Kundenkontaktanalyse

Ausgangssituation

Die Kundenkontakthistorie spiegelt eine Interaktion mit den Kunden in verschiedenen Dimensionen wieder. Die CRM-Kontaktdaten können auf unterschiedlichen Granularitätsniveaus ausgespielt werden.

Die Kundenansprache kann über die langfristigen Zeiträume noch tiefer erforscht werden, um den Werbedruck, also Wechsel von einzelnen Maßnahmen sowie Zeitrhythmen zwischen diesen Kundenanreizen in Bezug auf das Kaufverhalten, optimal zu steuern.

Fragestellung

Wie kann eine langfristige Kundenkontakthistorie dargestellt und beschrieben werden? Wie sehen typische Kontaktketten aus? Können die erfolgreichsten Kontaktketten, wie

X₁ → Δt₁ → X₂ → Δt₂ → (...) → X_n → Δt_i → Action,

wobei X_n - Art der Ansprache und Δt_i - Zeitabstand zwischen Ansprachen,

ermittelt und beschrieben werden? Können tendenzielle Unterschiede in den Kaufmustern über die Jahre gezeigt werden? Gibt es auch "verirrte Kontaktketten", die die Kunden demotivieren bzw. sie vom Kauf ablehnen? Können homogene Gruppen mit ähnlichen Verhalten aus diesen Verhaltensmustern gebildet werden? Können diese Verhaltensmuster in Form eines Data Marts für sämtliche Analyseverfahren zur Verfügung gestellt werden? Kann die Kontaktstrategie unter Berücksichtigung der neuesten Erkenntnisse aus der Sequenzanalyse tiefgehend verfeinert werden?

Datengrundlage

DWH / PAYBACK, inkl. Interaktionsvariablen. Abhängige Variable: Umsatz.

Output

• Deskriptive Auswertung der Kontaktketten
  • Kaufverhalten
  • Ausspielen von Kontakten
  • Response-Daten
  • Typische Muster in allen Kontaktketten (TOP XY)
• Kundensegmentierung
  • Gruppen mit ähnlichen Kaufverhalten
  • Beschreibung dieser Gruppen anhand von passiven und aktiven Variablen
• Interpretierbares Modell für die Steuerung der Marketingaktivitäten auf dem Gruppenniveau oder individuell:
  • Ermittlung von Treibern aus der Kontakthistorie (TOP-XY Kontakt-Treiber)
  • Operationalisierung der ermittelten Kaufpattern in Form eines “Customer Behaviour Mapping”
  • Erstellung eines Data Marts für individuelle Kaufverhalten
  • Zuordnung der Kunden zu verhaltensbasierten Kauf-Clustern vs. kontaktbasiert
• Algorithmen und Dokumentation

Datenanforderung

Ein SQL-Skript sollte erstellt werden. Einige Optionen für ein Spielraum sollen eingebaut werden. Damit sollte Zugriff zu den Zeiträumen, Kundensegmenten und Ereignissen auf unterschiedlichem Granularitätsniveau bereitgestellt werden:

• Zeiträume (Default: 3 Jahre, 01.01.2017 - 31.12.2019)
• Kundensegmente (Default: Privatkunde, bei welchen keine Web-/App-Kontakthistorie vorhanden ist)
• Stichprobe (Default: 100.000)
• Aggregationsniveau der Kontakte (für eine Pilot-Untersuchung: von 4 bis 32)

Eine minimale Datenstruktur für den Aufbau von Kontaktketten sowie Ableitung von Modellen aus Verhaltensmustern besteht aus zwei Tabellen:

1. Kontakthistorie: Pro Kunde-ID gibt es mehrere zeitlich geordnete Zeit- und Ereignis-Zeilen
2. Abhängige Variable ggf. Umsatz: 1x Zeile pro Kunde-ID

Kontaktdaten für zwei zufällige Kunden-ID 123456789 und 987654321 können wie folgt aussehen:

Stand der Dinge

Bis jetzt wurde bei dem Kunden keine vergleichbare Analyse aus der Perspektive einer langfristigen Kontakthistorie durchgeführt. Warenkörbe von Konsumenten können untersucht und Bondaten zu den 10-20 Kategorien aggregiert werden. Angebote sowie Responsedaten wurden bei dem Unternehmen nicht berücksichtigt.

Es besteht ein Entwicklungspotential, um die Kunden aus der Sicht der vollständigen Interaktionshistorie ("Anreiz → Reaktion") zu untersuchen, um sie optimal zu steuern sowie Ansprachestrategie zu evaluieren.

Aufwandsschätzung: 33 AT