Neuronale Netze als Planungs- und Steuerungsinstrument im Versandhandel
Im Rahmen des Database Marketings kann das latent vorliegende Wissen für die Werbeträgerplanung nutzbar gemacht. Dabei werden neuronale Netze als selbständig lernende Prognosesysteme genutzt, um aus der Vielzahl von vorliegenden Kundenbeobachtungen Schlüsse über die optimale Auflage zu ziehen. Solchermaßen können die bisherigen Planungs- und Steuerungsprozesse der Werbeträgerplanung durch neuronale Netze optimiert werden.
Ausstattungsdichte ................
Werbekosten ................
Nettobestellwert ................
Käuferquote ................
KUR ................
Bei Versandhäusern bestimmt die Auflage von Werbeträgern im positiven Sinne den Umsatz und im negativen die Werbekosten einer Direkt-Marketing-Aktion. Sie kann als eine der wesentlichen Entscheidungen im Planungsprozeß gesehen werden.
Die Entscheidungen, die im Rahmen der Marketing-Planung getroffen werden, betreffen zum einen die Festlegung des Werbebudgets, sowie dessen Verteilung auf unterschiedliche Werbeträger und Kundengruppen. Primäres Ziel dieser Planungstätigkeit ist es, die Höhe des Werbebudgets und dessen Allokation derart festzulegen, daß es langfristig zu einem möglichst hohen Return on Investment kommt.
Ein Marketing-Planer hat die Entscheidungsfreiheit zu bestimmen, wieviel Prozent der Kunden einen bestimmten Katalog zugesandt bekommen. Dieser Prozentsatz wird als Ausstattungsdichte bezeichnet. Die Ausstattungsdichte bildet somit die Verbindung zwischen dem Planungsobjekt, den Katalogen und den Kunden als Planungssubjekt.
Die Anzahl der Kunden in der Kundendatenbank wird als Basis bezeichnet. Die Ausstattungsdichte ergibt sich aus der Relation zwischen der Auflage eines Werbeträgers und der Basis. Der Aufwand des Werbemitteleinsatzes hängt unmittelbar von der Ausstattungsdichte ab. Die Werbekosten ergeben sich aus dem Produkt von Basis, Ausstattungsdichte und Katalogstückkosten. Die Katalogstückkosten beinhalten die Portogebühren und hängen weitgehend von der Seitenstärke des Kataloges ab.
Kunden, die aus dem betreffenden Katalog einen Artikel kaufen, werden als Käufer bezeichnet. Der kumulierte Wert der Bestellungen aller Käufer ist der sogenannte Bruttobestellwert. Der realisierte Umsatz eines Werbemitteleinsatzes wird als Nettoumsatz bezeichnet. Die Differenz von Nettoumsatz zu Bruttobestellwert ergibt sich aus dem Sachverhalt, daß ein bestimmter Prozentsatz der Bestellungen aufgrund von Lieferengpässen nicht befriedigt werden kann. Des weiteren haben Kunden oft die Option, ihre erhaltenen Artikel zu retournieren, was zu einer weiteren Verminderung des realisierten Umsatzes führen kann.
Die Käuferquote setzt die Anzahl der Käufer aus einem Katalog mit dessen Auflage in Relation. Mit anderen Worten ist dies der prozentuale Anteil der Kunden, die aus dem betreffenden Katalog einen Artikel gekauft haben.
Die wohl wichtigste Kennzahl im Versandhandel ist die Kosten-Umsatz-Relation (KUR), die den prozentualen Werbekostenanteil am Nettoumsatz ausdrückt:
KUR = Werbekosten * 100 / Nettoumsatz
Eine KUR von beispielsweise 18 % bedeutet, daß mit 18,- DM Werbekosten 100,- DM Nettoumsatz erzielt worden sind.
