Vor allem anderen. Was ist Predictive Modelling? Nun, in der Unternehmenspraxis, im Marketing, versuchen wir Einsichten in das Verhalten unserer Kunden zu gewinnen, die es uns ermöglichen, die Produktentwicklung, das Pricing und alle Vertriebs- und CRM-Aktivitäten optimal auf den relevanten Markt auszurichten. Dies ist einmal über klassische Marktforschung möglich, wo wir versuchen, einen mehr oder minder anonymen Markt zu strukturieren und Präferenzen und Elastizitäten abzubilden, um effektives Erlösmanagement betreiben zu können. Gleichzeitig bietet sich uns jedoch im Rahmen modernen CRMs die Möglichkeit, Kunden aus der Anonymität zu holen und sie individualisiert(er) zu bearbeiten. Ausgangspunkt sind dabei die Datenspuren, die die Handlungen unserer registrierten Kunden, seien es Kaufakte, Reklamationen, Anfragen, Aufenthalte im Kundenportal oder schlichte Inaktivität, in unseren Systemen und im öffentlichen Datenraum hinterlassen. Sie bilden die Grundlage für die Antizipation und Steuerung zukünftigen Kundenverhaltens mit dem Ziel, die Rentabilität des Geschäfts nachhaltig zu heben. Unser Instrument ist in diesem Zusammenhang die sogenannte prädiktive Modellierung bzw. das Predictive Modelling. Siehe dazu Abbildung 1.
Geht es also um die optimale Bewirtschaftung von Kunden über die Zeit, können relevante Informationen aus der zielgerichteten Verarbeitung großer Mengen historischer Daten mittels quantitativer (mathematischer bzw. statistischer) Verfahren geliefert werden. Diese relevanten Informationen beschreiben und ordnen das wahrscheinliche (risikostrukturierte) Verhalten einzelner Individuen (i.e. Kunden) in bestimmten Situationen, die wiederum durch das Unternehmen (zumindest teilweise) kontrolliert werden können. Ziel ist in der Regel die möglichst weitgehende Extraktion des intertemporalen Nachfrage-Potenzials von Kunden (i.e. Kundenwert). Die Herausforderung ist dabei allerdings eine über den Kundenlebenszyklus begleitende bzw. rollierende Bewertung über in der Zukunft liegende Teile dieses Potenzials, die gleichzeitig auch die Möglichkeit der Inaktivität von Kunden (temporär oder permanent) berücksichtigt. Dies ist über klassische Modellierungen kaum zu erreichen. Eigentlich benötigen wir also prädiktive Modelle, die die "Lebensgeschichte" des Kunden (bis zum kommerziellen "Tod" des Kunden) erzählen, bevor sie noch passiert ist. Hier kommen nun sogenannte "Buy-Till-You-Die"-Modelle (bzw. ihre Kombination) ins Spiel.
Im Rahmen der BTYD-Modelllandschaft gibt es nun alternative Modelltypen (z.B. das Pareto/NBD-Model und das Beta Geometric/NBD-Modell), die jedoch allesamt das Kaufverhalten von Kunden über zwei stochastische Prozesse schätzen: (a) ihre Kaufaktivität (Wahrscheinlichkeit von Kaufakten), und (b) ihr Verbleib im Kundenstock (Wahrscheinlichkeit des “Kundentods“). Die Parameter der damit verbundenen Wahrscheinlichkeitsverteilungen werden vor allem von zwei beobachtbaren Variablen getrieben, die Zeit seit dem letzten Kaufakt des Kunden (Recency) und die Anzahl der Kaufakte des Kunden in einem definierten Zeitraum (Frequency); siehe dazu Abbildung 2. BTYD-Modelle schätzen nun auf dieser Grundlage die Anzahl der zukünftigen Kaufakte, die ein Kunde in der jeweils abgegrenzten Periode tätigt. Kombiniert mit dem gemittelten Wert seiner (beobachteten) Einkäufe (Monetary) kann in der Folge der Restwert des Kunden berechnet werden. Berücksichtigt man zudem die bereits dokumentierten bewerteten Kaufakte, kann man den über das Kundenleben aggregierbaren Kundenwert ermitteln. Zeitpunkt bezogen muss dabei allerdings intertemporal zusätzlich berichtigt werden (Barwert). Individuelles Verhalten einzelner Akteure ist (auch über BTYD-Modelle) naturgemäß nicht präzise abzubilden, auf Kundensegment-Ebene wird allerdings eine hohe Qualität erreicht. Ergebnisse aus den BTYD-Modellgruppe liefern damit entscheidende Grundlagen für den zielgerichteten und effizienten Einsatz von Ressourcen und die nachhaltige Sicherung der Rentabilität des Geschäfts.
Für weiterführende Informationen kontaktieren Sie bitte unser Wiener Büro.
Kommentar schreiben