Kommentar von Sascha Bäcker, Duality Beratungs-GmbH

So setzen Sie Predictive Analytics gewinnbringend ein

| Autor / Redakteur: Sascha Bäcker / Nico Litzel

Der Autor: Sascha Bäcker ist Geschäftsführer der Duality Beratungs-GmbH
Der Autor: Sascha Bäcker ist Geschäftsführer der Duality Beratungs-GmbH (Bild: Duality Beratungs-GmbH)

Kunden halten und Kündigungen vermeiden: Vor dieser Herausforderung stehen viele Energieversorger. Big Data Analytics hilft ihnen dabei. Denn mit vorausschauenden Analysen können sie wechselwillige Verbraucher schon im Vorfeld ausmachen – und mit geeigneten Maßnahmen der Kündigung entgegensteuern.

Kunden können heute in Echtzeit Preise recherchieren und sich auf Vergleichsportalen im Internet über Angebote informieren. Das macht es ihnen leicht, den Stromanbieter zu wechseln.

Laut einer aktuellen Bitkom-Umfrage zeigen 76 Prozent der Bundesbürger ab 18 Jahren Interesse an flexiblen Stromtarifen, bei welchen der Preis nach Angebot und Nachfrage variiert. 72 Prozent der Internet-Nutzer haben sich laut der Studie schon einmal online über Strompreise informiert und Preise verglichen.

Energieversorgungsunternehmen (EVUs) stehen deshalb vor der Herausforderung, wechselwillige Kunden frühzeitig zu erkennen und Kündigungen zu vermeiden. Dabei hilft Predictive Analytics, vorausschauenden Datenanalysen. Hierbei wird zunächst zunächst das Verhalten von Abnehmern untersucht, die in der Vergangenheit gekündigt haben. Durch diese Analyse wird deutlich, welche Faktoren für eine Kündigung eine Rolle gespielt haben.

Dieses Muster gleicht man dann mit den Daten aktueller Kunden ab. So lässt sich mit großer Wahrscheinlichkeit voraussagen, wann ein Verbraucher kurz vor der Kündigung steht. Unternehmen können dann ihre Angebote genau auf die Bedürfnisse jedes einzelnen Kunden anpassen und sie ihm über den richtigen Kanal zuspielen.

Neue Interessenten zu gewinnen, ist im Vergleich wesentlich teurer. Der Aufwand, einen wechselwilligen Kunden zu halten, lohnt sich also.

Wechselwillige Kunden erkennen

Wie funktioniert Predictive Analytics in der Praxis? Zunächst werden von Datenexperten auf Basis anonymisierter Kundendaten komplexe Datenmuster zu Kundenklassen gebildet. Data Privacy Tools helfen dabei, Datenschutzanforderungen einzuhalten.

In solche Muster fließen eine Vielzahl von Kundeninformationen ein, beispielsweise aufgezeichnete Telefongespräche, Beitragsentwicklungen, E-Mail- und Postkorrespondenz, das Klickverhalten im Online-Portal und andere Hinweise zum Nutzerverhalten. Mithilfe statistischer Modelle lassen sich Profile für Endverbraucher mit gewissen Absichten ableiten, etwa ob ein Kunde loyal ist oder zumindest über einen Wechsel nachdenkt.

Wenn ein Abnehmer beispielsweise jahrelang seine Vertragsunterlagen nicht sichtet und sie dann plötzlich innerhalb von kurzer Zeit gleich mehrmals abruft, ist das ein Anzeichen dafür, dass er kündigen will. Dieser Klient ist wahrscheinlich mit den aktuellen Konditionen nicht mehr zufrieden und sieht sich nach anderen Anbietern um. Auch aus der Tonalität eingehender E-Mails oder anhand von bestimmten Schlagworten lassen sich Rückschlüsse darüber ziehen, ob ein Kunde unzufrieden ist.

