Kundenwertprognosen (CLV) sind nur was für die Data-Science oder BI-Abteilung? Weit gefehlt! Warum die bisher nur wenige Unternehmen den CLV gekonnt umsetzen und was Sie jetzt machen können, sehen und hören Sie in dieser Webinar-Reihe.

1. Mein erster Predictive CLV:
Dr. Markus Wübben, Co-Founder & CDO, CrossEngage
LUNCH BREAK SESSIONS
So maximieren Sie Ihren CLV
Part. 1 Part. 2 Part. 3
Erstellt in 15 min,
ohne Programmierung!

2. Was ist der CLV?

3. 20 %
Nicht
profitable
Kund:innen
60 %
Profitable
Kund:innen
20 %
Sehr
profitable
Kund:innen
Customer Lifetime Value (CLV) ist der durchschnittliche Wert, den Kund:innen
während ihres gesamten „Kundenlebens“ für ein Unternehmen haben und
auch zukünftig haben werden.
Anzahl
der
Kund:innen
Zeit

4. Beispiel CLV Use Cases
Investmenthöhe:
CAC, Promotions, etc
Froschkönig Reaktivierung Look-alike
Modelling
Priorisierung:
Call-Center, Mailings
Produktanalyse Kanalanaylse Kampagnen-
analyse

5. Use Cases entlang des Kundenlebenszyklus
in Kombination mit Angeboten, Incentives, Kanälen, Zeitpunkten, ...
120
20
40
60
80
100
0
Customer Journey mit CrossEngage CPP Customer Journey
Look-Alikes
Second-Order
Cross- & Upselling
Retention
Incentive-Optimierung
Individuelle Reaktivierung
Churn
Reaktivierung

6. Budnikowsky
Herausforderung
Lösung
Resultate
Frühzeitige Reaktivierung Churn-gefährdeter Kund:innen
mittels Printkampagne
Vergleich Ist-Umsatz vs. Prognose von allen Kund:innen
im gegebenen Monat. Kund:innen, die deutlich unter
dem Prognose-Umsatz lagen, galten als gefährdet.
- 40 %Printauflage + 10 %Ertrag
Case Study I

7. Identifikation werbeaffiner Kund:innen
- 30% Kosten durch Auflagenreduktion
+ 12,5% Ertrag
Insight: Es sind gerade die „unentschlossenen
Kund:innen“, die auf Werbung positiv reagieren.
Budnikowsky
(II)
Herausforderung
Resultate
Case Study I
Lösung
Vergleich Ist-Umsatz vs. Prognose zur Identifikation des
höchsten Uplifts bei Kund:innen, die eine
Marketingkommunikation erhalten haben.

8. Signifikante Reduktion der Marketingmaßnahmen,
damals durchschnittlich 26 im Jahr
Kohorte von 40 - 60 % bei denen die Anzahl der
Anstöße bei gleichbleibenden Umsatz auf 10 reduziert
werden konnte.
Atelier Goldner
Schnitt
Herausforderung
Resultate
Case Study II
Lösung
Identifikation der Kund:innen, bei denen der Umsatz
trotz weniger Anstöße gleich bleibt

9. Identifikation der besten Kund:innen für hochwertigen
Wein
13 % der Kund:innen, die am besten für Wein
gescored wurden, sorgten für 80 % des
Gesamtumsatzes in Wein.
Magazine zum
Globus
Herausforderung
Resultate
Case Study III
Lösung
Next-Best-Offer-Berechnung auf Basis des
Kategorie-CLVs

10. Bestimmung der Filialkund:innen, die am wahrscheinlichsten
auf das Angebot reagieren und zu Multi-Channel Kund:innen
konvertieren. Kontrollgruppe von 10 %.
Konvertierung von Filialkund:innen in Multi-Channel
Kund:innen während der Corona-Krise mittels einer
Printkampagne mit Online-Coupon
+ 65 % Conversion Rate + 135 % Umsatz pro Kontakt
+ langfristiger Effekt
Modehaus
Herausforderung
Resultate
Case Study IV
Lösung

11. Identifikation von Kund:innen, die noch nicht bei der jeweils
anderen Brand gekauft haben. Brand mit höchstem Score
wird den Kund:innen mit Angeboten angepriesen.
Multi-Brand DTC Company versucht Cross-Brand Quote
zu erhöhen
:-)
DTC
Cross-Brand
Herausforderung
Resultate
Case Study V
Lösung

12. Historischer CLV (Was war?)
Warenkorbhöhe Datum Warengruppe
26,50 € 22.01.2021 1
13,50 € 14.02.2021 2
10 € 15.05.2021 3
Beispiel: Käufe eine:r Kund:in
Predictive CLV
(Was war und was wird sein?)
26,50 + 13,50 + 10 = 50 €
● Warenkörbe
● Kaufdaten
● Warengruppen
● Webseiten-Verhalten
● Response-Verhalten
● ….
Zukünftiger
Wert:
5,18 €
“Historischer“ vs. „predictiver“ CLV
No-Code
Predictive Modelling
Wählen Sie aus unserer
Bibliothek von Modellen oder
erstellen Sie Ihre eigenen
Predictive Models ohne Code.

13. Warum ist “ein” CLV oft nicht genug?
● CLV auf 14, 30, 90, 365 etc. Tage
● CLV pro Kohorte
● CLV pro Land
● CLV pro Shop
● CLV pro Warengruppe
● CLV pro Akquisitionskanal
● ….
Prognosen werden
genauer, wenn
man sie auf eine
„homogene
Gruppe“ anwendet.

14. Warum ist der CLV, wie er ist
und wie kann ich ihn als
Marketer:in beeinflussen?
Erklärbarkeit!

15. Was treibt den CLV eine:r einzelnen
Kund:in?
durchschnittliche
Conversion Score

16. Was treibt den CLV bei
allen Kund:innen?
Beispiel „Recency“

17. Was treibt den CLV bei allen Kund:innen?

18. Welche Daten benötige ich?
● Kunden-ID
● Transaktionsdatum
● Rechnungsdatum
● Menge
● Preis
● Bestellart (Kauf, Rückgabe)
● Positionsnummer
● (Order-Channel)
● (Produktgruppe)
● (Voucher-Information)
● (Deckungsbeitrag)
● ...
Historische Transaktionsdaten Firmen-/Kundenstammdaten
● Kunden-ID
● Datum des ersten Kontaktes mit den Kund:innen
● (Branche)
● (Umsatz)
● (Anzahl Mitarbeiter)
● (PLZ)
● ...
Optional: Weitere Daten
Z. B. Response-Daten auf Mailings, Online-Daten
wie Klicks und Open Rates von Emails, etc.

19. Jetzt machen wir das
zusammen!

20. Vielen Dank
CDPs – einfacher als gedacht!
LUNCH BREAK SESSIONS Part. II
Mein erster Predictive CLV:
Erstellt in 15 min,
ohne Programmierung!
Coming
Next
30. Juni
crossengage.io