Kundenkarten und Machine Learning @MediaMarktSaturn
•
0 gefällt mir•293 views
Präsentation von den DataScience Days der LMU (Ludwig-Maximilians Universtität München) vom 20.03.2018. Zwei Anwendungsfälle für Machine Learning auf Basis von Kundenkartendaten.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie Kundenkarten und Machine Learning @MediaMarktSaturn
Ähnlich wie Kundenkarten und Machine Learning @MediaMarktSaturn (20)
Kundenkarten und Machine Learning @MediaMarktSaturn
- 1. KUNDENKARTENDATEN & MACHINE LEARNING Die neue Welt der Möglichkeiten für MediaMarktSATURN
- 2. Agenda 1 Wer wir sind 2 2 Anwendungsbeispiele für Machine Learning + CRM Daten
- 3. WER WIR SIND
- 4. Data Science Konferenz 2018 Wer wir sind 4 Wir betreiben CRM für die Marken MediaMarkt & Saturn MMS 22 Mrd. € Umsatz in >1000 Stores europaweit 98% Markenbekanntheit in DE Tochter der CECONOMY AG redblue Stefan Kirschnick 550 Mitarbeiter Seit 39 J. erfolgreich Eines der größten Budgets für Marketing in Europa Expert Customer Analytics 1 J. @ redblue 3 J. @ PAYBACK 2 J. @ emnos 26 Produkte gekauft 1.175 € ausgegeben 21% AVG Openrate Top 1% Affinität VR-Brillen
- 5. Data Science Konferenz 2018 Beide Marken vereinen bereits 14 Mio. Kunden in den CRM Programmen 5 Als CRM Bereich bauen wir die Kundenbindungsprogramme für MediaMarktSaturn auf MediaMarkt Club Häufig einkaufen & Geschenke kassieren Bits sammeln & ins nächste Level aufsteigen SATURN CARD 14 Mio. Kunden in 9Ländern
- 7. Data Science Konferenz 2018 7 TO IMPROVE OUR DECISION MAKING Mahatma Gandhi* THE GOAL OF MACHINE LEARNING IS
- 8. Data Science Konferenz 2018 Ziel: Entscheidungen unterstützen im gesamten Unternehmen… 8 Unsere CRM Programme sollen uns dabei helfen, ein kundenzentrierter Retailer zu werden Produkte Preis Service Bezahlung Direkt- marketing Sortiment Logistik Store- konzepte TRADITIONELL KUNDENZENTRIERT Daten Technologien Menschen
- 9. Data Science Konferenz 2018 9 ENTSCHEIDUNG Wir möchten über einen Newsletter die neue GOPRO HERO6 Actioncamera promoten. Welche Kunden kontaktieren wir? Welche Kunden sind besonders affin für ein bestimmtes Thema oder Produkt? KUNDENZENTRIERTES DIREKTMARKETING ? Erstes Beispiel für Anwendung von Machine Learning
- 10. Data Science Konferenz 2018 Machine Learning hilft uns die richtigen Kunden zu finden… 10 Klassifikationsverfahren zur Kaufwahrscheinlichkeitsprognose Klassifikationsproblem LOOK-A-LIKE MODELS/SCORECARDS /PROPENSITY MODELS Prognose der Kaufwahrscheinlichkeit KÄUFER VS NICHTKÄUFER
- 11. Data Science Konferenz 2018 Unser Weg der Modellentwicklung führt über 3 zentrale Schritte 11 • Modellverfahren (Logistische Regression,Entscheidungsbaum, Neuronales Netz) • Feature Selektion: forward stepwise • Definition Zielgröße (0,1) und Zeitfenster • derzeit ca. 300 Features (Bins, Flags, metrisch i.e. Soziodemo, Kaufverhalten, Newsletter- verhalten) • Aufbereitung via SQL + SPSS • Train/Test Split • ROC Chart/AUC • Responsecurves für Cutoffempfehlungen • Plausibilität / Kosten - Nutzen DATENAUFBEREITUNG MODELLIERUNG EVALUATION
- 12. Data Science Konferenz 2018 Sowohl in der Analytik als auch in Marketingkennzahlen hilft uns der Einsatz dieses Ansatzes 12 Ergebnis • ~2-4x Steigerung der Conversionrates • Erhöhung Open- und Clickraten Newsletter • Steigerung Kundenverständnis durch Aufbau einer Vielzahl von Modellen • Regelwerk -> relevante Features inkl. Einflussstärke
- 13. Data Science Konferenz 2018 Entscheidungen unterstützen im gesamten Unternehmen… 13 Unsere CRM Programme sollen uns dabei helfen, ein kundenzentrierter Retailer zu werden Produkte Preis Service Bezahlung Direkt- marketing Sortiment Logistik Store- konzepte TRADITIONELL KUNDENZENTRIERT Daten Technologien Menschen
- 14. Data Science Konferenz 2018 14 ENTSCHEIDUNG Wie soll ich meinen Warengruppenbereich auf der Website und im Store anordnen? Kauft unser Kunde nach Marke, dann Preis und dann Technik ein? KUNDENZENTRIERTES SORTIMENT/STORE LAYOUT
- 15. Data Science Konferenz 2018 Wir ermitteln den Entscheidungsbaum analytisch aus Kundenperspektive 15 Product 1 Product 2 Product 3 Product 4 Product 5 Product 6 Product 7 Product 8 Product 9 Product .. Produktgruppe weist homogene Käufer-/ Interessentenstruktur auf … … … … … … … … … … Produktgruppe erfüllt gemeinsames Bedürfnis (need unit) -> Produkte sind „ähnlich“ aus Kundensicht Produkte der Gruppe sind Substitute oder Komplemente 2 1 3 Kundenentscheidungsbaum Wir identifizieren Ähnlichkeitsstrukturen im Produktsortiment auf Basis von CRM-Daten. (= aus Kundensicht, nicht aus Produktfeaturesicht) Kundenentscheidung Produktclusterung
- 16. Data Science Konferenz 2018 Wir durchlaufen einen Prozess von 3 Schritten 16 Insbesondere die Interpretation ist anspruchsvoll und zeitaufwändig o hierarchisches Clusterverfahren (agglomorativ, Ward-Verknüpfung) o Visualisierung über Dendrogram • Auswahl Produktset zur Analyse • Distanzmatrix der Produkte berechnen • Jaccard (gleiche Kunden) • euklidische (ähnliche Kunden) • Basket und Produktkennzahlen (i.e. Preis) • Kundenprofile (i.e. Alter, Geschlecht) • Kooperation mit Category Management (Expertenwissen) Bildung sinnvoller ProduktgruppenProduktähnlichkeiten aus Kundensicht ermitteln Zusammenfassung Produkte PRODUKT- ÄHNLICHKEITEN CLUSTERUNG INTERPRETATION + IDENTFIKATION
- 17. Data Science Konferenz 2018 Im Warenbereich Konsolen Hardware sehen wir folgendes Ergebnis 17 Other handhelds Early Gen Consoles Pre-Order Offline Player Mode Online Player Mode Lifestyle handhelds Ergebnis Derzeit bei MSH Erfahrungen sammeln (Prozess). Im LEH bereits erfolgreich eingesetzt.
- 18. UND WAS UNS NOCH FEHLT
- 19. Data Science Konferenz 2018 19 WE WANT YOU www.redblue.de
- 20. Vielen Dank