Wir verhindern den Kundenabgang mit Knime

Heute wissen wir, dass es 6 bis 7 Mal teurer ist, einen neuen Kunden zu gewinnen, als einen zu behalten. Aus diesem Grund ist eine der Hauptaufgaben bei der Verwaltung eines Kundenportfolios deren Bindung. Dank der Fortschritte in der Informatik und der konstanten Aufzeichnung von Tausenden von Transaktionen ist die Kundenbindung heute viel effizienter. Dazu müssen die abbrechenden Kunden nach Profil gruppiert werden, um die Ursachen dieser Abtrennung, zu kennen und so den Verlust des Kunden zu vermeiden. 

Wie können wir also unsere Kunden an uns binden?

Die Antwort liegt in prädiktiven Algorithmen zur Vorhersage von Kundenlecks. Dazu arbeiten wir mit der CRISP-DM-Methodik (Cross-Industry Standard Process for Data Mining), die Ihrem Unternehmen, die notwendige Struktur bietet, um bessere und schnellere Ergebnisse beim Data Mining zu erzielen.

Der Prozess

Für diesen Prozess nutzen wir „KNIME“. Mit einer Vielzahl von Knoten zur Vorverarbeitung bietet das Tool die optimalen Voraussetzungen für die Generierung automatisierter ETL-Prozesse. Schließlich bietet es die wichtigsten Algorithmen und Auswertemethoden für die Generierung leistungsfähiger Modelle. Zusätzlich wird das Tool durch mehrere Erweiterungen (Textverarbeitung, Big Data mit Spark und Hadoop, Deep Learning und viele andere) noch leistungsfähiger.

Das Geschäft verstehen: Projektziele und -anforderungen aus einer Geschäftsperspektive verstehen und in die Definition eines Data-Mining-Problems und einen vorläufigen Plan zur Erreichung der Ziele umzusetzen.

Verstehen der Daten: Erste Erfassung der zu analysierenden Daten, Qualitätsprobleme identifizieren, spezifische Hypothesen formulieren, die später mit der Analyse validiert werden können, und erste Schlüssel zu dem Wissen identifizieren, das aus den Daten extrahiert werden kann.

Vorbereitung der Daten: Bereinigung der Rohdaten und organisation für die nächste Verarbeitungsphase. Fehlerprüfung. Schlechte Daten (redundante, unvollständige oder fehlerhafte Daten) entfernen und mit der Erstellung von Qualitätsdaten beginnen.

Modellierung: Strukturierung und Organisation der Daten.

Auswertung: Inwieweit entspricht das Modell den Geschäftszielen, und feststellen, ob es Geschäftsentscheidungen gibt, die das Modell nicht abdeckt. Modell an Testszenarien testen. Bei der Bewertung wird auch nach anderen durch Data Mining generierten Ergebnissen gesucht.

Bewertung und Vergleich von Algorithmen durch Kreuzvalidierung: Wir trainieren den Zufallswald- und Entscheidungsbaum mit 80% der Daten und wenden sie auf die restlichen 20% an, um die Ergebnisse zu verifizieren.

Bereitstellung: Das durch den Data-Mining-Prozess erworbene Wissen wird so organisiert und präsentiert, dass es im geschäftlichen Kontext nutzbar ist.

Workflow für die Vorhersage: Der Arbeitsablauf ist mit den Datenquellen verbunden und extrahiert die neuesten Daten, um in Zukunft die Kunden vorherzusagen.

Automatisierung des Arbeitsablaufs: Mit KNIME Server können Sie Ihren Arbeitsablauf automatisieren und bis zu mehrere Male am Tag ohne menschliches Zutun ausführen.

Integration der Ergebnisse in den Prozess: Das für die Kundenbindung verantwortliche Team erhält die Ergebnisse und leitet Maßnahmen zur Kundenbindung ein.

Visualisierung

Die Ergebnisse können in ein intuitives Business Intelligence-Dashboard integriert werden. Auf diese Weise kann das Kundenbindungsteam die Situation im Detail analysieren und eine wirkungsvolle Strategie zur Vermeidung von Kundenabwanderung ableiten.

Schreibe einen Kommentar

Copy link
Powered by Social Snap