Abhängig von Nettoumsatz und Werbekosten ergeben sich der Deckungsbeitrag I und Deckungsbeitrag II wie folgt:
|
|
Nettoumsatz - Wareneinstandskosten - anteilige Logistikkosten - Überhangverluste = Deckungsbeitrag I - Werbekosten = Deckungsbeitrag II |
Um die in Prozent ausgedrückte Kosten-Umsatz-Relation mit dem Deckungsbeitrag II in Verbindung setzen zu können, wird der Deckungsbeitrag I ebenfalls in Prozentwerten vom Nettoumsatz angegeben. Es gilt :
Deckungsbeitrag I in % = Deckungsbeitrag I *100 / Nettoumsatz
Der Deckungsbeitrag II kann anschließend in Abhängigkeit von der Kosten-Umsatz- Relation und dem Nettoumsatz, wie folgt, berechnet werden :
Deckungsbeitrag II in % = (Deckungsbeitrag I - KUR) * Nettoumsatz
Der Break Even Point wird als Grenzkur bezeichnet und beschreibt die Schwelle der Wirtschaftlichkeit in Abhängigkeit von der Kosten-Umsatz-Relation.
Die Grenzkur, ergibt sich durch Substitution des Deckungsbeitrages II mit Null:
Deckungsbeitrag II = 0 Grenzkur = Deckungsbeitrag I
Liegt die durch einen Katalog erzielte Kosten-Umsatz-Relation unter dem prozentualen Deckungsbeitrag I [%], so trägt dieser zur positiven Ertragsentwicklung des Unternehmens bei. Übersteigt die KUR jedoch die Grenzkur, so kann der Katalog- einsatz im Sinne des kurzfristigen Ertragsziels als unrentabel angesehen werden.
Fall A ................
B ohne A ................
DBII(Ausstattungsdichte) ............
Im folgenden werden die Zusammenhänge zwischen der Ausstattungsdichte und den versandhausspezifischen Kennzahlen in Form von Heuristiken beschrieben:
Kunden unterscheiden sich bezüglich ihrer unterstellten Bestellwahrscheinlichkeit. Um eine möglichst hohe Aktivquote zu erzielen, ist man bemüht, nur die besten Kunden auszustatten. Wird eine niedrige Ausstattungsdichte gewählt (Fall A), so werden nur relativ gute Kunden, im Sinne einer hohen Bestellwahrscheinlichkeit, mit einem Katalog versehen. Demzufolge ist mit einem hohen Anteil an Käufern in Relation zu den versandten Katalogen und, damit verbunden, mit einer hohen Aktivquote zu rechnen.
Eine hohe Ausstattungsdichte wie in Fall B führt zwangsweise zu der Hinzunahme von qualitativ schlechteren Kunden. Die Anzahl der Käufer wird sich erhöhen, da nun mehr Kunden einen Katalog erhalten haben - die Menge B ohne A -, doch kann mit einer niedrigeren Aktivquote gerechnet werden, da sich die durchschnittliche Qualität der ausgestatteten Kunden verschlechtert hat. Eine erhöhte Ausstattungsdichte, wie in Fall B, führt demnach zu einer größeren Anzahl von Käufern und damit verbunden zu einem höheren Nettoumsatz. Aufgrund der niedrigeren Käuferquote führt die erhöhte Ausstattungsdichte jedoch gleichzeitig auch zu einer schlechteren Kosten-Umsatz-Relation.
Wie die nachfolgende Abbildung zeigt, verhält sich der Umsatz aus den oben beschriebenen Gründen monoton steigend zur Ausstattungsdichte. Aufgrund der Hinzunahme schlechterer Kunden kommt es jedoch zu einer immer langsameren Umsatzsteigerung bei zunehmender Ausstattungsdichte. Der DB I stellt den Nettoumsatz abzüglich der Variablen Einstands- und Logistikkosten dar und verhält sich demnach proportional zum Umsatz. Bildet man die Differenz zwischen den Nettoerlösen und den Werbekosten, so erhält man schließlich den DB II in Abhängigkeit von der Ausstattungsdichte:
Für die Marketing-Manager ist es nun wichtig, den Verlauf der oberen Kurven für ihre Werbeträgerplanung zu kennen.
Da der Zusammenhang zwischen Ausstattungsdichte und KUR bzw. Deckungsbeitrag unbekannt ist, wird versucht, die KUR anhand von Erfahrungswerten aus den Vorsaisons zu approximieren. Dieses Vorgehen hat den Nachteil, daß es mehrere Saisons dauert, um einen Erfahrungswert aufzubauen. Die interaktive Interpolation kann bei einer hohen KUR und dem damit verbundenen negativen Deckungsbeitrag für einige Saisons sehr hohe Verluste einfahren, welches die Einführung neuer Werbeträger stark gefährdet. Entscheidend für die Qualität der Werbeträgerplanung ist demnach die Genauigkeit der Prognose der Auswirkungen unternehmerischen Handelns, in diesem Fall der Ausstattungsdichte.
