Data Mining minimiert Streuverluste
10 Tipps für den erfolgreichen Einsatz von Data Mining
(Den Artikel als PDF downloaden)

In den letzten Jahrzehnten ist die Kundenbasis in den Unternehmen stetig gewachsen. Waren die Daten früher nur in Papierform nachschlagbar, sind Sie heute aufgrund der vorliegenden Serverinfrastrukturen meist strukturiert erfasst und gezielt auswertbar. Das Data Mining unterstützt dabei das Marketing bei der Aufgabe affine Kunden für Produkte oder Kampagnen zu ermitteln und so Streuverluste zu minimieren und den Gewinn zu steigern.

Cintellic hat 10 Tipps zusammengetragen, die Sie unterstützen sollen, Ihre Scores effizient und effektiv einzusetzen:

1. Verankern Sie Scores in der Organisation
Um Data Mining erfolgreich zu machen muss in den Fachbereichen, die diese einsetzen, ein Verständnis für den Aufbau und Nutzen von Scores (dieser kann eine Wahrscheinlichkeit für einen Produktkauf sein, für Kündigung oder Affinitäten) geschaffen werden. Gehen Sie auf die Kollegen zu und besprechen Sie Fallbeispiele, einzelne Produktscores oder mögliche Optimierungsergebnisse z.B. von Kampagnen. Geben Sie den Kollegen zudem regelmäßig Rückmeldungen, wenn sich Scores aufgrund der Kunden- oder Produktstruktur verändern und extrahieren Sie die Unterschiede, die marketingrelevant sind z.B. hinsichtlich der Kampagnensteuerung. So verankern Sie den Mehrwert der Scores bei den Kollegen, die diese bald nicht mehr missen möchten.

2. Schaffen Sie die Datenbasis für eine aussagekräftige Analyse
Um gute Scores zu erstellen wird immer eine ausreichende Zahl Kunden oder Responder (Kunden, die auf die Kampagne reagieren) benötigt. Erfassen Sie Ihre Kundendaten strukturiert und automatisiert und ermöglichen Sie so eine analytisch fundierte Auswertung.

Gerade im Bereich der Kampagnensteuerung ist es für eine spätere Analyse wichtig, bereits beim Aufbau der Daten die Kontrollgruppe zu bedenken. Eine Erfassung der Responder einer Kampagne im Vergleich zur Kontrollgruppe ermöglicht später eine Aussage über den Erfolg der Kampagne (und damit indirekt auch über den Score). Sichtbar wird der Erfolg indem die angesprochene Gruppe und die Kontrollgruppe jeweils ausgewertet werden und der Uplift (der Netto-Effekt der Kampagne) zwischen den beiden Gruppen ermittelt wird. So kann die wirkliche Auswirkung der Kampagne, ermittelt werden.

3. Datenqualität
Das Erfassen der Daten allein genügt jedoch leider nicht. Für gutes Data Mining ist essentiell, dass die Datenqualität gut ist. Dies betrifft meist die korrekte Erfassung der Daten – besonders wenn einer der Schritte der Datenerfassung manuell ausgeführt wird. Oft liegen in Datenbanken viele Kundendaten vor, bei denen einzelne Merkmale falsch oder überhaupt nicht befüllt sind. Dabei stellt sich in erster Linie die Frage, warum die Daten fehlerhaft oder nicht befüllt sind und ob sie dennoch analytisch eingesetzt werden können. Des Weiteren sollte man prüfen, woher diese Fehlwerte kommen, um systemtechnisch gegensteuern zu können.

4. Analytische Systeme und Automatisierung
Um Data Mining schnell und effizient einsetzen zu können, ist es wichtig, die passende analytische Infrastruktur im Haus aufzubauen und die entwickelten Scores, sobald sie mehrfach im Einsatz sind, für eine automatisierte Bewertung im System vorzuhalten. Insbesondere bei Scores zu Produkten oder Kundenverhalten empfiehlt sich eine monatliche Berechnung der Scores und ein Bereitstellen der Informationen in einer gesonderten Tabelle in der Datenbank.

