Methoden zur Kundenbasisanalyse


Seminararbeit, 2010

20 Seiten, Note: 1,3


Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

1. Problemstellung

2. Thematische Einordnung und Abgrenzung

3. Modelle zur Kundenbasisanalyse
3.1 NBD/Pareto-Modell
3.1.1 Hintergrund und Modellannahmen
3.1.2 Vorgehen zur Bestimmung der voraussichtlichen Dauer einer Kundenbeziehung ..
3.2 Hazard-Modelle
3.2.1 Grundannahmen
3.2.2 Methodische Grundlagen
3.2.3 Systematisierung

4. Beispiele empirischer Forschung und deren Implikationen

5. Zusammenfassung

Literaturverzeichnis

Abbildungsverzeichnis

Abb. 1: Exemplarischer Verlauf von P (alive)

Abb. 2: Bestimmung der voraussichtlichen Lebensdauer eines Kunden

Abb. 3: Schematische Darstellung von zensierten und trunkierten Beobachtungen

Abb. 4: Zusammenhang von Dichte-, Verteilungs-, Survivor- und Hazardfunktion

Abb. 5: Systematisierung der Hazard-Modelle

1. Problemstellung

Innerhalb der letzten Jahre hat sich in vielen Unternehmen ein Wandel vollzogen: Wo lange Zeit das Produkt im Fokus stand, ist heute der Kunde Ausgangspunkt aller strategischen Entscheidungen. Nicht mehr die einzelne Transaktion, sondern das langfristige Management von Kundenbeziehungen wird als entscheidender Faktor für die Wettbewerbsfähigkeit eines Unternehmens angesehen (Fader und Hardie 2009, S. 61; Jain und Singh 2002, S. 35; Reinartz und Krafft 2001, S. 1264; Verhoef et al. 2007, S. 105). Dieser Ansatz ist als Customer Relationship Management (CRM) bekannt und erhält sowohl in der Wissenschaft als auch in der Praxis große Aufmerksamkeit (Boulding et al. 2005, S. 155ff.; Reinartz und Krafft 2001, S. 1264; Rust und Chung 2006, S. 573). Mit dem CRM-Ansatz ist häufig die Annahme verknüpft, dass Kundenbindung und Kundenprofitabilität positiv korreliert sind (Reinartz und Krafft 2001, S. 1264). So wird oft angenommen, dass sich insbesondere loyale, langjährige Kunden durch eine hohe Profitabilität auszeichnen und daher ans Unternehmen gebunden werden sollten (Dowling und Uncles 1997, S. 72; Jain und Singh 2002, S. 34; Reinartz und Kumar 2000, S. 17). Diese Annahme ist unter anderem auf Reichheld und Sasser (1990) zurückzuführen, deren Veröffentlichung von vielen Forschern aufgegriffen wurde. Allerdings existieren auch kritische Stimmen, die einen grundsätzlich positiven Zusammenhang zwischen Kundenbindung und Kundenprofitabilität bezweifeln (Dowling und Uncles 1997, S. 78). Für ein Unternehmen ist es daher von großer Bedeutung, die eigene Kundenstruktur eingehend zu analysieren, um profitable Kundensegmente lokalisieren zu können. Da viele Unternehmen heute über Datenbanken verfügen, in denen alle relevanten Kundendaten gesammelt werden, ist es möglich, eine systematische Analyse der Kundenbasis mit Hilfe statistischer Methoden durchzuführen (Fader und Hardie 2009, S. 61; Verhoef et al. 2007, S. 105; von Wangenheim 2004, S. 264). Dabei sind insbesondere die Methoden von Interesse, mit denen die Dauer von Kundenbeziehungen prognostiziert und beurteilt werden können. Besitzt ein Unternehmen solche Informationen, können knappe Ressourcen für die Durchführung von Marketingaktivitäten zielgerichtet eingesetzt werden. So ist es z.B. möglich, profitable Kunden mit hohem Abwanderungsrisiko durch gezielte Maßnahmen an das Unternehmen zu binden und unattraktiven Kunden im Gegenzug weniger Ressourcen zukommen zu lassen (Jain und Singh 2002, S. 36).

Die vorliegende Arbeit beschäftigt sich mit den Methoden zur Kundenbasisanalyse und geht dabei wie folgt vor: Zunächst erfolgt eine thematische Einordnung und eine Abgrenzung zu verwandten Themengebieten. Im Anschluss daran werden die beiden bedeutendsten statistischen Modelle zur Kundenbasisanalyse vorgestellt: das NBD/Pareto-Modell sowie die Hazard-Modelle. Abschließend werden ausgewählte empirische Studien präsentiert, die sich dieser Modelle bedienen und Implikationen für die Unternehmenspraxis beinhalten.

