Wissen

Bei CuSaaS werden mehrere KPIs berechnet, welche in einer CSV-Datei gespeichert werden und Spalten einer Tabelle darstellen. Die bedeutung der einzelnen Spalten ist hier genauer erklärt.

First order date

Datum der ersten Bestellung für die gesamte Zeit

Cohort

Kohortennummer, der der Kunde zugeordnet ist

Dormant time (days and month)

Zeit seit letzter Bestellung

Lifetime (days and month)

Zeit von der ersten bis zur letzten Bestellung

Interaction time (days and month)

Zeit von der ersten Bestellung bis zum Berechnungsdatum

Time to second order

Zeit bis zur zweiten Bestellung

Time between last orders

Anzahl der Tage zwischen den letzten 2 Bestellungen

Number of activity periods

Die Anzahl der Perioden, in denen der Kunde Bestellungen aufgegeben hat

Number of orders (actual and last period, 3, 6, 9, 12 periods ago)

Gesamtzahl der Bestellungen

Order frequency (actual and last period, 3, 6, 9, 12 periods ago)

Gesamtbestellhäufigkeit

Average order summ (actual and last period, 3, 6, 9, 12 periods ago)

Durchschnittlicher Bestellwert für die gesamte Zeiten

Average positions in order (actual and last period, 3, 6, 9, 12 periods ago)

Durchschnittliche Anzahl der Artikel in einer Bestellung

Order summ (actual and last period, 3, 6, 9, 12 periods ago)

Gesamtsumme der Bestellungen

Expected order time (days and month)

Die Zeit, die ein Kunde braucht bis eine Bestellung aufgegeben wird

ABC-group (actual and last period, 3, 6, 9, 12 periods ago)

Gruppe A, B oder C

ABC-Analyse ist eine Methode zur Klassifizierung der Ressourcen eines Unternehmens nach ihrer Bedeutung und Rentabilität. Es basiert auf dem Pareto-Prinzip: 20% aller Produkte generieren 80% des Umsatzes.

In Bezug auf die ABC-Analyse lässt sich das Pareto-Prinzip wie folgt formulieren: Die zuverlässige Beobachtung von 20 % der Positionen erlaubt es, das System zu 80 % zu kontrollieren, egal ob es sich um Bestände von Rohstoffen und Komponenten oder um verkaufte Waren usw. handelt.

Bei der ABC-Analyse werden Waren in drei Kategorien eingeteilt: A - am wertvollsten, B - mittelmäßig und C - am wenigsten wertvoll. Im Wesentlichen handelt es sich bei der ABC-Analyse um ein Ranking des Sortiments nach verschiedenen Parametern. Alles was über ausreichende statistische Daten verfügt (z. B. Lieferanten, Käufer, Bestände), kann ebenfalls auf diese Weise klassifiziert werden. Das Ergebnis ist eine Gruppierung der Objekte nach dem Grad des Einflusses auf das Gesamtergebnis.

Die ABC-Analyse basiert auf dem Prinzip des Ungleichgewichts. Bei der Durchführung wird ein Diagramm der Abhängigkeit der Gesamtwirkung von der Anzahl der betrachteten Elemente aufgezeichnet. Sie wird Pareto-Kurve, Lorenz-Kurve oder ABC-Kurve genannt.

Basierend auf den Ergebnissen der Analyse werden die Sortimentsartikel nach der Größe ihres Beitrags zum Gesamteffekt geordnet und gruppiert. In der Logistik wird die ABC-Analyse in der Regel verwendet, um das Sendungsvolumen bestimmter Waren und die Häufigkeit der Abrufe zu verfolgen, sowie um Kunden nach der Anzahl oder dem Volumen der von ihnen getätigten Bestellungen zu klassifizieren.

Das Verfahren zur Durchführung der ABC-Analyse umfasst die folgenden Schritte:

  • Zweck der Analyse wird definiert;
  • Aktionen auf der Grundlage der Analyseergebnisse werden definiert (Wie können die erhaltene Ergebnisse benutzt werden?);
  • Auswahl des Objekts und der Parameter der Analyse (das Kriterium, welches für die Analyse verwendet werden soll);
  • Die Rangliste der Objekte wird in absteigender Reihenfolge des Parameterwertes erstellt;
  • Der Anteil des Parameters an der kummulierter Gesamtsumme der Parameter wird berechnet. Der Anteil mit kumulierter Summe wird berechnet, indem der Parameter zur Summe der vorherigen Parameter addiert wird;
  • Die Gruppen A, B und C werden gebildet.

