Kundenwert-Strategien mit Data Mining maximieren

Daten sind noch keine Informationen
Die explosionsartige Zunahme der Daten über und von Kunden bereitet den Verantwortlichen nach wie vor Kopfzerbrechen. Zwar haben die Unternehmen Datenbank-Systeme implementiert; doch riesige Datenmengen - abgelegt in Datenbanken - alleine sind noch nicht ausreichend. Häufig existieren Inkonsistenzen, da die notwendigen Informationen für die Analyse und Steuerung von Kampagnen oder Betreuungskonzepten aus unterschiedlichen Systemen zusammengetragen werden müssen: Eine Begleiterscheinung des rasanten Wachstums der Branche, die typischerweise mit einer isolierten Entwicklung von IT Lösungen einherging. Vertrieb und Marketing, Kundenservice, Billing, Transaktionsdaten basieren nicht selten auf verschiedenen Systemen, die den Kunden auf unterschiedliche Weise abbilden. Kunden sind demzufolge doppelt und dreifach im System hinterlegt, mit unterschiedlichen Schreibweisen, Adressen, Billing Daten und auf einem unterschiedlichen Qualitätsniveau. Will man auf dieser Basis zum Beispiel mit Prognose oder Scoring Verfahren arbeiten, um bspw. stornogefährdete Kunden zu identifizieren, ist das Ergebnis niederschmetternd. Eine konsistente, qualitativ hochwertige Datenbasis ist der erste Schritt, den die Unternehmen gehen müssen. Eine Konsolidierung der Datenbestände in einem Datawarehouse oder Datamart Konzept gehört zum Pflichtprogramm für die Branche, um eine professeionelle Grundlage für Kundengewinnungs- und betreuungskonzepte zu schaffen. Neben der Struktur für die bereits gespeicherten Daten ist frühzeitig festzulegen, welche zusätzlichen Informationen zukünftig aus Marketing-, Vertriebs- oder Servicesicht gefordert sind.
Bedarfsorientierte Segmentierung ergänzt den klassischen Kundenwert Ansatz
Veränderte Kunden- und Kaufverhalten, aber auch neue Produkte und Dienstleistungen erfordern zusätzliche, bisher nicht gespeicherte Daten und andere Segmentierungs-Ansätze. Statt allen Kunden alles anzubieten und damit erhebliche Streuverluste in Kauf zu nehmen, geht der Trend dazu über, immer kleinere, homogene Kundensegmente zu adressieren: Spezielle Angebote für ausländische Mitbürger, Geschäftsreisende, die unterwegs auf Unternehmensdaten zugreifen müssen, Jugendliche, die spielen und sich unterhalten wollen, usw. Die Differenzierung der Angebote für die diversen Zielgruppen gelingt jedoch nur dann, wenn die Anbieter zuvor ausreichende Informationen über Ihre Zielgruppen gesammelt und ausgewertet haben, bezw, auf entsprechende externe Datenbestände zugreifen können. Die Kundensegmentierung in der Telekommunikationsbranche kann sich nicht länger auf einfache Parameter wie ARPU (Average Revenue Per User), Alter, Dauer der Kundenbeziehung usw. beschränken. Diese einfach verfügbaren Kriterien zielen zwar auf die richtige Zielgrösse Kundenwert, berücksichtigen aber nicht den Kunden nach seinem Bedarf zu segmentieren. Die Einstellung des Kunden zu Produktangeboten und zusätzlichen Services sowie sein Verhalten sind heute für eine erfolgreiche Marktbearbeitung ebenso wichtig wie die Segmentierung nach dem monetären Kundenwert. Aktive Kunden benötigen andere Ansprache Konzepte wie eher passive Kunden obwohl beide vom Kundenwert in die selbe Kategorie passen können. Das gleiche gilt für die Nutzungsinteressen des Kunden. Ein Vieltelefonierer, der jedoch andere Services nicht in Anspruch nimmt und keine entsprechenden Affinitäten aufweist ist anders zu betreuen wie ein Kunde, der Daten-, Internet und Sprachdienste nutzt. Dazu kommen entsprechende Einstellungen des Kunden zu der Form der Ansprache, sprich telefonischer Kontakt, Brief, Fax oder Self-Service über das Internet. Die einfache Formel Kunden mit hohem Kundenwert prinzipiell bevorzugt über VIP Service im Call Center zu betreuen und niedrigwertige Kunden auf den Self-Service zu verweisen ist ausschliesslich am Kundenwert orientiert; eine Strategie, die sich nur bedingt am Bedarf des Kunden orientiert.