2. Thematische Einordnung und Abgrenzung

Der Schwerpunkt dieser Arbeit, die Kundenbasisanalyse mit Hilfe statistischer Modelle, ist thematisch den Konzepten des Customer Lifetime Value (CLV) und des Customer Equity zuzuordnen (Jain und Singh 2002, S. 36f.), die auf Blattberg und Deighton (1996) zurück- gehen. Der CLV stellt den Wert jedes einzelnen Kunden über die gesamte Dauer der Kunden- beziehung dar und wird als Summe aller diskontierten Cash-Flows errechnet. Also werden sowohl die Kosten der Kundenbeziehung (z.B. Akquisitionskosten) als auch deren Erträge (z.B. durch den Verkauf von Produkten und Dienstleistungen) in die Berechnung einbezogen. Den Wert der gesamten Kundenbasis, den Customer Equity, erhält man durch die Addition der CLV aller Kunden eines Unternehmens (Blattberg und Deighton 1996, S. 137f.; Kumar et al. 2004, S. 61). Nach Blattberg und Deighton (1996, S. 138) sollte das Management eines Unternehmens den Customer Equity als Steuerungskennzahl nutzen und alle Marketing- maßnahmen auf die Maximierung des Customer Equity ausrichten.

Die Konzepte des CLV und des Customer Equity sind von hohem praktischen Nutzen: Weiß man um die Profitabilität jedes Einzelkunden, können Marketingaktivitäten gezielt eingesetzt werden. Durch eine Segmentierung der Kundenbasis ist es möglich, die Ressourcen für solche Aktionen gezielt auf die Kundensegmente zu konzentrieren, die sich durch eine hohe Profitabilität bzw. einen hohen Customer Equity auszeichnen (Blattberg und Deighton 1996, S. 140). Für eine solche Segmentierung wird häufig das RFM-Modell verwendet, das eine Kundenbeziehung hinsichtlich dreier Dimensionen untersucht: Recency (Zeitpunkt des letzten Kaufs), Frequency (Anzahl der Käufe während der gesamten Dauer der Kundenbeziehung) und Monetary Value (kumulierte Umsätze der Kundenbeziehung) (Hoppe und Wagner 2007, S. 75; Krafft 2002, S. 61). Profitable Segmente umfassen meist nur wenige Kunden, welche allerdings für einen Großteil der Umsätze bzw. Gewinne verantwortlich sind. Investitionen in Marketingaktivitäten zur Steigerung der Loyalität dieser Kundensegmente sind daher sehr sinnvoll (Malthouse und Blattberg 2005, S. 3), während Loyalität unprofitabler Kunden einem Unternehmen langfristig schadet (Jain und Singh 2002, S. 35). Da für die Berechnung des CLV sowohl historische als auch zukünftige Zahlungsströme zu Grunde gelegt werden, ist es essentiell, die voraussichtliche Dauer der Kundenbeziehung abzuschätzen zu können. Ohne eine solche Prognose können der CLV sowie der Customer Equity der gesamten Kundenbasis eines Unternehmens nicht zuverlässig bestimmt werden (Wübben und von Wangenheim 2006, S. 80). Hier setzen die Methoden zur Kundenbasisanalyse an: Verfahren wie das NBD/Pareto-Modell oder die Hazard-Modelle schließen aus Vergangenheitsdaten über das Kaufverhalten von Kunden auf deren zukünftiges Verhalten und können damit zur Prognose der Dauer einer Kundenbeziehung herangezogen werden (Jain und Singh 2002, S. 40; Schmittlein und Peterson 1994, S. 41; von Wangenheim 2004, S. 269). Dabei greifen sie auf zwei der drei Dimensionen des RFM-Modells zurück: Recency und Frequency. Die Dimension des Monetary Value findet in den grundlegenden Modellen keine Berück- sichtigung und ist daher auch nicht Bestandteil dieser Arbeit. Besitzt ein Unternehmen Informationen über die voraussichtliche Dauer seiner Kundenbeziehungen, können diese entweder unmittelbar für die Konzeption von Marketingaktivitäten verwendet werden oder sie dienen als Input zur Berechnung des CLV bzw. des Customer Equity und wirken so mittelbar auf die Kundenbindungspolitik eines Unternehmens (Jain und Singh 2002, S. 40).

