Next Best Action in der Telekommunikationsbranche

Zu jeder Zeit die richtige Marketingaktion kennen? Für jeden Kunden? Next Best Action ist ein Marketingkonzept, was Machine Learning und Data Science Methoden nutzt, um die richtige Marketingaktion zu wählen, einen hohen Automatisierungsgrad zu erlangen und den Umsatz zu steigern. In diesem KI-Anwendungsfall zeigen wir Ihnen wie wir dies für einen großes Telekommunikationsunternehmen umgesetzt haben.

Sie lernen in diesem Anwendungsfall mehr über die Problemstellung des Unternehmens, unseren KI-Lösungsansatz und die Vorteile, die ein Next Best Action Framework auf Basis von Künstlicher Intelligenz hat.

Problem

Gezielte Vermarktung bei Millionen von Kunden ist nicht einfach. Verschiedenste Produkte und Dienstleistungen machen dies nicht einfacher. Dazu kommt, dass jeder Kunde sich in seiner persönlichen Customer Journey befindet und seine eigenen Bedürfnisse hat. Doch diese Komplexität wird in der Praxis häufig vernachlässigt. Warum? Weil ein Marketing Manager in diesem Fall nicht individuell auf jedes Bedürfnis eingehen kann.

Diese Tatsache führt dazu, dass groß angelegte Kampagnen erstellt werden, die an möglichst große Gruppen versendet werden. Alles andere als personalisiert.

Das Resultat:

  • eine Vielzahl von E-Mails die nicht geöffnet werden,
  • hohe Marketingkosten für Printmailings
  • und Call-Center-Agenten, die genervte Kunden am Telefon haben.

Lösung

Der von uns gewählte Lösungsansatz umfasst eine Vielzahl von unterschiedlichen Affinitätsmodellen. Modelle, die eine Produktaffinität für einen Vertragswechsel, eine Zubuchung von weiteren Diensten oder Kanalaffinitäten vorhersagen.

Die Besonderheit in diesem Projekt liegt darin die verschiedenen Produktaffinitäten untereinander zu vergleichen, um die richtigen Entscheidungen im Marketing daraus automatisiert abzuleiten. Natürlich haben wir dafür zunächst eine umfassende Machine-Learning-Datenbasis aufgesetzt, aus der wir diese vielen Modelle mit Kundendaten versorgen. Dabei ist ein wichtiger Schritt einen Prozess zu schaffen, der diese Vielzahl (40+) von Modellen regelmäßig neu trainiert. Nur so kann sichergestellt werden, dass die Modelle zu jeder Zeit, dass Kundenverhalten richtig deuten können.

Das Ergebnis ist ein voll automatisiertes Next Best Action Framework auf Basis von Machine Learning, was für jede Aktion einen Erwartungswert bestimmt und danach automatisiert Entscheidungen trifft.

Next Best Action Logik basierend auf vielen verschiedenen Machine Learning Vorhersagen.
Beispielhafte Darstellung einer Next Best Action Logik basierend auf vielen verschiedenen Vorhersagen.

Ergebnis

Das Next Best Action Framework ermöglicht für einzelne Produkte und Dienste jeweils Wahrscheinlichkeit berechnen und diese dann mit der Umsatzerwartung zu gewichten. Dadurch kann das Unternehmen im Vorhinein abschätzen, welche Kunden welche Produkte kaufen und so die Marketingmaßnahmen darauf abstimmen.

Das Ergebnis sind vollautomatisierte und skalierbare Marketingprozesse, die abgestimmt auf das Kundenbedürfnis Entscheidungen treffen. Das führt zu hohen Conversion-Rates, Umsatzsteigerung und einer Kostenreduktion von Marketingkosten.

Wenn Sie jetzt mehr über das Thema wissen wollen, dann kontaktieren Sie uns oder schauen Sie auf unserer Lösungsseite vorbei.

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Weitere KI Use Cases

Interessante Blogbeiträge

Praxisbeispiele

Künstliche Intelligenz optimiert Marketing und Vertrieb

Tragen Sie sich hier in unseren Newsletter ein und erhalten Sie gratis die KI-Anwendungsfälle:

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.

Praxisbeispiele

Künstliche Intelligenz optimiert Marketing und Vertrieb

Tragen Sie sich hier in unseren Newsletter ein und erhalten Sie gratis die KI-Anwendungsfälle:

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.