Next-Best-Action Framework bei congstar
Gemeinsam mit der Fachabteilung und dem Data Warehouse Team von congstar haben wir ein maßgeschneidertes NBA-Framework umgesetzt. Es versorgt täglich über 7 Millionen Kunden mit personalisierten Angeboten und erzielt ohne zusätzlichen Personalaufwand einen 8-stelligen Mehrumsatz pro Jahr.
Mit knapp 7 Millionen Mobilfunk- und Breitbandanschlüssen ist congstar ein großer Telekommunikationsanbieter in Deutschland. Knapp 250 Mitarbeiterinnen und Mitarbeiter bieten Privatkunden einen Rundum-Service. Das Angebot umfasst Mobilfunkprodukte im Prepaid- und Postpaid-Bereich sowie DSL- und VDSL-Komplettanschlüsse.
Auf einen Blick:
- Kunde: congstar
- Branche: Telekommunikation
- Projektziel: Entwicklung eines datengetriebenen NBA-Frameworks zur automatisierten Kundenansprache entlang der Customer Journey
- Tools: AWS, Data Lake, AWS Step Functions, Amazon SageMaker
Die Ausgangssituation
Vor dem Projektstart stand das CRM-Team von congstar vor mehreren Herausforderungen. Die Kampagnenstruktur war sehr komplex: Über 130 Filter steuerten mehr als 20 Zielgruppen. Dadurch war die Kampagnenverfolgung unübersichtlich und der Überblick fiel schwer.
Zudem war die Fehlerquote in der Bedienung hoch. Das Team pflegte wichtige Businesslogiken für die Selektion manuell. Das verursachte erhebliche Performanceprobleme, erforderte ständige Anpassungen und belastete die Stabilität des Systems.
Hinzu kam ein hoher manueller Aufwand bei wiederkehrenden Aufgaben im CRM, etwa bei der Selektion von Zielgruppen und Kampagnen. Die Pflege der Logiken war aufwendig und die Kundenselektion kostete viel Zeit.
Gemeinsam mit der Fachabteilung von congstar haben wir ein NBA-Framework mit 40 ML-Modellen entwickelt. Die Modelle berechnen parallel die Affinitäten jedes Kunden für verschiedene Produktgruppen.
Im zweiten Schritt bringt das Framework die möglichen nächsten Aktionen (Next Best Actions) in ein Ranking. Der Kunde erhält die Aktion, für die er die höchste Affinität zeigt, zum Beispiel eine Vertragsverlängerung.
Ziel des Frameworks ist es, jedem Kunden entlang seiner Customer Journey das passende Angebot zu machen, an allen Touchpoints wie Call Center, Web, App oder Push. Da das Scoring stündlich läuft, kann congstar auch auf Kündigungen rechtzeitig reagieren.
Als Features für die Machine-Learning-Modelle berechnen wir verschiedene Inputdaten wie Transaktionshistorie, Klickverhalten und Vertragsdaten. Für einige Anwendungsfälle nutzen wir zusätzlich Streaming-Daten.
Die Ergebnisse fließen in das bestehende Data Warehouse. Das CRM-Team nutzt sie sowohl für manuelle Selektionen als auch für automatisierte Push-Kampagnen.
1.
Entwicklung von 40 parallelen Machine-Learning-Modellen zur Berechnung von Produktaffinitäten je Kunde und Produktgruppe.
2.
Stündlicher Scoring-Prozess, der aktuelle Kundeninteraktionen wie Kündigungen erkennt und unmittelbar passende Aktionen triggert.
3.
Ein probabilistisches Modell, das täglich die Wahrscheinlichkeit schätzt, ob ein Kunde noch aktiv ist. Diese Methode bietet eine feinere Klassifikation in aktives vs. inaktives Verhalten.

Der Weg zum Erfolg
Gemeinsam mit der Fachabteilung und dem Data Warehouse Team von congstar haben wir ein maßgeschneidertes NBA-Framework entwickelt und in den Betrieb gebracht. Das CRM-Team arbeitet dadurch im Kampagnenmanagement effizienter.
Die personalisierten Angebote der KI-basierten Engine bringen zudem einen 8-stelligen Mehrumsatz pro Jahr, ohne zusätzlichen Personalaufwand im CRM-Team.
Heute versorgt congstar über 6 Millionen Post- und Prepaid-Kunden automatisiert mit personalisierten Angeboten.
Durch den hohen Automatisierungsgrad können sich die CRM-Mitarbeiter auf strategische Aufgaben konzentrieren. Komplexe manuelle Geschäftsregeln entfallen, deshalb ist die Auswahl der passenden Angebote weniger fehleranfällig.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
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