Beispielsweise kann mit Hilfe der logistischen Regressionsanalysse der Zusammenhang zwischen einer abhängigen und mehreren unabhängigen Variablen modelliert werden. Letztere sind Indikatoren aus dem Kaufverhalten, die den bevorstehenden Wechsel anzeigen. Abhängige Variable ist beispielsweise die Wechselwahrscheinlichkeit mit einer Werteskala zwischen 0 und 1. Liegt der Score nahe bei 1 ist es sehr wahrscheinlich, dass die zugehörigen Kunden die Bank wechseln werden. Ein aus der Historie gewonnenes Modell kann überprüft werden, indem für einen bereits abgelaufenen Zeitraum eine Prognose erstellt wird und diese Vorhersage dann mit den tatsächlichen Kundenabgängen verglichen wird. Korreliert also die Abnahme der Cross-Sellig-Rate tatsächlich mit dem Wechsel, so kann das Informationssystem diesen Indikator beobachten und beim Überschreiten gewisser Schwellwerte Meldungen ausgeben. Data Mining ermittelt hierbei also aus historischem Verhalten Informationen, wann ein Kunde zur Abwanderung neigt und hilft, bei heutigen Kunden entsprechende Absichten zu prognostizieren. Wenn das Wechselverhalten rechtzeitig erkannt wird, kann auch noch gegengesteuert werden. Das Data Mining System liefert die hierfür benötigten Informationen, indem die abgewanderten Kunden analysiert und ihr Profil und Verhaltensmuster mit den bestehenden Kunden verglichen wird. Daraus kann ein Gefährdungspotenzial bei Kunden mit vergleichbaren Strukturen erkannt werden. Die Ermittlung der Abwanderungswahrscheinlichkeit beantwortet noch nicht warum der Kunde wechseln möchte oder ob der Kunde gehalten werden sollte oder nicht. Neben dem Maß für die Loyalität muss deshalb auch die Attraktivität des Kunden bewertet werden:
Direkt zum Buchshop:
Kommentar schreiben