5. Kommunikation des Kundenprofils und der Scoreinhalte
Oft verstehen die Marketing Manager zwar warum Scores sinnvoll sind, reiben sich aber an einem einzelnen Score, der ihr Produkt oder ihre Kampagne in ein schlechtes Licht rückt oder zu gering bewertet. Um dies zu vermeiden, ist es empfehlenswert frühzeitig mit dem Kundenprofil des Produkts oder der Kampagne sowie den Ergebnissen des Scores und wie es zu Ihnen kommt auf die zuständigen Manager zuzugehen, um die Ergebnisse zusammen zu verstehen und weiterzuentwickeln.

6. Einheitliche Skalierung der Scores
Wenn viele Scores in einem Unternehmen im Einsatz sind, herrscht des Öftern die Problematik vor, dass unklar ist für welche Wahrscheinlichkeit welcher Score steht. Hier empfiehlt sich neben einer eindeutigen Namensgebung - damit klar erkennbar ist, welcher Score zu welchem Produkt/Kundengruppe gehört - ein eindeutiger Nummernkreis für jede Produkt- oder Kampagnenart. Dadurch können Fehlsteuerungen oft schon durch eine einfache Sichtprüfung vermieden werden.

7. Regelmäßige Validierung der Scores
Die Prozesse in einem Unternehmen ändern sich tagtäglich. Um die Scores langfristig und effizient einsetzen zu können, müssen diese regelmäßig validiert, d.h. an aktuellen Kundenzahlen überprüft werden. So kann Stabilität und eine hervorragende Prognosekraft sichergestellt werden.

8. Regelmäßige Champion-Challenger Tests zur Weiterentwicklung
Oft kommen gerade im Bereich der Analyse neue Ideen auf, die eines Tests bedürfen. Dabei ist es ratsam ein Modell im herkömmlichen Sinn zu entwickeln sowie ein Modell mit neuen Merkmalen, Herangehensweisen, etc. und die Modelle sowie ihren Nutzen im Anschluss in einem Champion-Challenger Test auszuwerten. Nach Auswertung des Tests kann dann fundiert entschieden werden, welcher der Scores in Zukunft weiter verwendet werden soll. Diese stetige Verbesserung sollte auch unbedingt in alle Bereiche des Unternehmens, die mit Scores arbeiten, kommuniziert werden.

9. Erfassen Sie Kundenreaktionen und bringen Sie diese zurück ins System
Um die Scores konsequent weiter zu entwickeln, ist es wichtig jede Kundenreaktion zu erfassen und in der Datenbank abzulegen. So kann jede Erfahrung mit dem Kunden eines Tages automatisiert ausgewertet werden. Bereits heute ist ersichtlich, dass das Kundenverhalten meist den wertvollsten Beitrag zur Prognose des zukünftigen Verhaltens darstellt.

Zudem dient diese Datenbasis zur Auswertung von Triggern, die eine zusätzliche Steuerungsdimension im Marketing eröffnen. So können z.B. Kunden mit einer Beschwerde, hinsichtlich ihrer Abwanderungsgefahr analysiert und noch gezielter angegangen werden.

10. Abstimmung mit Fachbereichen zum Einsatz der Scores und der Steuerung
Der Analyst versteht seinen Score wie kein anderer und sollte ihn deshalb unbedingt beim Einsatz im Unternehmen begleiten. Dies reicht von der Festlegung des geeigneten Schwellenwerts zur Steuerung (Cut-Off) bis zur optimalen Ausrichtung der Prozesse, um das Modell einzusetzen.

Die Kollegen im Marketing freuen sich hier meist über fundierte Unterstützung und lernen gerne, wie man die unterschiedlichsten Scores am besten einsetzt. Nutzen Sie Ihre Chancen die Kollegen optimal mit analytischen Erfahrungen und Data Mining zu unterstützen und so die Kundenprozesse in Ihrem Unternehmen noch gezielter zu gestalten und zu erweitern.


Praxistipps für erfolgreiches Data Mining

Die Cintellic Consulting Group hat aus unterschiedlichen Branchen und Programmen die Best Practices zusammengestellt, die Sie bei der Einführung von Data Mining Methoden unterstützen können. Laden Sie sich hier den vollständigen Artikel herunter und erfahren Sie mehr über die Tipps zum Einsatz von Data Mining: Download pdf "Tipps Data Mining"