Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
Customer Lifetime Value-Modellierung
beim Multishop-Unternehmen myToys
myToys Group | b.telligent
Berlin
04.11.2015
Julian...
Kurzvorstellung der MYTOYS GROUP
2
1999
Gründung
myToys.de
2001
Beteiligung
Otto Group
2004
EU-
Versand
2006
Stationär
200...
Kurzvorstellung b.telligent
Inhabergeführt, rund 100 Berater
Spezialisiert auf Business Intelligence, CRM und E-
Commerce
...
Kundenwert als Kennzahl bei myToys
4
…zur Beantwortung wichtiger operativer und strategischer Fragen:
 Welche Kundengrupp...
Erwartungen an den CLV
zum Start des Projekts mit b.telligent:
Bewertung des Zukunftspotenzials
verschiedener Kundensegmen...
Projektvorgehen
6
2015
Januar Februar März April
Projektstart,
Workshops
Aufbau spezialisierte
Datengrundlage
Feature Engi...
Welche Algorithmen sind für eine CLV-
Prognose gut geeignet?
7
Klassische
Regressionsansätze?
Random Forest?
Neuronale Net...
Prognosegüte
Tuningaufwand
Deployment
Transparenz /
Erklärbarkeit
Lineare Regression
Random Forest
Neuronale Netze
Algorit...
Steuerung von
Akquisitionskanälen
Steuerung von
Direktmarketing-
aktionen und
Kundenvorteilen
Modellierungsstrategie
9
Neu...
Achtung Faustregel!
Prädiktoren: Je dichter an der
Kaufentscheidung, desto besser
10
Prognoseziel: zukünftige
Kaufentschei...
Prädiktoren:
Relevante Zeitpunkte und Zeitintervalle
11
Zeit
Prognose-
zeitpunkt
12 Monate (Bestandskunden)
bzw.
3 Monate ...
Anwendungen in der Operative
Bewertung des Zukunftspotenzials
verschiedener Kundensegmente
CLV
z.B.
Sortiment
Selektion un...
Nächste Schritte
 Etablierung der Kundenwertprognose als Frühwarnsystem in der
Marketingsteuerung
 Bewertung der längerf...
Fragen?
Back up
15
Literatur
16
[1] Edward C. Malthouse, „The Results from the Lifetime Value and Customer Equity
Modeling Competition“, Jour...
Nächste SlideShare
Wird geladen in …5
×

Mehr als A-/B-/C-Kunden: Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys

1.232 Aufrufe

Veröffentlicht am

Der Customer Lifetime Value (CLV) entwickelt sich immer mehr vom Steuerungsinstrument der Vorreiter zur etablierten Marketingkennzahl. Einblick in die praktischen Herausforderungen, die auf diesem Weg zu beantworten sind, erlaubt die Einführung des CLV bei myToys. Aus einer Customer Lifetime Value-Perspektive eröffnet das Multishop-Konzept bei myToys die Chance, besser zu verstehen, wie verschiedene Sortimente und Kundengruppen den Vorhersageerfolg beeinflussen. Der Vortrag liefert übertragbare Erkenntnisse zur Algorithmenwahl für den Customer Lifetime Value. Die Präsentation zeigt außerdem, wie der Transfer geschäftlichen Wissens aus der Erfahrung der Unternehmensexperten in ein CLV-Modell gelingen kann und geht auf Erfolgsfaktoren innerhalb und außerhalb der statistischen Modellierung ein, zum Beispiel die Wahl der Ziel-KPI, eine effiziente Datenaufbereitung und vieles mehr.

