Anmeldung Newsletter

Hätten Sie’s gewusst?

Posted by Björn Goerke on 12.02.2019 15:32:00
Björn Goerke

Unsere Serie zu den Game Changer-Analysen

 

Wir haben den großen Luxus, dass wir in der Arbeit mit unseren Kunden viele Analysen sehen und natürlich auch selbst erstellen. Die meisten Analysen sind für den Moment. Sie helfen, die nächste Entscheidung in einem alltäglichen Prozess zu treffen. Aber dann - hin und wieder - entstehen Analysen, deren Bedeutung über den Moment hinausgehen. Sie haben hohen strategischen Wert. Genau diese Analysen wollen wir in der Serie “Game Changer-Analysen” vorstellen. Diese Analysen sind alle mit einem guten Verständnis mit Analytik selbst auch machbar. Sie müssen dafür keine Predictive Models erstellen oder sonstige Data Science aufbringen. Vieles werden Sie in Excel selbst machen können. Wenn möglich, geben wir Ihnen auch eine Excel-Datei mit, mit der Sie starten können. So auch in dem ersten Teil der Game Changer-Analysen.

 

Aus Daten kann man extrem viel herausholen. Soweit - so klar. Wenn man herausfindet, welcher Neukunde zum A-Kunden entwickelt werden kann, hat man Wert erzeugt. Ebenso wenn man herausfindet, welchen Kunden man von einer Kündigung abhalten kann. Ohne Frage sind diese Analysen Gold wert. Diese Analysen können echte Game Changer sein. Aber nicht immer beschäftigen wir uns mit den Game Changern unter den Analysen. Woran liegt das? Haben wir keine Zeit dafür?

 

Daten zu analysieren kostet viel Zeit. Es kostet immer deutlich mehr Zeit, als man am Anfang schätzt. Das liegt an mindestens zwei Gründen:

Zum einen stecken in Daten auch immer Datenprobleme. Und wenn man auf diese Probleme stößt, muss man damit umgehen. Die Lösung dafür kostet Zeit. Das lässt sich nicht ändern. Das können ganz einfache, triviale Dinge sein - z.B. im “falschen” Format gespeicherte Daten. Jeder kennt die Zahl in Excel, die als Text formatiert ist, und sich damit nicht addieren lässt. Eine einzige Zahl wäre kein Problem, aber was ist, wenn man viele Zellen aus verschiedenen Dateien zusammenführen muss? Genau. Das kostet Zeit. Und zwar viel.

 

Und zum anderen ist die Ermittlung einer Statistik auch immer ein Pfad der Erkenntnisgewinnung. Und den kann man eigentlich nicht mit Scheuklappen gehen. Stellen Sie sich vor, dass Sie die ersten Warenkörbe Ihr Neukunden auswerten wollen. Was ist, wenn schon bei der ersten Betrachtung klar wird, dass es große Unterschiede gibt und die Unterschiede möglicherweise an der Lead-Quelle festzumachen sind (z.B. Preissuchmaschine vs. SEA). Was macht man dann? Genau. Man gräbt tiefer. Und auch das kostet Zeit. Und zwar viel.

Deswegen ist es so wichtig, dass man sich die Statistiken ansieht, die einen großen Wert erzeugen. Nehmen wir als Beispiel die Gutschein-Optimierung. Wenn die Gutscheine nicht konvertieren, muss man sich der Frage stellen, ob die Message stimmt, Layout, Kontext - und natürlich der Wert. Das muss man dann alles testen und optimieren. Das ist richtig und notwendig. Aber wenn sie ein gutes Niveau erreicht haben, ist es Zeit, sich um die nächste Optimierung zu kümmern. Und genau hier entsteht das Problem, denn stattdessen optimieren wir häufig einfach weiter. Dabei läuft man dann zwangsläufig gegen eine Glasdecke. Während die ersten Optimierungsschritte riesengroß waren, kommt man jetzt fast zum Stillstand. Dabei könnte die nächste Optimierung ganz nahe liegen.

