Prognose des Customer Lifetime Value (CLV, Lebenszeitwert von Kunden)

“Prognosen, insbesondere zukunftsbezogene, gestalten sich schwierig.”

Bestimmt hatte der Nobelpreisträger Niels Bohr bei dieser Aussage ein subatomares quantenphysisches Phänomen im Kopf. Sie trifft jedoch ebenfalls auf das Kundenverhalten zu.  Das dachten sich jedenfalls Robert Blattberg, Professor of Marketing an der Kellogg School of Management und Edward Malthouse, Associate Professor of Integrated Marketing Communications an der Northwestern Medill School of Journalism in ihrer Veröffentlichung in der Fachzeitschrift“Journal of Interactive Marketing“, welche die überraschenden Unsicherheiten aufzeigt, die das differenzielle Marketing für Kunden auf der Basis ihres Verhaltens in der Vergangenheit aufweist.

Blattberg meinte: “Das Verhalten kann eher als &bdqbdquo;glücklicher Zufall“ bezeichnet werden.”

Für ihre Anstrengungen zur Verbesserung des Verständnisses des Langzeitverhaltens und des Wertes von Kunden wurden Malthouse und Blattberg mit dem Preis “Best Paper of 2005” der Fachzeitschrift ausgezeichnet.

“Ich bin letztendlich an den Einflussfaktoren des Langzeitkundenverhaltens interessiert,” sagte Blattberg, Polk Brothers Distinguished Professor of Retailing und Director of the Center for Retail Management. “Ich erforsche die Fragen mittels Einsichtnahme in die Umsatzdatenbanken und nicht im Labor.“

Malthouse und Blattberg interessieren sich besonders für das Verhalten, welches den Langzeitwert eines Kunden bestimmt, d. h. die vonseiten eines Unternehmens erwarteten Gewinne nach Berücksichtigung der erwarteten Kosten für den Erhalt einer Kundenbeziehung über einen längeren Zeitraum. Eine wertvolle Beziehung verdient wie jeder andere Unternehmensvermögenswert entsprechende Investition und Verwaltung. Viele Firmen wenden beachtliche Aufmerksamkeitund Ressourcen auf Marketingtechniken an, welche die Pflege der Treue bei denjenigen Kunden zum Ziel haben, die als beste Kunden angesehen werden.

“Die Firmen konzentrieren sich auf die Belohnung der besten Kunden, weil sie denken, dass diese weiterhin die besten Kunden bleiben werden,” sagte Blattberg.

Als gro&szliszlig;artiger Kunde erhalten Sie wahrscheinlich von Katalogversandhäusern mehr Mailings zugeschickt, die Fluggesellschaften räumen Ihnen eventuell einen Vorzug bei Upgrades ein, Kreditkartenunternehmen erlassen möglicherweise Verzugsgebühren und in den Hotels finden Sie vielleicht eine Flasche Cabernet in Ihrer Suite.  Es handelt sich hierbei um willkürliche Marketinginvestitionen, die nichtsahnenden Kunden zugute kommen und der Kultivierung steter und gewinnbringender Geschäfte mit den besten Kunden dienen sollen. Dieser Praxis liegt der Glaube zugrunde, dass der gute Kunde von gestern auch der gute Kunde von morgen sein wird.

Ist es jedoch möglich, vorherzusagen, welche Kunden sich auf lange Sicht als beste Kunden erweisen werden und diese Vorhersagen so zuverlässig zu machen, dass sich die bevorzugte Behandlung rechtfertigen lässt? Malthouse und Blattberg suchten nach Antworten auf diese Fragen. Blattberg sagte: “Diese Arbeit konzentrierte sich auf die Frage, ob die besten Kunden von gestern auch die besten Kunden von morgen sein werden: Werden häufige Nutzer des Produkts X von gestern auch morgen häufige Nutzer des Produkts X bleiben?”

Vermarkter versuchen, die besten Kunden mit Hilfe von Tools wie etwa der RFM-Analyse zu ermitteln. Diese Technik misst, wie kürzlich Kunden in jüngster Zeit Käufe getätigt haben (R, recency = Aktualit&aauml;t), wie häufig solche Käufe getätigt wurden (F, frequency = Häufigkeit) sowie die Höhe der Ausgaben (M, monetary value = Geldwert). Wenn der allgemein anerkannte Grundsatz gemäß dem “80% Ihres Geschäfts von 20% Ihrer Kunden stammt” der Wahrheit entspricht, kann die RFM-Analyse helfen festzustellen, wer die 20% der besten Kunden waren. Erlaubt sie jedoch Firmen vorherzusagen, ob die besten 20% von gestern auch zukünftig die besten Kunden sein werden?

