Fokus KI: Wissen, wann ein Kunde abspringen könnte

Werbemittelhändler Geiger setzt Machine-Learning-Modell zur Kundenbindung ein

Möglichst wenige Kunden verlieren: Dieses Ziel hat wohl jedes Unternehmen. Denn die Gewinnung neuer Kunden erfordert erhebliche Zeit- und Geldinvestitionen. Die Geiger GmbH in Senden geht das Thema seit 2022 systematisch an und hat gemeinsam mit Studierenden der Hochschule Düsseldorf (HSD) ein datenbasiertes Prognosemodell entwickelt, um Kundenabsprünge zu verhindern.Er

Erhöhter Kontakt zu Kunden bringt positive Rückmeldungen

„Das Machine-Learning-Modell zeigt uns beispielsweise an, wenn ein Kunde in den Vorjahren zu einer bestimmten Zeit immer Weihnachtskalender bestellt hat, sich aber dieses Jahr noch nicht gemeldet hat“, erklärt Alex Heinecke, geschäftsführender Gesellschafter des Werbemittelhändlers. „Ein Vertriebsmitarbeiter kontaktiert den Kunden und erkundigt sich nach der Bestellung für dieses Jahr. So bringen wir uns wieder ins Gespräch und erleben oft positive Rückmeldungen, weil die Bestellungen häufig einfach im Arbeitsalltag vergessen wurden. Die Kunden nehmen uns als Partner, der mitdenkt, wahr und sind dankbar dafür.“

Ein nicht unwichtiger Nebeneffekt: Durch die frühzeitige Kontaktaufnahme sind nicht nur die Kundenabsprünge, sondern auch die Last-Minute-Bestellungen gesunken. „Dank des Tools warten wir nicht auf unsere Kunden, sondern können ihnen einen Schritt voraus sein. “, erläutert Heinecke.

Kleinere Kunden sind dank Machine-Learning-Modell stärker im Fokus

Doch das Machine-Learning-Modell kann noch mehr. Denn die Studierenden des Master-Studiengangs Business Analytics​ der Hochschule Düsseldorf haben es – anonymisiert – mit allen relevanten Daten trainiert, die in den verschiedenen internen Systemen der Geiger GmbH vorhanden sind. Immer mit dem Ziel vorherzusagen, ob und wann ein Kunde abwandern wird. „Wir haben rund 2000 Kunden“, erklärt Alex Heinecke. „Die können wir nicht alle im Blick haben. Mit den Großkunden spricht man häufiger. Aber viele bestellen nur ein- oder zweimal im Jahr oder noch seltener. Gerade sie sind dank des Prognose-Modells zur Abwanderung nun auch präsent.“

Das Modell signalisiert, wenn ein Kunde eine Rechnung erhalten hat, und es an der Zeit ist, Feedback zum Auftrag einzuholen. Es zeigt auch, wenn ein Kunde in seinem üblichen Intervall keine Bestellung aufgegeben hat oder ein Neukunde nach der ersten Bestellung innerhalb einer bestimmten Zeitspanne nicht erneut bestellt hat. „All diese Intervalle spezifischen Kundenstammdaten zuzuordnen, ist Teil des Lernprozesses des Modells. Denn der eine bestellt in der Regel alle zwei Monate, der andere aber nur alle drei Jahre. Das muss das Modell wissen und die Rückmeldungen entsprechend anpassen“, erklärt Heinecke.

Absprungrate der Kunden ist geringer

Um die Zeit des Vertriebs effektiv zu nutzen, zeigt die Übersicht auch das Zahlungsverhalten an. Wenn ein Kunde häufig erst nach Mahnungen zahlt, konzentrieren sich die Mitarbeitenden vielleicht lieber auf andere Kunden.

So einfach wie es klingt, war der Weg zu einem funktionierenden Modell nicht. „Es hat viel Zeit gekostet, bis die Daten eingegeben waren, das System alles verstanden und schließlich die richtigen Rückmeldungen gegeben hat. Man braucht viel Geduld und Beharrlichkeit, aber es lohnt sich. Dank des Modells ist der Kontakt zu unseren Kunden deutlich gestiegen: Er findet aber nun gezielt und nicht nach dem Gießkannen-Prinzip statt – und das bringt uns eine deutlich geringe Absprungrate“, sagt Alex Heinecke. Der nächste Schritt ist nun, das Modell mit dem Kundenmanagement-System zu verknüpfen und die Berichte weiter zu verbessern.

Bildzeile: Vor-Ort-Besuch bei der Geiger GmbH in Senden: Die Studierenden des Master-Studiengangs Business Analytics​ der Hochschule Düsseldorf haben gemeinsam mit dem Unternehmen ein datenbasiertes Prognosemodell entwickelt, um Kundenabsprünge zu verhindern. Foto Hochschule Düsseldorf