Anmeldung Newsletter

Was wäre, wenn man 6 Monate früher wüsste, dass eine Kundenbeziehung in Gefahr gerät?

Posted by Björn Goerke on 03.10.2017 07:05:00
Björn Goerke

Es ist nun mal so. Kundenbeziehungen gehen irgendwann auch wieder zu Ende. Im Idealfall war es eine lange Kundenbeziehung mit hoher Zufriedenheit und schönen Produkten für den Kunden und natürlich auch mit guten Umsätzen für das Unternehmen. Aber selbst die besten Kundenbeziehungen enden irgendwann. Nur leider ist es selten so, dass ein Kunden sich frühzeitig verabschiedet und rechtzeitig ankündigt, dass irgend etwas nicht mehr passt. Im Gegenteil! Eines Tages kommen keine Käufe mehr. Das Problem: dann ist es meistens schon zu spät, um den Kunden noch einmal wieder für sich zu gewinnen.

Ein Kunde von uns klassifiziert seine Kunden nach der Kauffrequenz. Kauft ein Kunde typischerweise einmal im Quartal, dann lässt sich gut überprüfen, ob dieser erwartete Kauf auch stattgefunden hat. Fällt dieser Kauf aus, hat man ein Signal, dass man sich die Kundenbeziehung ansehen sollte. Dann kommt so eine Kundenbeziehung auf die so genannte Warnliste. Das ist ein wirklich gutes Vorgehen. Es lässt sich mit Bordmitteln in Excel oder per SQL umsetzen. Man benötigt keine neue Software und hat keine größeren Abstimmungsprozesse im Unternehmen.

Nicht jeder Kunde hat natürlich eine quartalsweise Frequenz. Einige Kunden kaufen häufiger, viele seltener. Dieses Monitoring muss natürlich die unterschiedlichen Frequenzen alle abdecken. Wenn man das aufgebaut hat, kann man vergleichsweise frühzeitig in eine Kundenreaktivierung gehen. Das kann sehr lohnenswert sein.

Man kann sogar noch einmal ein ganzes Stück früher an den Kundenbeziehungen arbeiten — und sie retten, bevor man sie reaktivieren müsste. Unsere Spezialität ist die Bereitstellung von zukünftigenKundenlebenswerten — oder dem Predictive Customer Lifetime Value. Dieser Wert gibt an, mit wieviel Umsatz man mit jedem einzelnen Kunden in den kommenden 30, 90 oder 180 Tagen rechnen kann.

Diesen Wert kann man natürlich problemlos über die Zeit beobachten. Sackt der Wert jetzt beispielsweise bei einem Kunden ab, dann ist dies ein Signal, dass in der Kundenbeziehung Probleme aufziehen könnten. Der Vorteil des Predictive CLV ist, dass man diese Informationen frühzeitig bekommt. So gewinnt man Zeit. Wenn man die Kauffrequenz beobachtet, werden bei dem Quartalskäufer zwischen 3 und 9 Monaten liegen, bis man merkt, dass der Kauf ausgefallen ist. In dem einen Quartal ist der Kauf noch erfolgt. Dann muss das Quartal, in dem das erste Mal kein Kauf erfolgt, ablaufen und in dem darauffolgenden Quartal kann man dan die Analyse machen, ob der Kauf ausgefallen ist. So vergeht wertvolle Zeit.

Mit dem Predictive CLV nutzt man die Möglichkeiten des Machine Learnings, um Signale, dass Probleme aufziehen, frühzeitig zu erkennen. Die Algorithmen erkennen beispielsweise, ob Warenkörbe über die Zeit schon einmal kleiner werden, die Quartale zwar noch eingehalten werden, aber die Frequenz dennoch schon langsam abnimmt, oder ob beispielsweise essentielle Artikel nicht mehr in den Warenkörben sind. Häufig ist es auch eine Kombination dieser und vielleicht noch ganz anderer Informationen.

Beobachtet man jetzt den Predictive CLV eines Kunden über die Zeit, kann man ein nachlassen des Wertes viel früher entdecken, als das tatsächlich Auslassen eines erwarteten Kaufs. Und so kann man den Kunden schon früher auf die Warnliste geben und versuchen, die Kundenbeziehung wieder zu stabilisieren. Die Aussichten, dass dies besser klappt, als später zu reaktivieren, sind gut. Realistischerweise gewinnt man so 6 Monate, wenn es gut läuft, sind auch 12 Monate möglich.

Topics: Machine Learning, Predictive Customer Lifetime Value, PCLV, AI, Warnliste, Churn, Reaktivierung

SOMETHING TO SAY?