Eine zunehmende Bedeutung haben Bonitäts- und Kaufwahrscheinlichkeits-Informationen in den letzten Jahren gewonnen. War früher das primäre Ziel möglichst schnell einen hohen Marktanteil zu erreichen, so haben die Unternehmen mittlerweile ihre Strategie geändert. Bittere Erfahrungen mit Kunden, die ihre Rechnungen nicht bezahlten und damit hohe Kosten in den Organisationen verursachten, führten zu einem Umdenken. Heute ist eine ausgefeilte Bonitätsüberprüfung für Firmen wie Privatkunden Standard. Zusätzlich bedienen sich die Unternehmen jedoch auch spezieller Dienstleister, die die Kundendaten „anreichern“- also mit zusätzlichen Merkmalen versehen - und scoren, um damit bereits vor dem Kauf oder Vertragsabschluss wichtige Informationen zu übermitteln, die dem Telekommunikations-Anbieter gestatten, den Kunden individuell und zielgerichtet anzusprechen. So lassen sich die Interessenten Daten mit den bestehenden Kundendaten abgleichen und es kann festgestellt werden, ob der Interessent die selben Merkmale aufweist wie etwa besonders wertvolle oder umsatzstarke Kunden. Trifft dies zu wird die Ansprache entsprechend angepasst. Anbieter wie claritas, deltavista, Schober bieten solche Dienstleistungen für die Branche an. Die eigenen Daten werden an den Dienstleister übermittelt; dort entsprechend angereichert und mit einem Score Wert versehen. Der komplettierte Datensatz wird dann an das Unternehmen zurückgespielt. Mittlerweile sind die Verfahren so ausgereift, dass dieser Prozess ohne nennenswerten Zeitverzug durchgeführt wird. Besonders im Vertrieb, wo es um die Gewinnung von Neukunden geht, ist eine aussagekräftige Bewertung und Anreicherung von Daten – nahezu in Echtzeit – ein erheblicher Pluspunkt.
Der Vertrieb im Call Center kann bspw. noch während des Verkaufsgespräches – sofern er über eine entsprechende Anbindung seines Softwaresystems verfügt - seine Akquisestrategie auf die Situation einstellen. Zusätzliche Angebote der Dienstleister wie Adressvalidierung sorgen dafür, dass von Anfang an, neu eingegebene Adressen gleich mit einer hohen Qualität im System hinterlegt werden.
Data Mining: Neue Zusammenhänge und Muster in den Daten erkennen
Mit Hilfe von OLAP (Online Analytical Processing) Werkzeugen kann man zwar die grossen Datenmengen analytisch aufbereiten; für CRM relevante Entscheidungen reicht dies jedoch nicht aus. OLAP Werkzeuge zeigen Daten in unterschiedlichen Sichten an. Auch wenn gefiltert und selektiert wird; es können immer nur einfache Analyse Ergebnisse aufgezeigt werden. Die wesentlichen CRM relevanten Fragen lassen sich mit OLAP nicht beantworten:
• Welche Merkmale weisen Kunden auf, die abwanderungsgefährdet sind und welche Kunden sind dies?
• Welche Merkmale begünstigen in ihrer Kombination eine Kündigung?