Die Objekte der ABC-Analyse sind in der Regel Produktgruppen, Produktkategorien, einzelne Produkte, Lieferanten. Jeder von ihnen hat unterschiedliche Parameter zur Beschreibung und Messung: Verkaufsvolumen (in monetären oder quantitativen Begriffen), Gewinn (in monetären Begriffen), Produktbestand, Umsatz, usw.

Die Wahl der Parameterschwellenwerte, nach denen ein Objekt einer der Kategorien zugeordnet wird, hängt von den spezifischen Eigenschaften des Problems ab. Wir können z. B. annehmen, dass das enge Sortiment der Kategorie A mit 10 % der Waren 70 % des Einkommens erbringt.

Von den verbleibenden Waren generieren 20 % (Kategorie B) 20 % Umsatz und die anderen 70 % (Kategorie C) nur 10 %. Aus den erzielten Ergebnissen lässt sich schließen, dass den Waren der Kategorie A die meiste Aufmerksamkeit geschenkt werden sollte, den Waren der Kategorie B etwas weniger, und die Waren der Kategorie C können Zusatzprodukte betrachtet werden.

RFM-segment (actual and last period, 3, 6, 9, 12 periods ago)

RFM-Segment des Kunden

Die RFM-Analyse ist die Analyse der Kunden eines Unternehmens, um sie nach dem Geschäftswert zu segmentieren. Die RFM-Analyse ist weit verbreitet im Marketing, Direktmarketing und besonders im Einzelhandel und in der Dienstleistungsbranche.

Die Analyse verwendet 3 Dimensionen:

  • Aktualität - wie lange liegt der letzte Kauf des Kunden zurück? Je weniger Zeit seit der letzten Aktivität des Kunden vergangen ist, desto wahrscheinlicher ist es, dass er die Aktion wiederholt.
  • Häufigkeit - wie oft hat der Kunde eingekauft? Je mehr Käufe der Kunde tätigt, desto wahrscheinlicher ist es, dass er sie in Zukunft wiederholen wird.
  • Umsatz - Wie viel Geld hat der Kunde ausgegeben? Je mehr Geld der Kunde ausgibt, desto größer ist die Wahrscheinlichkeit, dass er den Kauf wiederholt.

Es wird davon ausgegangen, dass ein Kunde, der in letzter Zeit eingekauft hat, eine höhere Aktivität zeigt und mehr Geld für Einkäufe ausgibt, auch in Zukunft ein aktives Konsumverhalten zeigen wird.

Die Historie der Kundenkäufe oder Produktverkäufe wird in Form einer Tabelle oder RFM-Matrix mit drei Spalten dargestellt: Aktualität (Recency), Häufigkeit (Frequency) und Unsatz (Monatary Value). Jede Spalte ist in Kategorien unterteilt.

Die Aktualität kann z. B. in Intervalle von 1 - 30 Tagen (gegenwärtig), 31 - 60 Tagen (kürzlich), 61 - 90 Tagen (vor langer Zeit) unterteilt werden. Die Häufigkeit der Einkäufe kann in häufig (mehr als 10 pro Monat), selten (3 - 10 pro Monat) und einmalig (weniger als 3 Mal pro Monat) kategorisiert werden. Der Umsatz können in hoch, mittel und niedrig unterteilt werden. Dann kann eine RFM-Matrix der Form zusammengestellt werden:

Es ist leicht zu erkennen, dass sich die "vielversprechendsten" Kunden in der oberen linken Ecke der Tabelle befinden werden, im hervorgehobenen Segment (enthält Kunden, die häufig, aktuell oder in letzter Zeit einkaufen und dabei mittlere oder große Beträge ausgeben). Die am wenigsten "vielversprechenden" befinden sich im untersten hervorgehobenen Segment (einmalige Käufe, die vor kurzem oder in letzter Zeit für geringe oder mittlere Beträge getätigt wurden).

