Customer Lifetime Value für den Großhandel

Wie können Sie Ihre Marketingkampagne optimal auf den langfristigen Customer Lifetime Value ausrichten? Wir verraten es Ihnen im folgenden Use Case, den wir für ein führendes Großhandelsunternehmen durchführen durften. Darin haben wir für ein Großhandelsunternehmen eine Prognose des Customer Lifetime Value erstellt.

Zur Erinnerung: Der CLV (Customer Lifetime Value) ist eine Kennzahl welche den Kapitalwert des Gewinns eines jeden Kunden in seiner gesamten Kundenbeziehung mit dem Unternehmen generiert. 

Planung des Marketingbudgets ohne CLV

Beginnen wir mit der Herausforderung: Nicht selten gibt ein Marketingmanager zu viel Werbebudget für Kunden mit geringem Umsatzpotenzial aus. Das liegt meist daran, dass nicht klar ist, welcher Kunde welchen Kundenwert hat. Denn die Kennzahl Customer Lifetime Value wird allzu oft vernachlässigt, obwohl sie eine der wichtigsten Kennzahlen im Marketing ist.

Verständlich: Woher weiß man, welcher Kunde in Zukunft wie viel Umsatz bringt? Die Orientierung am bisherigen, historischen Umsatz kann irreführend sein, denn Kunden, die gestern noch kaufbereit waren, können morgen schon nicht mehr interessiert sein.

Daraus ergibt sich wiederum ein Kostenpunkt: Der Marketingmanager muss Budget für die Kundenbindung und die Reaktivierung der sich vernachlässigt fühlenden Kunden einplanen.

Und so sieht es in der Praxis aus: Der Top-Kunde erhält eine einfache E-Mail, der umsatzschwache Kunde einen teuren Katalog. Dass dies nicht fair ist, liegt auf der Hand und äußert sich nicht selten in hoher Kundenunzufriedenheit und anschließender Kundenfluktuation. Deshalb ist die Berechnung des Customer Lifetime Value so wichtig.

Vor diesen Herausforderungen stand unser Kunde

Falsche Budgetverteilung

Marketingmanager geben oft zu viel Werbebudget für Kunden mit geringem Umsatzpotenzial aus. Dies ist darauf zurückzuführen, dass der Customer Lifetime Value (CLV) oft vernachlässigt wird, obwohl er eine wichtige Kennzahl im Marketing ist. Ohne klare Informationen über den zukünftigen Umsatzwert von Kunden werden Budgets ineffizient verteilt.

Blick in die Vergangenheit

Die Orientierung an historischen Umsätzen ist irreführend, da kaufwillige Kunden von gestern morgen nicht mehr interessiert sein können. Dies führt zu zusätzlichen Kosten, da der Marketingmanager Budget für die Kundenbindung und die Reaktivierung vernachlässigter Kunden einplanen muss. Der Aufwand zur Rückgewinnung dieser Kunden ist hoch.

Unzufriedene Kunden

In der Praxis erhält der umsatzstärkste Kunde oft nur eine einfache E-Mail, während ein umsatzschwacher Kunde zufällig einen teuren Katalog erhält. Diese ungerechte Verteilung des Werbebudgets führt zu hoher Kundenunzufriedenheit und Kundenabwanderung. Die genaue Berechnung des Customer Lifetime Value ist daher entscheidend, um faire und effiziente Marketingstrategien zu entwickeln.

Prognose des Kundenlebenswerts durch KI

Warum sollte man den CLV überhaupt messen?

  • Wir können Marketingmaßnahmen und Investitionshöhe gezielt steuern
  • Die Konzentration liegt auf langfristigen Geschäftsbeziehungen (Wertschätzung)
  • Up- und Cross-Selling-Potentiale können besser genutzt werden

Unser gemeinsames Ziel: Eine optimierte Steuerung von Marketing- und Vertriebskampagnen und die Lösung des Marketing Allocation Problems – und das mit Machine Learning!