• Welche Kunden sind besonders affin für ein neues Produkt?
• Welche Art der Kundenansprache ist besonders geeignet um ein neues Produkt zu promoten?
• Wie sieht die Wahrscheinlichkeit für ein bestimmtes Cross Selling Potenzial aus

Die klassische Vorgehensweise in Marketing, Vertrieb und Service basiert auf Erfahrungswerten und Annahmen und nutzt kaum zeitgemässe Methoden wie Data Mining. Einfache Analysen und Annahmen führen zum Ergebnis, dass Kunden im Alter von 25 – 30 Jahren in städtischen Gebieten mit besonders hohem Haushaltsnettoeinkommen überdurchschnittlich ein bestimmtes Produkt nutzen. Eine solche Hypothese kann sich dann in einer umgesetzten Kampagne für ein ausgewähltes Up- oder cross-selling Produkt als durchaus erfolgreich erweisen. Erfahrungswerte aus dem Marketing oder Vertrieb und Analysen auf Basis der vorhandenen Daten weisen jedoch erhebliche Defizite auf. Sie sind in aller Regel zu grob in ihren Ergebnissen, bestimmte Merkmale, die auf diese Zielgruppe auch zutreffen werden nicht erkannt und berücksichtigt. In unserem Beispiel würde eine Data Mining Ansatz zu dem Ergebnis kommen, dass ein wesentlich bestimmendes Merkmal die Form der Ansprache (Hohe Affinität zu email und Internet, geringe Affinität zu DirectMail) ist. Geht man klassisch vor besteht die Gefahr mit einem Mailing zwar das richtige Produkt an die richtige Zielgruppe adressiert zu haben; das eingesetzte Medium verfehlt jedoch seine Wirkung. Data Mining geht den umgekehrten Weg. Die Zielgrösse wird festgelegt und mit Hilfe des Data Mining Ansatzes wird das Datenvolumen auf relevante Zusammenhänge und Muster durchforstet. Die Mustererkennung und das Aufspüren bisher unbekannter Zusammenhänge ist ein wesentliches Erfolgskriterium dieses Verfahrens. Vergangenheitsbezogene Analysen ( zum Beispiel OLAP oder Reporting):
• Welches sind die profitabelsten Kunden?
• Wieviele Kunden haben auf das Mailing reagiert?
• Welche Kampagnen waren erfolgreich?
• Welche Kunden haben gekündigt?
haben den Verantwortlichen kaum erfolgversprechende Wege aufzeigen können. Die rückwärtsgerichtete Betrachtung gibt den Verantwortlichen keine Entscheidungshilfen für die Konzeption von Produkten und Serviceangeboten. Data Mining ist zukunftsorientiert ausgerichtet:
• Welche Kunden werden wahrscheinlich kündigen?
• Welche Produkte sollen wem angeboten werden?
• Was Kunden werden auf eine bestimmte Aktion reagieren?