Im Rahmen dieses Projektes sollen ökonomische Auswirkungen unterschiedlicher Ausstattungsdichten mit Hilfe neuronaler Netze simuliert werden. Basis dieser Prognose sind nicht saisonale Erfahrungswerte, sondern individuelle Kaufentscheidungen der Kunden in der Vorsaison. Nach einer Beurteilung jedes Kunden bezüglich seiner Kaufwahrscheinlichkeit, ist eine Beurteilung des gesamten Kundenstamms möglich und damit auch eine Simulation der Ergebnisse unterschiedlicher Ausstattungsdichten.
Stammdaten ................
Bestellmuster ................
aktuell ................
DOB HAKA ................
Prognoseziel ................
Die grundsätzlichen Funktionsweise neuronaler Netze ist aus der Literatur bekannt . (Funktionsweise neuronaler Netze). Die wesentliche Voraussetzung der efolgreichen Approximation eines unbekannten Zusammenhangs mit Hilfe neuronaler Netze ist die Bereitstellung relevanter Daten.
Als Prognoseziel soll die Kaufwahrscheinlichkeit eines Kunden anhand seines Kaufverhaltens in den Vorsaisons prognostiziert werden. Es wird somit unterstellt, daß ein Zusammenhang zwischen dem Verhalten aufeinanderfolgender Saisons existiert, was den Erfahrungen des Versandhandels entspicht. Die zur Prognose des Kaufverhaltens verwendeten unabhängigen Variablen lassen sich in folgende Bereiche gliedern :
Stammdaten: Unter Stammdaten werden solche Informationen verstanden, welche unabhängig vom Kaufverhalten des Kunden konstant bleiben. Es handelt sich hierbei beispielsweise um das Alter, das Geschlecht oder die Wohnregion.
Aktivitätenraster: Es handelt sich dabei um eine Aggregation der Aktivität eines Kunden in den letzten vier Saisons. Die Abbildung des Kaufverhaltens auf das Aktivitätenraster wird durch die Beschränkung der Speicherkapazität der Datenbank nötig. So umfassen die Kundeninformationen aus zwei Saisons oft eine Datenmenge von vielen Gigabyte. Ein Kunde war in einer Saison aktiv, falls er mindestens einen Artikel gekauft hat. Bei vier Saisons ergeben sich folglich 16 verschiedene Ausprägungen. Die Hinzunahme des Aktivitätenrasters drückt die Vermutung aus, daß der Kauf aus einem Katalog zum Teil vom Bestellrythmus der letzten vier Saisons beeinflußt wird.
Kumulierte saisonspezifische Informationen: Dazu zählen der Bruttobestellwert, der Nettoumsatz, die Anzahl der Bestellungen und die Nichtlieferungsquote. Der Bruttobestellwert eines Kunden kann als die kumulierte Nachfrage innerhalb einer Saison verstanden werden. Der Nettoumsatz spiegelt den aus der Nachfrage realisierten Umsatz wieder. Die Anzahl der Bestellungen drückt die Häufigkeit der Nachfrageaktivitäten innerhalb einer Saison gegenüber dem Versandhaus aus. Unter der Retourenquote wird der Anteil des Bruttobestellwertes verstanden, den ein Kunde retourniert hat. Eines der größten Probleme des Versandhandels ergibt sich aus der Tatsache, daß einige der nachgefragten Artikel nicht mehr lieferbar sind. Während nämlich der stationäre Handel nur die Ware anbietet, die auch direkt bezogen werden kann, liegt beim Versandhandel eine zeitliche Differenz zwischen dem Angebot und der Nachfrage eines Kunden vor. Dies kann bei häufigem Auftreten zu einer Verärgerung des Kunden führen. Um diesen Sachverhalt bei der Prognose zu beachten, wird der prozentuale Anteil von nichtlieferbaren Waren an dem Bruttobestellwert des Kunden mit in das neuronale Netz integriert.
