Indem anhand der Struktur der Kunden, ihrer Verhaltensweisen und unter Berücksichtigung anderer Faktoren, wie der Ausgestaltung der Akquisekanäle, spezifische Muster ermittelt werden, lassen sich im Abgleich mit diesen im Rahmen von Unsupervised-Learning-Verfahren „Kündiger-Cluster“ erstellen und darauf aufbauend Kündigungswahrscheinlichkeiten im Wege des Supervised-Learning kalkulieren. Die dafür notwendigen Informationen können beispielsweise auch aus dem Lead Management sowie aus den im Rahmen des Kundenservice erhobenen Daten abgeleitet werden. Zumindest bei großen Kundenbeständen ist es möglich, auf diese Weise womöglich Zusammenhänge zu identifizieren, die in der operativen Arbeit sonst nicht augenfällig waren. Vertrieb und Marketing werden damit in die Lage versetzt, frühzeitig, idealerweise bevor der Kunde selbst eine Kündigung ausspricht, entsprechende Gegenmaßnahmen einzuleiten.

Vorausgehen sollte diesem Prozess allerdings auch eine Analyse der Frage, welche Kunden es tatsächlich wert sind, sie zu halten, und welche konkreten Maßnahmen in welchen Fällen gerechtfertigt sind. Hier spielen Customer-Lifetime-Value-Betrachtungen eine wichtige Rolle, die auch die kumulierten Deckungsbeiträge je Kunde berücksichtigen. Während in vielen Fällen in der Praxis – wenn überhaupt – dabei meist nur ein Durchschnittswert über alle Kunden zugrunde gelegt wird, könnte der Einsatz von intelligenten Systemen auch zu einer feineren Granulierung führen, die im Idealfall sogar eine kundenpersonalisierte Herangehensweise erlaubt, also für jeden potenziellen Kündiger individuell Kundenwerte berechnet, die dann jeweils darauf abgestimmte Gegenmaßnahmen auslösen.

Churn Management und Rückgewinnungsmanagement

Sollte die Kündigung doch bereits erfolgt sein, setzt das Rückgewinnungsmanagement ein, um Kunden zu reaktivieren oder von der Rücknahme der Kündigung überzeugen zu können. Je nach ermitteltem Kündigertyp lassen sich auch hier wieder spezifische Angebote unterbreiten, die jeweils die höchste Wahrscheinlichkeit einer Fortführung der Kundenbeziehung aufweisen.

Kündigungsursachen analysieren Voraussetzung zielgerichteter Halte- und Rückgewinnungsmaßnahmen ist die Kenntnis und das Verständnis der Kündigungsgründe. Die Ursachen einer Kündigung sind nicht selten vielschichtig, die Trennung zwischen Auslöser und Ursache ist oft schwierig und auch mit hohem Aufwand, wie späteren Telefonbefragungen, daher nicht immer exakt zu bestimmen. Auch hier können Methoden des maschinellen Lernens hilfreich sein, um typisierte Muster oder ein komplexes Zusammenspiel verschiedener Faktoren zu erfassen. Preissensibilitäten je Kunde lassen sich dabei ebenso berücksichtigen wie lange Bearbeitungszeiten oder eine womöglich missglückte schriftliche oder mündliche Servicekommunikation, die unter anderem im Rahmen einer Sentiment-Analyse ausgewertet wird.

Trennung von Problemkunden

Kündigungen müssen allerdings auch nicht immer durch den Kunden erfolgen, auch das Unternehmen selbst hat womöglich Gründe, diese auszusprechen. Von Kunden, die mehr Kosten als Erlöse verursachen, sollte man sich in aller Regel trennen, sofern nicht andere, langfristigere Gründe, wie Prestige oder Stakeholder-Pflege, dagegensprechen. Gerade bei einer umfangreichen Kundenbasis erweist sich die Identifizierung von solchen „Problemkunden“ manchmal als schwierig. Dies gilt insbesondere dann, wenn weitere komplexe Zusammenhänge wie auch zukunftsgerichtete Faktoren, jenseits bloßer kurzfristiger Ertragsbetrachtungen, ein derartiges Verdikt beeinflussen können.

Typische Fälle hierfür finden sich im Finanzbereich, bei Versicherungen und Banken, wenn es gilt, Risikobewertungen für den Eintritt von Schadensfällen oder Kreditausfällen abzugeben. Schon seit geraumer Zeit setzt man in diesem Bereich auf statistische Analysen, Mustererkennungen und Clusterbildungen. Die Weiterentwicklung dieser Methoden durch den systematischen Einsatz maschinellen Lernens dürfte inzwischen weit verbreitet sein. Wie immer steht und fällt die Qualität solcher, ja auch gesellschaftlich sensibler, Entscheidungen stets mit der Quantität und Güte der zugrunde gelegten Daten.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Weitere Informationen zum Thema „KI im Marketing“ finden Sie hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting“:

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Empfohlene Literatur

Der Beitrag Churn Management und Kundenrückgewinnung mit KI erschien zuerst auf Nerdwärts.de.

