Kundenreaktivierung im E-Commerce

Dieser Anwendungsfall zeigt, wie wir eine Reaktivierungskampagne im E-Commerce durch ein Machine Learning Modell signifikant verbessert haben.

Problem

Der umfangreiche Kundenbestand vieler Unternehmen führt oftmals dazu, dass Kunden durch unpassende Angebote keine Käufe mehr tätigen und dem Unternehmen mehr oder weniger den Rücken zukehren. Sind diese Kunden ehemalige Top-Kunden mit einem hohen Umsatz, so ist dies besonders ärgerlich. 

Bei diesem Use-Case bestand das Problem darin, genau zu differenzieren, welche Kunden vermutlich zu inaktiven Kunden werden und welche weiterhin regelmäßig kaufen. Zudem sollte neben der Identifikation inaktiver Kunden entsprechende Reaktivierungsmaßnahmen erfolgen. 

Lösung

Mittels dem Einsatz von maschinellem Lernen ließen sich präzise CLV-Vorhersagen treffen und für jeden Kunden einen Wert berechnen. Anhand dieser Vorhersage sollten die bestehenden Kampagnen optimiert werden. Doch zuvor wurde ein ein sogenannter Challenger-Champion-Test aufgesetzt, um die den Einfluss der CLV-Kennzahlen in so einer Kampagne zu zeigen.

Der Challenger-Champion-Test gliederte den Kundenbestand in einzelne Sektionen. In diesem konkreten Anwendungsfall handelte es sich um Reaktivierungen, bei denen eine Briefkampagne gewählt wurde. Es wurde folgendes Testszenario durchgeführt:

Darstellung des Challenger-Champion-Ansatzes.
  1. Champion: Selektion mithilfe des historischen Nettoumsatzes und einer absteigenden Sortierung. 
  1. Challenger: Selektion absteigend nach der Customer-Lifetime-Value-Prognose.
  1. Schnittmenge: Die beiden zuvor selektierten Gruppen.
 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.

Ergebnis

Wie wertvoll eine CLV-Prognose als Steuerungsinstrument in Marketingkampagnen ist, zeigen folgende Zahlen. Das Ergebnis war, dass die Selektion nach einer CLV-Prognose eine 37 % höhere Conversion-Rate brachte als eine umsatzbasierte Selektion. Zudem konnte durch die Challenger-Selektion ein rund 46 % höherer Deckungsbeitrag erzielt werden. Selbstverständlich müssen die Ergebnisse von der Schnittmenge kombiniert betrachtet werden. Dennoch ergab dieses Beispiel eine Steigerung des Deckungsbeitrags von 8 %.  

Der Customer Lifetime Value ist die wichtigste Kennzahl zur Marketingsteuerung im Handel und E-Commerce. Wie dieser Use Case zeigt, ist eine CLV-Prognose wichtig, um Kunden mit viel Potential für Ihre Reaktivierungskampagnen auszuwählen. Wenn Sie erfahren wollen, wie Sie diese Kennzahl für Ihr Unternehmen nutzen können, dann kontaktieren Sie uns.

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.