CLV-Prognose auf Produktebene
Unser Kunde ist ein erfolgreicher B2B-Händler mit über 300.000 Kunden und 250 Mitarbeitern. Damit unser Kunde das volle Gewinnpotenzial ausschöpfen kann, entwickelten wir eine CLV-Prognose, die auf alle Produktgruppen zugeschnitten ist.
Auf einen Blick:
- Branche: B2B-Handel
- Projektziel: Potenzialscores je Produktgruppe zur Personalisierung im Marketing und Vertrieb
- Technologien: Databricks, MLFlow, Unity Catalog, Terraform, Databricks Asset Bundles
- Projektdauer: 3 Monate
Die Ausgangslage unseres Kunden
Mit 250 Mitarbeitern und über 300.000 Kunden stand UDO BÄR vor der Herausforderung, seine Marketing- und Vertriebsstrategien noch präziser auszurichten, um weiterhin profitabel zu wachsen. Die begrenzte Anzahl an Vertriebsmitarbeitern musste so eingesetzt werden, dass die Betreuung aller Kunden gezielt auf alle Produktgruppen abgestimmt werden konnte.
In einem früheren Projekt wurde bereits eine Customer-Life-Time-Prognose auf Kundenebene durchgeführt. Ein weiteres, zentrales Ziel des Kunden bestand darin, das zukünftige Gewinnpotenzial nicht nur pro Kunde, sondern auch pro Produktgruppe basierend auf dem bisherigen Kaufverhalten zu prognostizieren. Dadurch sollte ein differenziertes Potenzial-Scoring implementiert werden, das eine zielgerichtetere Optimierung der Marketing- und Vertriebsmaßnahmen ermöglichte.
Vor diesen Herausforderungen stand unser Kunde
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.
Eingeschränkte Aussagekraft bei Produktgruppen
Viele Kunden zeigten ein spezifisches Kaufverhalten und tätigten ihre Einkäufe hauptsächlich in bestimmten Produktgruppen. Eine allgemeine Selektion ohne Berücksichtigung dieser Unterschiede führte zu suboptimaler Allokation der Marketingressourcen.
Das Projekt wurde auf der Daten und KI-Plattform Databricks umgesetzt, wobei ein Feature Store aus vergangen Projekten wiederverwendet werden konnte. Diese Merkmale umfassen Kennzahlen zu Recency, Monetary und Frequency und wurden zusätzlich um spezifische Verhaltensmerkmale innerhalb der 21 Produktgruppen erweitert. Die dafür verwendeten Rohdaten stammen aus dem bestehenden Data Warehouse des Kunden, die wir bereits im laufenden Projekt über tägliche Job-Runs auf Databricks laden.
Unser Lösungsansatz
In Zusammenarbeit mit den jeweiligen Fachbereichen wurde ein Vorhersagezeitraum von 12 Monaten festgelegt. Auf Basis von über 700 Kundenmerkmalen wurde eine automatisierte Machine Learning Pipeline entwickelt, die ein Vorhersage-Modell berechnet. Ein selbstentwickelter Mechanismus ermöglichte es, alle 21 Modelle parallel zu trainieren und zu optimieren.
Um das Modell stets aktuell zu halten, werden alle Modelle monatlich neu trainiert, um neue Entwicklungen im Kundenverhalten zu berücksichtigen. Die so aktualisierten Modelle werden täglich verwendet, um den Kundenwert in allen Produktgruppen vorherzusagen, sodass stets ein aktueller Kundenwert für die kommenden 12 Monate vorliegt.
Sollte es zu einem Fehler in der Pipeline kommen, wird der Kunde durch ein automatisiertes Alerting informiert.
Prognose Schritt-für-Schritt
1.
Daten aus dem Feature Store wurden um Verhaltensmerkmale innerhalb von 21 Produktgruppen erweitert.
2.
Mit einem Vorhersagezeitraum von 12 Monaten wurde eine automatisierte ML-Pipeline entwickelt auf Basis von 700 Kundenmerkmalen.
3.
Damit das Modell aktuelle Vorhersagen tätigt, wird dieses regelmäßig mit neuen Daten trainiert und geprüft.
Um die Qualität des Modells sicherzustellen, wurde eine eigens entwickelte Sortiermetrik verwendet, die den Erfolg der Kundenselektion anhand des vorhergesagten Scores bewertet. Die Ergebnisse auf der Testmenge zeigten, dass über alle Produktgruppen hinweg die 10% umsatzstärksten Kunden effektiv identifiziert wurden.
Darüber hinaus konnte gezeigt werden, dass die Scores in drei Vierteln der Produktgruppen zu einer guten bis sehr guten Selektion in den weiteren Perzentilen führten. Die geringere Selektionsleistung in den übrigen Produktgruppen ist auf die geringe Anzahl an Transaktionen – 30 Transaktionen in einem Jahr – in diesen Bereichen zurückzuführen.
Wollen Sie mehr über das Thema CLV-Prognose erfahren? Dann kontaktieren Sie 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