Was leisten herkömmliche Scores?
Scores dienen dazu, in einer bestimmten Situation gute von weniger guten Kunden zu unterscheiden. Dies kann etwa ein Reaktivierungs-Score sein, der aufzeigt, welche Kunden eine hohe Reaktivierungschance haben, oder ein Kündiger-Score, der diejenigen Kunden identifiziert, bei denen ein hohen Kündigungsrisiko besteht.
Häufig werden Scorings auch kampagnenbezogen erstellt, um vorherzusagen, bei welchen Kunden die größten Chancen bestehen, dass er nach der Zusendung einer Kampagne reagieren wird. Im Allgemeinen werden potenzielle Reagierer so zuverlässiger identifiziert als zum Beispiel mit einer reinen Recency-Selektion, einfach weil mehr Merkmale zur Vorhersage der Reaktion genutzt werden.
Nun ist es aber so, dass manche Kunden auch reagieren würden, ohne dass ihnen die betreffende Kampagne zugesendet wird. Wie gut sie das tun würden, kann man ermitteln, indem man in den einzelnen Scoreklassen zufällig eine Kontrollgruppe selektiert, die von der Zusendung des Mailings ausgenommen wird. Oft zeigt sich dabei das in folgender Abbildung dargestellte typische Bild, wobei hier die 11 besten Scoreklassen 10-20 für die Aussendung selektiert wurden:
Abbildung 1: Reaktionsquoten in Kontroll- und Aussendegruppe bei einem gewöhnlichen Score: Der Lift steigt nur wenig mit der Scoreklasse an.
Der Score leistet das, wofür er entwickelt wurde: Er ermittelt zuverlässig die mit hoher Wahrscheinlichkeit reagierenden Kunden, und er tut dies i.d.R. merklich bessere als andere RFM-Selektionsmethoden. Er ermittelt diese Kunden zuverlässig sowohl in der Test- als auch in der Kontrollgruppe; für beide Gruppen weisen die Reaktionsquoten eine klare Monotonie auf. Der Lift allerdings, d. h. der durch die Aussendung verursachte Zuwachs der Reaktionsquote in der Aussendegruppe im Vergleich zur Kontrollgruppe, hängt allenfalls sehr schwach von der Scoreklasse ab. Dies heißt, wenn die Zielsetzung darin besteht, diejenigen Kunden zu kontaktieren, bei denen die beste Aussicht besteht, sie zum Kauf anzuregen, obwohl sie ohne Zusendung nicht gekauft hätten, dann identifiziert der hier verwendete Score diese Kunden kaum.
Es kann durchaus vorkommen, dass auch der gemessene Lift eines herkömmlich ermittelten Scorings mit der Scoreklasse anwächst. In diesem Fall hat man Glück und das Scoring lässt sich auch verwenden, um die Kunden zu identifzieren, bei denen man mit der Zusendung den größten Effekt erzielen kann (auch wenn dieses Vorgehen dann möglicherweise nicht optimal ist). Doch wenn der Lift nicht oder nur geringfügig von der Scoreklasse abhängt, benötigt man einen anderen Ansatz: den sogenannten Lift-Score.
Wie funktioniert ein Lift-Score?
Die Idee hinter einem Lift-Score ist, zwei Modelle zu ermitteln: eines für die Reaktionswahrscheinlichkeit bei Zusendung der Kampagne und eines für die Reaktionswahrscheinlichkeit, wenn kein Kontakt erfolgt. Um dies tun zu können, benötigt man zunächst mal eine ausreichende Datenbasis von Kunden, die die Kampagne, anhand derer man den Score entwickeln möchte, nicht erhalten haben – auch unter den grundsätzlich gut reagierenden Kunden. Die oben verwendete Kontrollgruppe kann hierfür eine gute Basis sein, vorausgesetzt sie ist groß genug, um die zuverlässige Schätzung der Reaktionsquote ohne Zusendung zu ermöglichen. Ideal ist es, wenn man auch in den reaktionsschwachen Scoreklassen 1-9 eine Testaussendung hatte, sodass man auch hier eine Datenbasis für beide Modelle hat (Erhalter und Nicht-Erhalter) hat. Denn auch in den reaktionsschwachen Scoreklassen kann es Kunden geben, die sich durch die Zusendung gut zum Kauf animieren lassen und daher im Sinne des durch die Aussendung erzeugten Lifts interessant sind.
Grundsätzlich kann man die entwickelten Scoremodelle mit und ohne Zusendung auch auf die jeweils andere Gruppe anwenden. Für jeden Kunden erhält man damit zwei geschätzte Kaufwahrscheinlichkeiten: eine mit und eine ohne Zusendung der Kampagne. Die Differenz der beiden Kaufwahrscheinlichkeiten ist der Liftscore: die Schätzung für die Wahrscheinlichkeit, dass ein Kauf durch die Zusendung der Kampagne tatsächlich ausgelöst wird (und nicht ohnehin erfolgt wäre).
Auch hier kann man in Abhängigkeit von dieser Scoredifferenz wieder Scoreklassen bilden, die dann monoton in dem erwarteten Lift sind. Versendet man dann eine Folgekampagne nach diesem Liftscore an die Liftscoreklassen 20-12 und entfernt jeweils wieder eine zufällig ausgewählte Kontrollgruppe aus der Aussendemenge, dann kann man in etwa folgendes typisches Bild erwarten:
Abbildung 2: Beim Lift-Score unterscheiden sich die Scoreklassen durch das Ausmaß des Lifts, die Reaktionsquoten in der Kontrollgruppe ist nahezu unabhängig von der Scoreklasse.
Typischerweise lässt sich der Lift weniger gut erklären als die Kaufbereitschaft insgesamt. Die Monotonie des Lifts ist dann weniger stark ausgeprägt als diejenige des ursprünglichen Scores. Dennoch ist der Liftscore hier in der Lage, diejenigen Kunden zu identifizieren, bei denen durch die Kampagnenzusendung der größte Lift in der Kaufwahrscheinlichkeit erzielt wird. Die Kaufwahrscheinlichkeit in der Kontrollgruppe hingegen hängt hier nur schwach von der Liftscoreklasse ab. Während der gewöhnliche Score häufig vor allem von RFM-Variablen – vor allem von der Recency – beeinflusst wird, ist hier zu erwarten, dass andere Kundeneingenschaften beim Lift-Score eine wichtige Rolle spielen, beispielweise Alter und Geschlecht.
Fazit
Wenn man diejenigen Kunden identifizieren möchte, bei denen eine Kampagne die beste Wirkung erzielt, kann ein herkömmliches scheitern. In diesem Fall hilft ein speziell hierfür entwickelter Lift-Score weiter, der die Kaufwahrscheinlichkeiten mit und ohne Zusendung der Kampagne vergleicht und so die aussichtsreichsten Kunden findet.
Jetzt Newsletter abonnieren!