Sortimentspezifische Informationen: Hier werden dem neuronalen Netz Informationen über die Sortimentsstruktur der Nachfrage bereitgestellt. Die Informationen über die Sortimentspräferenz bezogen auf die Nachfrage erfolgt differenziert nach den Sortimenten. Für die einzelnen Teil-Sortimente wird dem neuronalen Netz jeweils der durchschnittliche Artikelwert und die Anzahl der Bestellungen zur Verfügung gestellt.
Als abhängige Variable wird die Nachfrage aus einem Katalog verwendet. Ein Kunde ist aktiv, falls er einen Artikel aus einem Katalog bestellt.
Die folgende Abbildung der Netzwerkspezifikation zeigt das Zusammenspiel der unabhängigen Variablen und des zu prognostizierende Kaufverhaltens im Hinblick auf das verwendete dreilagige Multilayer-Feedforward-Netz.
Bei Multilayer-Netzwerken wird zwischen Input-, Output- und Hidden-Units unterschieden. Input-Units sind Verarbeitungseinheiten, die ihre Eingangssignale ausschließlich von der Systemumwelt empfangen. Output-Units empfangen Signale vom System und geben diese an die Systemumwelt. Hidden-Units sind Einheiten, die Signale nur innerhalb des Systems empfangen und weitergeben. Es wird also ein Zusammenhang zwischen den kumulierten saisonspezifischen Informationen, der sortimentspezifischen Information und dem Kaufverhalten unterstellt wird. Es werden jedoch keinerlei Aussagen über die Bedeutung der einzelnen Variablen oder deren Interaktion getroffen. Aufgabe des Trainings der neuronalen Netze ist es, die Gewichte derart zu bestimmen, daß das Netz den unbekannten Ursachen-Wirkungszusammenhang abbildet und somit eine möglichst gute Prognose des Kaufverhaltens ermöglicht wird.
lernen ................
Neuronale Netze dienen der Approximation eines unbekannten Ursachen-Wirkungs- zusammenhangs. Zu diesem Zweck wird eine Datenmenge, die den unbekannten Ursachen-Wirkungszusammenhang beschreibt, in eine Trainingsmenge und eine Testmenge unterteilt. Nachdem ein neuronales Netz trainiert wurde, wird seine Übertragungsleistung anhand der Testmenge evaluiert.
Die Fähigkeit, das aus einer Trainingsmenge erlernte Wissen auf die Allgemeinheit - in diesem Falle die Testmenge - zu übertragen, wird als Generalisierung bezeichnet.
Zwischen der Anzahl der Hidden-Units, der Iterationslänge und der Generalisierungs- fähigkeit existieren folgende Zusammenhänge. Wird die Anzahl der Hidden-Units zu groß gewählt, so ergibt sich zwar ein geringer Trainingsfehler, jedoch ist das Netz nicht in der Lage zu generalisieren. Wird eine zu kleine Anzahl von Hidden-Units gewählt, so ist das Netz nicht in der Lage, den unbekannten Ursachen-Wirkungszusammenhang zu lernen. Eine Generalisierung bleibt demnach ebenfalls aus.
Läßt man ein Netz zu lange iterieren, d.h. wird eine zu große Anzahl von Lernschritten gewählt, so werden Besonderheiten der Trainingsmenge gelernt und die Generalisierungs- fähigkeit ist dementsprechend gering. Wird jedoch eine zu geringe Anzahl von Iterationen gewählt, so wird der entsprechende Ursachen-Wirkungszusammenhang nicht gelernt.
Bezüglich der optimalen Anzahl von Hidden-Units und Trainingsschritten existieren noch keine allgemeingültigen Aussagen. Aus diesem Grund wird bei der Netzwerkspezifikation und bei dem Training der neuronalen Netze eine Vielzahl von Kombinationsmöglichkeiten zur Bestimmung der optimalen Gewichtsmenge getestet.
