„Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur ...saswiki.org/images/5/54/6.KSFE-2002-praesen-Daniela-Stöckler... · Diplomarbeiten „Ansätze zur Kundenbewertung im

Diplomarbeiten

„Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotenzials“

„Datengestützte Validierung vonCustomer-Lifetime-Konzepten“

Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter

Agenda

1) WEKA-MEDIA-Verlage

2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung

2.1 Modell Neukunden: Kundenpotenzial-Achse

2.2 Modell Bestandskunden: Kundenpotenzial-Portfolio

3) Ziel der zweiten Arbeit: Kumuliertes produktbezogenes Kundenpotenzial

3.1 kurzfristiges Erfolgspotenzial

3.2 langfristiges Erfolgspotenzial


TURNUS-VerlagWEKA BaufachverlageWEKA Management FachverlageWEKA Fachverlage für technische Führungskräfte

Profi-Know-How für Informationstechnologie und Telekommunikation;Schwerpunkte: IT-Projekte planen und managen, Netzwerke, Datenbanken, Programmierlösungen, E-Business, Datenschutz, IT-Security;Produkte: Loseblattwerke

Grundwerk + ca. 4 Aktualisierungslieferungen (AL‘s) / Jahruntersuchte Kundengruppe: „Administratoren“

Betreuung: Uwe Steinlein (Manager Customer Research)

WEKA-MEDIA-Verlage


1.

Agenda


2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung:







Modell: Kundenpotenzial-Achse / -Portfolio

Ermittlung Kundenscore:Block 1: Neukunden

Ziel: Neukunden einen Wert („Kundenscore“) zuordnen, der sie auf einer Achse positioniert → Position bestimmt das Entwicklungs-Potenzial zum Gold-Kunden

„Kundenscore“: Gewichtung verschiedener Variablen, die bei der Erfassung des Kunden in die Datenbank aufgenommen werden.

„Mit welcher Wahrscheinlichkeit wird dieser Kunde Gold-Kunde?“

Block 2: Bestandskunden

Ziel: Bestandskunden einen Wert („Kundenscore“) zuordnen, der sie in einem Kundenpotenzial-Portfolio positioniert→ Position bestimmt Strategie!

„Kundenscore“: Gewichtung verschiedener Variablen, die bei der Erfassung des Kunden in die Datenbank aufgenommen werden, als auch Variablen, die ein Kunde während seiner „Lebenszeit“ bei WEKA „schafft“

„Hat das momentane Kundenportfolio (unentdecktes) ‚Potenzial‘?“


2.

3322110))""(1

)""(ln( iiii

i xxxGoldkundeYp

GoldkundeYpββββ +++=

=−=

„estimate“=

Betawertfür Variable 1

Ausprägungder Variable 1z.B.: Variable1 = x1„Funktion des Ansprechpartners“mit der Ausprägungx11= „Management“

Betawert der Variable 2

)( 332211011

iii xxxe ββββ +++−+Wahrscheinlichkeit für „Goldkunde“: =

„Blechkunde“

Betawerte in der logistischen Regression


2.1

Modell: Kundenpotenzial-Achse

Score-Vergabe:Ergebnisse aus der logistischen Regression:Wahrscheinlichkeit für jeden Neukunden, ein Gold-Kunde zu werden.Bildung der Einzelscores über die Betawertez.B. Multiplikation mit 100, um Unterschiede deutlicher aufzuzeigen. Grenze für potenzielle Gold-Kunden:

Intervalle bilden, die Intensität der Werbung festlegen (z.B. Intervall 50-100: mäßige allgemeine Werbung,800-1000: starke, personenbezogene Werbung, ...)Grenzwert festsetzen, ab dem ein Kunde überhaupt beworben wird.

Beispiel:

Kunde ‚12345‘: Funktion A + Branche B + ...

