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.…


- 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.…


| 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 |
