Innovation Lab

Predictive Analytics Lösungen in der Energiewirtschaft

Big Data und maschinelles Lernen sind aktuell in aller Munde, aber was heißt das eigentlich und wie kann mein EVU hiervon profitieren? Im Inno Lab setzen wir diese Methoden in drei konkreten Verfahren ein. Schauen Sie mal:

MASCHINELLES LERNEN MIT BRANDSEVEN

Also jetzt mal Butter bei de Fische:

0
mal umgesetzt

Weniger Kunden verlieren

Das dürfte Ihnen gefallen: Mit schlauen Maschinen weniger Kunden verlieren. Unsere Methoden sehen Sie weiter unten.

0
mal umgesetzt

Intelligent Photovoltaik vertreiben

Macht uns große Freude – Ihnen dabei zu helfen, mehr Dächer mit PV auszustatten. Das geht mit neuronalen Netzen.

0
mal umgesetzt

Schlauer Kunden gewinnen

Ärgert Ihre Wettbewerber: Kunden finden, die besser zu Ihnen als zu ihrem Altversorger passen. Das machen wir mit statistischen Zwillingen.

WENIGER KUNDEN VERLIEREN KONKRET

So decodieren wir Bestandskunden

Die Basisanalyse

Die essentielle Kundenanalyse zum Status Quo.

Diese gibt Einsicht darüber, welche Kundengruppe im Moment Aufmerksamkeit in der Kundenbindung verdient und welche Vertriebskanäle dafür am besten genutzt werden.

Die Survival-Analyse

Eine Momentaufnahme des Kundenstamms ist gut, aber wann werden die wechselgefährdeten Kunden gehen?

Dieses Modell liefert ein Zeitprofil für jeden Kunden. So beantworten wir die Frage, wie gefährdet ein Kunde morgen oder übermorgen sein wird. Aber auch, welche Ereignisse in der Vergangenheit zum Status Quo geführt haben.

Das Kausal-Modell

Die Mechanismen hinter den Daten verstehen – Die Kausale Analyse bietet die Möglichkeit, Gedankenexperimente durchzuspielen und den Effekt von Entscheidungen abzuschätzen.

Für Planer von zielscharfen Kampagnen und Entscheider ein unabdingbares Werkzeug.

Jetzt sind Sie an der Reihe

Vertrieb

Individuelle
Lösungspakete

Foto: Frank Wiedemeier

DATEN UND K.I.

Nutzen Sie die Chancen von K.I. in Ihrem EVU.

Auf der Jahrestagung der EnergieAgentur.NRW debattierte unser Geschäftsführer Heiko Bartels mit dem Wirtschaftsminister Prof. Dr. Andreas Pinkwart über smarte Innovationen im EVU. Fordern Sie hier seinen Vortrag an.

Basisanalyse

Welche Fragen können und wollen wir beantworten?

Bisher beschäftigen wir uns mit probabilistischen Fragestellungen wie zum Beispiel:

Mit welcher Wahrscheinlichkeit kündigt jemand?

Dafür schauen wir uns an, welche Merkmale haben die Kunden und welche Merkmale machen sie wahrscheinlich zu Kündigern (jene, die wir bei Kündigern sehen) und klassifizieren dann. Dafür kann man unterschiedliche Modelle nutzen. Bei uns ist das im Moment der Random Forest. Problematisch kann das Ganze aus mehreren Gründen sein. Einer davon ist, dass viele Merkmale miteinander korrelieren und es für das Modell schwieriger wird gute Informationen aus den Daten zu ziehen. Ein anderer ist, dass wir viele potentielle Variablen gar nicht beobachten können.

Das Kausal Modell inkorporiert „Expertenwissen“ über den Mechanismus hinter den Variablen. Also zum Beispiel:

Wetter und Churn korrelieren beim Medium Gas stark (warum nur?) – Wir wissen: Wetter beeinflusst Churn. Andererseits führen viele Kündiger nicht zu mehr Sonnenstunden (oder Regentagen).

