REFERENZEN

Customer Lifetime Value

Die Zufriedenheit eines Nutzers digitaler Dienste hängt davon ab, wie gut diese Dienste, den eigenen Zielen entsprechend, gefunden und genutzt werden können. Die automatisierte Prognose der Customer Lifetime kann zusammen mit der Personalisierung des Angebots und proaktiver Entscheidungsunterstützung eingesetzt werden, um dem Kunden bei der Umsetzung seiner Ziele zu helfen. Dadurch wird die Zufriedenheit und der Customer Lifetime Value (CLV) erhöht.

Ausgangslage

Unzufriedene Kunden durch Komplexität digitaler Dienstleistungen

Konsumenten digitaler Dienstleistungen haben das Bedürfnis geeignete Informationen schnell zu finden. Die Fülle an Inhalten und die hohe Komplexität digitaler Dienste führen schnell zu Frustration. Sinkt die Zufriedenheit des Kunden, sinkt auch dessen Wert (CLV). Kunden werden häufig durch Kampagnen adressiert, wie z.B. über Angebote, Werbung oder Guidelines. Hierbei werden die individuellen Bedürfnisse des Kunden wenig beachtet. Eine manuelle Beratung ist aufgrund der hohen Nutzerzahlen zu aufwendig. Durch Personalisierung des Angebots und proaktive Entscheidungsunterstützung wird die Kundenzufriedenheit und damit der CLV verbessert.

 

Lösung

Personalisierung des Angebots und proaktive Entscheidungsunterstützung

Durch das Sammeln und verknüpfen von Daten unterschiedlicher Kanäle, wie SocialMedia, Kundendatenbanken und Servicefälle, werden Erkenntnisse zur Kundenstimmung (Sentiments), Nutzerbedürfnissen und deren Auswirkungen auf den Kundenwert (CLV) generiert. Die gemeinsame Analyse der unternehmensspezifischen Zielgrößen, wie z.B. Conversion-Rate oder dem Net-Promoter-Score, ist hierbei ein erster Schritt. Diese Daten und Untersuchungen werden durch statistische Verfahren in Nutzer- und Vorhersagemodelle überführt. Auf dieser Basis kann die Customer Lifetime prognostiziert werden. Bei sinkender Customer Lifetime können individuelle Angeboten oder maßgeschneiderter Support den Ausstieg des Kunden verhindern. Vor dem Einsatz für eine große Anzahl von Kunden  wird die Güte der Modelle durch A/B-Testing für einen Testgruppe evaluiert. Die Modelle können so kontinuierlich verbessert und anschließend in das Geschäftssystem integriert werden. Dem Kunden wird dadurch, während der Nutzung digitaler Dienstleistungen, in Echtzeit personalisierte Angebote und Entscheidungsunterstützung geboten.

 

Nutzen

Erhöhte Kundenzufriedenheit und Customer Lifetime Value

Die eingesetzten Vorhersage- und Modellierungsmethoden ermöglichen die proaktive, automatisierte und personalisierte Adressierung der richtigen Kunden zum richtigen Zeitpunkt mit passenden Inhalten. Dadurch wird die individuelle Kundenzufriedenheit und Kundenbindung erhöht und die Frustration beim Kunden verringert. Insgesamt kann der Customer Lifetime Value gesteigert werden. Die Methoden lassen sich für den Einsatz in verschiedenen Kanälen übertragen.

Haben wir Ihr Interesse geweckt? Sprechen Sie uns an.

Sprechen Sie uns an

Markus Frondorf

Managing Director

+49 172 7395191

Mail Kontakt

Sprechen Sie uns an

Rico Knapper

Chief Data Scientist

+49 152 22649878

Mail Kontakt

Warum anacision

X