Nicht jeder verlorene Kunde ist gleichzeitig auch ein wirtschaftlicher Verlust. Aber es gibt durchaus Kunden, bei denen es lohnenswert ist, sie zurück zu gewinnen, denn sie bringen bereits einen großen Vorteil mit: Ihre Affinität zu bestimmten Produkten/Angeboten bzw. zum Unternehmen selbst haben sie in der Vergangenheit bereits unter Beweis gestellt.

Allerdings können sich Lebensumstände und Konsumschwerpunkte trotzdem soweit verändert haben, dass eine erfolgreiche Reaktivierung sehr unwahrscheinlich ist. Ist ein älteres Ehepaar aus dem Einfamilienhaus auf dem Land in eine Mietwohnung in die Stadt gezogen, so ist der Bedarf, beispielsweise an Gartenartikeln, mit hoher Wahrscheinlichkeit nicht mehr vorhanden – sie konsumieren nun verstärkt in anderen Bereichen.

Die Aufgabe besteht nun darin, genau diejenigen Altadressen zu identifizieren, die sich am ehesten zur Wiederumwandlung in aktive Kunden eignen Streuverluste werden dadurch verringert und verlorengegangene Erträge zurückgewonnen.

Für die zielgenaue Reaktivierung von Altkunden ist eine fundierte Datenanalyse unverzichtbar.

Zunächst ist eine Betrachtung der Adressdatenqualität sinnvoll. Um die Reaktivierungs-Chance ehemaliger Kunden zu beurteilen, sollte in einem ersten Schritt überprüft werden, ob die Zustellbarkeit an die in der Kundendatenbank vorhandene Adresse weiterhin gewährleistet ist. Nur dann hat ein erneutes Werbemittel überhaupt die Möglichkeit, auch zu einer erfolgreichen Reaktivierung zu führen. Das o.g. ältere Ehepaar wäre an der vorliegenden Adresse nicht mehr erreichbar.

In einem zweiten Schritt sollte eine Betrachtung der aktuellen Lebenssituation der ehemaligen Kunden mit Reaktivierungspotenzial erfolgen. Dabei ist es notwendig, Merkmale zu identifizieren, die aufzeigen, welche Kunden zur erfolgreichen Rückgewinnung in besonderem Maße geeignet sind. Das können noch vorliegende Merkmale aus dem historischen Kaufverhalten sein. Spannend und relevant ist aber auch, wo und wie diese ehemaligen Kunden leben und aktuell einkaufen. Zum Beispiel in welchen Branchen – am besten auch in der des reaktivierungswilligen Unternehmens - sind sie aktive Käufer, welche Ansprache- und Reaktionskanäle bevorzugen sie? Welche Lebensphasen, Umfelder, Werte und welche sonstigen Einflussfaktoren beeinflussen möglicherweise das aktuelle (Entscheidungs-)Verhalten?

All diese Informationen lassen sich kombinieren, um herauszufinden, welche Kunden die höchste Affinität für eine Reaktivierung aufweisen. Die Entwicklung von Reaktivierungsmodellen mit Hilfe von Data Science ermöglicht es, hierbei eine Einteilung der Kunden danach vorzunehmen, welche Kunden beworben bzw. welche eher vernachlässigt werden sollten. Die Modellierung kann dabei beispielsweise mit Entscheidungsbäumen, (logistischer) Regression oder neuronalen Netzen erfolgen. Weisen die hochwertigen Topkunden deutliche Abweichungen vom Merkmalsprofil der sonstigen Kunden auf, werden diese Ausprägungen durch das Reaktivierungsmodell berücksichtigt. Ist zum Beispiel zu erkennen, dass ein ehemaliger Kunde seit geraumer Zeit keine Einkäufe in relevanten Branchen mehr tätigt, so wird das Modell seine Reaktivierungswahrscheinlichkeit als gering einschätzen. Das ältere Ehepaar, dass nun im Mehrfamilienhaus ohne eigenen Garten wohnt, würde durch das Modell als weniger relevant für eine erfolgreiche Reaktivierung eingeschätzt.  Die Modell-Einteilung ist dabei kein starres Gerüst: durch regelmäßiges Monitoring können weitere Optimierungsmöglichkeiten aufgedeckt werden. Zeigt sich, dass eine etwas andere Gewichtung der eingehenden Merkmale noch erfolgsversprechender ist, so kann dies in das ursprüngliche Modell mit einfließen.

Ist ein solches Modell entwickelt, lassen sich leicht relevante Altkunden-Potenziale für Werbeaktionen zur Reaktivierung selektieren - z.B. für postalische Mailing-, E-Mail oder Display-Kampagnen oder auch miteinander verknüpft in Cross-Channel-Kampagnen.

Doch nicht nur das – die Ergebnisse können auch für eigene Analysen eingesetzt werden. Die Reaktivierungsaffinität als Zusatzmerkmal in der Kundendatenbank ist wertvoll für Kampagnen-Selektionen, interne Analyseprojekte und Segmentierungen.

Fazit

Für eine erfolgreiche Reaktivierung ist eine Analyse der Altkunden unerlässlich. Ziel und Ergebnis dieser Analyse ist eine erhöhte Reaktivierungsquote und die Vermeidung von Streuverlusten. Um eine modellgestützte Einteilung der Altkunden nach Reaktivierungsaffinität vorzunehmen, können sowohl intern gesammelte Kundendaten zum Kaufverhalten als auch externe Daten zu Lebens- und Konsumwelten herangezogen werden.

Handlungsaufforderung

Passen Sie Ihre Marketing- und Vertriebsstrategie an - weg vom Gießkannenprinzip hin zu chancenbezogenen Reaktivierungsmaßnahmen.
Gerne gehen wir zu dem Thema datengestützte Altkunden-Reaktivierung mit Ihnen in den Dialog. Hierzu bietet u.a. mit unseren Merkmalen aus dem Audience Targeting System AZ DIAS eine umfangreiche Unterstützung.Profitieren Sie dabei von unserem Expertenwissen und bringen Sie alte Geschäftsbeziehungen wieder zum Blühen!

Autor*innen (Frederike Lindlahr und Michael Lindhorst)