- Sie möchten Ihre Kunden zu Langzeitkunden machen?
- Sie fragen sich, welcher Kunde womöglich zu Inaktivität tendiert?
- Sie möchten passende Reaktivierungsmaßnahmen einleiten?
Dann sind Sie hier genau richtig! Mit der einer KI-basierten Vorhersage des Customer Lifetime Value (CLV) können Maßnahmen zur Kundenreaktivierung geschickt geplant werden. Wie das funktioniert, was die Benefits der smarten CLV-Analyse sind und wie wir diese in der Praxis anwenden durften, erfahren Sie in diesem KI-Anwendungsfall.
Wann ist der richtige Zeitpunkt für Reaktivierungsmaßnahmen?
Der Handel lebt von kaufwilligen Kunden. Doch was passiert, wenn die Kunden nicht mehr kaufen?
Sehen wir uns diesen Fall am Beispiel eines Unternehmens aus dem Bereich E-Commerce an:
- Wir haben einen riesigen Kundenbestand
- Darunter Kunden, die einen Top Umsatz generieren und welche, die inaktiv sind (also länger nicht mehr gekauft haben)
- Die Gefahr, dass Top-Kunden zu inaktiven Kunden werden, ist allgegenwärtig
Herauszufinden, wer die Top-Kunden sind, ist einfach. Doch was ist mit den Kunden, die in der Vergangenheit gute Umsätze gemacht haben und jetzt aus Ihrem Kaufzyklus herausfallen? Fast jedes E-Commerce Unternehmen hat sogenannte Reaktivierungskampagnen, die gezielt versucht diese inaktiven Kunden zu reaktivieren.
Kundenreaktivierung ist nicht nur zeitaufwendig, sondern auch in hohem Maße ineffektiv, wenn die falsche Strategie verwendet wird: Kundenreaktivierung nach dem Zufallsprinzip.
Dies führt unter anderem zu:
- Verschenktem Marketingbudget
- Sinkendem Kundenengagement
- Fallendem Umsatz
Mit dem Ziel planbarer Kundenreaktivierungs-Maßnahmen vor Augen, entwickeln wir einen KI-basierten Lösungsansatz.
Den richtigen Kundenreaktivierungs-Zeitpunkt durch CLV berechnen
Der Kern der Lösung ist die vielleicht wichtigste Kennzahl im Marketing und Vertrieb: der Customer Lifetime Value. Eine Kennzahl, die den Wert des Kunden angibt, den dieser in Interaktion mit dem Unternehmen, für das Unternehmen, generiert.
Welchen Wert jeder Kunde in Zukunft für das Unternehmen erzielen wird, können wir durch eine präzise CLV-Vorhersage, durch maschinelles Lernen, vorhersagen. Die passiert für im Vorfeld definierte Zeiträume: bspw. für 1 Monat, für 6 Monate oder 12 Monate. Der zukünftige Wert basiert auf einer Machine Learning Prognose und wird für diese Zeiträume vorhergesagt. Dabei wir aus dem vergangenen Kaufverhalten der Kunden gelernt.
Die Daten der Vergangenheit werden gesammelt, aufbereitet und in ein – auf maschinellem Lernen basiertes – System eingepflegt. Weist ein Kundenprofil darauf hin, in Zukunft inaktiv zu werden, löst das System eine Meldung in Form eines Reaktivierungs-Triggers aus.
Anschließend können passende Reaktivierungsmaßnahmen eingeleitet werden, wie in folgender Grafik dargestellt.
Doch wie testet man eigentlich das Ergebnis des Algorithmus und dessen Vorhersage? Mit einem A/B-Test, in Form eines Challenger-Champion-Ansatzes. Bei diesem vergleichen wir die Ergebnisse des KI-basierten Challenger-Ansatzes mit denen der herkömmlichen Herangehensweise bei Reaktivierungsmaßnahmen (der Champion).
Bei diesem Beispiel von unserem E-Commerce-Kunden, handelte es sich um eine Briefkampagne zur Reaktivierung von Kunden, die mindestens ein Jahr nicht mehr gekauft haben. Pro Zustellung fallen etwa 0,60€ an Kosten an.
- Champion: Selektion mithilfe des historischen Nettoumsatzes und einer absteigenden Sortierung.
- Challenger: Selektion absteigend nach der Customer-Lifetime-Value-Prognose.
- Schnittmenge: Die beiden zuvor selektierten Gruppen wurden separat selektiert. Aus diesem Grund kann es zu einer Schnittstelle von 80% kommen. Deshalb beachten wir die 20% Optimierungspotential.
Die folgende Abbildung dient als Veranschaulichung des Tests:
Die smarte CLV-Prognose als Steuerungselement für Marketingkampagnen
Wie die Ergebnisse des Challenger-Champion-Ansatzes aussehen, können Sie folgender Tabelle ablesen.
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 % |
Das Ergebnis ist eindeutig:
- 37% höhere Conversion-Rate
- 46% höherer Deckungsbeitrag
Betrachtet man jetzt den Überschnitt und die Challenger Selektion zusammen, dann kommt man auf eine Steigerung des Deckungsbeitrages von 8% für diese Maßnahme.
Somit kommen wir zu dem Entschluss:
Die CLV-Prognose kann als Steuerungselement für Marketingkampagnen zuverlässig verwendet werden.
Sie möchten mehr über die vielleicht wichtigste Kennzahl im Marketing und Vertrieb erfahren? Dann haben wir hier weitere spannende Beiträge zum Thema Customer Lifetime Value für Sie.
Wenn Sie sich für die CLV Ihrer Kunden interessieren, melden Sie sich doch gerne bei uns!
Natürlich endet der Einsatz von Künstlicher Intelligenz nicht bei der CLV. Wir haben rund um das Thema KI kurze und anschauliche YouTube-Videos für Sie erstellt. Denn wir brennen für KI und würden Sie gerne ebenfalls begeistern!
