Der Customer Lifetime Value (CLV) entwickelt sich immer mehr vom Steuerungsinstrument der Vorreiter zur etablierten Marketingkennzahl. Einblick in die praktischen Herausforderungen, die auf diesem Weg zu beantworten sind, erlaubt die Einführung des CLV bei myToys. Aus einer Customer Lifetime Value-Perspektive eröffnet das Multishop-Konzept bei myToys die Chance, besser zu verstehen, wie verschiedene Sortimente und Kundengruppen den Vorhersageerfolg beeinflussen. Der Vortrag liefert übertragbare Erkenntnisse zur Algorithmenwahl für den Customer Lifetime Value. Die Präsentation zeigt außerdem, wie der Transfer geschäftlichen Wissens aus der Erfahrung der Unternehmensexperten in ein CLV-Modell gelingen kann und geht auf Erfolgsfaktoren innerhalb und außerhalb der statistischen Modellierung ein, zum Beispiel die Wahl der Ziel-KPI, eine effiziente Datenaufbereitung und vieles mehr.
2. Kurzvorstellung der MYTOYS GROUP
2
1999
Gründung
myToys.de
2001
Beteiligung
Otto Group
2004
EU-
Versand
2006
Stationär
2007
erster
Katalog
2010
ambellis.de
2013
mirapodo
limango
& Start
Multishop-Konzept
4. Kundenwert als Kennzahl bei myToys
4
…zur Beantwortung wichtiger operativer und strategischer Fragen:
Welche Kundengruppen sind besonders wertvoll?
Welches Kaufverhalten erhöht den Kundenwert?
Von welchem Kanal kommen unsere besten Kunden?
Wieviel kann ich in die Akquise investieren?
Gezielte Akquise
(voraussichtlich)
profitabler Kunden
Maximierung des
Kundenwerts je
Kunde
Ableitung von
Handlungs-
empfehlungen
an das
Marketing:
5. Erwartungen an den CLV
zum Start des Projekts mit b.telligent:
Bewertung des Zukunftspotenzials
verschiedener Kundensegmente
CLV
z.B.
Sortiment
Selektion und Ausschluss
von Einzelkunden
Abbildung des zukünftigen
Deckungsbeitrags für die
kommenden x Jahre
Budgetoptimierung der Marketingkanäle
bei der Neukundenakquise
5 JahreErstkauf
= € ???
6. Projektvorgehen
6
2015
Januar Februar März April
Projektstart,
Workshops
Aufbau spezialisierte
Datengrundlage
Feature Engineering und
Modellierung
Coaching Sessions
Deployment und
Projektabschluss
Weiter-
entwickung
inhouse
7. Welche Algorithmen sind für eine CLV-
Prognose gut geeignet?
7
Klassische
Regressionsansätze?
Random Forest?
Neuronale Netze?
Ganz andere
Verfahren?
Ja! Ja!
Ja!
Ja!
Entscheidend:
• nicht der Algorithmus.
Sondern:
• Datenbeschaffung und –aufbereitung
• Verständnis des Geschäfts / der Inhalte
• Feature Engineering und Modellierungsstrategie
(bei Interesse: nachlesen bei Malthouse [1]).
9. Steuerung von
Akquisitionskanälen
Steuerung von
Direktmarketing-
aktionen und
Kundenvorteilen
Modellierungsstrategie
9
Neukunden 6 Monate
Ausschluss
Akquisitionskanal
als Prädiktor
Kundengruppe Prognosehorizont Besonderheiten
Bestandskunden 12 Monate --
Kundengruppe Prognosehorizont Besonderheiten
Zusätzlich: Differenzierung nach Business Unit
Insgesamt: 2*4 = 8 Modelle
myToys ambellis mirapodo
alle Business
Units
10. Achtung Faustregel!
Prädiktoren: Je dichter an der
Kaufentscheidung, desto besser
10
Prognoseziel: zukünftige
Kaufentscheidungen
vergangene Kauf-
entscheidungen
vergangene Kaufanreize
sonstige Merkmale:
Geographie,
Einkommen, Alter,…
Verwendungszweck
Konkrete Erfahrungen
myToys-Group
Umsätze, Anz. Bestellungen,
etc. differenziert nach
Sortimentskategorien
Kanalinformationen
Geographie: Kleinstadt und
Land
Anteil rabattierte
Bestellungen, etc.
