Vorlesen

Thomas Reutterer

Video Thomas Reutterer

Thomas Reutterer

Researcher of the Month

Wieviel ist meine Kund­schaft „wert“, wie lange bleibt sie mir erhalten?

Nicht alle KundInnen sind für eine Orga­ni­sa­tion gleich wichtig. Vor allem der Aufbau lang­fristig wert­voller KundIn­nen­be­zie­hungen hat einen hohen Stel­len­wert. Thomas Reut­terer vom Institut für Service Marke­ting und Tourismus widmet sich in seiner wissen­schaft­li­chen Arbeit der Frage, wie sich der ökon­o­mi­sche KundIn­nen­wert, der Cust­omer Life­time Value, messen und lang­fristig prognos­ti­zieren lässt. Dabei zeigt sich, dass die Regu­la­rität des KundIn­nen­kon­takts eine zentrale Rolle spielt. Durch die Berück­sich­ti­gung dieser Infor­ma­tion kann die Prognose des künf­tigen „Werts“ einer Kundin bzw. eines Kunden für ein Unter­nehmen deut­lich verbes­sert werden.

Der ökon­o­mi­sche Wert einer Kundin bzw. eines Kunden, der soge­nannte Cust­omer Life­time Value, bemisst sich nicht nur darin, wann das nächste Mal etwas gekauft oder eine Dienst­leis­tung bean­sprucht wird, sondern darin, wie viele ökon­o­misch rele­vanten Inter­ak­tionen mit einem Unter­nehmen lang­fristig zu erwarten sind. Wie viele Käufe, Service­-­An­fragen, oder Weiter­emp­feh­lungen kommen von einem Kunden oder einer Kundin? Wie lange wird die KundIn­nen­be­zie­hung dauern? Wann wird ein Kunde/eine Kundin mögl­i­cher­weise zur Konkur­renz abwan­dern? Genau auf diese Fragen will WU-Pro­fessor Thomas Reut­terer, Vorstand des Insti­tuts für Service Marke­ting und Tourismus an der WU, mögl­ichst treff­si­chere Antworten geben. Gemeinsam mit Michael Platzer von Mostly AI und einem Team von Data Scien­tists entwi­ckelt und testet Reut­terer statis­ti­sche Modelle, um den Cust­omer Life­time Value zu prognos­ti­zieren und in weiterer Folge auch Faktoren zu iden­ti­fi­zieren, die diesen Wert beein­flussen. Im Fokus stehen dabei nich­t-ver­trag­liche KundIn­nen­be­zie­hungen, also solche, in denen das Unter­nehmen zu keinem Zeit­punkt mit Sicher­heit wissen kann, ob ein Kunde/eine Kundin über­haupt noch aktiv oder bereits abge­wan­dert ist.  

Regel­mä­ßig­keit des KundIn­nen­kon­takts entschei­dend

Neben den in der Marke­ting­for­schung bereits bekannten Faktoren, „Recency“ (wie lange liegt eine Inter­ak­tion mit der Kundin bzw. dem Kunden zurück), „Frequency“(wie oft hat jemand in der Vergan­gen­heit einge­kauft) und „Mone­tary Value“ (der mone­täre Wert der Trans­ak­tionen) iden­ti­fi­zierte Reut­terer auch die Regel­mä­ßig­keit als entschei­denden Faktor. „Unsere Unter­su­chungen zeigen deut­lich, dass alleine mit der Berück­sich­ti­gung einer kleinen Zusatz­in­for­ma­tion, nämlich über die Regu­la­rität des Kontakts zwischen Kunde/Kundin und Unter­nehmen, deut­lich bessere Prognosen über den ‚Churn‘ – also jenen Moment, in dem eine KundIn­nen­be­zie­hung endet – möglich sind. Damit sind auch Aussagen über den künf­tigen KundIn­nen­wert deut­lich zuver­läs­siger“, so Reut­terer. Basie­rend auf diesen Forschungs­er­geb­nissen entstand auch eine Progno­se-­Toolbox, welche als Open Source Soft­ware) zur Verfü­gung steht und Unter­nehmen dabei hilft, besser Prognosen treffen zu können und gleich­zeitig das Manage­ment ihrer KundIn­nen­be­zie­hung zu verbes­sern.

Weitere Fort­schritte durch Machine und Deep Learning

Nachdem Unter­nehmen heute über viele weitere Infor­ma­tionen zu den Inter­ak­ti­ons­mus­tern mit ihren KundInnen verfügen, arbeiten der WU-Pro­fessor und sein Team daran, diese in die aktu­ellen Modelle zur Messung des Cust­omer Life­time Value zu inte­grieren. „Man kann zum Beispiel davon ausgehen, dass die Akti­vi­täten der Kunden und Kundinnen in sozialen Netz­werken oder die Präfe­renz für bestimmte Produkte oder Services einen Einfluss auf den Cust­omer Life­time Value haben. Aber auch die Reak­tion der Kunden und Kundinnen auf vergan­gene Marke­ting­maß­nahmen gibt uns wich­tige Infor­ma­tionen. Deshalb arbeiten wir derzeit intensiv daran, basie­rend auf unseren bishe­rigen Erfah­rungen noch weitere Infor­ma­tionen in unsere Modelle zur KundIn­nen­wert­pro­gnose zu inte­grieren. Als beson­ders viel­ver­spre­chend erweisen sich dabei unsere aktu­ellen Forschungs­ar­beiten mit Machine und Deep Learning Methoden“, erklärt Reut­terer.