“Die Literatur über Kundendatenbanken, die sich mit der RFM-Analyse befasst, erforscht die Neigung der Kunden, in allernächster Zeit Käufe zu tätigen,” sagt Blattberg. “Daraus darf jedoch nicht automatisch der Schluss gezogen werden, dass sie auf lange Sicht die besten Kunden bleiben werden.”

Zwecks Messung und Versuch der Vorhersage des Langzeitwerts von Kunden bewerteten Malthouse und Blattberg Unmengen von Umsatzdaten, welche von verschiedenen Firmen über viele Jahre hinweg erfasst worden waren. Der Umfang ihres Datenbestands war riesig. Sie befassten sich mit mehr als 136.000 Spendern einer wohltätigen Organisation über einen Zeitraum von zwei Jahren, über 71.000 Kunden eines Dienstleisters über einen Zeitraum von fünf Jahren, über 41.000 Kunden einer Katalogfachversandfirma über einen Zeitraum von zwölf Jahren und über 24.000 Kleinbetrieben,  die während eines Zeitraums von sieben Jahren Kunden einer größeren Firma waren. Die Datenbanken beschrieben eine breite Palette von Kundenverhalten, wie Länge der Vertragslaufzeit, Umfang der Leistungsnutzung, sowie Datum, Preis, Art und Wert von Käufen. Keine der Firmen gewährte ihren Kunden jedoch besondere Vergünstigungen, so dass Malthouse und Blattberg ein objektiveres Bild des Langzeitverhaltens und des Werts von Kunden gewinnen konnten.

Die künstliche Einteilung von Daten in gestrige, heutige und morgige Zeiträume erlaubte Malthouse und Blattberg die Erstellung statistischer Modelle und die Ziehung von Schlüssen, die zur Erreichung ihres Kernziels erforderlich waren: Die Umwandlung gestriger Kaufdaten in mächtige Prädiktoren für das Langzeitkaufverhalten und den Wert der Kunden für eine Firma.

Blattberg und Malthouse griffen Zeitpunkte ungefähr aus der Mitte jedes Datensatzes heraus und bezeichneten diese Punkte als “jetzt”. Zum Beispiel definierten sie bei einer Datenbank, die zwölf Jahre abdeckte und zum 31. Juli 1995 endete, den 1. August 1990 als “jetzt”.

Nach der Bestimmung des “jetzt”-Punktes in jedem Datensatz erstellten Malthouse und Blattberg künstliche “Vergangenheiten” (1. August 1983 - 31. Juli 1990) und künstliche “Zukünfte” (2. August 1990 bis 31. Juli 1995).

Die Umorientierung der Zeit erlaubte Malthouse und Blattberg statistische Modelle aufzubauen, zu testen und daraus zu extrapolieren. Daten über das Verhalten aus der Vergangeneheit und den Wert von Kunden wurden in statistische Regressionsgleichungen “eingespeist”. Diese Gleichungen berechneten, welche Kombinationen von Verhaltensmerkmalen den größten Wertbezug aufwiesen.  Eine Regressionsgleichung konnte zum Beispiel aufzeigen, dass die Werte auf der Vergangenheit, welche die Kunden der wohltätigen Organisation eingebracht hatten, meist direkt vom Betrag der jüngsten Spenden der Kunden und dem Zeitraum beeinflusst wurden, während derer die Kunden Mitglied der Organisation waren.

Nach der Feineinstellung der Modelle zur Erstellung des Zusammenhangs zwischen gestrigem Verhalten und Wert unter Verwendung der “Trainingsdaten” wurden “zurückgehaltene” Daten aus einem anderen Datensatz von Kunden der Organisation eingespeist. Die Modelle arbeiteten mit den Relationen, welche sie auf der Basis der “Trainings”-Daten erstellt hatten, indem sie Verhalten und Wert zur “Vorhersage” des zukünftigen Verhaltens verbanden, wenn nur das zukünftige Verhalten eingegeben wurde. Nachdem die Modelle die zukünftigen Werte des Kunden vorausgesagt hatten, verglichen Malthouse und Blattberg die Vorhersagewerte mit den derzeit tatsächlich erzielten Werten der Kunden. Die Kunden, die sich unter den wertvollsten 20% befanden, wurden als “beste” Kunden eingestuft.

