Wie Datenintegration und Machine Learning die Kundenbindung verbessern.

Customer Retention und Machine Learning

Beim Kundenbindungsmarketing geht es darum, zu verhindern, dass Ihre wertvollen Kunden abwandern. Die Reduzierung der Kundenabwanderung erfordert, dass Sie zwei Dinge wissen: 1) welche Kunden kurz vor der Abwanderung stehen und 2) welche Mittel sie davon abhalten, Abwanderung zu betreiben.

 

Ihre Marketingstrategie ist nur so gut wie Ihre Fähigkeit, messbare Ergebnisse zu liefern. In unserer Welt der Big Data müssen sich Marketingspezialisten nicht mehr nur auf ihr Bauchgefühl verlassen, um Marketingentscheidungen zu treffen. Durch die Anwendung von datenwissenschaftlichen Prinzipien haben Marketingfachleute nun die Möglichkeit, evidenzbasierte Entscheidungen zu treffen, um ihre Marketingaktivitäten zu verbessern. In diesem Papier werde ich zeigen, wie Marketingspezialisten alle ihre Daten nutzen können, um faktenbasierte Entscheidungen zu treffen, wie sie die Kundenabwanderung reduzieren können.

 

In dieser Big Data-Welt ist es ein wichtiges Ziel für Unternehmen, den Wert aller ihrer Kundendaten zu maximieren. Die meisten Kundendaten sind jedoch in separaten Datensilos untergebracht. Während jedes Datensilo wichtige Informationen über Ihre Kunden enthält, wenn Marketingspezialisten diese Teile nicht über diese verschiedenen Datensilos hinweg verbinden, sehen sie nur Teile des gesamten Kundenpuzzles. Die Integration von Informationen/Fakten über Ihre Kunden ermöglicht es Ihnen, ein Verständnis dafür zu entwickeln, wie alle Variablen zusammenwirken (d.h. miteinander in Beziehung stehen) und ein tieferes Kundenverständnis darüber zu entwickeln, warum Kunden abwandern, Sie weiterempfehlen und mehr von Ihnen kaufen.

 

Machine Learning und Predictive Modelling von Kundenabwanderungen

Sobald Sie alle Ihre Datensilos integriert haben, ist der nächste Schritt die Verwendung des Predictive Modellings, um die Variablen (oft als Features bezeichnet) zu identifizieren, die die Abwanderung von Kunden vorhersagen. Aufgrund der Größe dieser integrierten Datensätze ist es einfach nicht möglich, die schiere Datenmenge manuell schnell durchzusehen. Um Schlüsselvariablen zu identifizieren und Predictive Models zu erstellen, können Sie sich jetzt auf die Leistungsfähigkeit des Machine Learnings verlassen, um die Muster in Ihren Daten schnell und präzise aufzudecken.

 

Wie in der Natur, lernen Machine Learning Algorithmen kontinuierlich aus Daten. Je mehr Daten sie aufnehmen, desto besser werden sie. Basierend auf Mathematik, Statistik und Wahrscheinlichkeit finden Algorithmen Verbindungen zwischen Variablen, die helfen, wichtige organisatorische Ergebnisse zu optimieren, in diesem Fall Kundenabwanderung. In Verbindung mit der heutigen Verarbeitungsfähigkeit können diese Algorithmen schnell Erkenntnisse liefern, um Marketingfunktionen zu verbessern, die Ihre Kunden binden.

 

Aufbau Ihres Churn-Modells

Während es viele Standardalgorithmen für den Aufbau eines Modells gibt – logistische Regression, Random Forest, Support-Vektor-Maschine (SVM) und Bayes’sche Inferenz, ist das ultimative Ziel, unseren Fehler in der Vorhersage zu minimieren (Abnahme Typ I und Typ II Fehler). Um das Churn-Modell zu erstellen, verwenden Sie zunächst Trainingsdatensätze und Validierungssets, um die ersten Modelle zu erstellen, und dann validieren Sie diese Ergebnisse miteinander, um die Robustheit des Modells zu überprüfen. Die Ausgabe dieses Schrittes ist ein Modell, das verwendet wird, um jedem Kunden einen Churn-Score zuzuordnen, der die Abwanderungswahrscheinlichkeit jedes Benutzers anzeigt. An dieser Stelle können Sie eine Liste der Benutzer, die von der Abwanderung bedroht sind, erstellen, indem Sie einen Churn Score Cutoff wählen, z.B. größer als 0,80.

 

Churn-Labels und Treiber

Bei der Entwicklung eines Algorithmus zur Vorhersage von Kundenabwanderungen untersuchen Sie einige Dinge, um das Targeting und die Segmentierung in Marketingkampagnen zu verbessern. Erstens können Sie jedem Benutzer ein Churn-Label hinzufügen, um seinen vorhergesagten Churn-Status (z.B. Gefahr, Rot, Gelb oder Grün) leicht zu erkennen. Zusätzlich fügen Sie die drei wichtigsten maschinellen Lernfunktionen hinzu, die mit dem Risiko einer Abwanderung für jeden Benutzer korrelieren. So hat beispielsweise ein gefährdeter Benutzer Bob mit einem Churn-Score von 0,90 ein Churn-Label “Danger” und Churn-Treiber wie “Stuck in onboarding” oder “No activity in last 5 days”.

 

Zusammenfassung

Marketingspezialisten verlassen sich zunehmend auf die Verwendung von Daten, um die Art und Weise, wie sie mit ihren Kunden kommunizieren, zu verbessern, um zu verhindern, dass sie abwandern. Ihre Kundenerkenntnisse werden durch die Variablen begrenzt, die in Ihrer Modellierung und Ihrer Analyse dieser Daten verwendet werden. Da jedes Datensilo nur einen kleinen Teil dessen enthält, was Ihre Kunden definiert, führt die separate Analyse von Silos zu suboptimalen Modellen. Darüber hinaus ermöglicht Ihnen das maschinelle Lernen eine effiziente Abfrage Ihrer Daten. Indem Sie mehr über Ihre Kunden wissen (die Variablen und wie sie miteinander in Beziehung stehen), können Sie bessere, umfassendere, Predictive Models erstellen, die es Ihnen letztendlich ermöglichen, ein tieferes Verständnis Ihrer Kunden zu haben, und Ihnen Erkenntnisse darüber liefern, wie Sie die Kundenabwanderung verringern können.

 

 

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.