Den Kundenservice anhand der Erkenntnisse optimieren

Hat ein Energieversorger einen wechselwilligen Kunden identifiziert, kann er entsprechend reagieren und versuchen ihn zu halten – zum Beispiel indem er ihm ein individuelles, verbessertes Angebot macht und maßgeschneiderte Lösungen anbietet. Meist ist es rentabler, einem Kunden als letzte Möglichkeit kurzfristig ein Sonderangebot, einen Einmalrabatt oder ähnliches zukommen zu lassen, als ihn zu verlieren.

Optionen wie diese müssen auch Mitarbeiter im Callcenter kennen und verbindlich und in Echtzeit anbieten können. Gleichzeitig haben Unternehmen die Chance, anhand der Analyse-Ergebnisse Schwachstellen im Kundenservice aufzudecken und zu verbessern. Es kann außerdem sinnvoll sein, das Portfolio an Produkten und Leistungen weiterzuentwickeln und gegebenenfalls anzupassen.

Herausforderungen bei Datenanalysen

Eine besondere Herausforderung bei Predictive Analytics sind die verschiedenen Datentypen: beispielsweise aufgezeichnete Telefongespräche, E-Mails, Briefe oder das Klickverhalten in Online-Portalen. Für die entsprechenden Aufgaben müssen die Verantwortlichen jeweils die richtigen Werkzeuge auswählen und einsetzen. Gleichzeitig müssen sie den Überblick über diese Tools und Daten bewahren, ohne ein mögliches Deployment aus den Augen zu verlieren.

Eine weitere Herausforderung kann darin liegen, dass das Team einige der Werkzeuge nicht kennt und lernen muss, sie richtig einzusetzen. Nicht immer sind dabei die neuesten Tools am besten geeignet. Manchmal passt eine bereits implementierte Lösung besser. Hier ist Flexibilität gefragt.

Derartige Entscheidungen sind notwendig, damit die Analyse großer Datenmengen funktioniert. Dabei ist ein Einstieg mit geringem Aufwand möglich. Wichtig ist die Auswahl des richtigen Implementierungs- und Beratungspartners, der sich schnell und individuell auf die IT-Landschaft des jeweiligen Energieversorgers einstellen kann.

Mit Predictive Analytics näher am Kunden

Laut einer aktuellen Studie von Bitkom Research und KPMG ist der Anteil der Unternehmen, die bereits Analysen von strukturierten, vorwiegend internen Daten anhand vordefinierter Zusammenhänge tätigen, in den letzten zwei Jahren um zehn Prozentpunkte auf 71 Prozent gestiegen. Auch der Nutzeranteil der Unternehmen, die externe Daten in ihre Analysen einbeziehen, ist von 2015 bis 2017 um neun Prozentpunkte auf 33 Prozent gestiegen.

Weitere zwölf Prozent planen und 17 Prozent diskutieren zumindest den Einsatz. In der Energiebranche nutzen bereits 28 Prozent der Unternehmen fortgeschrittene Datenanalysen.

Auch wenn sich viele Internet-Nutzer über verschiedene Strompreise informieren und Preise vergleichen, bleiben 55 Prozent der Stromkunden ihren Anbietern treu. Wenn sie gewechselt haben, dann zu einem günstigeren Versorger. Für 72 Prozent der Befragten ist es wichtig, den Strom von einem bekannten Anbieter zu beziehen. Energieversorger haben also gute Chancen, ihren Kundenstamm zu halten.

Mithilfe von Datenanalysen lernen sie ihre Kunden und das Marktgeschehen besser zu verstehen. So stellen sie fest, ob sie in Sachen Kundenbindung auf dem richtigen Weg sind – und können ihren Service an den richtigen Stellen verbessern. Das steigert die Kundenzufriedenheit und senkt die Kündigungsrate. Analysen großer Datenmengen stellen somit eine wichtige Basis für individuelle Entscheidungen in der Kundenbetreuung und gleichermaßen für unternehmerische strategische Entscheidungen dar.

Was meinen Sie zu diesem Thema?

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45120879 / Data)