Zusammenfassung

  • Ein Dienstleistungsunternehmen mit vielen Kleinkunden will die Faktoren der Kundenloyalität analysieren, um seine Planung zu verbessern. Dazu bedarf es eines neuen Planungsverständnisses.
  • KI-Instrumente ermöglichen es, neue Faktoren als besonders relevant für die Kundenloyalität bzw. die Kundenabwanderung zu erkennen. Für die Untersuchung sind die Methoden von Machine Learning (ML) besonders geeignet.
  • Mit den neuen Möglichkeiten von Advanced Analytics lassen sich die Treiber von Veränderungen identifizieren, mit Daten hinterlegen und die so abgesicherten Unternehmensziele in die Planung umsetzen.
  • Der Beitrag beschreibt die Ausgangssituation sowie die Vorgehensweise in der Datenanalyse und der Planungsintegration. Im Anschluss werden die Ergebnisse und Empfehlungen für ähnliche Projekte vorgestellt.

1 Analyse und Planung der Kundenloyalität

1.1 Das Unternehmen ServiceMaster

ServiceMaster bietet seit über 90 Jahren eine breite Palette an Dienstleistungen für Haushalte und Unternehmen. Mit Hauptsitz in Memphis, Tennessee verfügt das Unternehmen über ein umfangreiches Servicenetz mit mehr als 8.000 eigenen Standorten in den USA und Kanada als auch 40 Ländern weltweit sowie Franchise- und Lizenzverträgen.

1.2 Abwanderung von Kunden bisher nicht zufriedenstellend prognostizierbar

Das Geschäftsmodell von ServiceMaster beruht auf vielen kleinteiligen Serviceaufträgen mit einer sehr großen Zahl von Kunden. Allein für den Bereich bzw. die Unternehmensmarke "Terminix" bestehen Verträge mit über 2 Mio. Kunden. Die Kundenbindung und die Dauer dieser Verträge haben maßgeblichen Einfluss auf den Umsatz und die Profitabilität des Unternehmens. Deshalb sollten mehr Ansatzpunkte gefunden werden, um die Kundenloyalität weiter zu erhöhen.

Die Entwicklung der Kundenloyalität wurde bisher auf den Abwanderungszahlen der vergangenen Jahre berechnet. Die Vorhersagegenauigkeit über die voraussichtliche Kündigungsrate (Churn Rate) war allerdings nicht zufriedenstellend und die Analyse der Kündigungsgründe wenig zuverlässig. ServiceMaster suchte deshalb nach Möglichkeiten, die Abwanderung von Kunden besser analysieren zu können. Die Kündigungsgründe sollten genauer ermittelt werden, um daraus wirksame Maßnahmen zur Vermeidung von Kündigungen ableiten zu können.

Abb. 1: Indikatoren zur Kundenloyalität

Neben einer Reduzierung der Kündigungen und der Verbesserung der Planungsqualität sollte auch der Aufwand für die Planung reduziert werden. Es ging also (auch) darum, den Ressourcenaufwand (Arbeitszeit für die Planung) und den Zeitraum für den Planungsteilprozess zu verkürzen. Durch die Nutzung dieser Indikatoren konnte der Planungsprozess automatisiert werden. Im Ergebnis ist die Genauigkeit aber auch tatsächlich erhöht bzw. die Plan-Ist-Abweichung der Churn Rate reduziert worden.

2 Neue Möglichkeiten durch KI-/Advanced-Analytics-Instrumente

2.1 Alte Instrumente für Planung, Budgetierung und Forecasting nicht mehr zeitgemäß

Unternehmen brauchen in Zeiten grundlegender Veränderungen und steigender Unsicherheiten mehr Flexibilität und eine schnellere Reaktionsfähigkeit. Es geht um ein neues Planungsverständnis. Der Fokus liegt nicht mehr auf der Kontrolle und Fortschreibung vorhandener Budgets. Mit den neuen Möglichkeiten von Machine Learning lassen sich die Treiber von Veränderungen identifizieren, mit Daten hinterlegen und die so abgesicherten Unternehmensziele in die Planung umsetzen.

Die Analysemöglichkeiten richteten sich bisher vor allem auf vergangene Sachverhalte. Die Rechenpower war begrenzt und die Performance oftmals eingeschränkt. Die Nutzung von KI- und Advanced-Analytics-Instrumenten eröffnet neue Möglichkeiten:

  • Verbesserte Advanced Analytics: Die Cloud stellt Unternehmen erstmals fast unbegrenzte Rechenleistung zur Verfügung. Aktuelle Datenspeicher beschleunigen die Prozesse und sind zudem kostengünstig. Die schnelle Verarbeitung und Analyse sehr großer Datenmengen ist jetzt auch für kleine und mittlere Unternehmen verfügbar.
  • Vorausschauende Predictive Analytics: Advanced-Analytics-Instrumente wie modernes Forecasting können mit Hilfe statistischer Verfahren und Algorithmen (Data Mining) Wahrscheinlichkeiten und künftige Ereignisse zuverlässig berechnen.
  • KI-gestützte Prescriptive Analytics: Die Methoden der künstlichen Intelligenz (KI) mit Machine Learning und Deep Learning sind darüber hinaus in der Lage, bisher unbekannte Muster zu erkennen, um neuartige Erkenntnisse zu gewinnen und in Echtzeit zu agieren. Sie ermöglichen verlässliche Prognosen und die Entwicklung zielgerichteter Maßnahmen zur Verbesserung der Geschäftsergebnisse.

2.2 BI-Plattform mit integrierter KI-Funktionalität

Zur Umsetzung moderner Analytics-Verfahren hat sich ServiceMaster für eine Lösung von Jedox entschieden. Jedox hat seine Plattform für Corporate Performance Management und Business Intelligence um Module für Machine Learning erweitert. Die neuen Jedox KI-Services "AIssistedTM Planning" sind direkt in die BI-Plattform integriert. Zusätzliche externe Tools sind deshalb nicht mehr erforderlich. So können erfahrene Planer die Möglichkeiten von Machine Learning & Advanced Analytics nutzen, ohne selbst über KI-Expertenwissen zu verfügen.

Abb. 2: Einsatzbereiche der Jedox KI-Engine

Die Jedox KI-Engine nutzt fünf grundlegende Technologien für den digitalisierten Finanzbereich:

  • Robotic Process Automation (R...

Das ist nur ein Ausschnitt aus dem Produkt Controlling Office. Sie wollen mehr?


Meistgelesene beiträge