Kundenwertanalyse und Kündigerwahrscheinlichkeit ...€¦ · 11.05.2014 · © 2012 GISA GmbH |...

© 2012 GISA GmbH | Leipziger Chaussee 191 a | 06112 Halle (Saale) | www.gisa.de

Kundenwertanalyse und Kündigerwahrscheinlichkeit

Kundenbindung mit SAP HANA

Projekt: HELIX Christian Gratz (GISA) & Stephan Kühnel (MLU)

SAP-Forum für die Versorgungwirtschaft

5. November 2014

© 2014 GISA GmbH | www.gisa.de | Projekt HELIX | Christian Gratz & Stephan Kühnel | 05.11.2014 | Seite 2

SAP Forum für die Versorgungswirtschaft 2014

Agenda

Die GISA GmbH im Überblick

Wer oder was ist HELIX?

Bedeutung Kundenwert und Kündigerwahrscheinlichkeit

Projektorganisation und zeitlicher Ablauf

Vorgehensweise im Projekt

wissenschaftliche Unterstützung durch die MLU

Ergebnisse und weiterführende Zielstellung

Kontakt



Agenda








Kontakt



20 Jahre erfolgreiche Unternehmensgeschichte.

Hauptsitz: Halle (Saale)

Standorte: Berlin, Chemnitz, Cottbus, Leipzig

Mitarbeiter: ca. 600 | GISA-Gruppe: ca. 725

Komplettdienstleister und Branchenspezialist

… für die Versorgungswirtschaft

… für öffentliche Auftraggeber

Prozess- und IT-Beratung

IT- und Branchenlösungen

Outsourcing und Services

Gebündelte IT-Kompetenz.

GISA-Gruppe (Beteiligungen)

Betriebsergebnis

Umsatz

Investitionen

Kennzahlen 2013

5,2 Mio. EUR

85,4 Mio. EUR

6,8 Mio. EUR

Anteilseigner

51,0 % itelligence AG

25,1 % KOWISA

23,9 % enviaM



Unsere Wertschöpfung. Ihr Erfolg.

Strategie- und

Organisations-

beratung

IT-Anwendungsbetreuung Prozess- und IT-Beratung

Quelle

: Lünendonk

Geschäftsprozess-

beratung

IT- und Infrastruktur-

beratung

IT-System-

integration,

Anpassung,

Entwicklung

IT System-

administration

Geschäfts-

prozessbetrieb,

Outsourcing

Leistungsportfolio GISA GmbH

Unternehmensberatung Systemintegration



Branchenkompetenz Versorgungswirtschaft.

Verteilnetzbetreiber Messstellenbetreiber

Messdienstleister

Lieferant

Branchenanforderungen

Energiewirtschaftliche Prozesse

IT- und Prozessberatung

Abrechnung und Gerätemanagement

Anlagen- und Geodatenmanagement

Energiedatenmanagement

Datenaustausch WiM, MaBiS, GPKE, GeLiGas

Vertrieb- und Kundenmanagement

Portaltechnologien

Business Intelligence

Kaufmännische Prozesse

IT- und Prozessberatung

Einkauf, Beschaffung

Enterprise Resource Planning

Finanz- und Rechnungswesen

IT-Compliance und GDPdU

Personalmanagement

Dokumentenmanagement/Archive

Portaltechnologien

Business Intelligence



Agenda








Kontakt




Was haben Biomoleküle wie beispielsweise die Erbsubstanz DNA mit Wendeltreppen in einer

engen Wohnung gemeinsam? Sie nutzen den vorhandenen Platz optimal aus, in dem sie sich in

Form einer Spirale winden.

Ableitung HELIX

Wir nutzen die Vorteile einer SAP HANA-Datenbank (Performance & große Datenmengen) mit der

Funktionsvielfalt (Anwendungsplattform, Flexibilität, statistische Operationen, grafische

Visualisierung, usw.) an einem Anwendungsbeispiel optimal aus.



Agenda








Kontakt



Bedeutung Kundenwert/Kündigerwahrscheinlichkeit

Kundenwert Wert, den ein Kunde für ein Unternehmen nach monetären und nichtmonetären

Kriterien darstellt.

