LITMIR.BIZ

       3.4.1.2Spinning the Customer Life Cycle – Schaffen Sie mehr als eine Runde?

      Bei unseren oben genannten drei Kernpunkten spielt der Kundenlebenszyklus eine besondere Rolle (vgl. Abb. 3–3). Er beschreibt, welche Stufen ein Kunde durchläuft, wenn er einen Kauf zunächst erwägt (»Attract«), dann tätigt (»Acquire«), schließlich das Produkt benutzt (»Develop«) und diesem oder dem Service gegenüber loyal verbunden bleibt (»Retain«). Die Beziehung zum Kunden sollte darauf abzielen, diesen Kreislauf so zu managen, dass er wiederholt(!) funktioniert und dauerhaft Kundenzufriedenheit und Profitabilität erhöht werden.

       Abb. 3–3

       Customer Life Cycle:

      Attract: Potenzielle Kunden werden identifiziert, ihre Aufmerksamkeit erregt & über Angebote informiert.

      Acquire: Aus Interessenten werden Kunden.

      Develop: Kunden werden durch personalisierte Angebote stärker an das Unternehmen gebunden.

      Retain: Aus Lauf- wird Stammkundschaft.

      Zur Frage, wie bzw. wann man diesen Zyklus wiederholt in Gang setzen kann, sei auf unser Beispiel verwiesen: Maschinell lernende Algorithmen zur Mustererkennung, die idealerweise auch noch die aktuelle Marktdynamik und Marketingkampagnen mit einbeziehen, sind in der Lage, den richtigen Zeitpunkt zu ermitteln, wann ein Kunde ein neues Angebot erhalten sollte. So lässt sich mithilfe von Predictive Analytics vorhersagen, wann bei Kunden, die gerade ihr Auto finanzieren, der Punkt eintritt, wo der Wiederverkaufswert des Autos die Höhe der noch ausstehenden Zahlungen übertrifft.

      Grundlage für diese Analysen ist bei vielen Automobilherstellern ein Hadoopbasierter Data Lake, der große Mengen konsistenter Kunden-, Vertrags- und Autodaten (dazu gehören auch zusätzliche Ausstattung oder Transaktionsdaten) vereint. Aus diesen Datenquellen können die Algorithmen etwa den Marktwert von Gebrauchtfahrzeugen einschätzen. Die Vorhersage kann dann mit Modellen in Spark industrialisiert werden. Bevor das Vorhersagemodell zur Anwendung kommt, muss es sich aufgrund der IT-Regularien großer Konzerne zuvor als Prototyp in einer Testumgebung erfolgreich bewährt haben, um danach in der produktiven Hadoop-Umgebung entsprechend skaliert bereitgestellt zu werden. Gegenüber konventionellen Tabellenmethoden bietet ein solches Vorgehen mit Lake und Modell zahlreiche Vorteile. Es kann mehr Variablen verarbeiten, kann verschiedene Datenquellen zusammenfassen, ist weniger fehleranfällig, trifft präzisere Aussagen und kann flächendeckender eingesetzt werden.

       Komponenten auf dem Weg zu personalisierten Massenangeboten

      Wie bereits besprochen müssen für personalisierte Angebote im Automobilbereich viele Faktoren einbezogen und viele Möglichkeiten gegeneinander abgewogen werden. Um die Synthese aus all diesen Variablen bilden zu können, braucht es entsprechend nicht nur eine Analyse, sondern ein Geflecht verschiedener Analysen (vgl. Abb. 3–4). Jede für sich gibt Aufschluss über eine bestimmte Frage. Die Antworten darauf können danach zueinander in Bezug gesetzt und zu einem passenden Angebot verschmolzen werden.

      Abb. 3–4Personalisiertes Angebot: Das nächstbeste Auto – Das nächste Finanzierungsmodell – Die Wahrscheinlichkeit eines Neuwagenkaufs – Der Restwert eines Gebrauchtwagens – Upselling – Welche Kampagne eignet sich für welche Autoserie.

       Das nächstbeste Auto

      Um zu bestimmen, welches Auto ein Kunde wahrscheinlich als Nächstes kaufen wird, bietet es sich an, neben den Kundendaten selbst vor allem historische Daten über frühere Vertragsabschlüsse auszuwerten. Voraussagen werden auf Konstruktionsebene eingeschränkt, also z.B. ein hochtouriges Auto für einen sportlichen Fahrer. Mithilfe der hier generierten Informationen sollte der Kunde mit einem passenden Angebot begeistert werden, um die Wahrscheinlichkeit eines wiederholten Autokaufs zu erhöhen (und damit den Kundenlebenszyklus ein wiederholtes Mal in Gang zu bringen). Aus technischer Sicht sind hier maschinell lernende Algorithmen zielführend, die das Kaufverhalten anhand historischer Vertragsdaten analysieren. So können sogar Neukunden ohne Vertragshistorie Empfehlungen gegeben werden. Um die Empfehlungen für einen Kunden nach persönlicher Präferenz zu sortieren, ist ein Random-Forest-basiertes Klassifikationsverfahren ein probates Mittel.

       Das nächste Finanzierungsmodell

      Vor dem Hintergrund eigener Finanzinstitute der Automobilhersteller ist auch das Finanzierungsmodell des nächstbesten Autos ein wichtiger Faktor für Automobilhersteller. Basierend auf der Autowahl soll mithilfe von Analytics das passende Finanzierungsmodell gefunden werden. Dafür ist es essenziell, zu wissen, welche Faktoren den Kunden ein bestimmtes Finanzierungsmodell bevorzugen lassen. Indem das für ihn, seine Bedürfnisse und seine Autopräferenz bestpassendste ausgesucht wird, steigt nicht nur die Kundenzufriedenheit, sondern auch die Konversionsrate. Wie beim vorherigen Fall ist auch hier ein Random-Forest-Modell ein Mittel der Wahl. So konnten einige Hersteller hiermit eine Vorhersagegenauigkeit von mehr als 75% erreichen.

       Die Wahrscheinlichkeit eines Neuwagenkaufs

      Hätte der Kunde als Nächstes lieber einen Gebraucht- oder einen Neuwagen? Hat man eine Antwort auf diese Frage, lassen sich Marketingmaßnahmen und Umsatzziele wesentlich konkreter planen. Die Wahrscheinlichkeit, mit der sich ein Kunde für eine der beiden Seiten entscheidet, sollte auch im Hinblick auf die Differenzierung von Lauf- und Stammkundschaft einbezogen werden. In diesem Anwendungsfall können wie beim nächstbesten Auto Vorhersagemodelle mit maschinell lernenden Algorithmen auf Basis historischer Daten genutzt werden.

       Der Restwert eines Gebrauchtwagens

      In einem eigens entwickelten statistischen Modell konnte die Genauigkeit von herkömmlichen Richtwerttabellen deutlich übertroffen und der aktuelle Verkaufswert eines Gebrauchtwagens präzise bestimmt werden. Diese Steigerung hat sich als wertvoller Beitrag zur Profitabilität des Business Case herausgestellt.

      Der Nettokaufpreis wird als Näherungsvariable für eine Bestimmung des Transaktionspreises genutzt, während Informationen über Kilometerstand und Wagenalter von qualitativ hochwertigen Daten ausgehend abgeleitet werden.

      Implementierung: Die Bestimmung des Autowertes beruht auf dem Nettokaufpreis. Zur Verbesserung der

Скачать книгу