KI-basierte Prognose des Kaufzeitpunktes im B2B
Ein internationales Textilunternehmen nutzt mit unserer Hilfe Daten, um inaktive Kunden frühzeitig zu erkennen. Dafür entwickelten wir auf AWS ein Analyse-Tool, das historische Käufe auswertet und den nächsten Kaufzeitpunkt prognostiziert.
Der Vertrieb erhält so klare Signale, wann Kunden vom gewohnten Muster abweichen und kann rechtzeitig reagieren. Die Lösung ist flexibel und lässt sich leicht um weitere Analysen oder Vorhersagemodelle erweitern.
Auf einen Blick:
- Branche: Textilindustrie
- Projektziel: Datengetriebener PoC zur Vorhersage nächster Kaufzeitpunkte, um abweichendes Kundenverhalten frühzeitig zu erkennen.
- Tools: AWS Cloud, Amazon S3, Sagemaker Notebooks, IAM, Python, Pandas, Jupyter Notebooks, boto3
Die Herausforderung des Kunden
In der Vergangenheit fehlte dem Vertrieb ein systematischer Überblick über das Kaufverhalten der Bestandskunden. Insbesondere wurde nicht erkannt, wann Kunden von ihrem üblichen Kaufmuster abweichen und potenziell als inaktiv einzustufen sind.
Vor diesen Herausforderungen stand unser Kunde
Intransparenter Kaufzyklus
Der Vertrieb kannte die individuellen Kaufzyklen der Kunden nicht und konnte nicht gezielt auf Inaktivität reagieren.
Unentdeckte Inaktivität
Eine erhebliche Zahl an Kunden war über längere Zeit inaktiv, ohne dass dies auffiel.
Fehlende Prognosebasis
Es gab keine datenbasierte Methode, um zukünftige Kaufzeitpunkte vorherzusagen oder Abweichungen vom üblichen Verhalten zu erkennen.
Im Rahmen eines Proof of Concept wurde eine modulare Analyseumgebung in der AWS Cloud aufgebaut. Die Datenbasis bildeten historische Transaktionen nach Produktgruppen, inklusive Kaufzeitpunkt und Absatzmengen.
Die Analyse erfolgte in interaktiven Sagemaker Notebooks mit Python und Pandas. Die Datenabzüge wurden über Amazon S3 bereitgestellt.
Für die Vorhersage und Klassifikation wurden drei methodische Ansätze entwickelt und miteinander verglichen:
1.
Berechnung der durchschnittlichen Kaufabstände je Kunde und Produktgruppe. Kunden gelten als potenziell inaktiv, wenn die aktuelle Zeit seit Letztkauf den Durchschnittswert signifikant übersteigt.
2.
Modellierung des erwarteten Verbrauchs basierend auf historischen Kaufdaten und durchschnittlichem Verbrauch pro Tag. Daraus wurde der wahrscheinliche nächste Kaufzeitpunkt abgeleitet.
3.
Ein probabilistisches Modell, das täglich die Wahrscheinlichkeit schätzt, ob ein Kunde noch aktiv ist. Diese Methode bietet eine feinere Klassifikation in aktives vs. inaktives Verhalten.
Wie sieht die Lösungsarchitektur aus?
- Amazon S3: Amazon S3 dient als zentrale Datenquelle für historische Transaktionen. Dort werden strukturierte Verkaufsdaten je Kunde und Produktgruppe gespeichert und regelmäßig aktualisiert.
- Amazon SageMaker Notebooks: Die Analyseumgebung auf Basis von SageMaker ermöglicht die interaktive Entwicklung, Ausführung und das Testen von Prognosemodellen.
- Python (Pandas, BTYD): Python wird zur Datenanalyse und Modellierung genutzt. Mit Pandas erfolgt die Aufbereitung der Transaktionsdaten. Die Vorhersagemodelle wie Inter Purchase Time (IPT), Verbrauchsrate und das BTYD-Modell wurden ebenfalls in Python realisiert.
- IAM (AWS Identity and Access Management):
Die Zugriffssteuerung auf Ressourcen wie S3, SageMaker und weitere AWS-Dienste erfolgt über IAM-Rollen und -Richtlinien. So wird sichergestellt, dass nur autorisierte Nutzer auf sensible Daten und Modelle zugreifen können.
Der Vergleich der Ansätze zeigte, dass insbesondere IPT und BTYD für verschiedene Produktgruppen sehr gute Resultate liefern. Beide Modelle eignen sich, um Kunden mit verändertem Kaufverhalten frühzeitig zu erkennen.
Jetzt mit Datasolut Kundenabwanderung frühzeitig erkennen: Erstgespräch vereinbaren
Sehr gute Modellgüte
Das BTYD-Modell erreichte einen F1-Score von 0.59 und zeigte eine zuverlässige Klassifikation aktiver und inaktiver Kunden.
Frühzeitige Identifikation
Durch die implementierte BTYD- und IPT-Logik konnten Kunden identifiziert werden, deren Kaufverhalten von ihrem üblichen Muster abweicht.
Grundlage für Vertriebssteuerung
Die Ergebnisse dienen künftig als Basis für gezielte vertriebliche Maßnahmen zur Kundenbindung und Reaktivierung.
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