OCIDA

Ausgehend von einem neuartigen Attribution-Modell des Projektpartners Haensel AMS GmbH soll die Effektivität der Kampagnen zur Churn-Reduzierung und der Return of Investment (ROI) durch möglichst optimalen Budgeteinsatz maximiert werden. Basierend auf zu bildenden Kundensegmenten werden die Churn-Wahrscheinlichkeiten geschätzt und die Effekte vielversprechender Strategien bewertet und mit neuen Verfahren optimiert. Aufgrund der großen Datenmengen erfolgt eine Auswertung von Big Data basierend auf Hadoop-Technologien.

Mit der Etablierung und verstärkten Nutzung von E-Commerce-Anwendungen und Plattformen stellen sich neue Herausforderungen an das Revenue Management der jeweiligen Anbieter von Online-Services – sei es im traditionellen Internet oder im mobilen Business. In der Interaktion und Abstimmung von Customer Relation Management (CRM) und Revenue Management (RM) eröffnet sich ein sehr großes Potenzial, zum einen den Ertrag für den Anbieter zum anderen die Wünsche und Erwartungen der Kunden zu optimieren. Aufgrund der ständig zunehmenden Anzahl von Anbietern, ist es dabei von großer Bedeutung, einmal gewonnene Kunden auch in Zukunft zu halten.

Im Analytischen Marketing liegt aktuell der Fokus vor allem darauf, die Effektivität der verschiedenen Werbekanäle und Kampagnen zu optimieren und den Return of Investment (ROI) durch möglichst optimalen Budgeteinsatz im Media-Mix zu maximieren. Hierzu wurde u.a. vom Projektpartner Haensel AMS GmbH ein neuartiges Attribution Modell entwickelt. Die Anforderungen zur Stärkung der Kundenbindung gehen aber deutlich über den aktuellen Forschungsstand hinaus. Durch die verstärkte Verfügbarkeit von individuellen Daten spielt deren Auswertung auf Kundenniveau eine wesentliche Rolle. Ziel des Projekts ist es dahe

• die Abwanderungswahrscheinlichkeit von Kunden (Churn-Rate) besser zu schätzen,
• effektive Strategien zu entwickeln und zu bewerten, die eine Kundenabwanderung
  verhindern bzw. signifikant verringern,
• genauere Modelle zu entwickeln, die eine gemeinsame Betrachtung der Grenzfunktionen
  der Nachfrage und der Effekte der Preis- und Angebotssteuerung ermöglichen.

Hierbei spielt die Auswertung der zur Verfügung stehenden Datenmengen eine große Rolle. Aktuelle und erweiterte Methoden aus den Bereichen Big Data und Machine Learning sowie die Verknüpfung dieser Methoden mit aktuellen Verfahren der Statistik und Optimierung (Learning and intelligent optimization) sollen hierbei im Projekt Anwendung finden. Ziel ist einen integrierten Prognose- und Optimierungsansatz zu entwickeln. Zudem soll die Skalierbarkeit der Auswertung und Optimierung auf verteilten Systemen betrachtet werden. Die Ansätze sollen dabei deutlich über etablierte Ansätze wie Recommendation Engines (z.B. amazon.de) und Marketing Automation (z.B. SAS, Oracle) hinaus gehen. Bei der Datenauswertung (Big Data) sollen Hadoop-Technologien angewendet werden.