kaum passende Daten
PLZ-Bereiche, Geschlecht,
Alter, div. weitere Variablen
11. Prädiktoren:
Relevante Zeitpunkte und Zeitintervalle
11
Zeit
Prognose-
zeitpunkt
12 Monate (Bestandskunden)
bzw.
3 Monate (Neukunden)
erstes
Kaufereignis
letztes
Kaufereignis
12. Anwendungen in der Operative
Bewertung des Zukunftspotenzials
verschiedener Kundensegmente
CLV
z.B.
Sortiment
Selektion und Ausschluss
von Einzelkunden
Abbildung des zukünftigen
Deckungsbeitrags für die
kommenden x Jahre
Budgetoptimierung der Marketingkanäle
bei der Neukundenakquise
5 JahreErstkauf
= € ???
13. Nächste Schritte
Etablierung der Kundenwertprognose als Frühwarnsystem in der
Marketingsteuerung
Bewertung der längerfristigen Wirkung von Marketingmaßnahmen
Analyse der Effektstärken der einzelnen Variablen im Modell auf den CLV
Weiterentwicklung des Modells
16. Literatur
16
[1] Edward C. Malthouse, „The Results from the Lifetime Value and Customer Equity
Modeling Competition“, Journal of Interactive Marketing 23 (2009) 272–275,
online:
www.researchgate.net/publication/236520992_The_Results_from_the_Lifetime_Val
ue_and_Customer_Equity_Modeling_Competition
Notas do Editor
Seit 2014 großer Fokus im Marketing auf Kundenwert und Personalisierung
Auswahl der richtigen Maßnahmen (mehr Relevanz bei gleichzeitiger Reduzierung der Maßnahmen für den einzelnen Kunden)
Auswahl der richtigen Kunden (welches sind die profitabelsten Kunden, welches Potenzial hat welcher Kunde)
Für die Folie würde ich dann kurz reinspringen – und tatsächlich nicht viel mehr sagen als das was draufsteht
Ziel: Steigerung des Umsatzes bei gleichzeitig effizientem Einsatz der Mittel (Kosten) durch die Maximierung des Kundenwerts je Kunde.
Welche Kundengruppen sind besonders wertvoll? – welche Sortimente stelle ich in den Fokus der Marketingaktivitäten?
Von welchem Kanal kommen unsere besten Kunden? – ggf. Anpassung der Neukundenziele pro Kanal und Budgetoptimierung im Marketing
Wie viel kann ich in die Akquise investieren? – wann rechnet sich die Investition?
Wir betrachten 2 Kennzahlen: Kunden-Deckungsbeitrag als IST-Kennzahl | CLV als Kundenwertprognose – in diesem Projekt ging es um die Prognose. Den DB haben wir bereits auf Einzelkundenebene.
Welche Kundensegmente haben das größte Potenzial im kommenden Geschäftsjahr? Über welche Sortimente sollten wir unsere Kunden akquirieren?
Welcher Kunde bringt mir in den nächsten Jahren welchen Ertrag?
+ Wie schnell kann ich das Potenzial von NK‘s erkennen und ggf. Marketingmaßnahmen verstärken bzw. Kunden aus den Maßnahmen nehmen?
Welche Kunden schließe ich zukünftig von Maßnahmen aus? Welche Kunden sollte ich kontaktieren und wie hoch darf das Incentive jeweils sein?
Welche Kanäle bringen uns die besten Neukunden? Lohnt sich die hohe KUR eines bestimmten Kanals ggfs.?
