sind vielfältig, sie effizient zu nutzen gestaltet sich jedoch schwierig, da viele Variablen einbezogen werden müssen. Es stellen sich folgende Fragen: Wer sind meine Kunden? Wie kann ich identifizieren, wer mit hoher Wahrscheinlichkeit als Nächstes ein bestimmtes Modell fahren wird? Wie kann ich diese Kunden in meiner Marketingkampagne priorisieren? Was muss ich tun, um den Kunden für ein neues Auto zu begeistern? Was muss ich wann investieren, um ihn zu einem Kauf zu bewegen? Hinsichtlich des Angebots schließlich stehen natürlich diese Fragen im Vordergrund: Was macht ein Angebot für meine Kunden besonders attraktiv? An welcher Stelle kann ich den Verkaufsprozess unterstützen und fördern? Welche Informationen sind meinen Kunden wichtig? Wo und wann kann ich einen neuen Kaufvertrag abschließen und wie sorge ich langfristig dafür, dass der Kunde zufrieden ist und in Zukunft wieder kauft? Letztlich ist es immer günstiger, einen zufriedenen Bestandskunden zu einem Neugeschäft durch Data-Science-basierte Anwendungen zu animieren, anstatt einen Neukunden zu gewinnen. Dies gilt insbesondere, da für Bestandskunden Kundendaten und Datenschutzeinwilligungen bereits vorliegen.
Im Dickicht dieser zahllosen verschiedenen Konstellationen kann ein Mensch ohne größeren Aufwand keine optimale Entscheidung mehr treffen. Hier können Analytics-Methoden genutzt werden, um dem Entscheider genau die richtigen Informationen zur Verfügung zu stellen. Die Zauberworte an dieser Stelle lauten Customer Life Value, Kundensegmentierung, deskriptive Evaluierungen, Szenariokalkulationen, datengetriebene Expertenempfehlungen und Vorhersagemodelle für erwartbares Kaufverhalten.
Es gilt also die Verkaufs- und Marketingabteilungen der Automobilhersteller gezielt mit Advanced Analytics zu unterstützen und die Absatzaktivitäten nachhaltig zu steigern. Dafür wurden von uns drei strategische Hauptbausteine definiert:
1 Die Identifizierung von StammkundschaftOberstes Ziel ist es, anhand verschiedener Kriterien aus dem kompletten Vertragsportfolio, Stammkundschaft von Laufkundschaft zu differenzieren. Speziell die Stammkunden sollen mit besonderen Kundenbindungsangeboten angesprochen werden.
2 Die Erstellung personalisierter AngeboteEs werden Algorithmen implementiert, die Vorhersagen über künftiges Kaufverhalten ausgeben können, wie etwa die höchste Wahrscheinlichkeit eines Kunden, ein bestimmtes Automodell mit einem Standardfinanzierungsvertrag zu kaufen. Sie bilden die Grundlage, um einem Kunden das für ihn attraktivste und perfekt auf ihn passende Angebot vorschlagen zu können.
3 Optimierung von Finanzprodukten und MarketingkampagnenEs gilt, das volle Potenzial von Verkauf und Marketing zu erschließen, d.h. Kampagnen oder Kundenwert so zu nutzen, dass Kundenanreize maximiert und die Kundenzufriedenheit über den kompletten Kundenlebenszyklus gesteigert wird.
In diesem Fall werden die Vertriebsmitarbeiter in ihrer Arbeit unterstützt. Letztlich werden dadurch Aufwände in den eigenen Niederlassungen der Hersteller oder unabhängiger Händler eingespart und die Chance auf ein Neugeschäft mit Bestandskunden erhöht.
3.4.1.2Spinning the Customer Life Cycle – Schaffen Sie mehr als eine Runde?
Bei unseren oben genannten drei Kernpunkten spielt der Kundenlebenszyklus eine besondere Rolle (vgl. Abb. 3–3). Er beschreibt, welche Stufen ein Kunde durchläuft, wenn er einen Kauf zunächst erwägt (»Attract«), dann tätigt (»Acquire«), schließlich das Produkt benutzt (»Develop«) und diesem oder dem Service gegenüber loyal verbunden bleibt (»Retain«). Die Beziehung zum Kunden sollte darauf abzielen, diesen Kreislauf so zu managen, dass er wiederholt(!) funktioniert und dauerhaft Kundenzufriedenheit und Profitabilität erhöht werden.
