Kundenreaktivierung im E-Commerce
Mit einer KI-basierten Vorhersage des Customer Lifetime Value (CLV) können Maßnahmen zur Kundenreaktivierung intelligent geplant werden.
Wie das funktioniert, welche Vorteile die intelligente CLV-Analyse bietet und wie wir sie in der Praxis einsetzen konnten, erfahren Sie in diesem KI-Anwendungsfall.
In diesem Use Case erfahren Sie:
- wie Sie Ihre Kunden zu Langzeitkunden machen
- wie Sie erkennen, welche Kunden zur Inaktivität neigen
- wie Sie geeignete Reaktivierungsmaßnahmen einleiten
Wann ist der richtige Zeitpunkt für Reaktivierungsmaßnahmen?
Der Handel lebt von Kunden, die kaufen wollen. Was aber, wenn die Kunden nicht mehr kaufen?
Schauen wir uns diesen Use Case unseres Kunden an, einem Unternehmen aus dem Bereich E-Commerce, für den wir eine Customer Lifetime Value Prognose in der AWS Cloud programmiert haben.
Vor diesen Herausforderungen stand unser Kunde
Timing von Reaktivierungsmaßnahmen
Ein zentrales Problem im Handel ist das Timing von Reaktivierungsmaßnahmen. Es ist entscheidend zu wissen, wann der richtige Zeitpunkt ist, um inaktive Kunden anzusprechen. Ein schlechtes Timing führt dazu, dass potenzielle Umsätze nicht realisiert werden und wertvolle Kunden verloren gehen.
Identifikation inaktiver Kunden
Während es einfach ist, Top-Kunden zu identifizieren, ist es schwieriger, ehemalige Top-Kunden zu identifizieren, die aus dem Kaufzyklus herausgefallen sind. Diese Kunden haben in der Vergangenheit gute Umsätze generiert, sind jetzt aber inaktiv. Das Fehlen einer gezielten Strategie zur Identifizierung und Ansprache dieser Kunden führt zu ineffektiven Reaktivierungsmaßnahmen.
Ineffiziente Prozesse
Viele E-Commerce-Unternehmen verwenden zufällige Reaktivierungsstrategien, die zeitaufwändig und ineffizient sind. Dies führt zu Verschwendung von Marketingbudgets, sinkender Kundenbindung und Umsatzeinbußen. Um diesen Herausforderungen zu begegnen, ist eine planbare, KI-basierte Strategie erforderlich, die zielgerichtet und effizient ist.
Kern der Lösung ist die vielleicht wichtigste Kennzahl in Marketing und Vertrieb: der Customer Lifetime Value. Eine Kennzahl, die den Wert des Kunden angibt, den er in der Interaktion mit dem Unternehmen, für das Unternehmen generiert.
Welchen Wert jeder Kunde in Zukunft für das Unternehmen generieren wird, können wir durch eine präzise CLV-Prognose, durch maschinelles Lernen, vorhersagen.
Dies geschieht für vorher definierte Zeiträume: zum Beispiel für 1 Monat, für 6 Monate oder für 12 Monate. Der zukünftige Wert basiert auf einer maschinellen Lernprognose und wird für diese Zeiträume vorhergesagt. Dabei wird aus dem bisherigen Kaufverhalten der Kunden gelernt.
Wie gehen wir dabei vor?
1.
Historische Daten werden gesammelt und für die Analyse aufbereitet. Dies beinhaltet die Erfassung relevanter Kundeninformationen und deren Aufbereitung für das maschinelle Lernsystem.
2.
Die aufbereiteten Daten werden in ein maschinelles Lernsystem eingespeist, das Muster und Trends erkennt, die auf zukünftige Kundeninaktivität hinweisen.
3.
Wenn das System ein Kundenprofil identifiziert, das inaktiv zu werden droht, löst es eine Meldung in Form eines Reaktivierungstriggers aus, damit rechtzeitig Maßnahmen ergriffen werden können.
Anschließend können geeignete Reaktivierungsmaßnahmen eingeleitet werden, wie in der folgenden Grafik dargestellt
Es folgt ein kurzer Auszug der Features, die wir berücksichtigen:
- Kaufhistorie
- Deckungsbeitrag der letzten 6 Monate
- Kundenstammdaten
- Produktstammdaten
- Anteil in % der Umsätze in Warengruppen
- Anzahl der Bestellungen der letzten 180 Tage
Aber wie testet man das Ergebnis des Algorithmus und seine Vorhersage?
Mit einem A/B-Test in Form eines Challenger-Champion-Ansatzes. Dabei vergleichen wir die Ergebnisse des KI-basierten Challenger-Ansatzes mit denen des traditionellen Reaktivierungsansatzes (Champion). In diesem Beispiel unseres E-Commerce-Kunden handelt es sich um eine Briefkampagne zur Reaktivierung von Kunden, die seit mindestens einem Jahr nichts mehr gekauft haben. Die Kosten belaufen sich auf ca. 0,60 € pro Sendung.
- Champion: Selektion nach historischem Nettoumsatz und absteigender Sortierung.
- Challenger: Selektion absteigend nach prognostiziertem Customer-Lifetime-Value.
- Schnittmenge: Die beiden zuvor selektierten Gruppen wurden separat selektiert. Aus diesem Grund kann es zu einer Schnittmenge von 80% kommen. Daher werden die 20% Optimierungspotential berücksichtigt.
Die folgende Abbildung dient als Veranschaulichung des Tests:
Vorteile einer KI-gestützten Kundenwertprognose
Wir sehen, dass die Selektion nach der CLV-Prognose (Challenger) eine rund 37% höhere Conversion-Rate bewirkt als der herausgeforderte Champion. Die gleiche Erkenntnis wird durch das Ergebnis des Deckungsbeitrags abgezeichnet: hier konnte der Challenger ganze 46% mehr erzielen als die umsatzbasierte Selektion (Champion).
| Kontaktiert | Bestellungen | Konversion | DB pro Kontakt | MROI DB | |
| Challenger | 20.000 | 1560 | 8 % | 6,25 € | 390 % |
| Champion | 20.000 | 1139 | 6 % | 4,27 € | 267 % |
| Uplift | 37 % | 37 % | 46 % | 46 % |
Challenger, Champion und Uplift mit Deckungsbeitrag und MROI.
Welche Probleme konnten durch eine KI-gestützte Selektion vermieden werden?
- Ineffiziente Nutzung des Marketing Budgets
- Komplexe Selektionslogiken, die nicht auf den zukünftigen Wert des Kunden einzahlen
- Ungenutztes Umsatzpotenzial
Wenn Sie sich für den Wert Ihrer Kunden interessieren, 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