Das Zusammenspiel zwischen der Trainingsmenge und der Testmenge wird anhand der folgenden Abbildung deutlich, die auch die Interaktion zwischen Training-, Test- und Simulation aufzeigt:
Nachdem im ersten Schritt ein neuronales Netz mit einer gewissen Spezifikation trainiert wurde, wird es im zweiten Schritt mit Hilfe der Testdatei auf seine Generalisierungs- fähigkeit hin getestet. Es wird somit geprüft, inwieweit das durch das Training erworbene Wissen dem unbekannten Ursachen-Wirkungszusammenhang zwischen dem Verhalten in der Vorsaison und dem Kauf in der Folgesaison entspricht.
Schritt 1 und 2 werden solange wiederholt bis ein hinreichend gutes Netz bezüglich der Übertragbarkeit gefunden wird. Die ersten zwei Schritte entsprechen dem Finden einer guten Netzwerkarchitektur, der zufriedenstellenden Parametrisierung des Backpropagation-Algorithmus und damit verbunden dem Finden adäquater Gewichte. Anschließend erfolgt eine ökonomische Validierung des in Schritt eins und zwei gefundenen hinreichend guten Netzwerks.
Bei dieser Analyse wird untersucht, welchen ökonomischen Erfolg das neuronale Netz erzielt hätte, wenn es schon in der betreffenden Saison zur Verfügung gestanden hätte.
Prognose vs. Real ................
Die Aufgabe der entwickelten neuronalen Netze ist es, den komplexen unbekannten Ursachen-Wirkungszusammenhang
zwischen den charakteristischen Eigenschaften der Kunden und deren Kauf aus einem der Kataloge zu lernen. Wie bereits
erwähnt, läßt sich die Approximation des gesuchten funktionalen Zusammenhangs durch die Generalisierungsfähigkeit
des Netzes messen. Die Generalisierungsfähigkeit neuronaler Netze läßt sich durch das Gütemaß
beschreiben. C.p. kann demnach
das Finden eines optimalen Netzwerkes mit der Minimierung von 
gleich gesetzt werden.
Die Generalisierungsfähigkeit hängt unter anderem von der optimalen Anzahl der Trainingsschritte und der richtigen Anzahl der Hidden-Units ab. Die folgende Abbildung zeigt den Zusammenhang zwischen der Anzahl von Lernschritten, dem Gelernten (Lernfehler) und der Übertragbarkeit (Testfehler) des vom Netz gelernten Sachverhaltes:
Aus der Abbildung wird ersichtlich, daß der Lernfehler durch jeden Iterationsschritt vermindert wird. Nachdem in den ersten fünfzehn Schritten der Testfehler stetig gesunken ist, und demnach die Generalisierungsfähigkeit des neuronalen Netzes gestiegen ist, beginnt der Testfehler anschließend zu steigen. Dieses Phänomen wird als Auswendig- lernen bezeichnet. Dabei werden die Gewichte derart verändert, daß das Netz Sachverhalte lernt, die nur für die Trainingsdatei spezifisch sind und demnach nicht dem gesuchten Ursachen-Wirkungszusammenhang unterliegen. Eine weitere Verminderung des Trainingsfehlers führt somit zwangsläufig zu einer Verschlechterung des Testfehlers bzw. der Generalisierungsfähigkeit des Netzes. Um die optimale Iteriatonslänge bzw. die daraus resultierenden Gewichte identifizieren zu können, wurde die Generalisierungsfähig- keit des neuronalen Netzes nach jedem Lernschritt gemessen und der Testfehler sowie die entsprechenden Gewichte gespeichert und später analysiert.
Neben der Anzahl der Trainingsschritte hat die Anzahl der Hidden-Units ebenfalls einen erheblichen Einfluß auf die Netzwerk-Performance. Zu viele Hidden-Units führen dabei zum Lernen von trainingsspezifischen Sachverhalten. Eine zu geringe Anzahl von Hidden-Units kann hingegen den komplexen Zusammenhang nicht ausreichend abbilden. Da noch keine definitive Aussage über die optimale Anzahl von Hidden-Untis existiert, wurde sie experimentell ermittelt. Dabei wurden die Netze jeweils mit 3,5,7,9,11,13,15,17 und 19 Hidden-Units dimensioniert und die Generalisierungsfähigkeit miteinander verglichen. Die folgende Abbildung zeigt den Zusammenhang zwischen der Anzahl der Hidden-Units und den minimalen Test- und Trainingsfehlern.