3. Modelle zur Kundenbasisanalyse

3.1 NBD/Pareto-Modell

3.1.1 Hintergrund und Modellannahmen

In vielen Branchen ist die Dauer der Geschäftsbeziehung zwischen dem Anbieter und dem Abnehmer einer Leistung nicht vertraglich oder über eine Mitgliedschaft festgelegt, so dass ein Abnehmer seinen Bedarf bei mehreren Anbietern gleichzeitig befriedigen kann und jederzeit über die Möglichkeit verfügt, die Geschäftsbeziehung zu beenden, ohne den Anbieter davon zu benachrichtigen (Schmittlein et al. 1987, S. 2; Wübben und von Wangenheim 2006, S. 80). Ein Beispiel für eine solche nicht-vertragliche Situation stellt die Beziehung zwischen einem Versandhändler wie Amazon und dessen Kunden dar (Reinartz und Kumar 2000, S. 18). Hat ein Kunde also über längere Zeit keinen Kauf getätigt, kann das Unternehmen nicht sicher sagen, ob der Kunde nur temporär keinen Bedarf hat oder ob er endgültig inaktiv geworden ist und in Zukunft auch nicht wieder konsumieren wird. In der Praxis behilft man sich häufig mit Verfahren, die ausschließlich die Zeit betrachten, die seit dem letzten Kauf eines Kunden verstrichen ist (die Dimension Recency des RFM-Modells). Überschreitet dieser Wert einen vorher festgelegten Grenzwert, wird der Kunde als inaktiv betrachtet (Hoppe und Wagner 2007, S. 75; Schmittlein et al. 1987, S. 10). Mit dieser Vorgehensweise sind zwei Probleme verbunden: Zum einen basiert die Festlegung der Dauer, ab der ein Kunde als inaktiv angesehen wird, lediglich auf Erfahrungswerten und erfolgt so wenig objektiv (Abe 2009, S. 541). Der entscheidende Fehler eines solchen Vorgehens ist aber, dass dieses auf der Annahme beruht, die Kaufraten aller Kunden seien gleich (Hoppe und Wagner 2007, S. 75; Schmittlein et al. 1987, S. 10). Diese Annahme ist in der Praxis jedoch nicht aufrecht zu erhalten, da die Kundenbasis eines Unternehmens heterogener Natur ist (Abe 2009, S. 541). Ein einheitlicher Grenzwert für die Inaktivität eines Kunden wird der Heterogenität des Kaufverhaltens der Kunden nicht gerecht und birgt daher die Gefahr, den Status von Kunden falsch einzuschätzen.

In einer nicht-vertraglichen Situation ist also ein komplexeres Modell von Nöten, um die zukünftigen Transaktionen eines Kunden zu prognostizieren. Den wohl bedeutendsten Ansatz auf diesem Gebiet stellt das NBD/Pareto-Modell dar, welches auf Schmittlein et al. (1987) zurückgeht. Trotz seines Alters gilt es immer noch als das beste Modell für eine Kundenbasisanalyse in nicht-vertraglichen Situationen (Fader und Hardie 2009, S. 64; Krafft 2002, S. 91; Wübben und von Wangenheim 2006, S. 80). Ziel des NBD/Pareto-Modells ist das Errechnen der Wahrscheinlichkeit P (alive), dass die Geschäftsbeziehung mit einem Kunden noch aktiv ist (Schmittlein et al. 1987, S. 3). In der Folge kann von dieser Wahrscheinlichkeit auf die voraussichtliche Länge der Kundenbeziehung geschlossen werden (Krafft 2002, S. 92), was detailliert in Abschnitt 3.1.2 vorgestellt wird.

Das NBD/Pareto-Modell setzt sich aus zwei separaten Teilmodellen zusammen: Zur Bestimmung der Wiederkaufwahrscheinlichkeit eines Kunden wird das NBD-Modell von Ehrenberg (1972) verwendet, während die Abbruchwahrscheinlichkeit eines Kunden einer Pareto-Verteilung folgt (Rutsatz 2004, S. 72). Zur Kalibrierung benötigt das NBD/Pareto- Modell zwei der drei Größen des RFM-Ansatzes: Recency sowie Frequency. Der Monetary Value findet in der ursprünglichen Version des NBD/Pareto-Modells keine Verwendung (Fader et al. 2005, S. 276; Krafft 2002, S. 91; Schmittlein et al. 1987, S. 3). Einen aktiven Kunden bezeichnen Schmittlein et al. (1987, S. 3) als alive, einen inaktiven als dead. Ein Kunde wird über einen Zeitraum [0 ; T ] beobachtet und tätigt während dieser Zeit X Käufe. Der Zeitpunkt des letzten Kaufs wird mit t bezeichnet, so dass sich die Informationen über einen Kunden aus drei Elementen zusammensetzen: Information = (X, t, T) (Schmittlein et al. 1987, S. 3). Schmittlein et al. (1987, S. 19ff.) zeigen, dass diese Elemente ausreichen, um die bedingte Wahrscheinlichkeit P (alive Information) eines Kunden für jeden beliebigen Zeitpunkt im Beobachtungszeitraum zu bestimmen. Dabei basiert das NBD/Pareto-Modell auf drei Annahmen1 (Krafft 2002, S. 92f.; Schmittlein et al. 1987, S. 3f.):

