Fallstudien haben gezeigt, wie essentiell Predictive CRM ist, um die Customer Experience zu verbessern, Aufwände zu reduzieren und Erträge zu maximieren. Nur, wie fängt man mit Predictive CRM an? In dieser Session mit Dr. Markus Wuebben erhältst du einen ersten Einstieg in das Thema geben und wir du es in euer Organisation umsetzen & einsetzen kannst.

1. Predictive
CRM
Dr. Markus Wübben
Co-Founder & CMO, CrossEngage
Erste Schritte,
Hintergründe
& praktische Tipps
2022

2. Was ist
„predictive CRM“?
Mithilfe von predictive CRM können Unternehmen Vorhersagen über das
Kundenverhalten in den Bereichen Vertrieb, Marketing und Service treffen.
Die Analyse des bisherigen Kundenverhaltens dient dazu die Kundenbindung
zu stärken und Möglichkeiten für Cross-Selling bzw. Up-Selling zu ermitteln,
um den Customer Lifetime Value zu maximieren.

3. Was ist der
Customer Lifetime Value?
(CLV)
„Der CLV ist der Barwert (Net Present Value) der Summe aller
zukünftigen ‚Einnahmen‘ von eine:r Kund:in, abzüglich aller
mit diese:r Kund:in verbundenen Kosten.“

4. Warum
„predictive CRM“?

5. Quelle: https://www.bloomberg.com/news/articles/2021-06-09/amazon-advertising-rates-soar-in-pandemic-fueled-surge

6. CPCs
blieben 2021 auf
hohem Niveau
Average Instagram CPC
Average Facebook CPC
Quelle
https://revealbot.com/facebook-advertising-costs/cpe-cost-per-click

7. iOS 14.5 veröffentlicht (ATT)
ATT lässt den CPA explodieren
Cost Per Action für User mit Tracking-Opt-In
+200%
>

8. Daher:
Ohne predictive CRM
wird es schwer für
viele Marken!

9. Use Cases

10. Beispiel:
Spam-
to-
Case
Herausforderung
Lösung
Resultate
Hohe Abmeldequote, doch Management will mehr und
mehr Newsletter senden.
Predictive-CRM-Modell, welches die individuelle
Abmeldewahrscheinlichkeit berechnet.
74 % weniger versendete E-Mails
58 %weniger Abmeldungen 0% verlorener Revenue
> €1 mio.in gesicherter Umsatz
(durch verhinderte Abmeldung)
Frequenzoptimierung
des Newsletters

11. Gefährdete Kunden
Testgruppe A:
normale NL-Frequenz
50 %
50 %
Unsubscription
Model
Scoring der
Kunden
Auswertungsperiode
Auswertungsperiode
Randomisierte
Aufteilung auf zwei
Testgruppen
Testgruppe B:
reduzierte NL-Frequenz
Kunden mit
Score in den
oberen 50 %
Spam-to- Fallstudie:
Das Test-Design
KPI:
1. Unsubscription Rate
2. Umsatz pro Kontakt
3. Conversion Rate

12. 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

13. 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
Lösung
Identifikation der Kund:innen, bei denen der Umsatz
trotz weniger Anstöße gleich bleibt.

14. 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 der Kategorie Wein.
Magazine zum
Globus
Herausforderung
Resultate
Case Study
Lösung
Next-Best-Offer-Berechnung auf Basis des
Kategorie-CLVs.

15. 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
Lösung

16. Personalisierung anhand des CLVs
15%
OFF
10%
OFF
with 150
€
5%
OFF
High CLV
High Conv. Prob.
High Value Prob.
High CLV
Low Conv. Prob.
High Value Prob.
High CLV
High Conv. Prob.
Low Value Prob.
Low CLV
Low Conv. Prob.
Low Value Prob.

17. Tipp #1
Startet mit einem
Use-Case und findet
ein Test-Design

18. Was ist ein
„predictive Model“?

19. Was ist ein Modell?
● Ein Modell ist ein Abbild der verfügbaren Daten und
der Frage, was mit diesen Daten zu beantworten ist.
● Ein Modell liefert eine Berechnungsvorlage
basierenden auf vergangenen Daten, wie man mit
neuen Daten (die dem Modell noch nicht bekannt
sind) eine Zielfrage beantwortet.

20. ● Der Algorithmus bekommt Einflussgrößen
(=Input) und Zielgrößen (=Output) als
Tabelle.
Was macht Machine Learning anders?
Traditional
Programming
Machine
Learning
Input
Rules
Input
Output
Output Rules
● Der Algorithmus findet heraus, wie Input
(=Einflussgrößen) und Output
(=Zielgrößen) zusammen hängen und leitet
Regeln ab.

21. Struktur der aufbereiteten Daten
Bevor sie in ein Machine-Learning-Modell gegeben werden.
Customer_id Variable_1 Variable_N Zielvariable
Conversionmodell
Zielvariable
Umsatzmodell
12345
23456
34567
2
10
8
…
… … … … …
…
…
…
…
13
6
37
1
0
1
58,39
0,00
110,48
Input
Einflussgrößen
Output
Zielgröße

22. Struktur der aufbereiteten Daten
Zeitliche Einordnung von Input, Output und Prediction.
t0
Input Output Prediction

23. Die zwei verbreitetsten Methoden
des Machine Learnings
Unsupervised
Machine Learning
Die Zielklassen sind unbekannt.
Supervised
Machine Learning
Die Zielklassen sind bekannt.

24. Regression
Numerisches Ziel.
Classification
Kategoriales Ziel.
Die zwei verbreitetsten Ziele des
Supervised Machine Learnings

25. Unrealistische
Erwartungen
Siehe Artikel „Kundenzentriertes
Marketing in 6 Phasen“
von Dr. Dennis Proppe,
Co-Founder & CTO CrossEngage
Fehlender Fokus auf
Unternehmensziele
Etwa Conversion, Umsatz oder
Optimierung des Deckungsbeitrags
Rekrutierung des
Teams
Mitarbeiter sind selten, schwer zu
finden und teuer
Know-how
aufbauen
Langwierig und fehleranfällig
Tech-Stack
aufbauen
Komplex, teuer und erfordert konstante
Wartung
Aufbau oder Integration
eines automatisierten
Prozesses
Oftmals manuelles Eingreifen erforderlich
1 2 3
4 5 6
„85% aller AI-Projekte scheitern“

26. Data-
Science-
Prozess
1. Business
Understanding
2. Data
Understanding
3. Data
Preparation
4. Modelling
5. Evaluation
Deployment

27. Typische Aufwandsverteilung bei
Data-Science-Projekten
Business Understanding 10%
Data Understanding &
Preparation
65%
Modelling & Evaluation 15%
Deployment 10%

28. ?
?
?
?

29. Data-Science-Prozess
mit CrossEngage Business
Understanding
Data
Understanding
Data
Preparation
Modelling
Evaluation
Deployment
Standardisierung >
Automatisierung >

30. Aufwandsverteilung mit CrossEngage
zur Skalierung von Machine Learning im CRM
Business Understanding 10%
Data Understanding &
Preparation
Modelling & Evaluation 5%
Deployment 0%
10%
Zeitersparnis gegenüber
dem Standardprozess 75%

31. Decile Plot Conversion Model
Prediction Actual Conversion Rate
So sieht das
bei CrossEngage
aus
Automated Model Curation
Weight of Variables
for Conversion Model

32. Tipp #2
No-Code
Model Builder
verwenden!

33. Optional: Verhaltensdaten (Klickdaten), Outbound-Daten, Produktdaten usw.
Die Daten, um zu starten, habt ihr!
Transaktionen
(Rechnungs- bzw. Bestelldaten)
● Eventformat mit Datum
● Historie mind. 1-2 Jahre; mehr ist
häufig besser
● Datenfelder:
- Kunden-ID
- Datum des ersten Kontaktes mit dem Kunden
- PLZ
- Alter
- Geschlecht
- Kunden ID
- Rechnungsdatum
- Positionsnummer
in einer Bestellung
- Artikel ID
- Menge
- Preis
- Bestellart (Kauf, Rückgabe)
- Bestellkanal
- Produktgruppe
- Voucher-Information
- Deckungsbeitrag
● Datenfelder:
Kundenstammdaten

34. Tipp #3
Mit
Transaktionsdaten
starten!

35. Umsetzung in den
CrossEngage „Stories“

36. Tipp #4
Automate
&
A/B Test

37. User
Behavior
Engagement
Product
Devices
Email
Push
Messages
Social
Direct Mail
Website
Data Channels
Transactions
CrossEngage Customer Data & Prediction Platform
Customer
Data
Management
Unify and manage all your
first-party customer data in
one place.
No-Code
Predictive
Modelling
Choose from our library of
models or build your own
custom models without code.
Intelligent
Audience
Management
Intuitively build relevant
predictive audiences.
Cross-Channel
Campaign
Management
Visually create engaging and
flexible user journeys.
Data
Activation
Activate your customer data
across all your marketing
systems.
Enterprise
Ready
All our solutions are secure &
made to scale with your
business growth.

38. Dr. Markus Wübben
crossengage.io
Danke! Dr. Markus Wübben
Founder & CMO
markus.wuebben@crossengage.io