Churn Prevention » pmOne
on on on on on

Churn Prevention

Home » Themen » Churn Prevention

Kundenabwanderung durch gezielte Maßnahmen senken.

statement. statement. statement.

Kundenabwanderung ist in gewissem Rahmen teil jedes Unternehmens. Um die Churn Rate jedoch in einem moderaten Bereich zu halten, ist es wichtig, Maßnahmen zur Abwanderungsprävention zu treffen. Wichtige Fragestellungen, unabhängig von Unternehmen und Branche, sind: Welche Kunden werden mein Prodokt kaufen und welche wandern zum Wettbewerb ab? Welche Kunden haben den höchsten Kundenwert und was ist die optimale Next Best Action? Wichtige Fragestellungen, unabhängig von Unternehmen und Branche, sind: Welche Kunden werden mein Produkt kaufen und welche wandern zum Wettbewerb ab?
Welche Kunden haben den höchsten Kundenwert und was ist die optimale Next Best Action?
Data Analytics liefert Antworten auf diese Frage – und wir helfen dabei.

Icon-Analytics-Platform

Kunden binden

Icon-Analytics-Platform

Abwanderung verringern

Icon-Analytics-Platform

Nachhaltiger Erfolg

Icon-Analytics-Platform

Akquisekosten senken

Icon-Analytics-Platform

Customer Value erhöhen

Icon-Analytics-Platform

Akquisekosten senken

Das springt für Sie dabei raus.

Der Abwanderung vorbeugen.

analysieren. monitoren. verändern.

How it works

Churn Prediction ist ein Prognoseverfahren, das Ihnen Vorhersagen über die Kündigungswahrscheinlichkeit jedes einzelnen Kunden erlaubt. Mit diesen Prognosen lassen sich Maßnahmen zur Kundenbindung ergreifen, noch bevor Kunden abwandern. Dieses Verfahren lässt sich sowohl bei vertragsbasierten Geschäftsmodellen (Banken, Versicherungen, Telekommunikation, Versorgungsunternehmen etc.) als auch bei transaktionsbasierten Geschäftsmodellen (Handel, Gaming etc.) sehr erfolgreich anwenden.

So gehen wir´s an...

Indizien zur bevorstehenden Abwanderung von Kunden verstecken sich höchstwahrscheinlich bereits in Ihren Daten zum Kundenverhalten. Sinkende Frequenz oder Servicenutzung, Abweichungen vom regulären Kauf- oder Nutzungsverhalten, Beschwerden im Customer Service oder die Suche bestimmter Begriffe auf Ihrer Website – all diese Daten können extrahiert und miteinander verknüpft werden. So lassen sich wiederkehrende Verhaltensmuster für abwanderungsgefährdete Kunden identifizieren. Wir automatisieren diesen Prozess für Sie. So gelangen Sie zu aktuellen Abwanderungsvorhersagen.

How it works

Next Best Offer Modellierung erlaubt es Ihnen, jedem Ihrer Kunden individuell passende Angebote zu unterbreiten. Die Definition von „passend“ bestimmen Sie dabei – je nachdem ob Ihr Fokus auf der schnellen Eroberung von Marktanteilen  (Frequenz oder Umsatz) oder Profit (Uplift) liegt. Auf Basis dieser Zieldefinition werden für jeden Kunden die besten Angebote oder aber – abhängig von der Sichtweise – für jedes Angebot die besten Kunden ermittelt.

So gehen wir´s an...

Viele Anbieter von Next Best Offer Ansätzen setzen Algorithmen ein, die die individuelle Kaufwahrscheinlichkeit eines Kunden für ein Produkt berechnen. Das ist ausreichend, wenn das Ziel ausschließlich die Erhöhung des Absatzes ist. Bei der Eroberung von Marktanteilen, z.B. bei der Einführung neuer Produkte, ist das ein sinnvolles Ziel. Die Effizienz der Marketingkommunikation und damit der Profit werden damit aber nicht automatisch erhöht, weil Kunden angesprochen werden, die ohnehin gekauft hätten.