Betawert: 1,1190 0,3211Score: 112 + 32 + ... = 144


2.1

Modell: Kundenpotenzial-Portfolio


2.2

gering

hoch

Kundenscore

gering hochDB - Index

Strategie: Kunden gewinnen

Strategie: Kunden halten

⇓„abschöpfen“

Strategie: Kunden ausbauen

⇓Investieren

Strategie: Kunden nicht direkt bearbeiten

„Bronze-Kunden“: Kunden

gewinnen

„abschöpfen“

⇓


gering

hoch

Kundenscore

gering

hoch

Kundenscore

gering hochDB - Indexgering hochDB - Index

„Silber-Kunden“

„Blech-Kunden“ „Gold-Kunden“

gering

hoch

Kundenscore

gering

hoch

Kundenscore

gering hochDB - Indexgering hochDB - Index

Strategie: Kunden gewinnen

Strategie: Kunden halten

⇓„abschöpfen“

Strategie: Kunden ausbauen

⇓Investieren


„Bronze-Kunden“: Kunden

gewinnen

„abschöpfen“

⇓


gering

hoch

Kundenscore

gering

hoch

Kundenscore

gering hochDB - Indexgering hochDB - Indexgering hochDB - Indexgering hochDB - Index

„Silber-Kunden“

„Blech-Kunden“ „Gold-Kunden“


Kundenpotenzial definiert durch:

1) Dimension: Deckungsbeitrags-Index

2) Dimension: KundenscoreVariable 1: Funktion des Ansprechpartners → Betawerte

Variable 2: Jahr der letzten Bestellung → Betawerte

Variable 3: Quotient → Intervallbildung

Variable 4: Potenzial-Faktor: Grenze bezüglich Produktprogramm

⇒ „Malus“, der „Gold-“ von „Silber-Kunden“ unterscheidet

→ Bewertungsmatrix

Kunden aller itragesDeckungsbe des MaximumKunden eines itragDeckungsbe x itragsindeDeckungsbe =


2.2


Variable 1: Funktion des Ansprechpartners Variable 2: Jahr der letzten Bestellung → Betawerte

Variable 3: Quotient→ Intervallbildung

Variable 4: Potenzial-Faktor: Grenze bezüglich Produktprogramm → Bewertungsmatrix


0,0000,91010,01-10,9111Funktion H

...

0,0520,000116,89-2,9614Funktion G

0,0000,85240,03-10,9468Funktion F

0,0000,89420,02-10,9322Funktion E

6,826<0,000115,421,9208Funktion D

0,3210,11622,47-1,1351Funktion C

24,378<0,000129,733,1937Funktion B

3,053<0,000122,801,1160Funktion AOdd

Pr > Chi Square

Wald Chi-SquareEstimateParameter

0,0000,91010,01-10,9111Funktion H

...

