Machine Learning zur Kundenzufriedenheitsanalyse


Die Kundenzufriedenheit ist für Unternehmen in einer wettbewerbsintensiven Welt ein entscheidender Faktor, um erfolgreich zu sein. Wer seine Kunden nicht zufrieden stellt, hat keine Chance, seine Position im umkämpften Markt zu halten oder auszubauen. Die Messung der Zufriedenheit ist allerdings garnicht mal so einfach.

Heutzutage wird die Kundenzufriedenheit zum Großteil über Fragebögen und Interviews ermittelt. Dadurch erhält man zwar das direkte Kundenfeedback, jedoch sind diese Methoden auch sehr zeitaufwendig und schwierig automatisierbar. Die Aktualität der Daten ist nach ein paar Monaten auch nicht mehr sichergestellt. Oftmals werden unzufriedene Kunden ihren Ärger auch nicht immer mitteilen und so fällt die Unzufriedenheit erst dann auf, wenn der Kunden schon den Anbieter gewechselt hat.

In seiner Bachelorthesis untersucht Henrik deshalb, ob es Möglichkeiten gibt, wichtige Komponenten der Kundenzufriedenheit mithilfe von Machine Learning aus den CRM Daten zu ermitteln. Durch Kennzahlen aus den CRM Daten sollen Einflussfaktoren von  zufriedenen und unzufrieden Kunden dargstellt werden können. Eine Herausforderung ist dabei, aus vielen „weichen“ Faktoren wie z.B. dem Vertrauen gegenüber dem Anbieter oder die Erfahrungen mit dem Kundenservice, messbare Faktoren der Kundenzufriedenheit zu entwickeln, die sich aus Daten berechnen lassen. Aber auch die Fragestellung, wie Daten heutzutage im Unternehmensumfeld gespeichert werden müssen, um entsprechende Auswertungen aus der Datenbasis vornehmen zu können, ist Gegenstand der Untersuchung.

Wenn die Daten dann gut gepflegt und aktuell gehalten werden, lässt sich so in Zukunft immer wieder eine aktuelle Kundenzufriedenheitseinschätzung ermitteln. Dadurch kann gezielt die Kundenzufriedenheit verbessert werden und eine Win-Win-Situation für den Anbieter, als auch für den Kunden geschaffen werden.