KUNDENKARTENDATEN & MACHINE LEARNING - Die neue Welt der Möglichkeiten für MediaMarktSATURN
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
KUNDENKARTENDATEN & MACHINE LEARNING Die neue Welt der Möglichkeiten für MediaMarktSATURN
Agenda 1 Wer wir sind 2 2 Anwendungsbeispiele für Machine Learning + CRM Daten
WER WIR SIND
Wer wir sind
Wir betreiben CRM für die Marken MediaMarkt & Saturn
22 Mrd. € Umsatz in
>1000 Stores europaweit
98% Markenbekanntheit in DE
Tochter der CECONOMY AG 550 Mitarbeiter
Seit 39 J. erfolgreich Expert
Eines der größten Customer Analytics 26 Produkte gekauft
MMS Budgets für Marketing in
Europa 1 J. @ redblue
3 J. @ PAYBACK
1.175 €
ausgegeben
21% AVG Openrate
redblue 2 J. @ emnos
Top 1% Affinität
VR-Brillen
Stefan Kirschnick
Data Science Konferenz 2018 4
Beide Marken vereinen bereits 14 Mio. Kunden in den CRM Programmen
Als CRM Bereich bauen wir die Kundenbindungsprogramme für MediaMarktSaturn auf
MediaMarkt Club
Häufig einkaufen &
Geschenke
kassieren
14 Mio.
Kunden
in
Bits sammeln 9
Ländern
& ins nächste
Level aufsteigen
SATURN CARD
Data Science Konferenz 2018 5
WIR, KUNDENDATEN UND MACHINE LEARNING
THE GOAL OF MACHINE LEARNING IS Mahatma Gandhi*
TO IMPROVE OUR DECISION MAKING
Data Science Konferenz 2018 7
Ziel: Entscheidungen unterstützen im gesamten Unternehmen…
Unsere CRM Programme sollen uns dabei helfen, ein kundenzentrierter Retailer zu werden
TRADITIONELL KUNDENZENTRIERT
Preis
Direkt- Store-
marketing konzepte
Daten
Technologien
Menschen
Produkte Service
Sortiment Logistik
Bezahlung
Data Science Konferenz 2018 8
Erstes Beispiel für Anwendung von Machine Learning
ENTSCHEIDUNG ?
Wir möchten über einen Newsletter die neue GOPRO HERO6
Actioncamera promoten.
Welche Kunden kontaktieren wir?
KUNDENZENTRIERTES
DIREKTMARKETING
Welche Kunden sind besonders affin für ein bestimmtes Thema oder Produkt?
Data Science Konferenz 2018 9
Machine Learning hilft uns die richtigen Kunden zu finden…
Klassifikationsverfahren zur Kaufwahrscheinlichkeitsprognose
Prognose der
Kaufwahrscheinlichkeit
Klassifikationsproblem
KÄUFER VS NICHTKÄUFER
LOOK-A-LIKE MODELS/SCORECARDS /PROPENSITY
MODELS
Data Science Konferenz 2018 10Unser Weg der Modellentwicklung führt über 3 zentrale Schritte
DATENAUFBEREITUNG MODELLIERUNG EVALUATION
• Definition Zielgröße (0,1) und • Modellverfahren (Logistische • Train/Test Split
Zeitfenster Regression,Entscheidungsbaum, • ROC Chart/AUC
• derzeit ca. 300 Features (Bins, Neuronales Netz) • Responsecurves für
Flags, metrisch i.e. Soziodemo, • Feature Selektion: forward Cutoffempfehlungen
Kaufverhalten, Newsletter- stepwise • Plausibilität / Kosten - Nutzen
verhalten)
• Aufbereitung via SQL + SPSS Data Science Konferenz 2018 11Sowohl in der Analytik als auch in Marketingkennzahlen hilft uns der
Einsatz dieses Ansatzes
Ergebnis
• Regelwerk • ~2-4x Steigerung der Conversionrates
-> relevante Features inkl. Einflussstärke • Erhöhung Open- und Clickraten
Newsletter
• Steigerung Kundenverständnis durch
Aufbau einer Vielzahl von Modellen
Data Science Konferenz 2018 12Entscheidungen unterstützen im gesamten Unternehmen…
Unsere CRM Programme sollen uns dabei helfen, ein kundenzentrierter Retailer zu werden
TRADITIONELL KUNDENZENTRIERT
Preis
Direkt- Store-
marketing konzepte
Daten
Technologien
Menschen
Produkte Service
Sortiment Logistik
Bezahlung
Data Science Konferenz 2018 13ENTSCHEIDUNG
Wie soll ich meinen Warengruppenbereich auf der
Website und im Store anordnen?
KUNDENZENTRIERTES
SORTIMENT/STORE LAYOUT
Kauft unser Kunde nach Marke, dann Preis und dann Technik ein?
Data Science Konferenz 2018 14Wir ermitteln den Entscheidungsbaum analytisch aus Kundenperspektive
Kundenentscheidungsbaum
Product 1
1
Kundenentscheidung Product 2 Produktgruppe erfüllt gemeinsames
Product 3 Bedürfnis (need unit)
Product 4 -> Produkte sind „ähnlich“ aus
Product 5 Kundensicht
Produktclusterung Product 6
Product 7
Product 8
Product 9
2
Product ..
Produktgruppe weist homogene
…
…
Käufer-/ Interessentenstruktur auf
…
…
…
…
Wir identifizieren Ähnlichkeitsstrukturen im
…
… 3 Produkte der Gruppe sind
Substitute oder Komplemente
…
Produktsortiment auf Basis von CRM-Daten. …
(= aus Kundensicht, nicht aus Produktfeaturesicht)
Data Science Konferenz 2018 15Wir durchlaufen einen Prozess von 3 Schritten
Insbesondere die Interpretation ist anspruchsvoll und zeitaufwändig
PRODUKT- INTERPRETATION +
CLUSTERUNG
ÄHNLICHKEITEN IDENTFIKATION
Produktähnlichkeiten Zusammenfassung Produkte Bildung sinnvoller Produktgruppen
aus Kundensicht ermitteln
• Auswahl Produktset zur Analyse o hierarchisches Clusterverfahren • Basket und Produktkennzahlen (i.e.
• Distanzmatrix der Produkte (agglomorativ, Ward-Verknüpfung) Preis)
berechnen o Visualisierung über Dendrogram • Kundenprofile (i.e. Alter, Geschlecht)
• Jaccard (gleiche Kunden) • Kooperation mit Category
• euklidische (ähnliche Management (Expertenwissen)
Kunden)
Data Science Konferenz 2018 16Im Warenbereich Konsolen Hardware sehen wir folgendes Ergebnis
Ergebnis
Lifestyle handhelds
Other handhelds
Early Gen Consoles
Online Player Mode
Offline Player Mode
Pre-Order
Derzeit bei MSH Erfahrungen sammeln (Prozess). Im LEH bereits erfolgreich eingesetzt.
Data Science Konferenz 2018 17UND WAS UNS NOCH FEHLT
WE WANT YOU www.redblue.de
Data Science Konferenz 2018 19Vielen Dank
Sie können auch lesen
