mehr Einzug. Für E-Commerce- und Omni-Channel Händler ist es ein sehr gutes Instrument, um vorhandene Daten auszuwerten und am Ende des Tages mehr Umsatz zu erzielen. Jedoch reicht dabei kein so einfaches Vorgehen wie im gerade betrachteten Beispiel. Um ein Muster aus den komplexen Kundendaten zu erkennen, bedarf es tieferer Analysen.

Um im Wettbewerb nicht unterzugehen, wird sich der Handel mehr und mehr an den Systemen der Künstlichen Intelligenz bedienen und Machine Learning, sowie vorwiegend neurale Netzwerke einsetzen müssen.