Kommentar von Lukas Lötters, Oraylis

Individuelle Kundenansprache in der Energiebranche

| Autor / Redakteur: Lukas Lötters / Nico Litzel

Der Autor: Lukas Lötters ist Senior Data Scientist bei der Oraylis GmbH
Der Autor: Lukas Lötters ist Senior Data Scientist bei der Oraylis GmbH (Bild: Oraylis)

Eine Vertriebsgesellschaft für den Energiesektor nutzt ein ganzheitliches Kundenwertmodell, um ihre Vertragskunden möglichst persönlich mit den passenden Angeboten anzusprechen. Darüber hinaus fungiert die Lösung als Steuerungsinstrument der Unternehmensführung, da sie auch die vielfältige Produktlandschaft des Unternehmens vollständig abbildet. Der Lösungsaufbau gestaltet sich dank des Einsatzes Künstlicher Intelligenz (KI) dabei vergleichsweise einfach.

Die „Individuelle Kundenansprache“ hat sich zum geflügelten Wort für Unternehmen entwickelt. Gleichzeitig handelt es sich um eine der größten Herausforderungen. Denn oftmals sind es Millionen von Kunden mit verschiedenen Produkten und ganz unterschiedlicher Historie, die es zur richtigen Zeit über den richtigen Kanal mit den richtigen Angeboten zu adressieren gilt.

Eine bekannte Vertriebsgesellschaft für den Energiesektor hat zu diesem Zweck eine klassischen Kundensegmentierung auf Basis eines verhaltensbezogenen Scoring-Modells genutzt. Das heißt: Anhand von Eckdaten wie dem Verbrauch, Vertragslaufzeiten und Zahlungsverhalten wurde jeder Kunde in ein Punktesystem eingeordnet und erhielt daraufhin spezifische Angebote. Die Verantwortlichen haben dabei ausschließlich auf kunden- und vertragsbezogene Werte aus der Vergangenheit zurückgegriffen, die über eine Datenbank – die sogenannte Customer Analytics Platform – bereitgestellt wurden.

Jedoch wies diese Vorgehensweise diverse Nachteile auf. Beispielsweise fehlten in der Betrachtung die Erträge, sodass profitable Kunden nur schwerlich von nicht profitablen Kunden zu unterscheiden waren. Ebenso ließen sich Marketing- und Sales-Kampagnen nicht so gut steuern. Endgültig an seine Grenzen stieß das Scoring-Modell, als das Unternehmen sein Angebot – neben dem Vertrieb von Strom und Gas – um energienahe Produkte aus den Bereichen Photovoltaik und Smart Home erweitern wollte.

Aufgrund dessen haben die Verantwortlichen gemeinsam mit einem externen Dienstleister ein ganzheitliches Kundenwertmodell aufgesetzt, das nicht nur eine übergreifende Betrachtung der verschiedenen Produktfelder ermöglicht. Vielmehr lassen sich durch den Einsatz von KI die Chance und Risiken für jeden Kunden individuell abschätzen. Infolgedessen dient die Lösung sowohl der verlässlichen Kampagnensteuerung im Marketing als auch der Produkt- und Angebotsentwicklung. Bemerkenswert ist in diesem Zusammenhang, dass der fachlich sehr komplexen Aufgabenstellung ein verhältnismäßig einfacher, technischer Aufbau zugrunde liegt. Deshalb wird der Nutzen der Lösung zunächst im Mittelpunkt stehen.

Zielsetzungen der neuen Lösung

Für das Kundenwertmodell hat das Unternehmen im Vorfeld verschiedene Zielsetzungen konkret ausformuliert. So sollte sich das Geschäft künftig über die verschiedenen Produktsparten hinweg steuern lassen. Alle neuen Produktgruppen wurden neben den bestehenden in das Modell integriert. Entsprechend war es auch ein Ziel, Potenziale in den verschiedenen Geschäftsbereichen aufzudecken und somit Investmententscheidungen zu unterstützen. Ebenso sollten sich Marketing- und Sales-Budgets anhand eines zukunftsorientierten Kundenwertes effizienter verteilen lassen.

