← Alle Abbildungen

Tabelle Tabelle 1 Wachstum, das sich potenziert

Die Multi-Outcome-Kundenmodellkarte

Prüfen Sie jedes Kundenergebnis separat, bevor ein Score eine Beziehungsentscheidung steuert.

Synthetisches ErgebnisModellfamiliePrüfungsfrageEinflussreiche VariablenklasseEntscheidungszweckÜbertragungsrisiko
Nächster KaufKlassifikations-ForestTrennt das Modell künftige Käufer von Nichtkäufern?Früheres KaufverhaltenFollow-up-Test priorisierenKaufwert ist nicht Profit
Partielle AbwanderungKlassifikations-ForestErkennt das Modell die definierte Aktivitätsreduktion?Verhalten des Intermediärs oder KanalsBeziehungsänderung prüfenAbwanderungsgrenze variiert nach Kanal
ProfitabilitätsentwicklungRegressions-ForestPrognostiziert das Modell die Veränderung des definierten Profitmaßes?Früheres Verhalten und KostengrenzeÖkonomische Belastung prüfenUmsatzvalidierung führt in die Irre

Bei breiten Tabellen horizontal wischen oder scrollen.

Zitieren Einbetten

Referenz & Evidenz

Quelle: Synthetischer Modellprüfrahmen des Autors auf Grundlage von Lariviere und Van den Poel (2005), Malthouse und Blattberg (2005) sowie Lemmens und Gupta (2020). Die Zeilen sind illustrativ und beschreiben kein laufendes Kundenmodell.

Jede Zeile ist eine geprüfte Aussage aus dem Prüfregister des Journals, beim Build aus dem Register aufgelöst. Das Register wird auf Englisch geführt.

  • A Three outcomes, one sample: "three important measures of customer outcome next buy partial defection and customers profitability evolution", over "a real life sample of 100 000 customers taken from the data warehouse of a large european financial services company" Lariviere & Van den Poel. (2005) · LVP05-C1
  • A "both random forests techniques provide better fit for the estimation and validation sample compared to ordinary linear regression and logistic regression models" Lariviere & Van den Poel. (2005) · LVP05-C2
  • A The variables do not transfer between outcomes: "the same set of variables have a different impact on buying versus defection versus profitability behavior", with past customer behaviour "more important to generate repeat purchasing and favorable profitability evolutions" Lariviere & Van den Poel. (2005) · LVP05-C3
  • A The question is feasibility, not desirability: relationship-marketing strategies "presume that a firm can accurately predict the future profitability of customers", and the paper is "a detailed empirical evaluation of how accurately the future profitability of customers" can be predicted across four industry data sets Malthouse & Blattberg. (2005) · MB05-C1
  • A "the feasibility of such strategies depends on the probabilities and costs of misclassifying customers", so it turns on prediction accuracy, forecast horizon, and the costs of misclassification. Malthouse & Blattberg. (2005) · MB05-C3
  • A The method, in the authors' words: "defining a profit-based loss function to predict, for each customer, the financial impact of a retention intervention" Lemmens & Gupta. (2020) · LG20-C1
  • A The ranking rule is incremental and net of cost: "customers are ranked based on the incremental impact of the intervention on churn and postcampaign cash flows, after accounting for the cost of the intervention", rather than by churn risk or response alone. Lemmens & Gupta. (2020) · LG20-C2

Prüfgrade: A, gegen die gedruckte Seite der Primärquelle geprüft · B, Primärquelle, nur Textebene · C, belastbare Sekundärquelle · D, berichtet.

Verwandte Abbildungen