Veröffentlicht in: Daten & Analysen
  • Als Erste(r) kommentieren

Mehr als A-/B-/C-Kunden: Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys

  1. 1. Customer Lifetime Value-Modellierung beim Multishop-Unternehmen myToys myToys Group | b.telligent Berlin 04.11.2015 Juliane Homuth | Dr. Michael Allgöwer
  2. 2. Kurzvorstellung der MYTOYS GROUP 2 1999 Gründung myToys.de 2001 Beteiligung Otto Group 2004 EU- Versand 2006 Stationär 2007 erster Katalog 2010 ambellis.de 2013 mirapodo limango & Start Multishop-Konzept
  3. 3. Kurzvorstellung b.telligent Inhabergeführt, rund 100 Berater Spezialisiert auf Business Intelligence, CRM und E- Commerce Dediziertes Data-Science-Team ...mehr Details: www.btelligent.com 3
  4. 4. Kundenwert als Kennzahl bei myToys 4 …zur Beantwortung wichtiger operativer und strategischer Fragen:  Welche Kundengruppen sind besonders wertvoll?  Welches Kaufverhalten erhöht den Kundenwert?  Von welchem Kanal kommen unsere besten Kunden?  Wieviel kann ich in die Akquise investieren? Gezielte Akquise (voraussichtlich) profitabler Kunden Maximierung des Kundenwerts je Kunde Ableitung von Handlungs- empfehlungen an das Marketing:
  5. 5. Erwartungen an den CLV zum Start des Projekts mit b.telligent: Bewertung des Zukunftspotenzials verschiedener Kundensegmente CLV z.B. Sortiment Selektion und Ausschluss von Einzelkunden Abbildung des zukünftigen Deckungsbeitrags für die kommenden x Jahre Budgetoptimierung der Marketingkanäle bei der Neukundenakquise 5 JahreErstkauf = € ???
  6. 6. Projektvorgehen 6 2015 Januar Februar März April Projektstart, Workshops Aufbau spezialisierte Datengrundlage Feature Engineering und Modellierung Coaching Sessions Deployment und Projektabschluss Weiter- entwickung inhouse
  7. 7. Welche Algorithmen sind für eine CLV- Prognose gut geeignet? 7 Klassische Regressionsansätze? Random Forest? Neuronale Netze? Ganz andere Verfahren? Ja! Ja! Ja! Ja! Entscheidend: • nicht der Algorithmus. Sondern: • Datenbeschaffung und –aufbereitung • Verständnis des Geschäfts / der Inhalte • Feature Engineering und Modellierungsstrategie (bei Interesse: nachlesen bei Malthouse [1]).
  8. 8. Prognosegüte Tuningaufwand Deployment Transparenz / Erklärbarkeit Lineare Regression Random Forest Neuronale Netze Algorithmenwahl: mehr als nur Prognosegüte 8
  9. 9. Steuerung von Akquisitionskanälen Steuerung von Direktmarketing- aktionen und Kundenvorteilen Modellierungsstrategie 9 Neukunden 6 Monate Ausschluss Akquisitionskanal als Prädiktor Kundengruppe Prognosehorizont Besonderheiten Bestandskunden 12 Monate -- Kundengruppe Prognosehorizont Besonderheiten Zusätzlich: Differenzierung nach Business Unit Insgesamt: 2*4 = 8 Modelle myToys ambellis mirapodo alle Business Units
  10. 10. Achtung Faustregel! Prädiktoren: Je dichter an der Kaufentscheidung, desto besser 10 Prognoseziel: zukünftige Kaufentscheidungen vergangene Kauf- entscheidungen vergangene Kaufanreize sonstige Merkmale: Geographie, Einkommen, Alter,… Verwendungszweck Konkrete Erfahrungen myToys-Group Umsätze, Anz. Bestellungen, etc. differenziert nach Sortimentskategorien Kanalinformationen Geographie: Kleinstadt und Land Anteil rabattierte Bestellungen, etc. kaum passende Daten PLZ-Bereiche, Geschlecht, Alter, div. weitere Variablen
  11. 11. Prädiktoren: Relevante Zeitpunkte und Zeitintervalle 11 Zeit Prognose- zeitpunkt 12 Monate (Bestandskunden) bzw. 3 Monate (Neukunden) erstes Kaufereignis letztes Kaufereignis
  12. 12. Anwendungen in der Operative Bewertung des Zukunftspotenzials verschiedener Kundensegmente CLV z.B. Sortiment Selektion und Ausschluss von Einzelkunden Abbildung des zukünftigen Deckungsbeitrags für die kommenden x Jahre Budgetoptimierung der Marketingkanäle bei der Neukundenakquise 5 JahreErstkauf = € ???
  13. 13. Nächste Schritte  Etablierung der Kundenwertprognose als Frühwarnsystem in der Marketingsteuerung  Bewertung der längerfristigen Wirkung von Marketingmaßnahmen  Analyse der Effektstärken der einzelnen Variablen im Modell auf den CLV  Weiterentwicklung des Modells
  14. 14. Fragen?
  15. 15. Back up 15
  16. 16. Literatur 16 [1] Edward C. Malthouse, „The Results from the Lifetime Value and Customer Equity Modeling Competition“, Journal of Interactive Marketing 23 (2009) 272–275, online: www.researchgate.net/publication/236520992_The_Results_from_the_Lifetime_Val ue_and_Customer_Equity_Modeling_Competition

×