Abhängig von der Art der Analyse können auch andere Darstellungen der RFM-Matrix verwendet werden. Zum Beispiel werden nicht 3 Kategorien für jede Dimension verwendet, was 27 Segmente ergibt, sondern 5 Kategorien, was 125 Segmente ergibt. In diesem Fall sind die Analyseergebnisse detaillierter.

Manchmal werden Segmente der Matrix mit einer Punktzahl zwischen 1 (das "unattraktivste") und 5 (das "attraktivste" Segment) bewertet. In diesem Fall würde das "beste" Segment mit 5R-5F-5M und das "schlechteste" Segment mit 1R-1F-1M beschriftet. Dann können die Kunden, die in das Segment 3R-3F-3M fallen, als durchschnittlich attraktiv interpretiert werden.

Der Vorteil der Methode ist die Einfachheit (es wird keine spezielle Statistiksoftware benötigt) und die Ergebnisse sind leicht zu interpretieren. Beim Einsatz im Direktmarketing kann die Anwendung der RFM-Analyse die Anzahl der Rückmeldungen auf Werbeaktionen erhöhen.

Es gibt verschiedene Modifikationen der RFM-Analyse:

  • RFD - Recency, Frequency, Duration (Dauer) - eine modifizierte Version der RFM-Analyse zur Untersuchung des Konsumentenverhaltens von Unternehmensprodukten, die sich an Zuschauer, Leser, Internetsurfer richten (z.B. die Verweildauer in einem Online-Kino).
  • RFE - Recency, Frequency, Engagement ist eine erweiterte Version der RFD-Analyse, die das Engagement des Kunden mit einem Geschäftsprodukt bewertet. Neben der Dauer werden die Anzahl der besuchten Webseiten, die Anzahl der Hyperlink-Klicks und andere Aktionen verwendet, die die aktive Nutzung des Geschäftsprodukts zeigen. Es wird davon ausgegangen, dass die aktivsten Kunden eher auf Marketing-Aktionen reagieren.
  • RFM-I - Recency, Frequency, Monetary - Interactions (Monetär - Wechselwirkungen) - ist eine Version der RFM-Analyse, um die Aktualität und die Häufigkeit von Marketing-Interaktionen mit einem Kunden zu berücksichtigen, z. B. um die mögliche abschreckende Wirkung von häufigen Werbeaktivitäten zu untersuchen (wenn zu aufdringliche Werbung einen Kunden abstößt).

RFM-score (actual and last period, 3, 6, 9, 12 periods ago)

Code der Form R/F/M mit R=Retention Interval Number, F=Frequency Interval Number, M=Monetary Interval Number

XYZ-group (actual and last period, 3, 6, 9, 12 periods ago)

Gruppe X, Y oder Z

Die XYZ-Analyse ist eine Methode zur Klassifizierung der Ressourcen eines Unternehmens in Abhängigkeit von:

  • der Stabilität des Verbrauchs und der Genauigkeit seiner Zukunftsprognose;
  • der Stabilität oder Variabilität der Nachfrage;
  • der Anfälligkeit für saisonale Nachfrageschwankungen;
  • dem Zufallscharakter der Nachfrage.

Der Algorithmus wird wie folgt realisiert:

  • Die Variationskoeffizienten für die analysierten Ressourcen werden ermittelt.

xi ist der Wert des Parameters für das zu bewertende Objekt für die i-te Periode, ist der Durchschnittswert des Parameters über alle Perioden, n ist die Anzahl der Perioden.

  • Die Ressourcen werden nach Variationskoeffizienten aufsteigend sortiert.
  • Die Ressourcen werden nach Kategorien X, Y, Z aufgeteilt:

    • Kategorie X - Ressourcen zeichnen sich durch einen stabilen Wert des Verbrauchs, unbedeutende Schwankungen in dem Verbrauch und eine hohe Vorhersagegenauigkeit aus. Der Wert des Variationskoeffizienten liegt im Bereich von 0 bis 10%.

