28.01.2015 | Top-Thema Wie Autobauer analytisches CRM nutzen sollten

Automotive: Hersteller sind noch nicht prognosefähig

Kapitel
Die Fingerabdrücke jedes Kunden erkennen – darum geht es beim analytischen CRM.
Bild: MEV Verlag GmbH, Germany

Nachholbedarf besteht bei vielen Herstellern auch darin, Big Data so auszuwerten, dass sie mithilfe von Predictive Analytics valide Prognosen über das zu erwartende Kundenverhalten treffen können. 

Zwar erstellen die meisten OEM heute ganz selbstverständlich auf Basis von historischen Daten eine Vielzahl von Reportings. Kaum ein Hersteller ist aber aktuell in der Lage, die strukturierten und unstrukturierten Daten für Prognosen zu nutzen, die auf Data-Mining bzw. Text-Mining basieren. Denn die dabei eingesetzten Methoden sind deutlich anspruchsvoller als die herkömmlichen Herangehensweisen, weil sie neben einer umfangreichen Datenaufbereitung eine individuelle Modellentwicklung auf Basis mathematisch-statistischer Methoden voraussetzen.

Beim Data-Mining wird etwa mittels verschiedener multivariater Verfahren (zum Beispiel logistische Regression oder Support Vector Machine) in den historischen Daten nach Mustern gesucht, um beispielsweise signifikante Einflussfaktoren für einen Fahrzeugkauf zu identifizieren. Die so entstehenden Modelle lassen sich dann auf aktuelle Daten anwenden, um Prognosen zu formulieren. Wenn diese regelmäßig mit der Realität abgeglichen werden, lernt der entwickelte Algorithmus stetig dazu – und die Vorhersagen werden immer genauer.

Erkenntnisinteressen bestimmen die Roadmap

Wollen Hersteller und Händler dieses Potenzial von  analytischem CRM für sich nutzen, stellt sich für sie die Frage, wie die bestehenden Lücken am sinnvollsten zu schließen sind. Eine pauschale Antwort gibt es nicht. Beim Ausformulieren einer Roadmap kommt es vielmehr auf das jeweilige Erkenntnisinteresse an. Davon ist abhängig, welche Daten erforderlich sind und welche Analyseverfahren die gewünschten Ergebnisse liefern. Zur Orientierung und für eine exakte Definition des Analysezwecks ist es hilfreich, die Kundengruppe, über die etwas zu erfahren ist, und die Anwendungsszenarien zu unterscheiden.

Grundsätzlich kann entlang des Kundenbeziehungs-Lebenszyklus zwischen potenziellen, aktiven, gefährdeten und verlorenen Kunden differenziert werden. Die Anwendungsszenarien des aCRM gliedern sich in strategische und taktische Fälle. Zur strategischen Dimension zählen wir die Kundenwertanalyse, die Kundensegmentierung und die Kundencharakterisierung. Das deshalb, weil Unternehmen die hier gewonnenen Erkenntnisse für die übergreifende Optimierung ihrer CRM-und Kommunikationsstrategie nutzen können. Taktischer Art sind dagegen die Zielgruppenanalyse, die Next-Best-Offer- bzw. Up/Cross-Selling-Analyse, die Abwanderungsanalyse und die Kundenrisikoanalyse. Prognosen in diesen Feldern können direkt in konkrete und personenspezifische Maßnahmen überführt werden. So ließen sich Kunden, deren Verhalten auf eine Abwanderung hindeutet, zum Beispiel durch ein persönliches Gespräch und ein attraktives Angebot wieder an die Marke binden.

Analytisches CRM = Change

Unternehmen, die ernsthaft auf analytisches CRM setzten wollen, müssen aber nicht nur in den beiden unmittelbaren Bereichen Datenintegration und -analyse aktiv werden. Ebenso werden erhebliche Anstrengungen erforderlich, um die Organisation und die Prozesse an die neue Form des Kundenbeziehungsmanagements anzupassen – sowohl intern bei den OEM als auch im Verhältnis zwischen Herstellern und Händlern. Denn die Information, dass ein Kunde höchstwahrscheinlich abwandert, nutzt nur dann etwas, wenn das zuständige Autohaus rechtzeitig davon erfährt und von sich aus aktiv wird. Top-down werden die Hersteller die notwendigen Veränderungen allerdings nicht herbeiführen können. Vielmehr wird es darauf ankommen, gemeinsam mit den Autohäusern Konzepte zu erarbeiten, von denen beide Seiten erkennbar profitieren.

Autor:

Dr. Horst-Florian Jaeck ist Manager bei der Unternehmensberatung MHP und Leiter des Geschäftsfelds analytisches CRM.

Interessante Links zum Thema:

Vor diesen Herausforderungen steht das Datenmanagement

Nur Daten zu haben, bringt nichts

IT forciert Big Data Analytics

Schlagworte zum Thema:  Automotive, CRM, Data Mining, Analytics, Big Data

Aktuell

Meistgelesen