Aus der Abbildung wird ersichtlich, daß der minimale Trainingsfehler mit steigender Anzahl von Hidden-Units annähernd stetig sinkt, während der minimale Testfehler von einem neuronalen Netz mit 5 Hidden-Units erreicht wird.
Um die Korrelation zwischen der Prognose des neuronalen Netzes und dem tatsächlichen Kauf aus einem Katalog transparenter zu machen, wurde für jedes neuronale Netz eine Klassifikationsmatrix erstellt. Dabei wurden die verwendeten Testkunden mit Hilfe ihres Netzwerk-Outputs in 20 gleich große Klassen eingeteilt. Die Klasse 1 beinhaltet dabei die besten 5 % der Kunden, die Klasse 2 die zweitbesten 5 %, die Klasse 20 schließlich die schlechtesten 5 %. Die folgenden Abbildungen zeigen, inwieweit die Prognose der sechs entwickelten neuronalen Netze mit der tatsächlichen Bestellwahrscheinlichkeit korreliert.
Wie zu sehen ist, korreliert der Testfehler mit der Linearität der Klassen. Ein neuronales Netz mit einem niedrigen Prognosefehler zeichnet sich dadurch aus, daß eine stetig steigende Bestellwahrscheinlichkeit zwischen den Klassen existiert.
Was bringt es ................
Ökonomische Validierung der neuronalen Netze Die wohl interessanteste Frage zur Beurteilung der Kundenprognosesysteme lautet:
Welchen ökonomischen Erfolg eines Kataloges hätte das Versandhaus
mit welcher Ausstattungsdichte erzielt, falls alle Kunden mit dem
Wären beispielsweise die besten 10 % der vom neuronalen Netz beurteilten Kunden mit dem Katalog ausgestattet worden, so hätte man insgesamt 750 Käufer erhalten. Es ist zu erkennen, daß die Steigung der Kurve bei steigender Ausstattungsdichte abnimmt. Diese konvexe Struktur weißt darauf hin, daß das neuronale Netz zu einer Ausstattung der im Durchschnitt besten Kunden führt. Wäre das neuronale Netz nicht in der Lage den Kauf aus dem Katalog zu prognostizieren, so wäre die Aktivquote bestenfalls eine Winkelhalbierende, da die Wahrscheinlichkeit einer Bestellung unabhängig vom prognostizierten Wert konstant wäre. Die Fläche zwischen der Käuferkurve und der Winkelhalbierenden kann daher als Nutzen des Beurteilungssystems gegenüber der zufälligen Ausstattung der Kunden gesehen werden.
Die ebenfalls konvexe Struktur der Kurve des Bruttobestellwert und den tatsächlich realisierten Umsatz in Abhängigkeit von der Ausstattungsdichtezeigt, daß bei einer niedrigen Ausstattungsdichte jene Kunden selektiert werden, welche im Schnitt den höchsten Bruttobestellwert und Nettoumsatz erzielen. Wie bereits dargestellt, wird zwar ein maximaler Umsatz mit einer Ausstattung aller Kunden erreicht, jedoch verschlechtert sich dadurch auch die Kosten-Umsatz-Relation. Wären nur die 15 % besten Kunden ausgestattet worden, so wären mit 13,50 DM Werbekosten 100 DM Umsatz erzielt worden. Bei einer Ausstattung aller Kunden belaufen sich die Werbekosten demnach auf fast 22 % des Umsatzes. Die monoton steigende Struktur der Kosten-Umsatz-Relation läßt wiederum darauf schließen, daß das Netz gelernt hat, die Mehrzahl der Kunden hinsichtlich ihres Kaufverhaltens richtig zu beurteilen.
Welcher Deckungsbeitrag wäre mit welcher Ausstattungsdichte erzielt worden ?
Sowohl der Nettoumsatz als auch der prozentuale Deckungsbeitrag sind von der Ausstattungsdichte abhängig. Eine hohe Ausstattungsdichte führt zwar zu einem hohen Nettoumsatz, aber gleichzeitig auch zu einer niedrigen Kosten-Umsatz-Relation, was letztendlich zu einem niedrigen Deckungsbeitrag führt.