 

Und das könnte so aussehen: Was ist beispielsweise, wenn man die optimierten Gutscheine an die falschen Kunden schickt - nämlich die, die sowieso kaufen? Um dieses Beispiel plakativer zu machen, überdrehe ich es an dieser Stelle einmal. Was wir tatsächlich häufig sehen, ist eine geringere Einlösequote für Gutscheine bei den Top-Kunden. Das ist auch gut so, denn die Top-Kunden kaufen durch Gutscheine fast nie (ausreichend) mehr. Sie sind ja genau deswegen Top-Kunden, weil sie ihren gesamten Bedarf bei dem einen Anbieter decken.

Was aber wenn die laufende Optimierung der Gutscheine dazu führt, dass diese Top-Kunde auf einmal auch Top-Einlösequoten haben - ohne allerdings nennenswert mehr zu kaufen? Im Extremfall kann man den Kundenwert so sogar reduzieren. Dann wäre die Arbeit so gar kontraproduktiv gewesen. Verstehen Sie mich nicht falsch. Natürlich sollte man beobachten, ob die Gutscheine weiterhin auf einem guten Niveau laufen. Aber darüber hinaus lohnt sich der Aufwand vielleicht nicht mehr. Dann würde beispielsweise die Frage, ob man Kunden lieber auch mal nicht mit einem Gutschein ausstattet, möglicherweise mehr Wert erzeugen.

Starten wir nun mit der ersten Analyse, die aus unserer Sicht zu dem festen Bestand an Game Changer-Analysen zählt:

 

Die Kundentreppe

Wir starten mit etwas, das beispielsweise unter den Begriffen Kundentreppe oder Kohortenanalyse vielen bekannt ist. Da es aber so essentiell ist, wollen wir die Kundentreppe dennoch in die Liste aufnehmen. Also, worum geht es? Im Kern geht es um die Frage, wie gut es gelingt, Kunden zu binden. Und zwar aus der Helikoptersicht. Hier einmal ein ganz einfaches Beispiel.

Bild 1 (hier ansehen)

 

Was sieht man hier? Wir betrachten die Kunden, die im Kalenderjahr 2011 neu gewonnen wurden. Die machen den Balken mit den 100% aus. Die Frage ist, wie viele von diesen Kunden in den Folgejahren wieder kaufen. Die Zahlen, die ich hier verwendet habe, sind Beispielzahlen, aber sie spiegeln doch einen Zusammenhang, der fast immer besteht, deutlich wieder. Im Übergang zum zweiten Jahr gehen bereits die allermeisten Kundenbeziehungen wieder verloren. In diesem Fall sind es konkret rund 75%.

Bild 2 (hier ansehen)

 

Das ist absolut nichts ungewöhnliches. Im Gegenteil. Je nach Geschäftsmodell und Akquisestrategie ist es völlig normal, dass man 75% der neuen Kunden gleich wieder verliert. Meistens gibt es eine Reihe von Neukundensegmenten, die gar nicht so richtig sinnvoll dauerhaft Kunde werden kann. Diese Kunden haben nur einmal Bedarf an einem ganz bestimmten Produkt aus Ihrem Portfolio - z.B. ein Geschenk für einen Bekannten. Was wir auch häufig beobachten, ist, dass Kunden, die man über Preissuchmaschinen neu bekommt, kaum Bindung erzeugen. Auch wenn das nicht schön ist, macht es natürlich Sinn, da diese Kunden ihre Bindung bei der Preissuchmaschine haben - und eben nicht bei dem Händler, der dann tatsächlich die Ware liefert.

