Bei der Kontaktierung der Kundinnen stehen Marketing-Verantwortliche oft vor dem Problem, dass sie nicht wissen, welche Kundinnen sie sinnvoller Weise kontaktieren und welche Produkte sie bei welchen Kundinnen bewerben sollten. Effizienz ist wichtig, gerade dann, wenn jeder einzelne Werbekontakt Geld kostet, wie es beispielsweise bei postalischen Werbeaktionen der Fall ist. Doch auch beim E-Mail-Marketing ist es besser zielgenau zu werben, als schrotflintenartig allen Kundinnen mit E-Mail-Opt-In jede Werbemail zukommen zu lassen – schließlich ist die Gefahr einer Abmeldung umso größer, je mehr unpassende E-Mails eine Person erhält.
Scorings als Allzweckwaffe
Eine Lösung für diese Probleme bieten Scorings an. Scorings erlauben nicht nur werbefreundliche Kundinnen zu identifizieren (Reagierinnenerscoring) sondern auch Kaufaffinitäten für bestimmte Produkte bzw. Produktgruppen zu identifizieren (Produktscoring) oder zu bestimmen, welche inaktiven Kundinnen am ehesten auf einen Reaktivierungsversuch anspringen würden (Reaktivierungsscoring). Aber auch zur Kündigungsprävention, um Cross- oder Up-Sellingpotentiale zu identifizieren und in vielen anderen Bereichen sind Scorings hilfreich.
Doch was ist ein Scoring eigentlich und wie entsteht es? Der vermutlich bekannteste Score ist der SCHUFA-Score, der die Bonität einer Person in einer einzelnen Kennziffer abbildet. Im Marketing gibt ein Score beispielsweise wieder, wie gut eine Kundin auf einen Kaufanstoß reagieren wird. Gebildet wird ein Score basierend auf den Informationen, die über eine Kundin (oder auch eine Interessentin) im CRM-System vorliegen. Dies können die Anzahl und Art von vergangenen Käufen sein, Informationen über Zahlungsweise oder Retouren, aber auch persönliche Daten wie Alter und Wohnort.
Wie entsteht ein Scoring?
Zuerst müssen sich die Marketinganalystinnen Gedanken darum machen, welche Informationen im Hinblick auf das beabsichtigte Scoring relevant sein könnten. So werden bei einem Produktscoring beispielsweise nicht exakt die gleichen Daten über die Käuferinnen benötigt wie bei einem Inaktivenscoring. Häufig werden mögliche Einflussfaktoren im Rahmen einer deskriptiven Datenanalyse erstmal erkundet, bevor mit der eigentlichen Modellierung begonnen wird. Danach wird festgelegt, welche Variablen in welchen Kombinationen verwendet werden sollen. In der Regel wird nicht nur ein Modell ausprobiert, sondern mehrere verschiedene.
Liegen die benötigten Daten vollständig vor und sind fertig aufbereitet, kann der Modellierungsprozess begonnen werden. Die Zielgröße ist hierbei jeweils abhängig von der Art des Scorings. Erstellt wird das Modell anhand historischer Daten, beispielsweise auf Basis der Reaktionen aller aktiven Kundinnen innerhalb eines Zeitraums von 12 Monaten. Die Kundinnen werden dafür zufällig auf eine Lern- und eine Kontrollgruppe aufgeteilt: Anhand der Lerngruppe wird das Modell zunächst trainiert, bevor man es zur Vermeidung eines Overfittings anhand der Kontrollgruppe überprüft.
Abbildung 1: Beispiel für eine Regressionsanalyse. Abgebildet sind sowohl Richtung als auch Stärke der Einflüsse auf den Deckungsbeitrag, der in diesem Beispiel die Zielgröße ist. Wichtigster Einflussfaktor ist hier, ob es bereits eine oder mehrere Buchungen von Fernreisen gab.
Ist ein Regressionsmodell gefunden, von dem man vermutet, dass es gut passend ist, testet man es anhand einer Validierungsgruppe. Diese Validierungsgruppe umfasst ebenfalls historische Daten – die jedoch von einem anderen Zeitpunkt stammen. Bei der Validierungsgruppe wird geprüft, ob das Modell auch in einem anderen – früheren oder öfter späteren – Zeitraum qualitativ gute Prognosen liefert.
Ist sowohl der Fit als auch die Prognosefähigkeit gut, werden anschließend die aktuellen Zahlen in das Modell eingespeist. Damit wird aus der individuellen Kombination der Einflussvariablen für jede aktuelle Kundin ein Scorewert ermittelt. In einem letzten Schritt werden die Kundinnen anhand ihres Scores in verschiedene Scoreklassen eingeteilt. Dabei sinkt beispielsweise das Kündigungsrisiko oder die Reaktionswahrscheinlichkeit mit steigender Scoreklasse. D.h. in der ersten Scoreklasse befinden sich ausschließlich Kundinnen mit einem sehr hohen individuellen Kündigungsrisiko bzw. Reaktionswahrscheinlichkeiten, in der letzten Scoreklasse nur Kundinnen mit einem sehr geringen statistischen Risiko/Wahrscheinlichkeit.
Wie verfährt man danach?
Anhand der Scoreklasse können die Fachabteilungen jetzt entscheiden, ob und wenn ja welche Maßnahmen sie für diese Kundinnen ergreifen wollen. In den oberen Klassen ist es in der Regel sinnvoll Maßnahmen zu ergreifen, in den unteren hingegen meist nicht kosteneffizient. Bei welcher Scoregruppe der Cut-off-Point liegt, ist individuell zu bestimmen und hängt auch davon ab, wie kostenintensiv die geplanten Maßnahmen sind. Auch Tests können helfen, den jeweils optimalen Cut-Off-Point zu bestimmen.
Abbildung 2: Beispiel für einen Score-Test. Der Deckungsbeitrag sollte höher sein, als die Kosten für die Aussendung. Ausgehend von 1,50 € Werbekosten pro Aussendung, sollten nur Kundinnen bis maximal Scoreklasse 12 angeschrieben werden.
Sie glauben, dass ein Scoring für Ihre Probleme die Lösung sein könnte? Kontaktieren Sie uns gerne, wir beraten Sie und setzen ein passgenaues Scoring für Sie um. Sie wollen erst noch mehr erfahren? Dann bestellen Sie unser Whitepaper zum Thema Marketing- oder Erstkäuferscoring.
Photo by Sigmund on Unsplash