Darüber hinaus wollten die Verantwortlichen die Segmentierung der Kunden zunehmend verfeinern. Nicht zuletzt galt es, eine Brücke zwischen der Analyse und operativem Geschäft zu schaffen – sprich: Gewonnene Erkenntnisse werden auch tatsächlich für das tägliche Geschäft nutzbar gemacht, etwa durch die Integration des Modells in bestehende Call-Center-Anwendungen.

Vor dem Hintergrund dieser Zielsetzungen berechnet das Modell den Wert jedes Kunden – inklusive möglicher Entwicklungspotenziale – einmal pro Woche automatisch und stellt ihn für die weiteren Analysen zur Verfügung. Abgebildet wird jeweils ein Zeitraum über die nächsten vier Jahre. Dabei berücksichtigt das Modell nur Privatkunden sowie kleine, nicht energieintensive Gewerbe, wie zum Beispiel Anwälte oder Friseure. Der Erfolg lässt sich je nach Zielsetzung quantitativ überprüfen und messen. So kann beispielsweise die Abschlussquote bzw. Conversion-Rate von Cross-Selling- oder Tarifwechselangeboten abhängig von der errechneten Affinität des Kunden ausgewertet werden. Ebenso lässt sich die durchschnittliche Wechselwilligkeit von werthaltigen und weniger werthaltigen Kunde vor und nach Kampagnen bestimmen.

Zusammensetzung des Kundenwertes

Das Kundenwertmodell kombiniert vorhandene Daten aus verschiedenen Systemen – wie SAP ISU, CRM, Kampagnensteuerungssystem und manuellen Planwerten –, die mithilfe von KI weiter angereichert und aufbereitet werden. Dabei unterteilt sich die Berechnung des jeweiligen Kundenwertes in drei kundenindividuelle Komponenten: zukünftige Roherträge, erwartete Vertriebskosten sowie mögliche Potenziale. Jede dieser Komponenten setzt sich aus einzelnen Teilberechnungen zusammen.

Die Roherträge bezeichnen die erwarteten Gewinne, die ein Kunden über alle Vertrags- und Produktklassen hinweg einspielt. Je nach Produkt handelt es sich um eine sehr komplexe Berechnung, da viele bewegliche und schwer zu bewertende Faktoren einfließen können. Im Fall von Stromverträgen müssen beispielsweise die Verbräuche des Kunden, Stromeinkaufspreise und Netzentgelte vorhergesagt werden, die vom Kundenumsatz abzuziehen sind. Auch die Wahrscheinlichkeit, mit der ein Kunde den Stromversorger im Laufe der folgenden vier Jahre wechselt, gilt es zu berücksichtigen. Um in diesem Kontext möglichst zuverlässige Vorhersagen treffen zu können, kommen Machine-Learning-Verfahren zum Einsatz, die auf Basis der Historie und Stammdaten des Kunden trainiert werden. Konkret wird Random Forest verwendet, eine gängige, umfassend dokumentierte Klassifizierungsmethodik.

Die variablen Vertriebskosten sind für eine Vertriebsgesellschaft natürlich besonders relevant. Sie unterteilen sich in Kosten für Akquise, Service, Kampagnen sowie das Forderungsmanagement. Die Akquisekosten beziehen sich auf Provisionen und Bonuszahlungen für Neukunden. Je nach Vertriebspartner und Angebot sind diese festgelegt. Indes setzen sich die Servicekosten aus der Kundenbetreuung sowie der Abrechnung zusammen, wobei vor allem der Betreuungsaufwand je nach Kunde variiert – heißt: Kunden, die häufiger das Call Center beanspruchen, erzeugen natürlich auch höhere Kosten. Ebenfalls kundenindividuell sind die Kosten, die Marketing und Vertrieb in Kampagnen investieren. Hier stellt sich die Frage, ob die richtigen Kunden mit einer Kampagne erreicht werden. Und auch die Kosten für das Forderungsmanagement sind von Kunde zu Kunde variabel. Sie umfassen Mahnungen und Forderungsausfälle.

