Darum ging es bei diesem Use Case

Im Projekt wurde mithilfe von Data Science die Kundenzufriedenheit, gemessen durch den Net Promoter Score (NPS), analysiert. Dabei wurde ein Machine-Learning-Modell entwickelt, um die wichtigsten Treiber des NPS zu identifizieren. Durch konkrete Handlungsempfehlungen auf Basis einer Szenarioanalyse konnte die Kundenzufriedenheit gesteigert werden.

Auf einen Blick

Unsere Cloud Platforms Services bieten Infrastructure-as-Code

Herausforderung

Die Kundenzufriedenheit lag nicht im erwarteten Bereich, aber die konkreten Gründe dafür waren unbekannt. Daher konnten keine gezielten Maßnahmen zur Steigerung getroffen werden.

Cloud Native Flexibilität

Lösung

Mithilfe von Machine Learning wurden die wichtigsten Treiber des NPS ermittelt. Das Modell wurde verwendet, um Szenarien zur Steigerung der Kundenzufriedenheit zu entwickeln und zu evaluieren.

Agile Integration für eine zukunftsorientierte Integrationsstrategie

Nutzen

Durch die Szenarioanalyse war der Kunde in der Lage, die Auswirkungen verschiedener Maßnahmen auf den NPS zu verstehen und somit die Kundenzufriedenheit gezielt zu steigern.

Unsere Lösung

Welche Probleme hatte der Kunde

Die Kundenzufriedenheit, gemessen durch den Net Promoter Score (NPS), lag im Durchschnitt unter dem erwarteten Bereich. Allerdings fehlte die Information, welche Probleme bei den meisten Kunden die niedrige Zufriedenheit auslösen. Daher war es nicht möglich, zielgerichtete Maßnahmen zur Steigerung der Kundenzufriedenheit zu treffen. Stattdessen war bei den getroffenen Maßnahmen unklar, ob sie auch die gewünschte Wirkung erzielen würden. Dies führte einerseits zur Verschwendung von Ressourcen und andererseits dazu, dass der NPS nicht signifikant gesteigert werden konnte.

Probleme Net Promoter Score
NPS Telekommunikationsbranche

Wie sieht die Lösung konkret aus?

Im ersten Schritt wurde ein Machine-Learning-Modell trainiert, um den Zusammenhang zwischen den verschiedenen Merkmalen eines Kunden und des NPS dieses Kunden zu lernen. Da die Interpretierbarkeit in diesem Projekt besonders wichtig war, wurde ein Regressionsmodell gewählt. Zur Feature Selection wurde außerdem auf ein Random-Forest-Modell zurückgegriffen. Anschließend wurde eine Szenarioanalyse durchgeführt: Dabei wurde für die identifizierten Einflussgrößen berechnet, wie sich bestimmte Verbesserungen dieser Größen auf den durchschnittlichen NPS auswirken würden.

Welchen Mehrwert bietet die Lösung?

Dank des Machine-Learning-Modells wurde beim Kunden das Verständnis verbessert, welche Probleme bei seinen Kunden zu Unzufriedenheit führen. Damit war er in der Lage, gezielte Maßnahmen zur Steigerung der Kundenzufriedenheit durchzuführen. Die Szenarioanalyse erlaubt eine Priorisierung der Maßnahmen nach Effektivität und Effizienz. Insgesamt war der Kunde dank der Ergebnisse in der Lage, Ressourcen einzusparen und die Kundenzufriedenheit gezielt zu steigern.

Unser Tech-Stack im Rahmen des Use Cases

Für die Umsetzung des Projektes hatten wir diese Technologien im Einsatz.

 

Haben Sie Fragen zu diesem Use Case?

Ist die Steigerung der Kundenzufriedenheit für Sie interessant? Buchen Sie sich einen kostenfreien Termin mit mir und wir sprechen unverbindlich über die Anforderungen in Ihrem Unternehmen.

Niclas Hörmann: Business Development Manager esentri AG

Niclas Hörmann
Business Development Manager