Churn Management mit anonymen Kundenkartendaten
Eine Bäckerei-Kette möchte Kundenabwanderungen gezielt vorhersagen. Für das entsprechende Prognosemodell genügen anonyme Kundendaten zum Kaufverhalten.

Ausgangssituation
Um zuverlässige Prognosen zu treffen, bedarf es nicht zwangsläufig einer Unmenge an „Big Data“. Auch mittelständische Unternehmen mit verhältnismäßig überschaubaren Datenbeständen können von den Vorzügen der modernen Datenanalyse profitieren. Das zeigt unser Vorgehen bei einer deutschen Bäckerei-Kette: Das Unternehmen bietet eine anonyme Kundenkarte, durch die der Nutzer vor allem von Rabattvorteilen profitieren kann. Tatsächlich finden die 350.000 aktiven Karten bei etwa 60 Prozent aller Einkäufe Verwendung. Mit Hilfe dieser Daten wurde nunmehr ein Churn-Modell trainiert, das potenzielle Abwanderungskandidaten frühzeitig erkennt – sprich: mögliche Kundenabwanderungen sollten allein anhand des Kaufverhaltens vorhergesagt werden.
Lösung
Zunächst wurde der typische „Abwanderer“ definiert: Das sind Kunden, die drei Monate lang bei der Bäckerei-Kette gekauft haben und dann drei Monaten nicht mehr. Mit dieser Vorgabe sowie der Kaufhistorie aus den Kundenkarten wurde dann ein entsprechendes Prognosemodell trainiert.
Unsere Vorgehensweise im Überblick:
- Training eines Prognosemodells mit der Advanced-Analytics-Komponente des SQL Servers 2016 in der Azure Cloud
- Vergleich der Analysen mit dem Kaufverhalten der Kunden über einen längeren Zeitraum
- Rückführung der Analyseergebnisse in das vorhandene Business-Intelligence-System
- Bereitstellung der Ergebnisse für das Controlling über eine Self-Service-Anwendung
- Weitere Verfeinerung der Klassifizierung mittels neuer Daten
Kundennutzen
Die Bäckerei-Kette kann auf Basis der beschriebenen Lösung potenzielle Wechselkandidaten sehr zuverlässig identifizieren und entsprechende Gegenmaßnahmen einleiten. Der Nutzen im Überblick:
- Das Controlling kann Abwanderungstendenzen zuverlässig vorhersagen
- Betrachtung einzelner Kunden ermöglicht individuelle Marketingmaßnahmen, z.B. spezielle Gutscheine
- Bereits kleine Veränderungen im Kaufverhalten werden erkannt, sodass man bereits sehr frühzeitig Zeitpunkt gegensteuern kann
- Erwartete Umsatzeinbußen durch Kündigungen können nach Region, Filiale und Zeitraum analysiert werden
- Auch übergeordnete Entwicklungen lassen sich erkennen, etwa wenn der Wettbewerb eine spezifische Region zunehmend durchdringt.
Und: Durch den Einsatz von Cloud-Komponenten konnte die Lösung schnell und kostengünstig aufgesetzt werden. Gleichzeitig lassen sich die erforderlichen Ressourcen ganz flexibel vergrößern und verkleinern.
Produkte
- Microsoft Azure
- Microsoft Office
- Microsoft SQL Server 2016
- R Studio