Sie wünschen mehr Informationen oder haben eine Frage? Schreiben Sie uns:
Wie Bestandsdaten zu passgenauen Empfehlungen und höherem Umsatz führen.
Kunden die für sie passenden und nutzbringenden Produkte oder Services anbieten zu können, ist essenzieller Bestandteil eines jeden vertriebsorientierten Unternehmens und Mittelpunkt einer erfolgreichen Beratungsleistung. Kunden wünschen ein auf Sie angepasstes, individuelles und vor allem nutzbringendes Angebot. Unpassende Produkte oder Angebote zur falschen Zeit können dagegen schnell einen unseriösen und unpersönlichen Eindruck erwecken und das Kundenvertrauen in den Anbieter stören.
Beispiel:
Ein Kunde, welcher sich für einen günstigeren Stromvertrag interessiert, wird wahrscheinlich stutzen, wenn ein Anbieter ihm dazu eine Hausratsversicherung anbieten würde. Umgekehrt könnte sich der Kunde allerdings interessiert zeigen, wenn ihm zum Stromvertrag auch ein günstigerer Gasvertrag oder eine Handreichung zum Energiesparen im Alltag angeboten werden würde. Womöglich würde sich der Kunde dann auch gleich für einen höherwertigen Kombivertrag zu günstigeren Konditionen im Vergleich zum Einzelabschluss entscheiden.
Doch wie kann ich herausfinden und wissen, welche Angebote für einen Kunden infrage kommen oder welche Leistungs- oder Produktkombinationen infrage kommen könnten?
Mit Data Mining ist es möglich, diese Informationen und Zusammenhänge sichtbar und in Form von Empfehlungssystemen nutzbar zu machen. Und das mit unternehmensinternen Datenbeständen.
Schema wie mit Data Mining Assoziationsmuster aus Bestandsdaten extrahiert werden können.
Um solche Zusammenhänge sichtbar zu machen, gibt es im Data Mining verschiedene Verfahren und Wege. Eines der bekanntesten Verfahren ist die sogenannte Assoziationsanalyse, welche auch häufig als Warenkorbanalyse bezeichnet wird.
Als Ausgangspunkt bzw. Grundlage dienen Bestandsdaten, in welchen Kunden und deren jeweiligen Produkt- oder Vertragshistorien abgebildet sind. Wichtig dabei ist, dass die unterschiedlichen Vertragsabschlüsse oder Produkte eindeutig einem (anonymen) Nutzer zugeordnet werden können. Falls beispielsweise ein Unternehmen unterschiedliche Vertrags- oder Produktabteilungen hat, mit jeweils eigener und geschlossener Datenhaltung, dann müssten diese zuerst aggregiert werden. Nur so kann man feststellen, wie viele unterschiedliche Produkte bereichsübergreifend einem Kunden zugewiesen werden können.
Auf diesen (aggregierten) Bestandsdaten können nun Verfahren der Assoziationsmuster- und Sequenzmustererkennung angewendet werden. Bei diesen Verfahren wird vereinfacht gesagt, versucht, Wahrscheinlichkeiten für Schnittmengen und Konstellationen von einzelnen Produkten zu errechnen. Diese Wahrscheinlichkeiten werden im Anschluss in Form von "Wenn ..., dann ..."- Regeln extrahiert:
Beispiel 1:
"Wenn ein Nutzer einen Stromvertrag abgeschlossen hat, dann schließt er mit 90% Wahrscheinlichkeit auch einen Gasvertrag ab"
Beispiel 2:
"Wenn ein Kunde zuerst eine Hausratsversicherung abgeschlossen hat und danach in einem Zeitraum von 3 Monaten eine Gebäudeversicherung, dann wird er mit 70% Wahrscheinlichkeit in den nächsten 2 Wochen auch eine Elementarschadenpolice abschließen"
Dieser Prozess wird als Regelinduktion bezeichnet und ermöglicht die direkte Wissensextraktion auf Basis von Data Mining.
Durch die während des Data Mining extrahierten Regeln lassen sich im Anschluss ganz konkrete Handlungsempfehlungen und Maßnahmen ableiten. Diese könnte in Form von selbstlernenden Empfehlungssystemen auch vollkommen automatisiert ablaufen und zu folgenden Ergebnissen führen:
