Wie T-Mobile-USA durch Causal Machine Learning den Marktanteil verdoppelte
Was kann man einer Marke raten, die ein qualitativ schlechteres Produkt hat, in einem weitgehend commoditisierten Markt operiert und seit Jahren massive Verluste einfährt? Der Weg aus der Miesere scheint einem im Sumpf festsitzenden Münchhausen zu gleichen. Unsere Analysen waren die entscheidende Informationsbasis für eine beispiellose Erfolgsgeschichte in der sich der Marktanteil in nur 4 Jahren verdoppelte und heute Gewinne überborden. Lesen Sie wie ähnliche Effekte auch bei Ihnen möglich sein werden.
Der geniale Frontalangriff
Wir schreiben das Jahr 2013. T-Mobile-USA war so gut wie zum Tode geweiht. Jahre massiver Verluste lagen hinter ihr. Doch der Mutterkonzern fand keinen Käufer für die ungeliebte Tochter. John Legere übernahm als CEO die Führung des Unternehmens und erhielt von der Zentrale Narrenfreiheit. Schlimmer konnte es ja nicht mehr werden.
Seine Strategie war es alle Hebel in Gang zu setzen, sodass sich Kunden wieder für T-Mobile entschieden. Er reduzierte die Preise, löste die Vertragsbindung auf und gab Top-Smartphones einfach kostenlos dazu. Das Ganze umrahmte er mit einer Kommunikationsstory „The Un-Carrier“ in der er T-Mobile als Robin Hood der Mobilfunkunternehmen feierte.
Die Kundenzuwächse ließen nicht lang auf sich warten. Allein blieb die Frage zurück: Warum kommen die Kunden eigentlich zu uns? Ist es der Preis, die Vertragsbindung, die Smartphones oder die emotionale Anziehungskraft der neuen Positionierung? Herkömmliche Methoden gaben widersprüchliche Antworten. Man konnte jede Antwort erhalten, wenn man die Insights nur entsprechend filterte. Kommt Ihnen das bekannt vor?
Kausales Machine Learning im Einsatz
T-Mobile kam mit dieser Frage auf Success Drivers zu, denn die Frage des Warum, die Frage nach dem zentralen Erfolgsursachen ist unser Spezialgebiet. Konventionelle Korrelations- und Regressionsanalysen hatten bislang keine überzeugenden Antworten liefern können.
Wir setzen auf einer landesweiten Befragung von Kunden und Nichtkunden auf. In dieser maßen wir die Bereitschaft zu T-Mobile zu wechseln, die Wahrnehmung des Markenimage, inwieweit die neue Positionierung bereits gelernt wurden und vor allem die Einschätzung der Zielkunden bzgl. der zentralen Kaufkriterien wie Netzqualität, Preis, Vertragsbindung, Service oder Devices.
Mit diesen Daten führten wir eine Universelle Strukturmodellierung durch – ein Verfahren des Kausalen Machine Learning. Diese zeichnet sich durch drei bestechende Eigenschaften aus:
- Misst Kausalität nicht Korrelationen und vermeidet so die klassische Scheinerkenntnisse.
- Deckt Indirekte Effekte auf und ist so im Gegensatz zu klassischen Treiberanalysen und Regressionsansätze den wahren Gesamteffekt zu beziffern
- Ist selbstlernend und modelliert dadurch bislang unbekannte Nichtlinearitäten und Interaktionen.
Die Bedeutung der Erkenntnisse sind immens
Die Erkenntnisse der Analyse waren vielfältig. Die bedeutendste und zugleich überraschende Einsicht war diese:
Weder das Thema Preis, Vertragsbindung noch Top-Geräte hat einen massiven direkten Einfluss auf den Kauf. Es war die „Robin Hood“-Positionierung, die die Kunden anzog. Die Preisgestaltung, fehlende Vertragsbindung oder Gerätezugaben waren lediglich Hebel die die Wahrnehmung dieser Positionierung befeuerten.
Wir empfahlen statt in einem weiteren Preiskampf das Wachstum zu erhalten, kreativ neue Wege zu suchen und umzusetzen, welche die Positionierung weitere belegen. Genau dies war dann der Pfad des Unternehmens in den kommenden Jahren. T-Mobile bot etwa Kunden der Wettbewerber an, die Wechselgebühr bei vorzeitiger Kündigung zu übernehmen.
“Success Drivers provided us the confidence to advise our business partners on the most effective and efficient means for sustaining our brand momentum.” lässt sich der Director Consumer Insights, T-Mobile USA zitieren.
Learnings
Das Fallbeispiel zeigt, die zentrale Bedeutung eines präzisen Verständnisses darüber, aus welchen Beweggründen Kunden in ihrem Markt handeln wie sie handeln.
Branchenwissen von Experten ist eine notwendige jedoch keine hinreichende Voraussetzung, denn die vielen, zeitgleich wirkenden Ursache-Wirkungsbeziehung kann ein Mensch nicht „im Kopf“ dechiffrieren. Kausale Künstliche Intelligenz kann helfen, wie das Beispiel eindrucksvoll zeigt.
Das Beispiel zeigt auch, wie die konventionelle Statistik in solchen realen Fragestellung oft nicht ausreicht. Denn unsere Märkte sind komplex und intransparent. Erfolgsursachen beeinflussen sich gegenseitig (indirekte Effekte), wechseln ihre Bedeutung je nach Kontext (Interaktion) und je nach Ausprägung (Nichtlinearität). Maschinelle Lern-Algorithmen können hier das Management unterstützen, wertevolle Informationen aus dem Ozean an Daten zu extrahieren.
Sie haben Fragen? Lassen Sie mich es wissen!
Frank Buckler
p.s. Weiterführendes zu NEUSREL und die Universelle Strukturmodelierung finden Sie hier.