Mayato-Data-Mining-Studie

Werkzeuge für Business Analytics und CRM im Test

05.03.2013
Von 
Peter Neckel ist Analyst beim Data-Mining-Spezialisten Mayato.
Dass Datenanalysen komplex und zeitaufwendig sein können, ist weithin bekannt. Wie man die Arbeit mit der richtigen Tool-Auswahl erleichtert, zeigt eine Studie des BI-Analysten- und Beratungshauses Mayato.

Für viele Unternehmen spielt das Customer-Relationship-Management (CRM) heute eine Schlüsselrolle: Hier wird entschieden, welche bestehenden Kunden in welcher Form betreut werden, welche potenziellen Kunden wie angesprochen und welche ehemaligen Kunden zurückgewonnen werden sollen. Die Beantwortung dieser Fragen ist von strategischer Bedeutung und entscheidet wesentlich über den Erfolg des gesamten Unternehmens.

Für die Umsetzung der Basisstrategien Kundenneugewinnung, -bindung sowie -rückgewinnung sind jedoch umfangreiche Informationen über das Kundenverhalten erforderlich. Diese können zum Großteil aus intern bereits vorhandenen Daten über die Kundenhistorie gewonnen werden. Da es sich meist um große Datenbestände handelt, in denen sich die relevanten Informationen oft in umfangreichem "Datenrauschen" verstecken, sind automatisierte Analysewerkzeuge gefragt. Die Analysemöglichkeiten unternehmensinterner Datenbestände sind zwar heute dank eines großen Angebots an Werkzeugen (aktuell über 150) so vielfältig wie nie zuvor - die Entscheidung für das richtige Tool fällt jedoch umso schwerer.

Testszenario Churn Prediction

Für die aktuelle Ausgabe der Mayato-Data-Mining-Studie wurde daher ein praxisnahes Analyseszenario aus dem Bereich Kundenrückgewinnung (Churn Prediction) erarbeitet: Ein großer Online-Versandhändler möchte Erstbesteller, die nach einer definierten Zeitspanne keine Folgebestellung tätigen, durch gezielte Aktionen zu einem Wiederkauf anregen. Dabei sollen nur die Kunden einen Einkaufsgutschein erhalten, bei denen mit hoher Wahrscheinlichkeit davon auszugehen ist, dass sie ohne diesen Anreiz keine Bestellung tätigen würden.

Diese Kunden sollen auf der Basis der vorliegenden Kundenhistorie (Transaktionsdaten von Stammkunden, Gelegenheitskäufer und abgewanderte Kunden) mit Hilfe eines Prognosemodells vorhergesagt werden. Dazu wurden neben etablierten Methoden wie Entscheidungsbäumen auch neue Prognoseverfahren wie Support Vector Machines (SVM) eingesetzt und jedes Tool separat auf Praxistauglichkeit und Prognosequalität geprüft.

Kundenverhalten errechnen

Zyklen der Kundenbindung: Die Beziehung zum Kunden verläuft für Unternehmen in verschiedenen Entwicklungsstufen. Prognosemodelle helfen, Potenziale zu erkennen.
Zyklen der Kundenbindung: Die Beziehung zum Kunden verläuft für Unternehmen in verschiedenen Entwicklungsstufen. Prognosemodelle helfen, Potenziale zu erkennen.
Foto: Mayato

Hauptziel ist dabei, auf Basis der errechneten Prognosen gezielt die abwanderungsgefährdeten Kunden zurückzugewinnen und zu binden. Zentrale Bezugsgröße ist die Kundenbeziehung, die vom Unternehmen aktiv gesteuert werden sollte. In welchen Entwicklungsstufen die Beziehung zum Kunden typischerweise verläuft, verdeutlicht die Grafik.

Hier sind alle aktuellen und potenziellen Kunden nach der Reihenfolge ihrer Loyalität zum Unternehmen aufsteigend angeordnet. Ziel ist jeweils, sie möglichst viele Schritte nach oben zu führen. Kunden, die sich auf verschiedenen Stufen befinden, sollten unterschiedlich angesprochen werden: Ein Produktinteressent muss anders umworben werden als ein Mehrfachkäufer, der das Unternehmen bereits kennt. Auch dazu lassen sich die Ergebnisse der Data-Mining-Prognosemodelle sehr gut nutzen.

Anhand des beschriebenen Szenarios wird der gesamte Data-Mining-Prozess im Test durchlaufen. Ein derart aufwendiges Testkonzept liefert wertvolle praxisrelevante Fakten und Erkenntnisse im direkten Vergleich, die nicht aus den Produktbeschreibungen der Tool-Hersteller hervorgehen.