Make them happy: Analyse der Zufriedenheit von Kund*innen
Eine dauerhafte Kundenbeziehung aufzubauen ist ein zeitaufwändiges und kostspieliges Unterfangen. Umso wichtiger ist es, bestehende Kundenbeziehungen aufrecht zu erhalten. Leider ist nicht immer ersichtlich, warum Kund*innen unzufrieden wird und schlussendlich die Interaktion mit dem Unternehmen beendet. Abwerbemaßnahmen der lauernden Konkurrenz oder für Kund*innen uninteressante Marketingmaßnahmen sind nur zwei Beispiele für drohende Gefahren. Darüber hinaus können auch andere Kanäle wie Social Media oder Onlineshops wichtige Hinweise über die Zufriedenheit liefern.
Ziel ist es schlussendlich Kund*innen in rentable Kund*innen zu transformieren. Das ist nur möglich, indem rundum dafür gesorgt wird, dass Kund*innen zufrieden ist und bleibt. Personen, die inaktiv werden, müssen frühzeitig erkannt und mit besonderer Fürsorge behandelt werden, um einer möglichen Abwanderung entgegenzuwirken.
Glücklicherweise gibt es Modelle wie Pareto/NBD oder BG/NBD, mit denen festgestellt werden kann, mit welcher Wahrscheinlichkeit eine Person noch aktiv ist und mit denen abwanderungsgefährdete Kund*innen frühzeitig zu erkannt werden können. Diese Modelle arbeiten mit Transaktionsdaten des Unternehmens und verwenden drei daraus berechnete Kennzahlen: Recency, Frequency und Time (RFT). Der Begriff Frequency bezeichnet die Anzahl an unterschiedlichen Zeitpunkten, an welchen Kund*innen mit einem Unternehmen interagiert hat. Time beschreibt die Zeitspanne von der ersten Interaktion von Kund*innen bis zum Ende des untersuchten Zeitraums. Recency ist der Zeitpunkt der letzten aufgezeichneten Interaktion einer Person mit dem Unternehmen.
Damit identifizierte abwanderungsgefährdeten Kund*innen dem Unternehmen als KonsumentInnen erhalten bleiben, sind gezielte Marketingmaßnahmen erforderlich. Außerdem können durch Clustering- Verfahren Kundengruppen erkannt werden, auf deren Bedürfnisse gesondert eingegangen werden kann. Zudem lassen sich beispielsweise Personengruppen aus bestimmten geographischen Regionen oder Alterssegmenten feststellen, deren Beziehung zum Unternehmen noch optimiert werden kann.
Fazit
Anders als früher beim Greißler (Dorfladen) ums Eck, wo jeder einander persönlich kannte, wird es bei größeren Unternehmen mit einer höheren Anzahl an Kund*innen schwieriger, über das Wohlbefinden jedes/jeder Einzelnen Bescheid zu wissen. Um diese Herkulesaufgabe dennoch zu meistern, setzen wir bei unseren Kund*innen moderne Analyseverfahren aus dem Bereich des maschinellen Lernens ein. Dadurch können Kund*innen eine auf ihn/sie abgestimmte Betreuung erhalten, um eine langfristige Kundenbeziehung sicherzustellen. Wir helfen Ihnen gerne dabei, die Bedürfnisse bzw. Erwartungen Ihrer Kunden besser zu verstehen und Probleme frühzeitig zu erkennen.
Autorin: Jennifer Klar