Der maximale Deckungsbeitrag wäre mit einer Ausstattung von 45 % der Kunden erzielt worden. Der tatsächlich erzielte Deckungsbeitrag kann an der Ausstattungsdichte von 100 % abgelesen werden. Mit einer Ausstattung von 25 % der Kunden wäre derselbe Deckungsbeitrag erzielt worden, wie mit der Ausstattung der 70 % besten Kunden. Da die Kataloge im allgemeinen neben dem Ertragsziel noch dem Kundenbindungsziel unterliegen, wäre eine Ausstattung von 25% der Kunden aus strategischer Sicht nicht sinnvoll gewesen. Aus der Grenzkostenanalyse wird ersichtlich, daß die Käufer bis zu einer Ausstattungsdichte von 45 % den jeweiligen Ertrag steigern.
Ab diesem Punkt stehen jedem Käufer jedoch opportune Erträge entgegen. Werden beispielsweise die schlechtesten 5 % der Kunden ausgestattet, so stehen jedem zusätzlichen Käufer 50 DM Opportunitätskosten gegenüber.
Die retrospektive Analyse des Werbemitteleinsatzes gibt Aufschluß über das Verbesserungspotential durch das neuronale Netz. Eine Wahl der Ausstattungsdichte aufgrund dieser Analysen würde jedoch nur unter einer konstanten Kundenstammqualität zu einem entsprechenden Erfolg führen. Da die Qualität aller Kunden als nicht konstant angesehen werden kann, wurde ein Prognosemodell entwickelt, das die oben beschriebenen ökonomischen Auswirkungen unterschiedlicher Ausstattungsdichten simuliert.
Prognosemodell ................
Um den zukünftigen Einsatz der Kataloge zu optimieren, interessiert sich ein Marketing-Manager für die folgende Fragestellung :
Mit welcher Ausstattungsdichte erreiche ich wieviele Käufer, welchen Umsatz, welchen Bruttobestellwert, welche Kosten-Umsatz-Relation und schließlich welchen Deckungsbeitrag ?
Folglich ist es notwendig, diese Kennzahlen schon während der Werbeträgerplanung hinreichend genau prognostizieren zu können. Hierzu steht zum einem das neuronale Netzen zur Beurteilung der Kundenqualität und zum anderen eine Erfahrungsmatrix zur Verfügung. Diese Matrix bildet den vom neuronalen Netz ermittelten Scorewert eines Kunden auf seine Bestellwahrscheinlichkeit, den erwarteten Nettoumsatz und den Bruttobestellwert ab.
Zur Prognose der Kennzahlen werden im ersten Schritt alle Kunden mit Hilfe des neuronalen Netzes beurteilt. Im zweiten Schritt wird mit Hilfe der Scorewert- Erfahrungsmatrix die Bestellwahrscheinlichkeit für jeden Kunden sowie deren Bruttobestellwert und Nettoumsatz prognostiziert. Anhand dieser, auf jeden einzelnen Kunden durchgeführten, Prognosen werden anschließend die im Rahmen dieser Arbeit vorgestellten Kennzahlen in Abhängigkeit von der Ausstattungsdichte prognostiziert. Die Prognosegüte hängt im wesentlichen von folgenden Bedingungen ab:
- Das Kundenverhalten bleibt im Durchschnitt gleich, d.h. die Beweggründe einer Bestellung bleibt, bezogen auf die Mehrheit der Kunden, konstant.
- Das angebotene Segment der Werbeträger sowie die Anzahl der Seiten pro Katalog bleibt annähernd unverändert. Eine Verringerung der Seiten führt zu einem verminderten Angebot und damit zu einer niedrigeren Käuferquote.
Das Prognosemodell ist demnach in der Lage, das aus der Erfahrung des neuronalen Netzes unterstellte optimale
Kunden-Mix ökonomisch zu beurteilen. Grundlage der Beurteilung ist die prognostizierte Qualität jedes
einzelnen Kunden, die aufgrund seines Verhaltens in der Vorsaison unterstellt wird. Mit Hilfe dieses Vorgehens
werden quantitative und qualitative Veränderungen des Kundenstamms bereits in der Planungsphase detailliert
berücksichtigt. Eine genaue Antizipation unternehmerischen Handelns ist erreicht.
© 2000 Parsis Dastani