Vertriebssteuerung durch CLV Prognose im Stahlhandel
Mithilfe von Machine Learning haben wir für ein führendes deutsches Stahlhandelsunternehmen eine Lösung entwickelt, mit der sich der zukünftige Kundenwert (CLV) zuverlässig prognostizieren lässt. In dieser Case Study zeigen wir, wie der Vertrieb gezielt auf Kunden mit dem höchsten Potenzial ausgerichtet werden kann.
Die Herausforderung des Kunden
Bisher erfolgte die Vertriebssteuerung auf Basis historischer Daten, Ad-hoc-Analysen und individueller Einschätzungen der Mitarbeitenden. Eine datengestützte Bewertung des zukünftigen Kundenwerts gab es nicht.
Vor diesen Herausforderungen stand unser Kunde
Keine datengetriebene Priorisierung
Vertriebsaktivitäten wurden nicht nach dem zukünftigen Kundenwert ausgerichtet.
Bauchgefühl statt Datenbasis
Entscheidungen im Vertrieb basierten auf subjektiven Erfahrungen, nicht auf Prognosen.
Vergangenheit statt Zukunft
Analysen fokussierten auf vergangene Umsätze statt auf zukünftiges
Potenzial.
Zur Ermittlung des CLV kamen zwei XGBoost-Modelle zum Einsatz. Basis war ein Feature Store mit rund 90 Features aus internen und externen Quellen – darunter Kundenstammdaten, Produktdaten und Transaktionshistorie.
Das erste Modell prognostiziert die Aktivitätswahrscheinlichkeit eines Kunden im Zielzeitraum. Das zweite Modell berechnet den potenziellen Umsatz. Die Ergebnisse wurden kombiniert, um eine Bewertung des CLV und unausgeschöpfter Potentiale des Kunden zu ermöglichen.
MLflow dient zur Modellüberwachung und KPI-Tracking. Die monatliche Aktualisierung und Orchestrierung erfolgt automatisiert über Microsoft Fabric Data Pipelines. Die Modellvalidierung wurde per Backtesting durchgeführt, wobei definierte Zielkriterien überprüft wurden.
Wie gehen wir dabei vor?
1.
Ein Feature Store mit rund 90 Merkmalen aus Kunden-, Produkt- und Transaktionsdaten bildete die Datenbasis. Diese wurde genutzt, um das Verhalten und die Präferenzen einzelner Kund:innen systematisch abzubilden.
2.
Zum Einsatz kam ein zweistufiges CLV-Modell, das aus einem Aktivitäts- und einem Umsatzmodell mit XGBoost bestand. So konnten die Kunden sowohl nach Aktivität als auch nach Potenzial priorisiert werden.
3.
Die Modelle werden über MLflow überwacht und kontinuierlich bewertet. Die Aktualisierung erfolgt automatisiert über Microsoft Fabric Data Pipelines auf Basis neuer Transaktionen.
Das Ergebnis
Das entwickelte Framework ermöglicht eine automatisierte Segmentierung der Kunden nach zukünftigen Potenzialen. Die Vertriebssteuerung erfolgt datenbasiert – mit klarer Handlungsempfehlung pro Kunde.
Welche Herausforderungen konnten durch die CLV-gestützte Segmentierung gelöst werden?
-
Vertriebszeit wurde nicht nach zukünftigem Kundenwert priorisiert
-
Entscheidungen basierten auf subjektiven Einschätzungen statt Prognosedaten
-
Fokus lag auf vergangenen Umsätzen statt zukünftigen Potenzialen
Sie haben Fragen zum Thema Kundensegmentierung und CLV Analyse mit Machine Learning ? Dann melden Sie sich! Wenn Sie sich für weitere spannende Fakten rund um das Thema KI interessieren, schauen sie auch gerne bei unseren Leistungen vorbei.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
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