0,0520,000116,89-2,9614Funktion G

0,0000,85240,03-10,9468Funktion F

0,0000,89420,02-10,9322Funktion E

6,826<0,000115,421,9208Funktion D

0,3210,11622,47-1,1351Funktion C

24,378<0,000129,733,1937Funktion B

3,053<0,000122,801,1160Funktion AOdd

Pr > Chi Square

Wald Chi-SquareEstimateParameter

-700-600-500-400-3004

-800+0+200+300+5003

-900+100+700+800+1.1002

-1.000-100+600+1.000+1.3001

-1.100-200+400+900+1.2000

anz_akt

43210

anz_inak

-700-600-500-400-3004

-800+0+200+300+5003

-900+100+700+800+1.1002

-1.000-100+600+1.000+1.3001

-1.100-200+400+900+1.2000

VariableA

43210

Variable B

-700-600-500-400-3004

-800+0+200+300+5003

-900+100+700+800+1.1002

-1.000-100+600+1.000+1.3001

-1.100-200+400+900+1.2000

anz_akt

43210

anz_inak

-700-600-500-400-3004

-800+0+200+300+5003

-900+100+700+800+1.1002

-1.000-100+600+1.000+1.3001

-1.100-200+400+900+1.2000

VariableA

43210

Variable B

154quot10 <<

Bedingung

260quot1154 <≤

366quot1260 <≤

quot1366 ≤

-500

Score-Wert

+500

+1.000

+1.500

154quot10 <<

Bedingung

260quot1154 <≤

366quot1260 <≤

quot1366 ≤

154quot10 << 154quot10 <<

Bedingung

260quot1154 <≤ 260quot1154 <≤

366quot1260 <≤ 366quot1260 <≤

quot1366 ≤ quot1366 ≤

-500

Score-Wert

+500

+1.000

+1.500

154quot10 << 154quot10 <<

Bedingung

260quot1154 <≤ 260quot1154 <≤

366quot1260 <≤ 366quot1260 <≤

quot1366 ≤ quot1366 ≤

2.2

Ergebnis: Kundenpotenzial-Portfolio

Deckungsbeitrags-Index

Kun

dens

core


2.2


„Blech-Kunden“:Unrentabelste und unattraktivste Kundengruppe

geringes Entwicklungspotenzial

geringer Deckungsbeitrags-Index

→ Deinvestitionsstrategie


2.2



2.2

„Bronze-Kunden“:„Start-up‘s“, meist Neukunden

hohes Entwicklungspotenzial

geringer Deckungsbeitrags-Index

→ Einzelfallüberprüfung: Selektionsstrategie



2.2

„Silber-Kunden“:„Stars“

hohes Entwicklungspotenzial

hoher Deckungsbeitrags-Index

→ Investitionsstrategie



2.2

„Gold-Kunden“:„Cash-Cows“

geringes Entwicklungspotenzial

hoher Deckungsbeitrags-Index

→ Abschöpfungsstrategie

Diplomarbeiten

„Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotentials“

„Datengestützte Validierung vonCustomer-Lifetime-Konzepten“

Agenda


2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung






Umorientierung: Statt einzelnen Produkten stehen Kundenbeziehungen im Mittelpunkt von Unternehmen (products come and go, but customers remain)

In vielen Fällen sorgt ein kleiner Teil der Kunden für einen Großteil des Umsatzes (20/80-Prinzip)

Verwendung des beschränkten Marketing-Budgets nach dem Gießkannenprinzip nicht sinnvoll

Konsequenz: Konzentration auf wichtige Kunden zur Steigerung derEffizienz

Wie identifiziert man wichtige Kunden? => Kundenwertanalysen

Problemstellung

3.

Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz

hoch

niedrig

Kum

ulie

rte

Wah

rsch

einl

ichk

eit

für d

ie B

este

llung

ein

es G

W´s

nied

rig Erwartete Anzahl Aktualisierungslieferungen,falls ein Grundwerk bestellt wird ho

ch

???

Strategie: individuelle Bewerbung

???

Strategie: Jahres-Abonnements verkaufen

Star-Kunden

Strategie: Kunden bewerben

Poor Dogs

Strategie: Kunden nicht regelmäßig bewerben

Zielsetzung der Diplomarbeit

3.


Vorgehensweise I (y-Achse)

Beschränkung auf die wichtigsten Produkte im Geschäftsbereich

Berechnung der Kaufwahrscheinlichkeiten für die Grundwerkemittels EntscheidungsbaumverfahrenZielvariable: Bestellung von Produkt X

Zuweisung eines Score-Wertes für jede Wahrscheinlichkeit

Aggregation der so gewonnenen Score-Werte unter Berücksichtigung der unterschiedlichen Bedeutung der Produkte

Ergebnis: Score-Wert für jeden (potenziellen) Kunden

3.1


Bestellwahrscheinlichkeit für Produkt A

T E1: 2,0% 2,0%0: 98,0% 98,0%

T E1: 25,0% 23,0%0: 75,0% 77,0%

T E1: 1,0% 1,0%0: 99,0% 99,0%

T E1: 8,5% 10,0%0: 91,5% 90,0%

T E1: 37,0% 31,5%0: 63,0% 68,5%

T E1: 10,5% 11,5%0: 89,5% 88,5%

T E1: 0,5% 0,5%0: 99,5% 99,5%

T E1: 64,0% 50,5%0: 36,0% 49,5%

T E1: 30,0% 26,5%0: 70,0% 73,5%

T E1: 4,0% 6,5%0: 96,0% 93,5%

T E1: 25,5% 22,0%0: 74,5% 78,0%

a b

BES_LxM

Z_AKTABO

<y >=y

T E1: 1,4% 1,0%0: 98,6% 99,0%

T E1: 0,4% 0,4%0: 99,6% 99,6%

UMS_LxM

a b

ANZ_WAMx

<y >=y

a b

UMS_LxM

Funktion

... ...