    • Kategorie Y - Ressourcen zeichnen sich durch bekannte Trends bei der Bedarfsermittlung (z. B. saisonale Schwankungen) und durchschnittliche Vorhersagemöglichkeiten aus. Der Wert des Variationskoeffizienten liegt zwischen 10 und 25%.

    • Kategorie Z - der Ressourcenverbrauch ist unregelmäßig, es gibt keine Trends, die Vorhersagegenauigkeit ist gering. Der Wert des Variationskoeffizienten beträgt mehr als 25%.

  • Die Ergebnisse der Analyse werden grafisch interpretiert.

Die XYZ-Analyse ist für Händler und Hersteller interessant, die über eigene Lager verfügen. Sie ermöglicht es, die mit der Logistik und der Lagerung von Ressourcen verbundenen Unternehmenskosten sowie die direkten Risiken (z. B. Abschreibung von Waren nach Verfallsdatum) zu reduzieren.

RFM (actual and last period, 3, 6, 9, 12 periods ago)

RFM-Bewertung in Punkten

Dormant factor

Ein dimensionsloser Wert, der angibt, wie lange es her ist, dass der Kunde die Bestellung aufgegeben hat.

Lifecycle segment (actual and last period)

Eine der folgenden Phasen: Neu, Aktiv, Einschlafen, Einschlafend, Zurückgehohlt, Mit 1 Bestellung, Mit 1 Bestellung eingeschlafen

Im Marketing wird ein Nettogewinn erwartet, der während des gesamten Kundenbeziehungszyklus generiert werden kann. Das CLV-Bewertungsmodell kann in Komplexität und Genauigkeit variieren, von der Grobheuristik bis zum Einsatz ausgeklügelter Predictive Analytics-Techniken.

Das Problem bei der CLV-Bewertung ist, dass der Endpunkt des Lebenszyklus des Kunden im Voraus unbekannt ist, sodass er basierend auf dem aktuellen Cashflow vom Kunden vorhergesagt wird.

CLV ist ein wichtiges Geschäftskonzept in dem Sinne, dass es Unternehmen ermutigt, langfristige Beziehungen zum Kunden aufzubauen. CLV ist eine Schätzung der Kostenobergrenze für Neukunden und daher ein wichtiges Element bei der Berechnung der Werberendite.

Der Zweck der CLV-Bewertung ist es, den Wert jedes Kunden zu bestimmen. Gleichzeitig ist CLV nicht gleich der Rentabilität des Kunden (die Differenz zwischen Einkommen und Kosten, die mit der Beziehung zum Kunden über einen bestimmten Zeitraum verbunden sind). Rentabilität bezieht sich auf vergangene Perioden der Beziehung mit dem Kunden, wogegen CLV in die Zukunft gerichtet ist. Während quantitative Rentabilität mit der Berichterstattung und Verallgemeinerung vergangener Leistungen verbunden ist, ist die CLV-Quantifizierung in erster Linie eine Vorhersage.

So kann CLV als Barwert zukünftiger Cashflows vom Kunden während seiner Beziehung mit dem Unternehmen betrachtet werden. Der Barwert ist ein diskontierter Betrag zukünftiger Cashflows: Jeder zukünftige Cashflow wird mit einem Faktor multipliziert, der die Art und Weise berücksichtigt, wie der Wert des Geldes im Laufe der Zeit diskontiert wird.

CLV ist die Obergrenze dessen, was ein Unternehmen bereit ist zu zahlen, um eine Beziehung mit einem neuen Kunden aufzubauen oder einen bestehenden zu behalten. Betrachten wir Kundenbeziehungen als Besitz des Unternehmens, wird CLV den monetären Wert dieses Vermögenswerts darstellen.

Wenn die Gewinn- und Einbehaltungsrate konstant ist, kann folgende Formel verwendet werden, um die CLV eines Kunden zu berechnen:

CLV = (M∗RR) / (1+DR−RR),

Dabei ist M (Margin) - Gewinn vom Kunden, RR (Retention Rate) - Wahrscheinlichkeit des Kundenabgangs), DR (Discount Rate) - Rabattfaktor.