Hier liegt also eine kausale „Richtung“ vor, die bisher nicht im Modell berücksichtigt wird. Dies ist natürlich ein triviales Beispiel. Das Kausale Modell soll sicherstellen, dass der Mechanismus hinter den Variablen berücksichtigt wird, unbeobachtete Effekte erkannt und herausgerechnet werden können und kann darüber hinaus Aussagen darüber treffen, wie eine Intervention auf einer oder mehrerer Variablen sich auswirkt. Auch hierzu ein Beispiel:

10% der Kunden sind Wechselgefährdet.
Intervention: Passe den Tarif (nach unten) an.
Frage: Sind nun weniger Kunden wechselgefährdet? Wie viele?

Somit liefert diese Methode auch die Plattform, Gedankenexperimente durchzuspielen und kann helfen, Kampagnen zu planen oder den Effekt einer Aktion abzuschätzen, bevor man sie durchführt. Der Gewinn ist also der Übergang von der ersten Frage zur zweiten:

Mit welcher Wahrscheinlicht passiert X, wenn ich Y sehe? Mit welcher Wahrscheinlicht passiert X, wenn ich Y mache?

Unsere Kunden profitieren davon folgendermaßen:

  1. Unsere Expertise über den Energiemarkt fließt mit ein.
  2. Spezielle Fragestellungen können zusätzlich angefragt werden.
  3. Die Ergebnisse werden grundsätzlich robuster.
  4. Das Modell liefert einen größeren Einblick und erklärt warum etwas passiert und nicht nurdass es passiert. Also: Warum kündigt ein Kunde?

Survival Analyse

Die Datengrundlage für dieses Modell bilden Transaktionsdaten.

Das bedeutet unter anderem Kundenkommunikation, Aktivität, Zahlverhalten und vieles mehr. Jede Transaktion bzw. jedes Event beeinflusst die „Lebenserwartung“ eines Vertrages oder Kundenkontos.

Brandseven geht dabei individuell auf ihre Transaktionsdatenpakete ein und liefert einen Zeitstrahl pro Kunde, auf dem sich der Effekt jedes Events einfach ablesen lässt.

Beispiele für mögliche Insights:

  • Ein erfolgreiches Vertriebsgespräch im letzten Quartal hat die „Lebenserwartung“ des Kunden verlängert.
  • Die letzte Webshop-Aktivität des Kunden ist über ein Jahr her. Die Inaktivität spricht für hohe Wechselgefahr.

Für Experten:

Die Methodik basiert auf einer Cox-Regression, also tatsächlich auf einem Algorithmus zur „Überlebensanalyse“. Events entsprechen „Hazards“, die sich positiv oder negativ auf die Kündigungswahrscheinlichkeit auswirken.

Diese Fragen lassen sich dann also beantworten:

  1. Um welche Kunden muss sich jetzt (oder erst später) gekümmert werden?
  2. Welchen Effekt haben welche Events im Allgemeinen?
  3. Mit welchen Events können wir bestimmte Kunden stärker binden?

Kausales Modell

Statistische Modelle liefern uns einen guten ersten Einblick in unsere Handlungsoptionen.

Selbstbewusste Entscheidungen können allerdings nur getroffen werden, wenn die Effekte aller Optionen abschätzbar sind.

Das Kausale Modell erlaubt genau das.

Beispiel für ein Gedankenexperiment:
Intervention: Preisanpassung, Effekt: Kündigerquote verändert sich.
Ergebnis: Beste Preisanpassung für mögliche niedrige Kündigerquote.

Das Kausalmodell inkorporiert das Wissen, welche Variablen wie auf andere einwirken und kann so über die statistischen Zusammenhänge hinausschauen und den reinen Effekt einer Intervention erkennen. Dieses Wissen fließt aus zwei Quellen zusammen. Unserem langjährigen Expertenwissen im Energiemarkt und der Kundenanalyse, sowie aus der individuellen Kundendatengrundlage extrahierte Wechselwirkungen der Variablen.

Unsere Kunden profitieren davon folgendermaßen:

  1. Unsere Expertise über den Energiemarkt fließt mit ein.
  2. Fragestellungen können dynamisch angefragt und analysiert werden.
  3. Das Analyseergebnis ist grundsätzlich robuster als das eines klassischen statistischen Ansatzes
  4. Das Modell liefert einen größeren Einblick und hilft konkret Entscheidungen zu treffen.