3.1


Bestellwahrscheinlichkeit für Produkt B

T E1: 1,5% 1,5%0: 98,5% 98,5%

T E1: 19,7% 23,2%0: 80,3% 78,9%

T E1: 0,7% 0,8%0: 99,3% 99,2%

T E1: 34,1% 37,4%0: 65,9% 62,6%

T E1: 7,4% 8.7%0: 92,6% 90,8%

T E1: 5,1% 6,2%0: 94,9% 93,8%

T E1: 0,3% 0,3%0: 99,7% 99,7%

T E1: 3,6% 4,1%0: 96,4% 95,9%

T E1: 14,1% 15,2%0: 85,9% 84,8%

T E1: 2,2% 2,0%0: 97,8% 98,0%

T E1: 13,2% 17,9%0: 86,8% 82,1%

<y >=y

Di_LPOS

Z_AKTABO

<y >=y

T E1: 0,1% 0,1%0: 99,9% 99,9%

T E1: 1,2% 1,0%0: 98,8% 99,0%

UMS_AL

<y >=y

ANZ_WAMx

<y >=y

... ...

Funktion

UMS_AL

<y >=y

3.1


Aggregation der Bestellwahrscheinlichkeiten

Bestellwahrscheinlichkeiten für Kunde XProdukt A: 8,5% ⇒ 8,5 PunkteProdukt B: 14,1% ⇒ 14,1 Punkte

Bedeutung der ProdukteProdukt A: Priorität 1 ⇒ Faktor 1Produkt B: Priorität 2 ⇒ Faktor 0,5

Score-Wert des Kunden X

1 * 8,5 + 0,5 * 14,1 = 15,55 Punkte

⇒ kurzfristiges Erfolgspotenzial

3.1


Vorgehensweise II (x-Achse)

Unterscheidung zwischen Kunden (ehemalige und aktuelle) und Nicht-Kunden

Kunden werden anhand ihres bisherigen Kaufverhaltens beurteiltFür die Prognose der Nicht-Kunden erfolgt eine Modellbildung

Modell zur Prognose der Nicht-KundenZur Modellbildung werden inaktive Kunden herangezogenUnterscheidung der Kunden in zwei Gruppen:

• tendenziell viele Aktualisierungslieferungen (>=x)• tendenziell wenige Aktualisierungslieferungen (<x)

Identifikation der Gruppe mit vielen Aktualisierungslieferungen mittels Entscheidungsbaumverfahren

Ergebnis: Score-Wert für jeden (potenziellen) Kunden

3.2


Berechnung des Score-Wertes

Score-Wert für den Kunden X: ∅ AL-Anzahl * 10

(3 + 5) / 2 *10 = 40 Punkte

Score-Wert für den potenziellen Neukunden Y: Wahrscheinlichkeit, „viele“ Aktualisierungslieferungen zu kaufen

zum Beispiel: 17,3% = 17,3 Punkte

⇒ langfristiges Erfolgspotenzial

3.2


hoch

niedrig

Kum

ulie

rte

Wah

rsch

einl

ichk

eit

für d

ie B

este

llung

ein

es G

W´s

nied

rig Erwartete Anzahl Aktualisierungslieferungen,falls ein Grundwerk bestellt wird ho

ch

???

Strategie: individuelle Bewerbung

???

Strategie: Jahres-Abonnements verkaufen

Star-Kunden

Strategie: Kunden bewerben

Poor Dogs

Strategie: Kunden nicht regelmäßig bewerben

Strategieempfehlung


Noch Fragen???

Vielen Dank für Ihre Aufmerksamkeit

Documents

„Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur ...saswiki.org/images/5/54/6.KSFE-2002-praesen-Daniela-Stöckler... · Diplomarbeiten „Ansätze zur Kundenbewertung im