How it works

Der Customer Lifetime Value (CLV) ist der Deckungsbeitrag, den ein Kunde über seinen gesamten Kundenlebenszyklus für ein Unternehmen erwirtschaftet. Er beinhaltet sowohl die bisherige Wertschöpfung, die der Kunde dem Unternehmen in der Vergangenheit eingebracht hat, als auch die, die der Kunde potentiell in Zukunft erwirtschaften wird (das Kundenpotenzial). Der CLV wird gemeinsam mit anderen Kunden-Kennzahlen dazu genutzt, um die Kundenansprache gezielter zu steuern, beispielsweise um die Ansprachekosten zu optimieren. So lassen sich u.a. höhere Budgets für die Ansprache besonders werthaltiger Kunden rechtfertigen.

So gehen wir´s an...

Mit den Kosten und Umsätzen, die in der Vergangenheit liegen, wird zunächst über den herkömmlichen CLV-Ansatz der bisherige Deckungsbeitrag für jeden Kunden berechnet. Für die Vorhersage der zukünftigen Deckungsbeiträge pro Kunde nutzen wir jedoch keine statische Formel, sondern ein Machine Learning Verfahren. Damit lassen sich aus dem Kundenverhalten in der Vergangenheit das zukünftige Verhalten und damit die zukünftigen Deckungsbeiträge wesentlich treffsicherer vorhersagen. Wichtiger Erfolgsfaktor ist allerdings eine ausreichend große Transaktionshistorie mit allen relevanten Umsatz- und Kostentreibern.

How it works

Ziel einer datengetriebenen Kundensegmentierung ist es, homogene Kundengruppen zu identifizieren, die bei Marketingaktivitäten einen gezielteren Angang ermöglichen. Eine datengetriebene Kundensegmentierung basiert auf den tatsächlichen Eigenschaften und dem Verhalten der Kunden und nicht auf festgelegten Parametern wie Umsatzgrenzen (z.B. ABC-Segmentierung). Deshalb haben solche Kundensegmente einen ganzheitlicheren Charakter, der alle verfügbaren Kundeninformationen umfassend berücksichtigt.

Für die so identifizierten Kundengruppen können im Anschluss segmentindividuelle Marketingkonzepte entwickelt werden, die zu höheren Erfolgsquoten führen als bei einem undifferenzierten Angang oder einen Angang nach statischen Kriterien.

So gehen wir´s an...

Im ersten Schritt bauen wir eine Datenbasis auf, in die alle relevanten Kundendaten einfließen. Das sind beispielsweise:

  • Soziodemografische Daten
  • Kaufverhalten, Umsätze
  • Zahlungsverhalten
  • Nutzungsverhalten (z.B. bei Diensten oder digitalen Angeboten)
  • Responseverhalten auf Marketing-Aktivitäten

Wie bei allen Kundendaten-Analysen sind dabei die datenschutzrechtlichen Vorschriften zu beachten.

Anführungsstriche 02

„Die Datenanalyse von pmOne liefert uns wertvolle Kundeninformationen. So können wir unser Angebot und unsere Kommunikation auf die Vorlieben und Verhaltensweisen der Kunden ausrichten. Mit der  regelmäßigen Aktualisierung der Kundensegmentierung über die Cloud profitieren wir auch langfristig von den Customer-Analytics-Experten der pmOne.“

Martin Seifert

Lead Business Intelligence, mobility Schweiz

Anführungsstriche-01

Überzeugen Sie sich selbst.

effizient. zielgerichtet. flexibel.
Data Science Header 02

Power BI 1

Wer das Verhalten seiner Kunden besser verstehen möchte, braucht hierzu nicht nur eine zuverlässige Datenbasis, sondern auch das Know-how, daraus die richtigen Schlüsse zu ziehen.

IoT Titelbild

Power BI 2

Die datengetriebene Optimierung von Anlagen verschafft Unternehmen einen zentralen Wettbewerbsvorteil. pmOne nutzt prognosestarke Verfahren wie Machine Learning,

Ihre Ansprechpartner

Oleg Travkin

Senior Data Scientist

pmOne AG
Bahnhofstraße 16
33102 Paderborn

 kontakt-ds@pmone.com

 +49 89 4161761-0

Kontaktieren Sie uns!

*“ zeigt erforderliche Felder an

Die mit *-markierten Felder sind Pflichtfelder
Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Webseminare

Unsere Webseminare sind für Sie kostenlos. Sie können sich einfach online per PC, Laptop, Tablet sowie auch per Telefon einwählen. Die Zugangsdaten erhalten Sie nach erfolgreicher Registrierung von uns per E-Mail.

Künftige Web Seminare

Vergangene Web Seminare

Anwenderberichte

Blog

Whitepaper

Menü