Proaktives Kundenbindungsmanagement im Werbeartikelhandel: Entwicklung eines Machine-Learning-Modells zur Prognose von Kundenabwanderungen

  • Die Arbeit entwickelt systematisch ein Machine-Learning-Modell zur Prognose von Kundenabwanderungen im Werbeartikelhandel. Im Fokus steht die WER GmbH, ein mittelständischer Werbeartikelhändler, der jährlich signifikante Umsatzverluste durch Kundenabwanderung in der Streckenabwicklung verzeichnet und diese durch effektive Bindungsmaßnahmen reduzieren möchte. Die Ausgangsbasis für ein proaktives Kundenbindungsmanagement bildet ein Modell zur Identifikation abwanderungsgefährdeter Kunden. Das in einem Vergleich von insgesamt 15 Verfahren ausgewählte heterogene Machine-Learning-Ensemble nutzt eine Vielzahl transaktions-, leistungs-, kunden- und interaktionsbezogener Merkmale und liefert signifikant bessere Abwanderungsprognosen als einfachere Vergleichsverfahren. Zusätzlich zur inhaltlichen Interpretation des Modells und der relevantesten Merkmale beschreibt die Arbeit die praktische Integration in den Geschäftsablauf des Unternehmens. Sie liefert damit eine empirische Fallstudie zurDie Arbeit entwickelt systematisch ein Machine-Learning-Modell zur Prognose von Kundenabwanderungen im Werbeartikelhandel. Im Fokus steht die WER GmbH, ein mittelständischer Werbeartikelhändler, der jährlich signifikante Umsatzverluste durch Kundenabwanderung in der Streckenabwicklung verzeichnet und diese durch effektive Bindungsmaßnahmen reduzieren möchte. Die Ausgangsbasis für ein proaktives Kundenbindungsmanagement bildet ein Modell zur Identifikation abwanderungsgefährdeter Kunden. Das in einem Vergleich von insgesamt 15 Verfahren ausgewählte heterogene Machine-Learning-Ensemble nutzt eine Vielzahl transaktions-, leistungs-, kunden- und interaktionsbezogener Merkmale und liefert signifikant bessere Abwanderungsprognosen als einfachere Vergleichsverfahren. Zusätzlich zur inhaltlichen Interpretation des Modells und der relevantesten Merkmale beschreibt die Arbeit die praktische Integration in den Geschäftsablauf des Unternehmens. Sie liefert damit eine empirische Fallstudie zur Entwicklung eines Abwanderungsprognosemodells in nicht-vertraglichen B2B-Kundenbeziehungen und demonstriert die Leistungsfähigkeit datengetriebener Verfahren des maschinellen Lernens in der praktischen Anwendung.show moreshow less
  • The report systematically develops a machine learning model for predicting customer churn in the promotional products trade sector. The company concerned is the WER GmbH, a medium-sized promotional product distributor, which records significant annual sales losses due to customer churn in its drop shipment business and would like to reduce these through effective retention measures. The starting point for proactive customer retention management is a quantitative model for identifying customers at risk of churning. The heterogeneous machine learning ensemble selected in a comparison of a total of 15 methods uses a large number of transaction-, performance-, customer- and interaction-related features and delivers significantly better churn forecasts than simpler baseline methods. In addition to the explanative interpretation of the model and the most relevant features, the report describes the practical integration into the company's business process. It thus provides an empirical caseThe report systematically develops a machine learning model for predicting customer churn in the promotional products trade sector. The company concerned is the WER GmbH, a medium-sized promotional product distributor, which records significant annual sales losses due to customer churn in its drop shipment business and would like to reduce these through effective retention measures. The starting point for proactive customer retention management is a quantitative model for identifying customers at risk of churning. The heterogeneous machine learning ensemble selected in a comparison of a total of 15 methods uses a large number of transaction-, performance-, customer- and interaction-related features and delivers significantly better churn forecasts than simpler baseline methods. In addition to the explanative interpretation of the model and the most relevant features, the report describes the practical integration into the company's business process. It thus provides an empirical case study for the development of a churn prediction model in non-contractual B2B customer relationships and demonstrates the performance of data-driven machine learning methods in practical application.show moreshow less

Download full text files

Export metadata

Metadaten
Author:Jan Schemm, Christian Schwarz, Marc Strickrodt
Qualitätssicherung:redaktionell geprüft
open access:Bronze - frei zugänglich aber ohne Lizenzhinweis, d.h. keine Weitergabe
Fachbereich/Einrichtung:Hochschule Düsseldorf / Fachbereich - Wirtschaftswissenschaften
Document Type:Workingpaper / Report
Year of Completion:2024
Series (Serial Number):Forschungsberichte des Fachbereichs Wirtschaftswissenschaften der Hochschule Düsseldorf (60)
Language of Publication:German
Place of publication:Düsseldorf
Creating Corporation:Hochschule Düsseldorf
Title Additional (English):Proactive Customer Retention Management in Promotional Products Distribution: Implementation of a Machine Learning Model for Customer Churn Prediction
URN:urn:nbn:de:hbz:due62-opus-46335
DOI:https://doi.org/10.20385/opus4-4633
ISSN:2365-3361
Tag:Abwanderungsprognose; Kundenbeziehungsmanagement
Business-to-Business; Churn Prediction; Machine Learning
GND Keyword:Maschinelles Lernen; Kundenforschung
Dewey Decimal Classification:3 Sozialwissenschaften / 33 Wirtschaft / 330 Wirtschaft
Licence (German):Es gilt das deutsche Urheberrecht
Release Date:2024/10/28
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.