CLV-Prognose für führenden Anbieter von Finanzlösungen
Unser Kunde ist ein führender Anbieter von Finanz- und Vorsorgelösungen in Deutschland mit 10.000 Mitarbeitern und 500.000 B2B- und B2C-Verträgen. Er wollte eine Customer Lifetime Value-Prognose durchführen, um die für das Unternehmen wertvollsten Kunden zu identifizieren. Diese sollten dann in den Marketing- und Vertriebsstrategien besonders berücksichtigt werden.
Auf einen Blick:
- Branche: Versicherungen
- Projektziel: Priorisierung von Marketing- und Vertriebsaktivitäten, die mit Hilfe einer KI-basierten CLV-Prognose bewertet werden
- Technologien: AWS-Cloud, ML-Feature Store, AWS Sagemaker, Step Functions, Terraform
- Dauer: 12 Monate
Was waren die Herausforderungen?
Die zentrale Herausforderung bestand darin, frühzeitig zu erkennen, welcher Kunde langfristig hohe Umsätze generieren würde. Eine 1:1-Beratung war aufgrund der begrenzten Personalkapazitäten nicht möglich. Zudem verwaltete der Dienstleister Verträge aus verschiedenen Bereichen wie Versicherungen, Altersvorsorge und Kfz, was eine gezielte Kundenbetreuung zusätzlich erschwerte.
Die Customer Lifetime Value-Prognose, eine KI-basierte Methode zur Ermittlung des zukünftigen Kundenwerts, sollte verlässliche Prognosen liefern. Das Unternehmen wollte Marketing- und Vertriebsmaßnahmen gezielt auf Kunden mit hohem Customer Lifetime Value ausrichten und so die Kundenzufriedenheit steigern. Ziel war die langfristige Bindung von Kunden mit hohem Kundenwert im B2B- und B2C-Geschäft.
Vor diesen Herausforderungen stand unser Kunde
Kundenwert ungenutzt lassen
Identifizierung von Kunden, die langfristig hohen Umsatz generieren, ohne auf eine 1-zu-1-Beratung zurückgreifen zu können.
Datenintegration
Migration der On-Premise-Server-Daten in die AWS-Cloud und Integration verschiedener Datenquellen (Versicherung, Altersvorsorge, KFZ) zur Erstellung einer einheitlichen Datenbasis.
Technische Komplexität
Entwicklung und Implementierung eines kombinierten Klassifikations- und Regressionsmodells, das präzise Customer Lifetime Value-Vorhersagen trifft, sowie die Erstellung eines Feature Stores für zukünftige Use Cases.
Wir sammelten und interpretierten alle verfügbaren Daten, einschließlich historischer Kunden- und Antragsinformationen der letzten 10 Jahre.
Die Datenbearbeitung umfasste:
- Aufbereitung aller vorhandenen Daten
- Identifikation von Unstimmigkeiten
- Transformation der Rohdaten in Machine Learning Features
- Aufbau eines Feature Stores für weitere Use Cases
Die Daten enthielten Informationen zu Demografie, Vertragsnehmern und Antragsdaten aus zwei verschiedenen Quellen. Auf dieser Basis modellierten wir die Customer Lifetime Value Cases.
Aus dem historischen Verhalten leiteten wir das zukünftige Umsatzpotenzial ab und ermittelten, wie viel Umsatz ein Kunde voraussichtlich über einen bestimmten Zeitraum, z.B. 12 Monate, generieren wird. Die hierfür durchgeführte RFM-Analyse (Recency, Frequency, Monetary) ermöglichte es, sowohl einen bestimmten Zeitraum zu betrachten als auch das Auftreten bestimmter Verhaltensweisen zu analysieren.
Die Daten aus dem Feature Store, der im vierten Schritt der Datenverarbeitung erstellt wurde, bildeten die Grundlage für diese Analyse. Unser abschließendes kombiniertes Modell besteht aus einem Klassifikations- und einem Regressionsmodell. Das Klassifikationsmodell prognostiziert die Wahrscheinlichkeit eines Antragseingangs von 0 bis 100%, während das Regressionsmodell den Wert des Antrags in Euro prognostiziert.
Dieses kombinierte Modell berechnet den bedingten Erwartungswert, indem es die Abschlusswahrscheinlichkeit mit dem Antragswert multipliziert. Vor der Implementierung wurde ein A/B-Test durchgeführt, um den neuen Ansatz gegen das bestehende Verfahren zu testen.
Wie gehen wir dabei vor?
1.
Alle verfügbaren Daten, einschließlich historischer Kunden- und Antragsinformationen der letzten 10 Jahre, wurden gesammelt und bearbeitet. Dies umfasste die Aufbereitung aller vorhandenen Daten, die Identifikation von Unstimmigkeiten und die Transformation der Rohdaten in Machine Learning Features. Die Datenbanken und Systeme wurden in die AWS-Cloud migriert, um eine skalierbare und effiziente Datenverarbeitung zu gewährleisten.
2.
Auf Basis der aufbereiteten Daten wurde ein kombiniertes Klassifikations- und Regressionsmodell entwickelt. Das Klassifikationsmodell prognostiziert die Wahrscheinlichkeit eines Antragseingangs, während das Regressionsmodell den Wert des Antrags in Euro vorhersagt. Durch die Multiplikation der Abschlusswahrscheinlichkeit mit dem Antragswert berechnet das Kombimodell den bedingten Erwartungswert. Eine RFM-Analyse (Recency, Frequency, Monetary) wurde durchgeführt, um spezifische Verhaltensweisen und Zeiträume zu analysieren und in die Modellierung einzubeziehen.
3.
Die Ergebnisse unseres Kunden
Innerhalb von nur sechs Monaten wurde der Customer Lifetime Value Use Case mit einem Data Scientist finalisiert. Das Modell trifft signifikant bessere Vorhersagen als sein Vorgänger, und das 6 Monate bis 1 Jahr im Voraus. Kunden mit hohem Potenzial werden sortiert und in drei Potenzialklassen – Top, Middle & Bottom – an den Vertrieb übermittelt. Die Daten können sofort und unkompliziert im CRM genutzt werden.
Durch den effizienteren Einsatz der Vertriebsressourcen wurde eine gezieltere Kundenansprache möglich, was die langfristige Kundenbindung und den Umsatz deutlich gesteigert hat.
Nutzen Sie Customer Lifetime Value-Prognosen, um Ihre Marketing- und Vertriebsstrategien gezielt auf wertvolle Kunden auszurichten. Kontaktieren Sie uns noch heute und sichern Sie sich einen Wettbewerbsvorteil durch datengetriebene Entscheidungsfindung.
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