Im Bereich Potenziale soll schließlich analysiert werden, in wie weit Kunden für andere Produkte im Portfolio zu interessieren sind. Auch hier kommt KI mit maschinellem Lernen zum Einsatz. Im Kern geht es darum, potenzielle Kandidaten für ein Up- oder Cross-Selling anhand der Eigenschaften von bereits bestehenden Kunden des betreffenden Produktes zu identifizieren bzw. vorherzusagen. Das Ganze folgt also dem Prinzip, dass Kunden mit ähnlichen Eigenschaften auch für ähnliche Produkte affin sind.

Eine besondere Herausforderung des Projektes war es, das richtige Verhältnis zwischen den Kundenwertkomponenten herzustellen. So mussten die Machine-Learning-Modelle in mehreren Iterationen feinjustiert werden, um letztendlich realistische Ergebnisse zu erzielen.

Kundenwertmodell im Praxiseinsatz

Das Kundenwertmodell und dessen Einsatzszenarien in der Übersicht.
Das Kundenwertmodell und dessen Einsatzszenarien in der Übersicht. (Bild: Oraylis)

Die im Kundenwertmodell gebündelten Informationen sowie resultierende Analysen und Erkenntnisse leisten nunmehr in diversen Unternehmensbereichen gewinnbringende Unterstützung. Dabei reicht das Spektrum von Analysen zu Produkten und Kunden bis hin zum operativen Tagesgeschäft. Ebenso können Analysen in ganz unterschiedlichen Detailgraden und zu ganz unterschiedlichen Themen durchgeführt werden.

Beispielsweise erhalten Management und Entscheider eine Gesamtübersicht über den Wert aller Kunden im Verlauf der nächsten vier Jahre. Im Weiteren lassen sich die Kundenwertdaten über visuelle Analysewerkzeuge mit den vergangenheitsbezogenen Stammdaten aus der Customer Analytics Platform verknüpfen und in verschiedenste Richtungen analysieren. Fragestellungen können in diesem Zusammenhang sein: In welchen Regionen liegt das größte Potenzial? Welche Produktgruppen verursachen die größten variablen Kosten? Oder etwa: Hat das Alter meiner Kunden eine Auswirkung auf deren Wertigkeit?

Durch die wöchentliche Neuberechnung des Kundenwertes können die Verantwortlichen zudem beobachten, wie sich der Wert über die Zeit hinweg entwickelt. Dies wiederrum lässt Schlussfolgerungen zu, ob Maßnahmen wie Preisanpassungen oder In- und Outbound-Aktivitäten die gewünschten Effekte erzielen. Mitunter werden die Ergebnisse von Kampagnen sogar direkt messbar, zum Beispiel wenn sich im Zuge einer erfolgreichen Aktion mit hoher Konversionsrate die Potenziale im Kundenwertmodell in den Bereich der Roherträge verlagern. Daneben ist das Kundenwertmodell der Ausgangspunkt für eine tiefergehende Segmentierung. Hierbei werden die Kunden nach historischen Erträgen sowie künftigen Wertbeiträgen (Rohertrag abzüglich variabler Vertriebskosten) und Potenzialen gruppiert. Daraus ergeben sich dann gruppenspezifische Handlungsempfehlungen. So können Kundengruppen mit geringem Wertbeitrag in der Vergangenheit und zugleich großen Potenzialen in der Zukunft interessante Kandidaten für Cross-Selling-Maßnahmen sein.