 

Das alles bedeutet nicht, dass das Geschäftsmodell nicht aufgehen kann. Wichtig ist, dass über die Zeit ausreichend Kundenlebenswert bzw. dann über alle Kunden hinweg Customer Equity entsteht. Ich bin kein Spezialist für die Bewertung von E-Commerce-Geschäftsmodellen. Aber wenn manchmal die Bewertung eines jungen Unternehmens arg hoch erscheint, weil die Umsätze nicht zu dem Unternehmenswert zu passen scheinen, dann schauen Sie auf die Kohorten. Wenn es einem Unternehmen gelingt, die Kunden mit guten Quoten über die Jahre zu behalten, dann entsteht da viel Wert. Wenn so ein Unternehmen jetzt auch noch zeigen kann, dass es auch mit mehr Marketingbudget bei weiterhin guten Kundenquisekosten viel mehr neue Kunden gewinnen kann und die Bindung weiterhin gelingt, dann darf man daran glauben, dass hier Customer Equity entsteht, das man möglicherweise über die nächsten zehn bis 15 Jahre erst realisieren wird. Solche Bewertungen sind Wetten auf das Customer Equity der Zukunft. Sie sind nur meistens gar nicht so waghalsig, wie man zunächst denken mag.

Schauen Sie auf die typischen Verlustraten ab dem zweiten Jahr. In diesen Beispieldaten sind von den Kunden aus dem zweiten Jahr noch mehr als die Hälfte sechs weitere Jahre später immer noch aktive Kunden. Das sind möglicherweise noch keine Top-Werte, aber das ist schon gut.

Bild 3 (hier ansehen)

 

Machen wir dazu einmal ein gedankliches Experiment mit konkreten Euro-Werten. Sagen wir die 100% aus 2011 stehen für 10.000.000 € Umsatz in einem Jahr. Und nehmen wir an, dass die Kunden über die Zeit mit dem gleichen Umsatzwert bei Ihnen aktiv bleiben. Dann machen die 2011er-Neukunden immer noch 2,45 Mio. Umsatz. In 2018 sind es noch 1,3 Mio. In Summe sind es von 2012 bis 2018 dann 12,7 Mio. Der Einfachheit der Darstellung halber möchte ich es hier nicht in die Abbildung bringen, aber diese Kohorten gibt es natürlich mit den Neukunden aus jedem Jahr und die Kohorten “stapeln” sich. So kommt über die Jahre ein wertvoller Bestand an Kunden zusammen, die über lange Jahre aktiv sind und Wert erzeugen.

Doch was passiert, wenn im zweiten Jahr aber anstelle von 75,5% gleich 80% verlorengehen und die Verlustraten in den Folgejahren konstant bleiben. Die 80% sind immer noch ein annehmbarer Wert. Schaut man allerdings auf den Umsatz, den Kunden dann in den Folgejahre von 2012 bis 2018 in Summen machen, sieht man doch einen erheblichen Unterschied. Anstelle der 12,7 Mio. Umsatz kommt man nur noch auf 10,3 Mio. Das ist schmerzlich. Es sind knapp 20% weniger Umsatz. Und wenn Sie Ihr Unternehmen mit einem Multiple auf den Umsatz bewerten, dann kostet Sie das eben auch knapp 20% Unternehmenswert. Auch bei einer EBIT-Bewertung bringt das natürlich keinen Spaß. Ist das Rad kleiner, kann man weniger Skaleneffekte nutzen. In Folge sinkt das EBIT und der Unternehmenswert damit natürlich auch.

Was bedeutet das? Natürlich ist es nichts neues, dass es wertvoll ist, die Kunden lange zu binden. Dennoch sehen wir es häufig, dass Analysen wie diese Kundentreppe eher sporadisch ausgeführt werden. Dabei ist es wenig Aufwand, diese Analyse zu machen und eine laufende Kontrolle der Übergangsraten gibt Ihnen die Möglichkeit, frühzeitig auf negative Entwicklungen zu reagieren. Aus unserer Sicht sollte diese Analyse zum festen Repertoire gehören und regelmäßig für die einzelnen Kohorten wiederholt werden. Wer hier frühzeitig Probleme in einer Kohorte identifiziert, ändert das Spiel zu den eigenen Gunsten.

 

Zwei Gedanken sind noch wichtig. Zum einen deckt die Kundentreppe natürlich nur auf, ob sich an irgendeinem Punkt Probleme entwickeln. Die Lösung für das Problem bekommen Sie durch diese Analyse noch nicht. Das darf man nicht erwarten. Sie bekommen aber den Hinweis, wo es sich zu suchen lohnt.