Definitionen

Kündigerwahrscheinlichkeit Bestimmung der Wechselwahrscheinlichkeit bzw. Kündigungstendenz von Kunden




Energiemarkt ist zunehmend mit einer hohen Wechselbereitschaft der Verbraucher konfrontiert

Neukundenakquise = kostspielig und aufwändig

Herausforderung: abwanderungsgefährdete, gewinnbringende Kunden frühzeitig zu erkennen

Ziel: Einleiten von Präventivmaßnahmen bei abwanderungsgefährdeten, gewinnbringenden Kunden zur

Vermeidung von möglichen Kündigungen

0,00%

2,00%

4,00%

6,00%

8,00%

10,00%

12,00%

14,00%

16,00%

1999-2008 2009-2015

Entwicklung der Wechselrate EVU

Quelle: http://www.consileon.de/wp-content/uploads/2012/08/101206_emw_Churnmanagement_Volkmar-Stein.pdf

http://www.consileon.de/wp-content/uploads/2012/08/101206_emw_Churnmanagement_Volkmar-Stein.pdf








Erfolgsfaktoren für EVU

CHURNMANAGEMENT

Identifikation wechselwilliger Kunden

Präventive Maßnahmen zur Vermeidung des

Kundenverlustes

Langfristige und nachhaltige Bindung profitabler

Kunden

Kundenwert

Kündigungs-

wahrscheinlichkeit

0

Maß

nah

me 1

Maß

nah

me 2

Maß

nah

me 3

Maßnahme 1

Maßnahme 2

Maß-

nahme 3

Maß-

nahme 4

keine

Maßnahme

Quelle: http://www.consileon.de/wp-content/uploads/2012/08/101206_emw_Churnmanagement_Volkmar-Stein.pdf








Agenda








Kontakt



Projektorganisation & Zeitlicher Ablauf

Projektdauer

Projektstart Projektende

01.04.2014 30.11.2014

Phase 1

Kundenwert : Erstellung Konzept, Untersuchung theoretischer

Ansatz Kundenwert (welche Methoden & Modelle)

Kündigerwahrscheinlichkeit: Untersuchung der Modelle zur

Erstellung von Abwanderungs-Frühwarnsystemen

Phase 1 Phase 2 Phase 3 Phase 4

Phase 2

technische Implementierung, Bereitstellung Schnittstellen

und Modellierung der Analysesichten

Phase 3

Testphase und Modell anlernen

Phase 4

Dokumentation und Überlegungen go to market



Agenda








Kontakt




Wissenschaftliche Modelle ausgewählt:

Kundenwert: ABC-Analyse, Scoring Modell

Kündigerwkt.: Logistische Regression

Attribute definiert:

Kundenwert: Gewinn, Betreuungsaufwand, Bonität/

Zahlungsverhalten, Zahlungsart …

Kündigerwkt.: Alter, Geschlecht, Familienstand,

Dauer der Kundenbeziehung, Anzahl

Beschwerden …

Gewinn

Bonität /

Zahlungs-

verhalten

Betreuungs-

aufwand

Zahlungsart

…

Datenstrukturen festgelegt: welche Daten/Berechnungen werden für

die Abbildung der Attribute benötigt?



Verknüpfung von Theorie/Wissenschaft und Technologie

Datenstrukturen Modelle & Methoden Analyse & Präsentation

Kundenwert

erwirtschaftete Erträge je Kunde (Abrechnung)

Auflistung der vom Kunden bezogenen

Produkte (Verträge)

Zahlungsauffälligkeiten & Zahlweise

ABC-Analyse

Scoring Modell

Kündigerwahrscheinlichkeit

interne Daten (Alter, Geschlecht, Titel, …)

externe Daten (soziodem. Daten)

Logistische

Regression



Agenda








Kontakt



Wissenschaftliche Unterstützung durch die MLU

Logistische Regression

ermöglicht Erklärung des Zusammenhangs zwischen mehreren (heterogenen) erklärenden Variablen

(Kundendaten) und einer binären Zielgröße (Kundenwechsel)

Abgrenzung zur linearen Regression (Binarität & diskrete Zielgröße, Homoskedastizität & Normalverteilung

der Residuen)

Alternative Verfahren?