1. Die Anzahl der Käufe X, die ein aktiver Kunde im Beobachtungszeitraum [0 ; T ] tätigt, folgt aus einer Poisson-verteilten Zufallsgröße, was exponentialverteilte Kaufintervalle impliziert. Dabei verfügt jeder Kunde über eine langfristige Transaktionshäufigkeit , die allerdings unbekannt ist und daher über eine Gamma-Verteilung modelliert werden muss. Dies geschieht mit Hilfe der Parameter und r, so dass E[ ] = r/

2. Die Wahrscheinlichkeit, dass ein Kunde inaktiv wird, wird durch die Abbruchrate μ modelliert. Dies bedeutet, dass ein Kunde, der bis zum Zeitpunkt t aktiv war, eine latente Wahrscheinlichkeit μ aufweist, ab der folgenden Periode inaktiv zu werden. Die Abbruchrate μ ist wie die Transaktionshäufigkeit nicht direkt beobachtbar und muss daher ebenfalls über eine Gamma-Verteilung modelliert werden. Die zugehörigen Parameter lauten und s, so dass gilt: E[ μ ] = s /

3. Außerdem wird davon ausgegangen, dass die Transaktionshäufigkeit und die Abbruchrate μ unabhängig voneinander sind. Dies resultiert daraus, dass Schmittlein et al. (1987, S. 4) sowohl eine positive als auch eine negative Korrelation für plausibel erachten: Die Annahme einer positive Korrelation von und μ könnte damit begründet werden, dass Kunden mit hohen Transaktionshäufigkeiten durch die vielen Möglichkeiten, vom Produkt enttäuscht zu werden, hohe Abbruchraten aufweisen. Auf der andere Seite könnte eine hohe Transaktionshäufigkeit aber auch zu einer hohen Bindung an das Produkt und damit einhergehend zu niedrigeren Abbruchraten führen, so dass auch eine negative Korrelation von und μ Sinn ergibt. Schmittlein et al. (1987, S. 4) sehen keinen Grund, die eine Variante der anderen vorzuziehen, so dass die Unabhängigkeitsannahme die naheliegende ist.

Jeder Kunde im NBD/Pareto-Modell weist also zwei zentrale Merkmale auf: die Transaktionshäufigkeit sowie die Abbruchrate μ. Unter Berücksichtigung der kundenindividuellen Ausprägungen von x und t ist das NBD/Pareto-Modell zur Berechnung von P (alive) für jeden einzelnen Kunden i wie folgt formuliert Schmittlein et al. 1987, S. 6):

Abbildung in dieser Leseprobe nicht enthalten

[...]


1 Schmittlein et al. (1987, S. 3f.) stellen fünf Annahmen vor. Auf Grund der besseren Verständlichkeit werden die Annahmen 1 und 3 sowie die Annahmen 2 und 4 in Anlehnung an Krafft (2002, S. 92f.) zusammengefasst.

Ende der Leseprobe aus 20 Seiten

Details

Titel
Methoden zur Kundenbasisanalyse
Hochschule
Universität Passau
Veranstaltung
Masterseminar Kundenmanagement
Note
1,3
Autor
Jahr
2010
Seiten
20
Katalognummer
V170292
ISBN (eBook)
9783640890392
ISBN (Buch)
9783640890569
Dateigröße
459 KB
Sprache
Deutsch
Schlagworte
NBD/Pareto-Modell, Hazard-Modelle, Kundenbasisanalyse, CRM, Kundenprofitabilität, NBD, Schmittlein, Customer Lifetime Value, CLV, Customer Equity, RFM, Dauer Kundenbeziehung, Kundenbindung
Arbeit zitieren
Sven Duggen (Autor), 2010, Methoden zur Kundenbasisanalyse, München, GRIN Verlag, https://www.grin.com/document/170292

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Methoden zur Kundenbasisanalyse



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden