Das Unternehmen ist ein etablierter Schweizer Möbelhändler mit über 105.000 Kundenkontakten. Wie viele traditionelle Einzelhändler setzte es auf Offline-Marketing. Regelmäßig verschickte es Briefe mit Katalogen, Sonderangeboten und saisonalen Kampagnen. Jährlich versandte das Unternehmen rund 445.000 Briefe. Das entspricht etwa neun Kampagnen pro Jahr, die jeweils nahezu die gesamte Kundendatenbank erreichten. Bei 1,50 € pro Brief belief sich das jährliche Budget für den Postversand auf 667.000 €.
Die Herausforderung besteht darin, dass Möbel keine schnelllebigen Konsumgüter sind. Man kauft ein Sofa oder einen Kleiderschrank nur alle paar Jahre, nicht monatlich. Daher war die Konversionsrate bei Massenmailings mit rund 1,21 TP3T niedrig.
Das Unternehmen verschickte Briefe an alle 105.000 Kunden, obwohl nur ein geringer Prozentsatz tatsächlich etwas gekauft hatte. Im Möbelhandel ist der Kaufzyklus lang. Ein Kunde mag zwar markentreu sein, aber in diesem Jahr einfach keine neuen Möbel benötigen. Ihm einen Brief zu schicken, wäre eine Verschwendung von 1,50 €.
Einfach die Mailingliste zu kürzen, war riskant. Man könnte jemanden verlieren, der tatsächlich einen Kauf plante. Das Unternehmen brauchte eine Möglichkeit, zwischen treuen Stammkunden und solchen, die definitiv nicht so bald kaufen würden, zu unterscheiden. Und diese Unterscheidung musste datenbasiert und nicht intuitiv erfolgen.
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.
Für jeden Kunden haben wir einfache Indikatoren berechnet, die sein Einkaufsverhalten beschreiben.
Diese Indikatoren helfen dem Modell, den Unterschied zwischen aktiven und inaktiven Kunden zu verstehen.
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.
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.
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.