Dieses Verfahren wird angewandt:

1.

Modelltraining & Validierung

Der Algorithmus berechnet den abgezinsten Deckungsbeitrag eines jeden Kunden.

2.

Erstellung eines CLV-Modells

Ein prädiktives CLV-Modell wird erstellt.

3.

Ergebnisse ausliefern

Tägliche Berechnung der Umsatzprognose pro Kunde für 12 Monate.

Aufbau und Datenfluss eines CLV Modells

Customer Lifetime Value Architektur

In der Abbildung ist der Vorgang der Prognose grafisch dargestellt. Die Kundendaten der Vergangenheit von Kunde A und B dienen der Vorhersage von den Kauf- und Marketinginteraktionen in der Zukunft. So können wir den Customer Lifetime Value für einen festgelegten Zeitraum in der Zukunft vorhersagen.

Abbildung Prognosezeitraum für Customer Lifetime Value

Für die Analyse werden folgende Variablen berücksichtigt:

  • Umsatz des Kunden
  • Kaufhäufigkeit
  • Kosten für Maßnahmen der Kundenbindung
  • Angebote und Rabatte
  • Marketingmaßnahmen und damit verbundene Kosten
  • Sonderverträge für bestimmte Kunden(-gruppen)
  • Saisonale Angebote
  • Cross-Selling- und Up-Selling-Potenziale des Kunden

Vorteile des prädiktiven CLV-Systems

Ziel war es, mit Hilfe von künstlicher Intelligenz den Kundenwert berechnen und vorhersagen zu können. Im Ergebnis sollten Kunden in Segmente eingeteilt werden, damit der Marketingmanager entsprechende Marketingbudgets planen kann.

Diese Ergebnisse konnten wir erzielen:

Identifikation der Top-Kunden

Das Ergebnis ist, zu wissen, wer die Top-Kunden sind. So können Marketingaktivitäten gezielt gesteuert werden. Mit diesem Wissen können passgenaue Angebote entwickelt und Marketingbudgets effizient geplant werden.

Marketingbudget optimiert

Durch die genaue Kenntnis des Customer Lifetime Value erhält der Top-Kunde den kostenaufwendigen Katalog, während der umsatzschwache Kunde eine kostengünstige E-Mail bekommt. Diese effiziente Ressourcenverteilung erhöht die Zufriedenheit und Loyalität der Kunden und spart gleichzeitig Marketingbudget

Tägliche Scores

Sollte sich der Customer Lifetime Value der Kunden ändern, wird dies in der nächsten Marketingplanung berücksichtigt. Diese Anpassungsfähigkeit ermöglicht es, auf Veränderungen im Kundenverhalten schnell zu reagieren und die Marketingstrategien entsprechend anzupassen.

Welche Probleme konnten durch CLV-gesteuertes Marketing vermieden werden? 

  • Marketingbudget für Kunden mit niedrigem Umsatzpotenzial veerschwendet
  • Zu hohe Personalkosten aufgrund manueller Prozesse
  • Ineffiziente Kampagnensteuerung durch manuelle Selektionsprozesse

Möchten auch Sie wissen, wie hoch der Wert Ihrer Kunden ist? Wir beraten Sie gerne! Wenn Sie sich für weitere Anwendungsbeispiele von KI interessieren, werfen Sie doch einen Blick auf unsere verschiedenen Use Cases.

Case Studies

Profilbild von Vinzent Wuttke Leiter Business Development Datasolut GmbH
Vinzent Wuttke
Leiter Business
 Development

Ihr Ansprechpartner

Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.

In diesem Gespräch erfahren Sie:

  • Wie Ihr Use-Case technisch am besten umgesetzt werden kann
  • Wie wir maximal sicher mit Ihren Kundendaten umgehen
  • Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte
Termin buchen
Newsletter und Updates

Sie sehen gerade einen Platzhalterinhalt von HubSpot. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.

Mehr Informationen
Termin buchen