Allgemein bietet das Kundenwertmodell viele Möglichkeiten, um Analysen direkt in operative Maßnahmen für das Tagesgeschäft zu übersetzen. Ein beispielhaftes Anwendungsgebiet ist die Selektion in Vertriebskampagnen: Aufgrund von prognostizierten Affinitäten können die Nutzer jene Kunden mit dem vermutlich größten Interesse an einem bestimmten Produkt individuell auswählen. Ähnliches gilt für das Churn Management: Auf Basis von verfügbaren Kundeninformation etwa zu Produkt, Vertragslaufzeit oder Zahlungs- und Kontaktverhalten können mit Machine Learning kündigungsgefährdete Kunden identifiziert werden. Sprich: Anhand des Modells lässt sich nachvollziehen, welche Merkmale ein Kunde aufweist, der mit hoher Wahrscheinlichkeit kündigen wird. Auf diese Weise können die Verantwortlichen frühzeitig Gegenmaßnahmen etwa in Form spezieller Angebote einleiten, um der Kundenabwanderung proaktiv entgegenzuwirken. Dabei zeigt sich ein weiterer Vorteil des Modells: Es deckt versteckte Zusammenhänge auf, durch die Experten ihr angeeignetes Wissen und langjährige Arbeitshypothesen überprüfen können. Denn: Im Unterschied zur menschlichen Intuition, lassen sich Entscheidungen und deren Einflussfaktoren bei einem solchen Modell nachvollziehbar und transparent machen.

Handlungsempfehlungen für Mitarbeiter

Einen besonderen Nutzen bietet die Lösung den Mitarbeitern mit direktem Kundenkontakt, wie zum Beispiel Call Center Agents. Im Gespräch werden für jeden Kunden automatisch sogenannte Next-Best-Activities (NBAs) erzeugt – sprich: konkrete Empfehlungen für den Mitarbeiter, wie er den Kunden gezielt unterstützen und/oder weiterentwickeln kann. Zu diesem Zweck werden die Potenziale, Kostenstrukturen und Erträge aus dem Kundenwertmodell herangezogen. Daneben gibt es noch weitere NBAs, die auf den Stammdaten der Customer-Analytics-Plattform beruhen. Ein Beispiel ist der Hinweis, ob der Kunde ein Opt-In für den direkten Kontakt hinterlegt hat. Dies ist vor allem bei der Kampagnenselektion relevant, da der Kunde in diesem Kontext nur mit erteiltem Opt-In angesprochen werden darf.

Die NBAs zeichnen somit ein zusammenhängendes Bild, auf dessen Grundlage der Kunde individuell beraten werden kann. Dem Mitarbeiter wird dadurch die Kommunikation deutlich erleichtert. Er hat einen vollständigen Aktionsplan vor Augen, dem er strukturiert folgen kann. Wiederholungen werden vermieden, da bereits getätigte Empfehlungen vom jeweiligen Bearbeiter hinterlegt werden. Und auch der Kunde zeigt sich im Regelfall zufrieden. Er fühlt sich durch die Angebote persönlich angesprochen und individuell betreut.

Technischer Aufbau der Lösung

Großer Nutzen versus geringer Aufwand: Die Architektur hinter der Kundenwertlösung ist relativ einfach.
Großer Nutzen versus geringer Aufwand: Die Architektur hinter der Kundenwertlösung ist relativ einfach. (Bild: Oraylis)

Der vielfältige Nutzen und die fachlichen Herausforderungen des Projektes legen nahe, dass sich dahinter ein entsprechend komplexer, technischer Aufbau verbirgt. Tatsächlich ist die Lösung aber verhältnismäßig einfach gehalten. Von vornherein lautete die Zielsetzung, die bestehende Infrastruktur aus Server und Datenbanken zu bewahren. Sowohl die Technologien als auch das vorhandene Know-how sollten möglichst umfassend weitergenutzt werden. Daher erfolgt die gesamte Datenhaltung sowie ein Großteil der Datenverarbeitung über einen SQL Server auf lokalen Ressourcen. Er beherbergte schon im Vorfeld die Customer Analytics Platform mit allen Informationen zu Kunden und Verträgen. Die Plattform als solche wird vom Fachbereich betrieben. Es handelt sich um eine flexible Arbeitsumgebung für diverse Anwendungen rund um das Thema Kunden- und Marktanalyse, so unter anderem für das neue Kundenwertmodell. Derweil werden die Daten für das Kundenwertmodell über Business Object Data Services aus einem SAP BW geliefert. Mit Power BI kommt schließlich ein Visualisierungstool zum Einsatz, das ebenfalls schon im Unternehmen etabliert war. Damit fügt sich die Kundenwertlösung nahtlos in das bestehende Umfeld ein und läuft sehr stabil.

