Mithilfe von Data Analytics lassen sich Kundenbindungsmaßnahmen gezielt unterstützen.
Markus Grann | Hemera | tinkstockphotos.com
Nach einer Daumenregel ist es etwa fünfmal so teuer, einen Neukunden zu gewinnen als einen Bestandskunden zu halten. Dies ist meines Erachtens als Handlungsanweisung zu verstehen. Denn Kundenbindung sollte immer ein Fokusthema sein. Die Herausforderung besteht jedoch darin, genau zu wissen, welche Bestandskunden mit welchen Maßnahmen von der Abwanderung abgehalten werden können.
Um sich dieser Herausforderung zu stellen, setzen Unternehmen verstärkt auf datengetriebene Segmentierungs- und Targeting-Prozesse. Hierbei spielen auch analytische Verfahren eine entscheidende Rolle, um künftiges Verhalten vorherzusagen – so genannte Predictive Analytics.
Dem Kunden einen Schritt voraus
Der Vorteil datengestützter Verfahren ist, dass eine wesentlich höhere Präzision und Effektivität erzielt werden kann als bei Verfahren, die sich allein aus dem "Bauchgefühl“ der Marketing- und Sales-Verantwortlichen heraus ableiten. Zudem laufen diese Prozesse in aller Regel automatisiert im Hintergrund ab und generieren Entscheidungsvorlagen, wodurch Manager diesen eher repetitiven Aufgabenteil an die "Daten-Intelligenz" abgeben können.
Datengetriebene Verfahren setzen im Regelfall gleich an mehreren Stellschrauben an. Gerade im Bereich der Kundenbindung stellt sich zunächst die Frage: Welche Kunden sollen überhaupt gehalten werden? Denn nicht jedes Kundensegment bringt in der Kosten-Nutzen-Analyse genügend Mehrwert, um gezielt angesprochen und umworben zu werden. Andererseits ist nicht immer auf den ersten Blick ersichtlich, ob ein Segment langfristig an Wert gewinnt.
Mit den richtigen Prognose-Verfahren lässt sich feststellen, welche Kundensegmente Potenzial zur langfristigen Kundenbindung haben. Studenten bieten beispielsweise die Möglichkeit, sich längerfristig in gutverdienende Bestandskunden zu wandeln. Aber auch andere, weniger offensichtliche Segmente, die sich in den Daten verstecken, können durch analytische Verfahren sichtbar gemacht werden.
Datengetriebene Sichtweise
Ist die Frage nach dem zu erwartenden Kundenwert geklärt, helfen statistische Verfahren dabei, die Abwanderungstendenz einzelner Kunden gezielt zu berechnen. Auf dieser Basis lassen sich dann gezielt Loyalitätsprogramme ausspielen. Bestenfalls sogar nur dort, wo eine aktive Kommunikation einen messbar positiven Effekt erzielt.
Loyalitätsprogramme sind die Königsdisziplin bei analytischen Verfahren. Sie weisen die höchste Kosten-Effizienz und Erfolgsrate auf. Ressourcen und Budgets werden nur auf Kundensegmente verwendet, die mit hoher Wahrscheinlichkeit treue Bestandskunden hervorbringen.
Stehen mehrere Möglichkeiten für ein Kundenbindungsprogramm zur Auswahl, kann durch den Einsatz von Data Analytics das jeweils am besten passende Programm durch ein Scoring-Verfahren ermittelt werden. Unterm Strich bedeutet dieses Modell eine stark datengetriebene Sicht auf Strategien zur Kundenbindung. Es verspricht eine signifikant höhere Erfolgsrate bei gleichzeitig geringeren Kosten.
| Ein Beispiel aus der Praxis |
Der Kunde ist ein Online-Retailer für Mode- und Sportartikel. Die "ec4u expert consulting AG" hat ein Modell entwickelt, um das zukünftige Kaufverhalten von Endkunden zu prognostizieren. Das Modell basiert auf vorhandenen Kunden-, Produkt- und Transaktionsdaten, zum Beispiel Käufe, Rabatte, Retouren, Kundeninformationen, Artikelinformationen. Hierbei spielt die Wahrscheinlichkeit für künftige Käufe und die Wert-Vorhersage des Einkaufs eine wichtige Rolle, etwa die erwarteten Umsätze oder Gewinne. Ergebnis des Modells ist eine in die Zukunft gerichtete Kundenwertanalyse. Auf dieser Grundlage wendet das Unternehmen ein Prognoseverfahren an, das Kunden identifiziert, die mit hoher Wahrscheinlichkeit nicht zum Wiederkauf neigen. Kunden aus diesem Segment, die dennoch einen hohen Kundenwert aufweisen, sind dann bevorzugte Ziele für eine Kampagne. |
Mehr zum Thema finden Sie unter "Predictive Customer Analytics". Die Serie "Sales Performance" zeigt im Laufe der nächsten Monate auf, wie Unternehmen mittels der Optimierung ihrer Customer Journey die Effizienz und Effektivität ihrer persönlicher Sales Performance steigern können.