Und zum anderen ist diese Darstellung natürlich nur ein ganz einfacher erster Schritt. Die Betrachtung über die Kalenderjahre ist natürlich eher ungenau. Wenn in diesem Beispiel ein Kunde Anfang 2011 das erste Mal kauft, ist es eine andere Bindung, diesen Kunden in 2012 noch einmal zu sehen, als wenn der Kauf erst Ende 2011 erfolgt ist. Anstelle der Kalenderjahre könnte es sinnvoll sein, die individuellen Jahre der Kundenlebenszeit der einzelnen Kunden zu nehmen. Das wiederum hat auch Einschränkungen. Effekte, die mit einem Termin im Kalender zu tun haben, würden dann auf einmal Untergehen. Wenn Sie beispielsweise Ihr Portfolio umstellen, dann wird das auf viele Kunden eine Auswirkung haben. Betrachtet man die Kohorten nach individueller Bindungsdauer, dann hat die Portfolioumstellung aber natürlich für jeden Kunden zu einem anderen Zeitpunkt stattgefunden. Und schon kann man den Effekt nicht mehr so richtig herausarbeiten. Möglicherweise macht es Sinn, beide Ansätze zu verfolgen.

Und wenn man erst einmal angefangen hat, lohnt es sich meistens, die Kunden noch zu segmentieren. Eine Betrachtung der Lead-Quelle ist häufig sehr aufschlussreich. Oder eine Unterteilung nach Bestellweg, wenn Sie Ihren Kunden hier unterschiedliche Möglichkeiten bieten. Hier müssen Sie individuell nach Ihren Anforderungen vorgehen.

 

Wenn Sie Interesse haben, diese Kundentreppe einmal selbst zu erstellen, können Sie gern unser Template nutzen. Hier können Sie sich die Excel-Datei dazu herunterladen.

Download Excelvorlage

Welche Daten benötigen Sie? Für den Zeitraum, den Sie betrachten wollen, benötigen Sie alle Rechnungen. Tatsächlich benötigt werden hiervon allerdings nur das Datum und die Kunden-ID. Hier sind zwei Dinge wichtig:

Sagen wir, Sie haben die Transaktionsdaten nur ab 2010. Sie haben aber auch Kunden aus den Jahren davor. Dann müssen Sie diese Kunden hier ausschließen. Ansonsten würden die älteren Bestandskunden mit ihrem ersten Kauf in dieser Tabelle als Neukunden eingestuft werden. Das könnte das Bild (stark) verfälschen

Und last but not least: Bitte achten Sie auf den Datenschutz. Die Analyse selbst ist einfach auszuführen. Eine andere Frage ist, ob Ihre internen Datenschutzrichtlinien das zulassen. Sollten Sie sich nicht sicher sein, klären Sie dies bitte vorher ab. Das gilt insbesondere für die Nutzung der Google Spreadsheets.

 

Zur Analyse: In der Excel-Datei finden Sie Hinweise, wie die Analyse ausgeführt werden kann. Wir haben die notwendigen Umformungen in Excel bewusst in vielen kleinen Schritten und mit weithin bekannt Zellfunktionen gemacht, um es so einfach wie möglich zu machen, die Datei für die eigenen Analyseanforderungen anzupassen.

Es gibt eine Vielzahl unterschiedlicher Varianten, wie man diese Kundentreppe ausführen kann. Wir haben uns in dieser Excel-Datei auf eine Variante festgelegt. Sie ist weder richtig oder falsch per se. Sollten Sie die Vorlage verwenden, schauen Sie bitte in die Erläuterungen, damit Sie ein klares Bild haben, was mit den Daten tatsächlich geschieht. Möglicherweise würden Sie an der einen oder anderen Stelle anders vorgehen.

Topics: Studien & Analysen, Predictive Analytics

SOMETHING TO SAY?