Indes wurde für das Training des Machine-Learning-Modells und die Erstellung der Prognosen ein separater Server mit größeren Mengen an Arbeitsspeicher und CPUs bereitgestellt. So lassen sich Lastprobleme auf dem Datenbankserver umgehen. Entwickelt wurde die KI-Komponente mit der Open-Source-Software R. Ausschlaggebend für die Wahl war vor allem die große, aktive Community hinter der Software. Ebenso bewusst fiel die Entscheidung auf Random Forest als Machine-Learning-Verfahren. Es ist gut verprobt und läuft sehr zuverlässig, sodass es keiner allzu intensiven Pflege bedarf. Die Trainingszeiten sind überschaubar. Und auch die Entscheidungsprozesse innerhalb des resultierenden Modells sind für den Nutzer einfach nachzuvollziehen.

Besonders bemerkenswert an der Gesamtlösung ist sicherlich, dass trotz der vielschichtigen Anforderungen auf Cloud-Services vollständig verzichtet werden konnte. Den Ausschlag hierfür geben die genutzten Datenmengen, die durchaus noch mit lokalen Ressourcen zu bewältigen sind. Allerdings ist die Lösung so ausgelegt, dass sie grundsätzlich auch auf einer Cloud-Plattform betrieben und somit relativ einfach überführt werden könnte.

Das gesamte Projekt wurde im November 2018 gestartet. Die Beteiligten haben von Beginn an auf ein agiles Vorgehen nach Scrum-Methodik gesetzt, da die technischen Herausforderungen im Vorfeld wie auch die Machbarkeit des Ansatzes schwer einzuschätzen waren. Der erste Prototyp wurde nach drei Monaten in Betrieb genommen und seitdem stetig weiter agil ausgebaut. Das Projektteam besteht im Kern aus einem fachlichen Experten und Analysten des Unternehmens sowie einem Data Scientist aufseiten des Dienstleisters, der die technische Umsetzung verantwortet. Das Kundenwertmodell läuft im produktiven Regelbetrieb und wird vom Betriebsteam der Customer-Analytics-Plattform betreut.

Fazit

Das Fallbeispiel zeigt also, dass modernen Analyseszenarien – etwa aus dem Bereich KI – nicht zwangsläufig brandneue Technologien und hochkomplexe Architekturen erfordern. Vielmehr ist der Lösungsaufbau auf Basis des SQL Servers sowie eines gesonderten KI-Servers vergleichsweise einfach, aber dafür sehr effektiv. Der Einsatz von Open Source Software spart wertvolle Ressourcen, die in die weitere Entwicklung des Modells investiert wurden. Zudem läuft die Lösung durch die Integration in ein bestehendes Umfeld sehr stabil und zuverlässig.

So hat das ganzheitliche Kundenwertmodell schnell eine hohe Akzeptanz im Unternehmen gefunden. Es ermöglicht eine individuelle und zugleich wertorientierte Ansprache jedes einzelnen Kunden. Somit ist es zu einem festen Bestandteil in der täglichen Arbeit der Mitarbeiter in Sales, Marketing und Service geworden. Darüber hinaus dienen die resultierenden Erkenntnisse als valide Grundlage für strategische Entscheidungen auf Managementebene. Erste Auswertungen zeichnen ein positives Bild der messbaren Erfolgskennzahlen, vor allem hinsichtlich der Conversion-Rate bzw. Abschlussquote von Tarifwechseln sowie Cross-Selling-Angeboten für affin eingeschätzten Kunden. Das Modell wird iterativ weiterentwickelt, um die Qualität der Prognosen weiter zu optimieren.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46357408 / Best Practices)