Um Kundenabwanderung zu minimieren, ist es essenziell potenzielle Kündigungen seitens der Kunden zu prognostizieren. Für Unternehmen bedeutet dies, dass sie verstärkt auf Datenauswertung setzen müssen.
Nur durch Datenauswertung ist es möglich, Kunden nach passenden Kriterien zu untersuchen, Risikokunden zu ermitteln und darauf aufbauend die Kundenansprache zu individualisieren. Wir zeigen Ihnen, wie Machine Learning (ML) dabei helfen kann, automatisiert die Kunden zu bestimmen, die über einen Anbieterwechsel nachdenken.
In 3 Schritten zur Kündigerprognose
Schritt 1: Schaffung einer Datengrundlage
- Bereitstellung eines historischen Datensatzes mit Informationen zu kundenspezifischen Eigenschaften wie beispielsweise Alter, Geschlecht oder Zahlungsverhalten
- Essenzielle Kundeninformation: Hat der Kunde gekündigt?
Schritt 2: Training des ML-Modells
- Untersuchung kundenspezifischer Eigenschaften vom ML-Modell auf Gemeinsamkeiten
- Ermittlung von Segmenten, Mustern und Indikatoren
- Wahrscheinlichkeit, ob der Kunde kündigen wird
- Höhe des monetären Verlusts durch Weggang des Kunden
Ist die Wahrscheinlichkeit einer Kündigung und der damit einhergehende Umsatzverlust hoch, können entsprechende Maßnahmen ergriffen werden.
Das ML-Modell deckt nicht nur Einzelpersonen auf, sondern auch Muster und Risiko-Kundengruppen. So wird mittels ML aufgezeigt, dass bspw. bestimmte Altersgruppen zur Kündigung neigen. Wertvolle Zusatzinformationen wie diese, können in das Kampagnenmanagement eines Unternehmens integriert werden, um Kundengruppen gezielter und mit passenden Kommunikationsmitteln anzusprechen. Anhand der Kosten einer Kampagne, dem geschätzten Erfolg und dem gegenüberstehenden Umsatzpotenzial kann abgewogen werden, ob die Kampagne für bestimmte Kundengruppen wirtschaftlich sinnvoll ist.
Vorteile auf einen Blick
-
VORAUSSICHT
Sehen Sie potentielle Hindernisse noch bevor sie passieren und leiten Sie proaktiv Maßnahmen ein -
MONETARISIERUNG
Erhalten Sie eine objektive Sicht auf Ihre Daten – so lassen sich Aufwände und Nutzen im CRM klar beziffern -
TRANSPARENZ
Erkennen Sie mithilfe des ML-Modells Muster und Gruppen in Ihrem Kundenstamm -
PLANUNG
Beziehen Sie neue Maßnahmen gezielt und frühzeitig in Ihre Planung mit ein -
AUTOMATISIERUNG
Sparen Sie sich manuelle Datenanalysen und nutzen Sie die Zeit aktiv für Ihre Maßnahmen
Wir beraten Sie gerne bei der Einrichtung der vorgestellten Data Science Tools sowie der Datenaufbereitung.
Sprechen Sie uns an!
von Thomas Olak
29.01.2021 15:09 PM
MORE IMPACT
Artificial Intelligence
Cybersecurity
Data Management & Big Data
Field Service & Maintenance
Governance & Compliance
Internet of Things
Kunden- & Serviceportal
Machine Learning
Managed Services
Marketing & Vertrieb
New Work
Planning & Forecasting
Reporting & Analytics
Support & Operations