23.10.2012 | Top-Thema Analytisches CRM im Dialogmarketing

So verbessert analytisches CRM Dialog-Kampagnen

Partner CRM für alle

Kapitel
Für das analytische CRM muss man tief in die Daten schauen.
Bild: Haufe Online Redaktion

Auch im Rahmen der Vorbeugung von Kündigungen bestehender Vertragsverhältnisse kommen analytische Methoden zum Einsatz. Hier geben Affinitätsmodelle Unterstützung, um neu gewonnene Kunden nicht gleich wieder zu verlieren oder langjährige Kunden weiterhin zu binden oder potenzielle Kündiger gezielt anzusprechen.

Durch Clusterverfahren werden heterogene Kunden- oder Interessenten-Segmente voneinander getrennt. Die Kontakte innerhalb eines Segments sind hingegen möglichst homogen. Diese Gruppen können dann ihren jeweiligen Bedürfnissen entsprechend individuell betreut werden.

Für die Umsetzung von optimierten Kampagnen-Selektionen auf Basis fundierter statistischer Analysen benötigt man natürlich Spezialisten mit dem entsprechenden Know-how. Die geeignete Statistik- und Modellierungs-Software einzusetzen, ist ebenfalls eine Grundvoraussetzung. Abhängig von der Art der Basisdaten und der Zieldefinition wird das geeignete Verfahren bestimmt. Es kann beispielsweise zwischen logistischen und allgemeinen linearen Regressionsverfahren gewählt werden. Unterschiedliche Varianten zur Berechnung von Entscheidungsbäumen und Entscheidungslisten stehen ebenfalls zur Verfügung.

So funktionieren Affinitätsmodelle

Das Grundprinzip des Predictive Modelling besteht darin, die Merkmale aufzudecken, in denen sich die Zielgruppe von der gesamten Datenbasis signifikant unterscheidet. Ist eine Eroberungskampagne für ein bestimmtes Produkt geplant, werden die Bestandskunden dieses Produkts als Zielgruppe ausgewählt. Diese werden beispielsweise dem gesamten Kunden- oder Interessenten-Bestand

des Unternehmens, also den potenziellen Adressen für Kampagnen, gegenübergestellt. Das Ergebnis der Modellierung sind Regeln zur Identifizierung von Adressen innerhalb der Potenzialmenge, die der Zielgruppe besonders ähnlich sind. Für jeden Datensatz aus der Datenbasis wird eine Wahrscheinlichkeit berechnet, mit der die Person zum Kunden werden kann. Dieser Scorewert kann zum Beispiel in Form eines Punktewertes (1 bis 9), einer Ampel oder von Schulnoten angegeben werden. Für diese Adressen mit besonders hohen Scorewerten besteht bei Marketingmaßnahmen zu dem Produkt eine überdurchschnittlich hohe Aussicht auf Erfolg.

Grundvoraussetzung: Aussagekräftige Adressdaten 

Voraussetzung für gut funktionierende Affinitätsmodelle ist das Vorhandensein von ausreichenden Informationen zu den analysierten Adressdatensätzen. Je größer die Informationstiefe ist (Kundendaten, Vertragsdaten, Personendaten, Angaben zum Produktinteresse etc.), desto größer ist in der Regel die Trennkraft von Modellen. Wichtig ist außerdem, dass die im Rahmen der Modellerstellung verwendeten Merkmale auch für alle später mit den Scorewerten anzureichernden Adressdaten bekannt sind.

Zielgruppen für Vorhersagemodelle können nicht nur positiv definiert werden. Eine Vergleichsgruppe für den Kundenbestand können auch die Kündigungen von (unbefristeten) Vertragsverhältnissen sein. In diesem Fall konnten mit Hilfe eines Modells besonders kündigungsgefährdete Bestandskunden identifiziert werden. Diese wurden rechtzeitig erkannt und mit besonderen Maßnahmen zur Kundenbindung betreut. Diese Variante ist bei Abonnenten von Verlagen oder Versicherungskunden besonders interessant.

Zur weiteren Optimierung des Leadmanagement- und Kundenbindungsprozesses folgen nach Durchführung erster Kampagnen Reagierer- oder Käuferanalysen. Es werden zusätzliche Scoremodelle mit den Respondierern oder Käufern aus bereits durchführten Marketingaktionen als Zielgruppe erstellt. Bei der Selektion von Teilnehmern weiterer Kampagnen werden die allgemeinen Modelle zur Produktaffinität und die Reagierer-Modelle in Kombination eingesetzt. Diese Vorgehensweise führt zu einer weiteren Verbesserung der Kampagnen-Ergebnisse.

Schlagworte zum Thema:  CRM, Dialogmarketing, Kampagnen, Scoring, Adressdaten, Kundendaten, Analyse

Aktuell

Meistgelesen