Im Bewusstsein, dass die Modelle nicht im Stande sein würden, die zukünftig besten und nicht besten Kunden aufgrund ihres Verhaltens in der Vergangenheit perfekt zu klassifizieren, bewerteten Malthouse und Blattberg das Vermögen ihrer Modelle mittels Messung zweier möglicher Klassierungsfehler. Für einen Marketingmanager bedeuten diese Fehler, Geld für die falschen Kunden auszugeben und Kunden zu vernachlässigen, die solche Ausgaben wert wären. Ein Statistiker nennt diese Fehler fälschlicherweise positive und negative Ergebnisse.

Ein fälschlicherweise positives Ergebnis lag vor, wenn das Modell die Vorhersage stellte, ein Kunde würde auch morgen zu den besten Kunden gehören und dies nicht den Tatsachen entsprach. Zum Beispiel lautete die Vorhersage, ein Kunde der häufig mit einer Firma Geschäfte zu tätigen pflegte würde auch morgen ein guter Kunde sein. Bei eintretender Arbeitslosigkeit des Kunden würde dieser aber möglicherweise nicht mehr in der Lage sein, gleich viel auszugeben und daher nicht mehr zu den besten Kunden gehören.

Gleichermaßen traten fälschlicherweise negative Ergebnisse auf, wenn der zukünftige Wert eines Kunden nicht besonders hoch vorhergesagt wurde, obwohl ihr morgiges Kaufverhalten sich als sehr lukrativ für die Firma herausstellte. Zum Beispiel wurde für einen Kunden, der in der Vergangenheit wegen Mangel an verfügbarem Einkommen wenig Geschäfte getätigt hatte, auch zukünftig als schlechter Kunde eingestuft. Sollte der Kunde jedoch eine neue lukrative Beschäftigung finden,  könnte er sich für die Firma zu einer Goldmine entwickeln.

Malthouse und Blattberg waren angesichts der Strukturen von fälschlicherweise positiven und negativen Ergebnissen, die sie beobachten konnten, erstaunt. Quer durch alle Modelle und Datensätze hindurch, unabhängig davon ob Vorhersagen für Kundenwerte für einen zukünftigen Zeitraum von einem bis sechs Jahren getroffen wurden, zeigten sich die Strukturen bemerkenswert konsistent. Diese Konsistenz war so groß, dass Blattberg und Malthouse daraus zwei neue empirische Regeln ableiteten:

Sie bezeichneten die erste Erkenntnis als 20-55-Regel: Aus den derzeit besten 20% zukünftiger Kunden werden rund 55% fälschlicherweise als schlechte oder durchschnittliche Kunden klassifiziert werden und somit von einer Vorzugsbehandlung ausgeschlossen bleiben. Diese Rate an fälschlicherweise negativen Ergebnisse zeigte auffällige Konsistenz quer durch die verschiedenen Modelle und Datensätze hindurch und lag bei 51-55%.

Die andere Regel tauften sie die 80-15-Regel: Von den tatsächlichen 80% im unteren Segment befindlicher zukünftiger Kunden werden rund 15% falsch klassifiziert werden und in den Genuss einer Vorzugsbehandlung kommen. Auch die Rate an fälschlicherweise positiven Ergebnisse zeigte mit 13-15% bemerkenswerte Konsistenz quer durch alle Datensätze hindurch.

Die Arbeit zeigte die Auswirkungen klar. Rund ein Viertel aller Kunden wurde unrichtig als fälschlicherweise positiv oder negativ klassifiziert. Eine Firma, die in einem von vier Fällen fehlgeleitete Marketingentscheidungen trifft, könnte erheblich von einer erneuten komplexeren Prüfung ihrer Zielobjekte profitieren. Voraussetzung dafür ist, dass die Firma hierfür lange genug zu überleben vermag.

“Wir stellten fest, dass beste Kunden sich im weiteren Verlauf in weit geringerem Maße als beste Kunden erwiesen, als wir erwartet hatten”, sagte Blattberg. “Wenn ein beträchtlicher Anteil morgiger bester Kunden von gestrigen schlechten Kunden herrührt, riskieren Sie, diese zu verlieren. Vor diesem Problem stehen Sie, sowie Sie mit der Kundendifferenzierung beginnen.“

Malthouse und Blattberg verwendeten diese Ergebnisse zur Ableitung einer sehr direkten Formel, die Managern helfen könnte, festzustellen, wann es sinnvoll ist, den Kunden Vergünstigungen einzuräumen. Die Formel baut auf vier Variablen auf: Die Kosten der Einräumung einer Vergünstigung, die Kosten der Kundenentfremdung wegen fehlender Vergünstigungen für diejenigen, welche diese verdienen, der Extragewinn vonseiten von Kunden, welche Vergünstigungen erhielten und der Extragewinn von Kunden, die vom Erhalt von Vergünstigungen angenehm überrascht waren, da sie dachten, sie würden diese derzeit nicht verdienen.