Start im Januar mit diversen Workshops:
allgemeines Geschäftsverständnis:
Soziodemographie der Kundenbasis
Geschäftsmodell myToys und Besonderheiten des Kundenlebenszyklus
Saisonalitäten
Überblick über die Datengrundlage
etc.
Identifikation und Bewertung der CLV-Treiber
Festlegung der Ziel-KPIs:
Aufteilung in Neu- und Bestandskundenmodell
Festlegung der Kosten- und Umsatzbestandteile, die einfließen sollen
Besonderheiten der Datengrundlage
Wichtig: Aufbau eigene, spezialisierte Datengrundlage (Monatsaggregat), dazu später mehr
Feature Engineering/Modellierung und Datengrundlage überlappen etwas, um Erkenntnisse aus Feature Engineering und Modellierung in die Datengrundlage einfließen zu lassen
Coaching Sessions:
extrem wichtig für nachhaltige Projektarbeit
wandten sich an Mitarbeiterinnen sowohl von Marketing Analytics als auch von DWH
Ziel: nachhaltiger Betrieb und Weiterentwicklung von Modell und Datengrundlage unabhängig von externer Beratung
Deployment und Projektabschluss: u.a. Übergabe von Scoringcode, der rein auf der DWH-Datenbank lauffähig ist, ohne Statistiktool
...und natürlich ist am Projektende die Geschichte nicht zu Ende, sondern geht eigentlich erst richtig los mit Weiterentwicklung, Implementierung in Reports, Nutzung
- Aufweckerfrage: Wer hält welche Verfahren für geeignet?
unsere Auswahl (Lineare Regression, Random Forest zum Vergleich) erklären
Dieses Chart ist natürlich beliebig angreifbar, wenn man es so verstehen wollte, dass z.B. in jedem Einzelfall neuronale Netze die beste Prognosegüte liefern.
Die Einordnung auf allen vier Achsen ist sehr von konkreten Rahmenbedingungen abhängig; die Grafik spiegelt so etwas wie eine typische Konstellation, die in vielen Einzelfällen ungefähr stimmt.
Als Entscheidungshilfe in einem frühen Projektstadium, ist eine grobe Einordnung der Verfahren dennoch hilfreich.
Deswegen lassen Sie uns die einzelnenen Bewertungen kurz gemeinsam durchgehen, und ich werde jeweils etwas dazu sagen, wie die konkrete Einordnung motiviert ist
Ergänzung Juliane: Transparenz hat bei myToys eine hohe Prio – Nachvollziehbarkeit des Modells erleichtert die Etablierung einer neuen Kennzahl & Anwendung im Marketing
Aufteilung in diese Modelle erklären:
Zielsetzungen
Zeithorizonte
maximale Länge eines sinnvollen Horizonts
Diskussionen dazu (teilweise sehr langfristige Prognose gewünscht, Erklären der externen Einflussfaktoren, die das verhindern)
Saisonalität und daraus folgende Problematik gewisser Zeithorizonte
Neukunden-CLV
Warum nicht den Akquisitionskanal als Prädiktor?
