Effektive Marketing- und Vertriebssteuerung mit Customer Lifetime Value-Prognose
Unser Kunde, ein führender europäischer B2B-Händler, stand vor der Herausforderung, seine Marketing- und Vertriebsaktivitäten in einem wettbewerbsintensiven Umfeld effizient zu steuern. Mit über 300.000 Kunden und einem beeindruckenden Produktportfolio von über 60.000 Artikeln ist eine zielgerichtete und datengetriebene Strategie entscheidend für den weiteren Erfolg.
In der folgenden Fallstudie erfahren Sie, wie wir für unseren Kunden eine innovative KI-basierte Customer Lifetime Value-Prognose implementiert haben. Diese ermöglicht, das zukünftige Gewinnpotenzial von Neu- und Bestandskunden präzise abzuschätzen sowie Vertriebs- und Marketingressourcen effektiver zu steuern.
Auf einen Blick:
- Branche: Handel
- Projektziel: Optimierung der Prozesse von Marketing und Vertrieb durch Customer Lifetime Value Prognose
- Technologien: PowerBi, Databricks, Unity Catalog, Delta Live Tables, Terraform, Gitlab, Mlflow
- Dauer: 2 Monate
Ineffektive Planung des Marketingbudgets ohne Customer Lifetime Value
Mit 250 Mitarbeitern und einem Jahresumsatz von 50 Millionen Euro im Jahr 2023 musste das Unternehmen seine Marketingausgaben effizient verwalten und die Abschlussquote im Vertrieb erhöhen, um sein Wachstum fortzusetzen.
Die limitierte Anzahl an Vertriebsmitarbeitern musste effektiv eingesetzt werden, um die Betreuung von über 300.000 Kunden zu optimieren. Ein zentrales Ziel war, das zukünftige Gewinnpotenzial der Kunden anhand ihres Kaufverhaltens zu bewerten und ein Potenzial-Scoring zu implementieren, um Marketing- und Vertriebsmaßnahmen zu optimieren.
Herausforderungen unseres Kunden
Hohe Produktions- und Versandkosten
Printwerbemittel sind extrem kostenintensiv. Ohne genaue Zielgruppenselektion konnte das Budget nicht effizient eingesetzt werden.
Mangelnde Kundensegmentierung
Die Werbemittel wurden ineffizient eingesetzt, da Marketingverantwortliche Kunden mit hohem Kaufpotenzial nicht von Kunden mit niedrigem Potenzial unterscheiden konnten.
Stagnation des ROIs im Marketing
Das langfristige Ziel, den Return on Investment zu maximieren, scheiterte immer wieder an der niedrigen Aussagekraft der Datenbasis.
Um dieses Ziel zu erreichen, implementierten wir eine automatisierte Pipeline auf einer Databricks-Plattform. Diese umfasst die Datenaufbereitung, das Laden der Daten für den Feature Store, das Training sowie das Scoring des Modells. Im Fokus des Projekts stand das Training eines Regressionsmodells, das auf Basis des RFM-Prinzips (Recency, Frequency, Monetary Value) und statischer Kundendaten den zu erwartenden Deckungsbeitrag von Neukunden für die nächsten sechs Monate prognostiziert.
Das anvisierte Ergebnis war nicht, den exakten Umsatzwert vorherzusagen. Das ist aufgrund der Vielzahl an Variablen nahezu unmöglich. Vielmehr sollte das Modell die Kunden nach ihrem Potenzial klassifizieren und von High-Potential bis Low-Potential sortieren.
Das trainierte Modell erzielte präzise Ergebnisse bei der Vorhersage von Perzentilen und identifizierte verlässlich die Top 10% der Kunden mit dem höchsten prognostizierten Potenzial.
Die vorherige Implementierung eines zentralen Machine Learning Feature Stores ermöglichte dabei eine signifikante Zeitersparnis und bildet auch für die Entwicklung weiterer Use Cases eine solide Basis.
Imlementierung des Potenzial-Scorings – der Ablauf
1.
Der Algorithmus berechnet den abgezinsten Deckungsbeitrag eines jeden Kunden.
2.
Wir erstellen ein prädiktives Customer Lifetime Value-Modell.
3.
Die Potenzialprognose für jeden Kunden wird täglich für die nächsten 6 Monate berechnet.
Aufbau und Datenfluss eines Customer Lifetime Value-Modells
Die Analyse berücksichtigt diese Variablen:
- Nettoumsatz nach Retouren für den Zielzeitraum
- Kaufhäufigkeit
- Durchschnittliche Warenkorbgröße in € über die gesamte Kundenhistorie
- Angebote und Rabatte
- Marketingmaßnahmen und damit verbundene Kosten
- Tage seit letzter Bestellung des Kunden
Inbegriffene Leistungen
1. Entwicklung von automatisierten ETL-Pipelines für die Datenaufbereitung, das Laden des Feature Stores sowie das Training und Scoring der Modelle.
2. Training eines Regressionsmodells zur Vorhersage des Deckungsbeitrags für die nächsten 6 Monate eines Neukunden – basierend auf dem RFM-Prinzip (Recency, Frequency, Monetary Value) im ersten Warenkorb und statischen Kundendaten. Dies ermöglicht differenzierte Interaktionen mit High-Potential-Neukunden.
3. Validierung des Modells mit Fokus auf die Einstufung der Kunden nach Potenzial, anstatt exakte Umsatzwerte vorherzusagen. Das trainierte Modell war in der Lage, die Kunden in Perzentile einzuteilen. Die Top 10% der umsatzstärksten Kunden werden damit effektiv identifiziert.
4. Nutzung des Feature Stores für Persona Clustering und die Vorbereitung weiterer Use Cases, was in einer erheblichen Zeitersparnis und Effizienzsteigerung resultierte.
Das ermöglichen Customer Lifetime Value-Prognosen:
- Effektiver Einsatz des Marketingbudgets für Kunden mit hohem Umsatzpotenzial
- Senkung der Personalkosten durch Prozessautomatisierungen
- Effiziente Kampagnensteuerung durch automatische Selektionsprozesse
Möchten Sie wissen, wie hoch das Potenzial aller Ihrer Kunden ist? Sprechen Sie mit uns!
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