Der Themenkreis des Evolutionary Computings bezieht sich auf einen eigentlich schon älteren Ansatz in der KI-Forschung, der versucht, aus dem natürlichen Prinzip der Evolution Ableitungen für die Lösung von Computerproblemen zu finden.

In der biologischen Evolution werden die Gene von Organismen ständig natürlichen Mutationen unterzogen, was in der Folge zu genetischer Vielfalt führt. Aus einer „Fortpflanzung“ entstandene „Erbengenerationen“ nehmen diese Mutationen auf und kombinieren deren Erbgut womöglich. Im Abgleich mit herrschenden Umweltbedingungen entsteht ein „Anpassungsdruck“, der zur (natürlichen) Selektion –  beziehungsweise „Eliminierung“ – führt, so wie es in Charles Darwins Postulat des „survival of the fittest“ zum Ausdruck kommt.

Darwin + KI: Evolutionäre Algorithmen

In einer vereinfachten Art und Weise übernimmt das Evolutionary Computing in der Informatik dieses Prinzip und wendet es meist auf die Lösung von Optimierungsproblemen an. Als Vorteil wird dabei gesehen, dass es damit zwar möglich ist, eine Vielzahl unterschiedlicher Fragestellungen zu verfolgen, gleichwohl lediglich eine vergleichsweise geringe Menge spezifischen Problemlösungswissens dazu vonnöten ist. Stattdessen muss nur eine „Fitness“-Funktion aufgestellt werden, die auf die möglichen „Lösungskandidaten“, bezogen werden kann und die es dabei gilt, zu optimieren. Aus der Fitness-Funktion lässt sich die „Güte“ oder „Passgenauigkeit“ eines Lösungskandidaten ableiten, sie beurteilt diesen also daraufhin, wie gut er zur Lösung des Optimierungsproblems geeignet erscheint.

Evolutionäre Algorithmen vs. Backpropagation

Als Alternative zur sogenannten Backpropagation finden Evolutionäre Algorithmen auch innerhalb künstlicher neuronaler Netzwerke Verwendung. Der Unterschied der beiden Verfahrensweisen liegt darin, dass bei Backpropagation ein „Gradientenverfahren“ (englisch „gradient descent“) Anwendung findet, wobei die Ergebnisse stetig verbessert werden, indem die Lösung gewissermaßen durch einen „Zick-Zack-Kurs“ schrittweise immer enger „eingekreist“ wird – also die Gewichtungen der Inputs nach und nach entsprechend der Fehleranalyse und „Ursachenforschung“ justiert werden.

Im Gegensatz dazu agieren Evolutionäre Algorithmen deutlich „zufälliger“ bei der Änderung der Gewichtungsparameter, was ihnen oft den Vorwurf der Ineffizienz einbrachte. Die Parallelität der Aktionen ermöglicht jedoch auch eine breiter ausgelegte und weniger „starre“ Anwendung. Dazu wird zunächst, weitgehend per Zufall, ein „Genom“ festgelegt, das dann, abhängig davon, wie gut es sich einpasst – also: wie gut es ein spezifisches Problem löst – mit anderen „Phänotypen“ und „Mutationen“ „reproduziert“ wird. Dies geschieht nicht nur mit einem Genom, sondern mit vielen Varianten gleichzeitig. Diese lassen sich miteinander kombinieren, also gewissermaßen „veredeln“. Anders als bei der Backpropagation werden „schlechte“ Bestandteile nicht an ihrer „Wurzel bekämpft“, sie „mendeln“ einfach aus, das heißt: ähnlich der biologischen Evolution findet eine Selektion lediglich nach der Passgenauigkeit, dem Ergebnis des Mutationsprozesses, statt.

Evolutionäre Algorithmen & Maschinelles Lernen

Während „Backpropagation“ oft nur mit dem überwachten Lernen in Verbindung gebracht wird, können Evolutionäre Algorithmen auch im Rahmen des unüberwachten Lernens, bei der Mustererkennung, und vor allem des Reinforcement Learnings Anwendung finden. Schließlich geht es ja auch in der Evolution darum, neue, noch nicht bekannte oder existierende Lösungen zu finden oder durch die „Belohnung“ der Selektion einen Anreiz für Passgenauigkeit zu identifizieren.

Derzeit ist noch umstritten, welche Rolle diese evolutionären Ansätze bei der weiteren Entwicklung von KI spielen werden, ob sie insbesondere auch ein Gegenentwurf oder eher eine Ergänzung zu Deep Learning und der aktuellen Funktionsweise von Künstlichen Neuronalen Netzwerken oder möglicherweise eine neue Entwicklungsstufe darstellen. Für manche verkörpern sie sogar einen wichtigen Meilenstein zu einer künstlichen Reproduktion „echter“ menschlicher Intelligenz, die sich auch ändernden Umweltbedingungen flexibel anpassen kann.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Evolutionäre Algorithmen: Die nächste Entwicklungsstufe der KI? erschien zuerst auf Nerdwärts.de.