Diskriminanzanalyse

… fordert metrisches Skalenniveau der erklärenden Variablen

Probit-Regression

…fordert Normalverteilung der Daten


… unterliegt geringerer Anzahl an Anforderungen und wird als robuster eingestuft

Statistische Analyse zur Vorhersage von Kundenwechselverhalten




Zielgröße = Kundenwechsel = Y

Y = Binärvariable (Ja/Nein): 𝑌 𝜖 {1; 0}

Einflussfaktoren 𝑋1 … 𝑋𝑛 = Kundendaten

Modellierung des Zusammenhangs über die Wahrscheinlichkeit des Eintritts des Zielereignisses 𝑝 = 𝑃(𝑌 = 1)

p wird durch sog. „Odds“ abgebildet und über den Logarithmus ein linearer Zusammenhang erzeugt: 𝑙𝑜𝑔𝑖𝑡 𝑝 = ß0 +ß1𝑋1 + ⋯ + ß𝑛𝑋𝑛

Auflösung des Logarithmus führt zu logistischer Funktion:

𝑝 =𝑒𝑥𝑝(ß0 + ß1𝑋1 + ⋯ + ß𝑛𝑋𝑛)

1 + 𝑒𝑥𝑝(ß0 + ß1𝑋1 + ⋯ + ß𝑛𝑋𝑛)

Mit Hilfe der logistischen Regression wird über 𝑝 die Wahrscheinlichkeit des Kundenwechsels (𝑌) in Abhängigkeit der

Kundendaten 𝑋1 … 𝑋𝑛 geschätzt


Statistische Analyse zur Vorhersage von Kundenwechselverhalten



Strukturierte Suche in deutschsprachiger WISO-Datenbank

… 511 Suchergebnisse

Strukturierte Suche in englischsprachigen Datenbanken von EBSCO

… 119 Suchergebnisse

Resultat

… 16 Hauptfaktoren in 3 Klassen:

1. Interne Faktoren (Strommix, Preispolitik, Versorgungssicherheit, Reputation, Marketingbemühungen,

Grad an Networking)

2. Individuelle Kundenfaktoren (Bequemlichkeit, Zufriedenheit, regionale Ansässigkeit, Neugier, Verwirrung,

Interesse am Energiesektor, Empfehlungen von Freunden/Bekannten)

3. Externe Faktoren (Politische Empfehlungen, Markttransparenz, nicht-monetäre Transaktionskosten)

… 9 Subfaktoren


Identifikation von Einflussfaktoren auf Kundenwechselverhalten




Das heterogene Skalenniveau der Daten ist für die logistische Regression unproblematisch

getestet mit dem Statistik-Tool R

Die Zielgröße muss für jeden Kunden als Ja/Nein-Entscheidung binär kodiert werden

Mögliche Probleme:

Multikollinearität, nicht eindeutige und abschließende Spezifizierung von Attribut-Ausprägungen,

Redundanzen, Hohe Anzahl von Einflussgrößen

Prüfung des GISA-Datenmodells

Es wurde geprüft, welche der identifizierten

Einflussfaktoren durch das Datenmodell

abgedeckt werden.



Agenda







weiterführende Zielstellung

Kontakt



Ergebnisse – Phase 1

Konzept ist erstellt

Review durch MLU abgeschlossen

Ergebnis

wissenschaftliche Modelle sind korrekt

und können angewendet werden

Nächste Schritte mit MLU

Übergabe der ersten Ergebnisse zur wissenschaftlichen

Plausibilitätsprüfung



Ergebnisse – Phase 2

Datenmodell und DataMining-Modelle definiert

Datenmodell (Tabellen) in HEC-Platform erstellt

Aufbau der PAL-Modelle

Test mit Demodaten

Aufbereitung der Testergebnisse zur Validierung und Plausibilitätsprüfung




Strukturen Entw. Release

Attribute Entw. Release

Modelle Entw. Release

Test System

Release

HELIX

- Idee -

EVU

SIE?

wissenschaftliche Unterstützung

EVU

grafische Darstellung des

Kundenwertes & der

Kündigerwahrscheinlichkeit

selbstständige Analyse der

Kundensegmente

AdHoc-Reporting & flexible

Analyse

Nutzung mobiler

Präsentationstechnik

Kundendaten



Agenda








Kontakt



Ihre Ansprechpartner.

Christian Gratz

Solution Architekt | SAP NetWeaver Business Warehouse

E-Mail [email protected]

Telefon 0345 585-2579

Foto

Danke für Ihre Aufmerksamkeit.

Stephan Kühnel

M.Sc. Bwl

E-Mail [email protected]

Telefon 0345 55-234 77

Kundenwertanalyse und Kündigerwahrscheinlichkeit ...€¦ · 11.05.2014 · © 2012 GISA GmbH |...

Documents

Transcript of Kundenwertanalyse und Kündigerwahrscheinlichkeit ...€¦ · 11.05.2014 · © 2012 GISA GmbH |...