Das Modell verwendet drei Annahmen:

  • Wenn der Kunde nicht gehalten wird, ist er für immer verloren.
  • Der erste Gewinn wird am Ende der ersten Periode erzielt.
  • Bei der Berechnung des Werts zukünftiger Cashflows wird ein unendlicher Horizont verwendet.

CLV wird hauptsächlich in kundenorientierten Bereichen wie Bank- und Versicherungsdienstleistungen, Telekommunikation und einem Großteil des B2B-Sektors eingesetzt. Verschiedene Varianten von CLV-Modellen können in dem Geschäft auf individuelle Kontakte mit Kunden (Supermarktkäufe, Autowartung, etc.) konzentriert verwendet werden.

Period

Der Zeitraum, für den der Indikator berechnet wird

CLV

Customer Lifetime Value

Im Marketing wird ein Nettogewinn erwartet, der während des gesamten Kundenbeziehungszyklus generiert werden kann. Das CLV-Bewertungsmodell kann in Komplexität und Genauigkeit variieren, von der Grobheuristik bis zum Einsatz ausgeklügelter Predictive Analytics-Techniken.

Das Problem bei der CLV-Bewertung ist, dass der Endpunkt des Lebenszyklus des Kunden im Voraus unbekannt ist, sodass er basierend auf dem aktuellen Cashflow vom Kunden vorhergesagt wird.

CLV ist ein wichtiges Geschäftskonzept in dem Sinne, dass es Unternehmen ermutigt, langfristige Beziehungen zum Kunden aufzubauen. CLV ist eine Schätzung der Kostenobergrenze für Neukunden und daher ein wichtiges Element bei der Berechnung der Werberendite.

Der Zweck der CLV-Bewertung ist es, den Wert jedes Kunden zu bestimmen. Gleichzeitig ist CLV nicht gleich der Rentabilität des Kunden (die Differenz zwischen Einkommen und Kosten, die mit der Beziehung zum Kunden über einen bestimmten Zeitraum verbunden sind). Rentabilität bezieht sich auf vergangene Perioden der Beziehung mit dem Kunden, wogegen CLV in die Zukunft gerichtet ist. Während quantitative Rentabilität mit der Berichterstattung und Verallgemeinerung vergangener Leistungen verbunden ist, ist die CLV-Quantifizierung in erster Linie eine Vorhersage.

So kann CLV als Barwert zukünftiger Cashflows vom Kunden während seiner Beziehung mit dem Unternehmen betrachtet werden. Der Barwert ist ein diskontierter Betrag zukünftiger Cashflows: Jeder zukünftige Cashflow wird mit einem Faktor multipliziert, der die Art und Weise berücksichtigt, wie der Wert des Geldes im Laufe der Zeit diskontiert wird.

CLV ist die Obergrenze dessen, was ein Unternehmen bereit ist zu zahlen, um eine Beziehung mit einem neuen Kunden aufzubauen oder einen bestehenden zu behalten. Betrachten wir Kundenbeziehungen als Besitz des Unternehmens, wird CLV den monetären Wert dieses Vermögenswerts darstellen.

Wenn die Gewinn- und Einbehaltungsrate konstant ist, kann folgende Formel verwendet werden, um die CLV eines Kunden zu berechnen:

CLV = (M∗RR) / (1+DR−RR),

Dabei ist M (Margin) - Gewinn vom Kunden, RR (Retention Rate) - Wahrscheinlichkeit des Kundenabgangs), DR (Discount Rate) - Rabattfaktor.

Das Modell verwendet drei Annahmen:

  • Wenn der Kunde nicht gehalten wird, ist er für immer verloren.
  • Der erste Gewinn wird am Ende der ersten Periode erzielt.
  • Bei der Berechnung des Werts zukünftiger Cashflows wird ein unendlicher Horizont verwendet.

CLV wird hauptsächlich in kundenorientierten Bereichen wie Bank- und Versicherungsdienstleistungen, Telekommunikation und einem Großteil des B2B-Sektors eingesetzt. Verschiedene Varianten von CLV-Modellen können in dem Geschäft auf individuelle Kontakte mit Kunden (Supermarktkäufe, Autowartung, etc.) konzentriert verwendet werden.

Back to homepage