Mit dem Wachstum an Marketing- und Kommunikationskanälen sowie den damit verbundenen Daten wachsen die Chancen, ein vollständiges Kundenbild zu erhalten - gleichzeitig wächst aber auch die Herausforderung, die riesigen Datenbestände  auszuwerten.

 

Die Lösung lautet Customer Analytics: Mit dem Werkzeug Customer Analytics beeinflussen Sie aktiv das Kundenverhältnis. So verhindern Sie beispielsweise das Abwandern von Kunden (Churn Prevention) oder identifizieren Potenziale zur Neukundengewinnung. Um quantitative wie auch qualitative Insights zu erhalten, kommen Methoden aus der Statistik und dem maschinellen Lernen zum Einsatz.

 

Ziel: Eine ganzheitliche 360°-Sicht auf den Kunden – über sämtliche Touchpoints hinweg.

Darum lohnt sich die Teilnahme

  • Selbständige Umsetzung von Customer-Analytics-Cases
  • Einsatz von Customer-Analytics-Tools
  • Individuelle Betreuung
  • Methodisches Know-how für komplexe Analysen
  • Erfolgreiche Use Cases aus der Praxis

Inhalte des Seminars

  • Einführung Customer Analytics
  • Praxisübung: RFM-Kundensegmentierung in Excel
  • Einführung in Python
  • Praxisübung: Data Screening & RFM-Kundensegmentierung in Python
  • Theorieteil Feature Engineering
  • Praxisübung: Feature Engineering in Python
  • Einführung Clustering-Verfahren
  • Praxisübung: vollständige Kundensegmentierung in Python
  • Interpretation & nächste Schritte mit der Kundensegmentierung

Termine

  • 02.12.2021: 9-12.30h | online
  • 03.12.2021: 9-12.30h | online

Durchführung

In diesem eintägigen Kurs fokussieren wir uns auf das Thema der Kundensegmentierung. Beginnen werden wir mit einer einfachen Recency-Frequency-Monetary-Segmentierung (RFM) in Microsoft Excel, um die Grundfunktionalitäten schnell kennen zu lernen. Um das weitere Potenzial der Daten auszuschöpfen, stellen wir im Anschluss die Programmiersprache Python vor. Anhand eines Beispieldatensatzes werden wir die RFM-Segmentierung in Python implementieren und dies dabei Schritt für Schritt lernen. Im nächsten Schritt erweitern wir die RFM-Segmentierung um weitere Features (z.B. kauft ein Kunde eher am Wochenende oder unter der Woche?). Mithilfe von nachvollziehbaren Clusteringalgorithmen (z.B. k-Means) werden die Kunden in Segmente geteilt. Abschließend vereinen wir diese Schritte in einer kompletten Kundensegmentierung, die Sie im Anschluss auch auf Ihre Daten anwenden können!

Ihre Ansprechperson

Dr. Stefan Balke
Teamlead Data Science
pmOne AG
Bahnhofstraße 16
33102 Paderborn
+49 151 46467022