Mehr als A-/B-/C-Kunden: Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys
•
4 gostaram•1,766 visualizações
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.
Recomendados
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (15)
Semelhante a Mehr als A-/B-/C-Kunden: Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys
Semelhante a Mehr als A-/B-/C-Kunden: Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys (20)
Mais de Rising Media Ltd.
Mais de Rising Media Ltd. (20)
Mehr als A-/B-/C-Kunden: Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys
- 1. Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys myToys Group | b.telligent Berlin 04.11.2015 Juliane Homuth | Dr. Michael Allgöwer
- 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
- 3. Kurzvorstellung b.telligent Inhabergeführt, rund 100 Berater Spezialisiert auf Business Intelligence, CRM und E- Commerce Dediziertes Data-Science-Team ...mehr Details: www.btelligent.com 3
- 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]).
- 8. Prognosegüte Tuningaufwand Deployment Transparenz / Erklärbarkeit Lineare Regression Random Forest Neuronale Netze Algorithmenwahl: mehr als nur Prognosegüte 8
- 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
- 14. Fragen?
- 15. Back up 15
- 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.