geringere Genauigkeit zu erwarten bei diesem Setup
aber auch geringere Anforderungen an die Genauigkeit (Messung auf Kanalebene vs. Einzelkundenebene)
Gesamtergebnis:
ein Modell zur Akquisitionskanalsteuerung, ohne den Kanal als Prädiktor, das sehr schnell nach Akquisition ein Ergebnis liefert, aber weniger genau ist
ein Modell zur Steuerung auf Einzelkundenebene, das einen längeren Zeithorizont prognostiziert, genauer ist, und auch den Akquisitionskanal einbezieht
das mit einem einheitlichen Modell abzubilden hätte in einem faulen Kompromiss geendet
- Erklärung Faustregel aus b.telligent-Projekterfahrung (je dichter an der Kaufentscheidung, desto besser)
Abgleich mit den spezifischen Erfahrungen in diesem Projekt
Erklärung der Variablen und Besonderheiten
Anekdote mit Katharinas nachdrücklichem Hinweis darauf, dass wir die Sortimentsinformation genauer berücksichtigen müssen
grundsätzliche zeitliche Strategie der Datenerhebung erklären:
an das letzte Kaufereignis geknüpfte Merkmale sind wichtig, weil sie den aktuellsten Stand spiegeln, z.B. welches Zahlungsmittel er benutzt
an das erste Kaufereignis geknüpfte Merkmale sind wichtig, weil sie die Herkunft des Kunden spiegeln, z.B. ob er über einen Gutschein/Rabatt geworben wurde
bei vielen Merkmalen ist eine Sicht über einen längeren Zeitraum und nicht auf einzelne Kaufereignisse wichtig, zum Beispiel bei den Retourenkosten
es gibt auch Merkmale, die aus mehreren Perspektiven interessant sind, zum Beispiel die Sortimentsinformation: das Sortiment, aus dem beim ersten Einkauf bestellt wurde, ist ebenso interessant wie die Beobachtung der verschiedenen Sortimente, aus denen ein Kunde bestellt, über einen längeren Zeitraum
es ist oft nicht von vornherein klar, welche Art von Aggregation über einen bestimmten Zeitraum die richtige ist, am Beispiel Retourenkosten wird das klar:
durchschnittliche Retourenkosten pro Bestellung?
Anteil der Retouren an der Anzahl bestellter Artikel?
Anteil der Retouren am bestellten Warenwert?
Anteil Bestellungen, bei denen etwas retourniert wurde, an allen Bestellungen?
...
Explorative Analyse // flexible Schnitte durch den Kundenstamm dank Einzelkundenmerkmal und unendlichen Aggregationsmöglichkeiten
AHA-Erlebnisse, dass bisher wertvoll erachtete Kundengruppen/ Segmente weniger wertvoll für das Unternehmen sind und andersherum (Bsp. Outdoorkunden wertvoller als erwartet)
Sowohl der Zeitraum über mehrere Jahre ist nicht abbildbar als auch der DB – hier wird der Umsatz abzüglich ausgewählter Kosten prognostiziert.
Auf Kohortenbasis kann hier simuliert werden, aber außerhalb des Modells mittels pauschaler Annahmen.
BK-Modell – Einzelkundenbewertung, v.a. bei myToys, valide // erlaubt Selektionen // Ausschluss in Kombination mit weiteren Kriterien denkbar
Kanäle, die wertvolle Kunden bringen, werden in der Budgetzuteilung stärker berücksichtigt.
Kundensteuerung/ Marketingsteuerung
Festlegung von Zielwerten für eine Kohorte
Kundenwertprognose einer Kundengruppe vs. Zielvorgaben
Ableitung von Maßnahmen
Bewertung von Marketingmaßnahmen mittels Kontrollgruppe wie wirkt sich eine Maßnahme längerfristig aus? Wirkung auf den Kundenumsatz auch in der Folge statt Umsatz dieser einen Maßnahme.
Welches sind die größten Hebel für eine positive Prognose? Welche davon können wir im Marketing gezielt ansteuern?
Weiterentwickung: Test weiterer Variablen um die Modellgüte – vor allem bei mirapodo – noch zu verbessern.
Kundensteuerung/ Marketingsteuerung
Festlegung von Zielwerten für eine Kohorte
Kundenwertprognose einer Kundengruppe vs. Zielvorgaben
Ableitung von Maßnahmen
Bewertung von Marketingmaßnahmen mittels Kontrollgruppe wie wirkt sich eine Maßnahme längerfristig aus? Wirkung auf den Kundenumsatz auch in der Folge statt Umsatz dieser einen Maßnahme.
Welches sind die größten Hebel für eine positive Prognose? Welche davon können wir im Marketing gezielt ansteuern?
Weiterentwickung: Test weiterer Variablen um die Modellgüte – vor allem bei mirapodo – noch zu verbessern.