Data Mining ist generell dort sinnvoll, wo ein grosses Datenvolumen mit einer Vielzahl von Parametern (Alter, Wohnort, Umsatz, Zahlungsverhalten, Bonität, Hobbies, Kaufkraftklassen, Nutzungsverhalten,…) vorliegt, aus denen entscheidungsrelevante Muster herauskristallisiert werden sollen. Welche Kunden weisen Merkmale auf, aus denen eine Kündigung, ein Zahlungsausfall oder ein erfolgreicher Ansatz für eine Up- oder cross selling Kampagne abgeleitet werden kann? Kunden, auf die gemeinsame Merkmale zutreffen, werden in Gruppen abgebildet, die auf Grund ihrer Homogenität ideal für eine zielgerichtete Kundenansprache geeignet sind. Dazu können historische Daten von Kunden, auf denen genau dieses Verhalten zutrifft, herangezogen werden. Alle Merkmale dieser Gruppe dienen dann als Frühwarnsystem für bspw. Präventiv-Kampagnen. Eine Standard Anwendung der Telekommunikationsbranche, die auf Data Mining Anwendungen beruht ist das Ansprechen wertvoller Kunden rechtzeitig vor dem Vertragsende. Mit gezielten Angeboten lässt sich eine Umwandlungsquote erzielen, die deutlich über den herkömmlichen Segmentierungs- und Analyse-Methoden liegt. Die Haupteinsatzfelder liegen heute in:
• Kündigerprävention (Stornoprophylaxe)
• Aufspüren von up- und cross-selling Potenzialen
• Preisfindungs-Modellen
• Bonitäts- und Kaufwahrscheinlichkeits-Ermittlung
• Optimierung von Kampagnen und Werbemassnahmen
Eine interessante Nutzung der Data Mining Erkenntnisse ergibt sich auch für die Anwendung in den Call Centern, die für diese Branche wesentliche Vertriebs- und Service Funktionen wahrnehmen. Läuft während des Gespräches eine Data Mining Anwendung im Hintergrund, dann erhalten die Agents noch während des Gespräches Informationen über den Kunden oder Interessenten, die sie für eine erfolgreiche Gesprächsführung einsetzen können (Kunde ist kündigungsgefährdet oder hat eine hohe Affinität zu ein einem bestimmten Produkt). Konkrete up- oder Cross-selling Vorschläge wie auch Empfehlungen für Kulanzregelungen bei Reklamationen lassen sich heute direkt in eine CRM Anwendung individuell auf den Kunden bezogen für den Agenten integrieren; Vertriebs- wie auch Kundenbindungsansätze sind so systematisch und zielgerichtet umsetzbar.

Data Mining ist kein Allheilmittel
Dynamische Märkte erfordern heute eine ständige Anpassung und Modifikation der Datengrundlagen. Der Aufwand für eine erfolgreiche Anwendung von Data Mining Ansätzen ist nicht zu unterschätzen; die Datenaufbereitung, das Sichern der Qualität als Vorbereitung für eine wirksame Nutzung der Data Mining Werkzeuge nimmt oft ¾ des Gesamtaufwandes ein. Und die Investitionen für Datawarehouse- und Data Mining Systeme selbst gehen schnell in 7 stellige Dimensionen. Eine solche Investition lohnt demzufolge nur, wenn die Systematik im Umgang mit den Daten stimmt. Erst Daten sammeln, die Qualität sicherstellen, dann analysieren und in Kampagnen umsetzen. Bei aller Euphorie über die Wirksamkeit dieser Verfahren für ein kundenwertorientiertes CRM darf nicht aus dem Blickfeld geraten, das die Prognose des Kundenverhaltens ihre Grenzen hat. Der Mensch lässt sich nicht 100%ig in mathematischen Modellen abbilden. Gut erklären lässt sich dies am Beispiel des Tomatensaftes. Während man in Supermärkten, Restaurants, der Bahn oder Hotels dieses Getränk nur sehr selten in Regalen, Kühlschränken oder auf Speisekarten findet, ist es der „Top-Seller“ bei den Fluggesellschaften. Tomatensaft rangiert dabei oft noch vor Apfel- oder Orangensaft. Analysieren – oder mathematisch prognostizieren – lässt sich dieses Kundenverhalten nicht. Alle Versuche einer Erklärung sind bisher gescheitert. Tomatensaft schmeckt in 10.000 Fuss Höhe nicht anders als im ICE, dennoch musste Mitropa, die Catering Gesellschaft der Bahn, Tomatensaft mangels Nachfrage wieder aus dem Programm nehmen. Eine CRM Strategie, die auf die Maximierung des Kundenwertes ausgerichtet ist, darf in Data-Mining-, Scoring- und Prognose Verfahren keine Lebensversicherung sehen; eine effektive Unterstützung für die Marketing und Vertriebsverantwortliches ist es auf jeden Fall.