Book personalized demo
See what your data can do
for your business
for your business
Find out how to get started and what results to expect
Contact us
How Predictive Analytics Helped a Furniture Retailer Save €529K
Ein Schweizer Möbelhändler gab jährlich 667.000 € für Postwurfsendungen aus. Mit Predictive Analytics wurde dieses Budget um 79 % gesenkt. Der Umsatz blieb dabei gleich.
Service:
Predictive analytics
Zeitleiste:
September 2026 bis heute
Land:
Switzerland
Industrie:
Retail
Unternehmen:
NDA
Zusammenfassung:
Ein Händler mit 105.000 Kunden verschickte Kataloge mit einer geringen Konversionsrate von 1,2 %. Ein KI-Modell identifizierte Kunden, die mit hoher Wahrscheinlichkeit nicht kaufen würden. Diese wurden von den Werbesendungen ausgeschlossen. Das Ergebnis war eine massive Kostenersparnis bei verdoppelter Konversionsrate.
Geschäftsbereich
Das Unternehmen ist ein etablierter Schweizer Möbelhändler. Es verschickte jährlich etwa 445.000 Briefe. Bei Kosten von 1,50 € pro Brief erreichte das Budget 667.000 €. Möbel werden selten gekauft, was die geringe Konversionsrate erklärt.
Problem
Das Unternehmen schickte Briefe an alle Kunden, obwohl nur wenige tatsächlich kauften. Ein Brief an jemanden ohne Bedarf ist verschwendetes Geld. Die Liste einfach zu kürzen war zu riskant. Das Unternehmen brauchte eine datenbasierte Methode.
Lösung
Schritt 1: Daten in einer einzigen Quelle bündeln
Zunächst haben wir alle verfügbaren Kundendaten an einem Ort zusammengetragen. Dazu gehörten die Kauf- und Kommunikationshistorie (welche Mailings jeder Kunde erhalten hat und ob es eine Antwort gab). Wir haben alles so organisiert, dass wir die gesamte Aktivität jedes Kunden im Zeitverlauf nachvollziehen konnten.
Eine einheitliche Sichtweise, die historische Daten mit KI-Vorhersagen für jeden Kunden (anonymisiert) kombiniert
+
Schritt 2: Erstellen Sie einen Datensatz mit Verhaltensmetriken
Für jeden Kunden haben wir einfache Indikatoren berechnet, die sein Einkaufsverhalten beschreiben.
- Wann haben sie zuletzt etwas gekauft?
- Wie oft kaufen sie ein?
- Wie viel geben sie im Durchschnitt aus?
- Welche Produktkategorien bevorzugen sie?
- Haben sie jemals auf das Schreiben geantwortet?
Diese Indikatoren helfen dem Modell, den Unterschied zwischen aktiven und inaktiven Kunden zu verstehen.
Schritt 3: Ein Vorhersagemodell wurde trainiert
Wir haben das Modell darauf trainiert, eine Frage zu beantworten: Wird dieser Kunde in den nächsten 3 Monaten etwas kaufen?
Wir haben uns für 3 Monate entschieden, weil die Leute selten Möbel kaufen. Betrachtet man einen kürzeren Zeitraum wie einen Monat, kauft fast niemand etwas. Es gibt nicht genügend Daten, um daraus zu lernen. Drei Monate liefern dem Modell genügend Beispiele tatsächlicher Käufe, um Muster zu erkennen.
Die ursprüngliche Idee war, 1.000 bis 3.000 Kunden zu finden, die definitiv kaufen würden, und sich auf diese zu konzentrieren. Doch eine ehrliche Datenanalyse ergab ein anderes Bild.
Bei einem Kundenstamm von 105.000 ist der Anteil derjenigen, die kurzfristig kaufen werden, sehr gering. Verhaltenssignale waren begrenzt und beschränkten sich im Wesentlichen auf die Kaufhistorie. Daher war es statistisch schwierig, zuverlässig zu ermitteln, wer im Bereich von 1.000 bis 3.000 Personen kaufen wird.
Schritt 4: Die Strategie wurde von “Käufer finden” auf “Nicht-Käufer entfernen” geändert.”
Zunächst versuchten wir, die 1.000 wahrscheinlichsten Käufer zu ermitteln. Die Daten zeigten jedoch, dass es schwierig ist, genau vorherzusagen, wer die Käufer sein werden. Wille Der Kauf gestaltet sich schwierig, da Verhaltenssignale nur begrenzt verfügbar sind.
Wir haben die Strategie geändert zu ausgenommen Nichtkäufer. Obwohl die Käufersuche schwierig ist, identifizierte das Modell mit einer Genauigkeit von 99% Personen, die kein Kaufinteresse hatten. Durch die gezielte Entfernung dieser inaktiven Segmente konnten wir die Mailingliste deutlich verkleinern.
Durch den Einsatz von KI zur Vorhersage von Nichtkäufern konnte das Unternehmen die Menge an gedruckter Post drastisch reduzieren.
+
Schritt 5: Durchführung der segmentierten Mailings
Wir haben die inaktiven Kunden aus der Mailingliste entfernt. Jetzt erhalten nur noch Kunden, die potenzielles Interesse zeigen, ein Schreiben. Die nächste Kampagne reduzierte die Anzahl der versendeten Briefe von 105.000 auf nur noch 20.000.
Diese Tabelle zeigt, wie sich die Implementierung von Predictive Analytics auf die Unternehmens-KPIs ausgewirkt hat.
+
Results
- 79% – Die Portokosten sanken von 667.000 € auf 138.000 € pro Jahr.
- 79% – Das Unternehmen versendet jetzt 92.000 Briefe pro Jahr statt 445.000.
- €529,000 – Jährliche Einsparungen nach dem Einsatz von Predictive AI.
- x5 – Die Konversionsrate hat sich verfünffacht.
