Zusammenfassung

Ein mittelgroßer, regional operierender Telekommunikationsanbieter stand vor der Herausforderung, seine Outbound-Upsell-Kampagnen effizienter zu gestalten. Bisherige Selektionen basierten auf einfachen Regeln, wodurch nur ein kleiner Teil der potenziellen Kunden kontaktiert wurde. Zudem fehlten klare Angebotsstrategien für die Call Center-Agenten, und es gab keinen strukturierten Feedback-Mechanismus zur Optimierung der Kampagnen.

Durch den Einsatz selbstlernender Machine-Learning-Modelle mit Multi-Armed Bandit-Strategie wurde eine datengetriebene Selektion und Angebotspriorisierung etabliert. Dies führte zu einer deutlichen Steigerung der Conversion-Rate, einer Verdopplung höherwertiger Upsell-Sprünge und einer erheblichen Reduzierung des manuellen Aufwands. Das Projekt wurde über 2,5 Jahre erfolgreich durchgeführt und schließlich an das interne CRM- und Daten-Team des Unternehmens übergeben, sodass die Optimierung weiterhin intern fortgeführt werden konnte.

Ausgangslage & Herausforderung

Ziel des Projekts: Optimierung der Outbound-Telefonie einer Upsell-Kampagne für Privatkunden durch den Einsatz selbstlernender ML-Modelle zur besseren Selektion und Angebotspriorisierung.

Herausforderungen vor dem Projekt:

• Selektion nach einfachen Regeln:
  • Pro Monat wurden nur ~2,5 % der potenziellen Kunden kontaktiert (Call Center-Kapazitätslimit).
  • Welche Kunden ausgewählt wurden, hatte daher einen großen Einfluss auf die Conversion-Rate und den Umsatz.
• Keine gezielte Angebotsstrategie:
  • Call Center-Agenten boten meist nur den nächsthöheren Tarif an.
  • Höhere Tarif-Sprünge, die sinnvoll oder sogar preislich attraktiv gewesen wären, wurden nicht priorisiert.
• Fehlendes strukturiertes Feedback:
  • Zwar war bekannt, ob ein Kunde kontaktiert und ob ein Abschluss erzielt wurde.
  • Jedoch keine Differenzierung im Negativfall (z. B. nicht erreicht, nicht interessiert, Tarif X/Y/Z angeboten aber abgelehnt).
• Unstrukturierte Angebotslogik:
  • Das Regelwerk für Upsell-Angebote war komplex und nicht zentral dokumentiert.
  • Sowohl das CRM als auch das Call Center arbeiteten mit einem Sammelsurium an Regeln & Wissen.
  • Vor der ML-basierten Optimierung musste erst eine strukturierte Datenbasis für den „Action Space“ je Kunde geschaffen werden.
• Hoher manueller Aufwand:
  • Die monatliche Selektion nahm 2 Tage, bei Änderungen im Portfolio sogar mehrere Tage in Anspruch.

Technologie & Lösung

Zur Optimierung der Selektion und Empfehlung wurde ein Machine-Learning-Ansatz mit Multi-Armed Bandit (MAB) verwendet.

• Selektion & Priorisierung durch ML-Modelle
  • Prognose des Erwartungswerts für jede Kundenansprache auf Basis:
    • Conversion-Wahrscheinlichkeit
    • Erwarteter Upsell-Wert über 24 Monate
      Ziel: Balance zwischen hoher Abschlusswahrscheinlichkeit und hohem potenziellem Umsatz

• Einsatz eines Multi-Armed Bandit-Ansatzes (MAB)
  • Ständige Optimierung durch Exploration & Exploitation
  • Monatlich individuell konfigurierbarer Exploration-Anteil, um gezielt neue Potenziale zu testen
• Training & Datengrundlage
  • Historische Daten aus den letzten 12 Monaten als Trainingsbasis
  • Zeitliche Gewichtung, sodass neuere Daten höhere Relevanz haben
  • Modell berücksichtigt vorherige Kundenreaktionen & optimiert sich kontinuierlich weiter

Ergebnis

Der Einfluss des selbstlernenden ML-Modells zeigte sich deutlich ab dem dritten Einsatzmonat:

• Conversion-Rate-Steigerung um bis zu 55 % gegenüber der Baseline (Durchschnitt der letzten 6 Monate vor Projektstart)
• Verdopplung des Anteils an höheren Upsell-Sprüngen
  • Besonders profitabel für den Kunden, da ein attraktives Angebot für den zweit-schnellsten Tarif verstärkt empfohlen wurde
  • Das Modell erkannte selbstständig, dass dieser Tarif für viele Kunden optimal war
  • Kunden nahmen dieses Upsell-Angebot signifikant häufiger an
• Massive Reduktion des Selektionsaufwands
  • Vorher:2 Tage manueller Aufwand
  • Nachher:Nur noch 3 Stunden Gesamtaufwand
    • 1 Stunde für Bereitstellung der aktuellen Daten
    • 2 Stunden für automatische Selektion & Empfehlung, anschließende Systemprüfung und Übergabe an den Call Center-Dienstleister
• Direkt sichtbarer Effekt des ML-Modells: Das System erkannte selbstständig ein hochattraktives Angebot und empfahl es gezielt den passenden Kunden – mit Erfolg.

Kundenstimme:

„Es ist super, so tiefe Einblicke in die Kampagnenergebnisse zu kriegen. Und das noch gepaart mit der guten Performance...“

‍

Umsetzung / Projektablauf

Das Projekt lief über ca. 2,5 Jahre und gliederte sich in drei Hauptphasen:

• Phase 1: Vorbereitung & Setup (ca. 2 Monate)
  • Detaillierte Datensichtung & Abstimmung mit dem CRM-Team
  • Entwicklung und Training der ML-Modelle & Multi-Armed Bandit-Strategie
  • End-to-End-Tests des gesamten Prozesses
  • Go-Live-Entscheidung nach erfolgreicher Testphase
• Phase 2: Betriebsstart & Optimierung (ca. 6 Monate)
  • Beginn der monatlichen Selektion & Empfehlung durch das Modell
  • Conversion-Rate & Erwartungswert stiegen signifikant nach ca. 3 Monaten
  • Erste Validierung der ML-gesteuerten Angebotspriorisierung
• Phase 3: Langfristiger Betrieb & kontinuierliches Monitoring (~2 Jahre)
  • Regelmäßiger monatlicher Datenaustausch & Selektion
  • Enges Monitoring der Performance und Anpassung bei Änderungen im Portfolio
  • Nach 2,5 Jahren Übergabe aller Dokumentationen & Prozesse an den internen CRM- und Datenbereich des Kunden zur Fortführung des Modells

Langfristige Vorteile

• Leuchtturm-Projekt für datengetriebenes CRM mit modernster KI-Technologie
• Bessere Call Center-Steuerung durch klare Prozesse & strukturierten Datenaustausch
• Strategischer Vorteil für das CRM-Team als Benchmark für weitere datengetriebene Maßnahmen

‍