Abb. 3–3
Customer Life Cycle:
Attract: Potenzielle Kunden werden identifiziert, ihre Aufmerksamkeit erregt & über Angebote informiert.
Acquire: Aus Interessenten werden Kunden.
Develop: Kunden werden durch personalisierte Angebote stärker an das Unternehmen gebunden.
Retain: Aus Lauf- wird Stammkundschaft.
Zur Frage, wie bzw. wann man diesen Zyklus wiederholt in Gang setzen kann, sei auf unser Beispiel verwiesen: Maschinell lernende Algorithmen zur Mustererkennung, die idealerweise auch noch die aktuelle Marktdynamik und Marketingkampagnen mit einbeziehen, sind in der Lage, den richtigen Zeitpunkt zu ermitteln, wann ein Kunde ein neues Angebot erhalten sollte. So lässt sich mithilfe von Predictive Analytics vorhersagen, wann bei Kunden, die gerade ihr Auto finanzieren, der Punkt eintritt, wo der Wiederverkaufswert des Autos die Höhe der noch ausstehenden Zahlungen übertrifft.
Grundlage für diese Analysen ist bei vielen Automobilherstellern ein Hadoopbasierter Data Lake, der große Mengen konsistenter Kunden-, Vertrags- und Autodaten (dazu gehören auch zusätzliche Ausstattung oder Transaktionsdaten) vereint. Aus diesen Datenquellen können die Algorithmen etwa den Marktwert von Gebrauchtfahrzeugen einschätzen. Die Vorhersage kann dann mit Modellen in Spark industrialisiert werden. Bevor das Vorhersagemodell zur Anwendung kommt, muss es sich aufgrund der IT-Regularien großer Konzerne zuvor als Prototyp in einer Testumgebung erfolgreich bewährt haben, um danach in der produktiven Hadoop-Umgebung entsprechend skaliert bereitgestellt zu werden. Gegenüber konventionellen Tabellenmethoden bietet ein solches Vorgehen mit Lake und Modell zahlreiche Vorteile. Es kann mehr Variablen verarbeiten, kann verschiedene Datenquellen zusammenfassen, ist weniger fehleranfällig, trifft präzisere Aussagen und kann flächendeckender eingesetzt werden.
Komponenten auf dem Weg zu personalisierten Massenangeboten
Wie bereits besprochen müssen für personalisierte Angebote im Automobilbereich viele Faktoren einbezogen und viele Möglichkeiten gegeneinander abgewogen werden. Um die Synthese aus all diesen Variablen bilden zu können, braucht es entsprechend nicht nur eine Analyse, sondern ein Geflecht verschiedener Analysen (vgl. Abb. 3–4). Jede für sich gibt Aufschluss über eine bestimmte Frage. Die Antworten darauf können danach zueinander in Bezug gesetzt und zu einem passenden Angebot verschmolzen werden.
Abb. 3–4Personalisiertes Angebot: Das nächstbeste Auto – Das nächste Finanzierungsmodell – Die Wahrscheinlichkeit eines Neuwagenkaufs – Der Restwert eines Gebrauchtwagens – Upselling – Welche Kampagne eignet sich für welche Autoserie.
Das nächstbeste Auto
Um zu bestimmen, welches Auto ein Kunde wahrscheinlich als Nächstes kaufen wird, bietet es sich an, neben den Kundendaten selbst vor allem historische Daten über frühere Vertragsabschlüsse auszuwerten. Voraussagen werden auf Konstruktionsebene eingeschränkt, also z.B. ein hochtouriges Auto für einen sportlichen Fahrer. Mithilfe der hier generierten Informationen sollte der Kunde mit einem passenden Angebot begeistert werden, um die Wahrscheinlichkeit eines wiederholten Autokaufs zu erhöhen (und damit den Kundenlebenszyklus ein wiederholtes Mal in Gang zu bringen). Aus technischer Sicht sind hier maschinell lernende