Zur Illustration dieser Feststellungen wandte Blattberg sich dem Luftraum zu (und Flugkartenverkaufstheken und überlasteten Terminals). “Auf Grund der Vergünstigungsstruktur besteht die Gefahr, dass Kunden mit geringem Volumen/weniger gute Kunden niemals gute Kunden werden können,” sagte er. “Ich bin beispielsweise ein Vielflieger. Da ich aber ich Chicago lebe, fliege ich nicht sehr oft mit Delta. So werde ich für die Gesellschaft nie ein guter Kunde sein, werde Sitze in der Mitte erhalten und in endlosen Warteschlagen stehen müssen. Was, wenn ich aber nach Atlanta umziehe? Ich werde weiterhin ein Vielflieger sein und so könnte ich vielleicht für Delta ein guter Kunde werden. Da sie mich aber während all meiner Jahre in Chicago nicht gut behandelt haben, riskieren sie, mich zu verlieren.”

“Betrachten wir nun dSouthwest,” fuhr er fort. “Die Gesellschaft folgt einem auf Gleichheit beruhendem Prinzip: „Wir fragen nicht danach wer Sie sind; Sie bekommen Ihre Bordkarte basierend auf dem Zeitpunkt Ihres Eincheckens“. Welcher Ansatz ist besser? Sie erhalten vielleicht bei Southwest keine Vorzugsbehandlung, aber das könnte immer noch besser sein, als bei Delta schlecht behandelt zu werden.”

Malthouse und Blatt schlugen eine einfache Lösung vor: Vergünstigungen sollten auf der Basis des tatsächlichen und nicht des vorhergesagten zukünftigen Verhaltens gewährt werden. Das ist ein feiner aber wichtiger Unterschied. Anstatt zu versuchen, vorherzusagen welche Kunden von Wert sein könnten, raten Malthouse und Blattberg dazu, allen Kunden eine Vergünstigung in Aussicht zu stellen und diejenigen zu belohnen, die das gewünschte Verhalten zeigen. Genau das tun Fluglinien mit ihren Flugmeilenprogrammen. Alle Kunden, die eine bestimmte Zahl an Flugmeilen zurücklegen, erhalten die Vergünstigung. Kreditkartenunternehmen und Supermärkte, die Cashback-Gutscheine anbieten, befolgen ebenfalls diesen Ansatz.

Diese Studienergebnisse sind von geringerer Bedeutung für Firmen, die keinerlei Datenbanken mit Kundeninformationen führen oder verwenden, beispielsweise Verkäufer von Süßwaren, Toilettenpapier und der meisten anderen abgepackten Verbrauchsgüter. Die Studie über derartige Vergünstigungen ist weiter nicht auf Firmen-Kundenbeziehungen anwendbar, bei denen zukünftige Vergünstigungen bereits beim Kauf klar festgelegt werden. Beispielsweise kann eine Autovermietung gleich zu Beginn folgendermaßen werben: Fünf Tage zum Preis von vier Tagen mieten’, um Kunden von Beginn an mit klar definierten Anreizen zu ködern. Unternehmen jedoch, die ihre Kunden in der Hoffnung die Kundentreue zu steigern, “überraschen”  möchten, können von dieser Studie und eventuell nachfolgender Studien in erheblichem Maße profitieren.

“Es gibt zahlreiche interessante zukünftige Fragen”, sagte Blattberg. “Lassen sich Vergünstigungssysteme schaffen, welche die Chancen steigern, dass beste Kunden auch als beste Kunden erhalten werden können? Wie müsste diese Vergünstigungsstruktur aussehen? Werden Kundensegmente inaktiv und dann wieder aktiv oder sind sie für immer weggefallen?”

Hätte Niels Bohr sich vielleicht eher zu Marketingstrategien als den Elektronenumlaufbahnen hingezogen gefühlt wenn er noch leben würde? Das ist schwer zu sagen. Genau so schwer wie der Versuch, zufällige Eigenarten bei Verbrauchsgewohnheiten in mechanisch vorhersagbare Geschäftsprozesse umzuwandeln.