Datengestützte Churn-Prävention und kundenindividuelle Vertriebsoptimierung bei den Stadtwerken Bielefeld

 

Projektübersicht

Anzahl Studierende

1

Art

Projekt mit externen Partnern

Projektverantwortung

 Prof. Dr.-Ing. Christian Schwede

Projektkontext

Das Projekt findet in enger Zusammenarbeit mit der Stadtwerke Bielefeld Gruppe statt. Es stehen Ansprechpartner:innen aus den Bereichen Geschäftsentwicklung, IT und Datenschutz zur Verfügung. Die Datenbasis umfasst Kundendaten mit Opt-Ins aus vier Unternehmen der Gruppe mit fünfstelliger Kundenzahl, die eine Auswertung erlauben. Arbeitsplätze und regelmäßige Präsenz in Bielefeld sind vorgesehen.

 

Kurzbeschreibung

Die Energiewirtschaft befindet sich in einem tiefgreifenden Wandel: Nach der Liberalisierung der Märkte nehmen Kunden verstärkt das stetig wachsende Marktangebot wahr, in der Folge prägen zunehmender Wettbewerb und steigende Anforderungen an Nachhaltigkeit und Kundenorientierung die Branche. Die Stadtwerke Bielefeld Gruppe, bestehend aus den Bereichen Energie, Wärme, Wasser, Telekommunikation, Mobilität und Bäder, sieht sich insbesondere im Energiesektor mit einem intensiven Preiswettbewerb und einer wachsenden Kundenabwanderung (Churn) konfrontiert. Diese Abwanderung führt zu Umsatzverlusten und erschwert langfristige Planungen.

Das Projekt adressiert diese Herausforderung, indem es vorhandene Kundendaten aus vier Unternehmensbereichen nutzt, um datengetriebene Modelle zur Churn-Reduzierung zu entwickeln. Bei Bedarf können ebenfalls Daten von externen Dienstleistern bezogen werden, um deren Beitrag zu aussagekräftigeren Modellen zu prüfen. Ziel ist es, die Wechselmotive und -muster sowie die Charakteristika der Kündiger:innen besser zu verstehen und ein prädiktives Modell zu erstellen, das frühzeitig wechselgefährdete Kund:innen identifiziert. Darüber hinaus sollen zusammen mit dem Vertrieb kundenindividuelle Maßnahmen zur Kundenbindung und Vertriebsoptimierung abgeleitet werden. Dabei können weitere praxisnahe Fragestellungen entstehen, die mithilfe des Datenmodells entscheidend unterstützt werden können.

Die Lösung bietet einen erheblichen Mehrwert für das Unternehmen und den Standort Bielefeld: Durch gezielte Präventionsmaßnahmen können Kundenabwanderungen reduziert, Umsätze stabilisiert und damit Investitionen in die Region durch ein kommunales Unternehmen langfristig weiter ermöglicht werden. Gleichzeitig ermöglicht das Projekt eine datenbasierte, personalisierte Kundenansprache, die Kundenzufriedenheit und -bindung nachhaltig verbessert. Damit leistet das Projekt einen zentralen Beitrag zur Digitalisierung und Zukunftsfähigkeit kommunaler Versorgungsunternehmen in einem dynamischen Marktumfeld.

Aufgabenstellung

  • Überprüfung und Bewertung der vorhandenen Datenlage sowie Identifikation von Datenlücken
  • Analyse und Charakterisierung von Churn-Kund:innen und Wechselstrukturen
  • Entwicklung und Validierung eines prädiktiven Churn-Modells
  • Ableitung und Test von Maßnahmen zur Churn-Reduzierung und kundenindividuellen Vertriebsoptimierung
  • Unterstützung bei der Integration des Modells in die operativen Systeme und Prozesse

Bezug zum Thema Data Science

Das Projekt behandelt zentrale Data-Science-Disziplinen:

  • Datenexploration und -aufbereitung
  • Feature Engineering
  • Klassifikation und prädiktive Modellierung (z.B. Random Forest, XGBoost, Logistic Regression)
  • Modellinterpretierbarkeit (Explainable AI)
  • Integration von Modellen in operative Systeme (z.B. CRM)
  • Evaluierung von Maßnahmen (A/B-Testing, Wirkungsanalyse)

Verfügbare Ressourcen

  • Kundendaten (mit Opt-In) aus vier Unternehmen der Stadtwerke-Gruppe (5-stellige Anzahl)
  • Ansprechpartner:innen aus Vertrieb, IT und Datenschutz
  • Erstes Semester: Erstellung eines Forschungsexposés, Einarbeitung in die Datenlage und Bewertung dieser, Ableitung von Maßnahmen zur Optimierung der Datenqualität, Abstimmung mit den Fachbereichen, erste einfache statistische Analysen
  • Zweites Semester: Literaturrecherche zu Churn-Prädiktion und kundenindividueller Vertriebssteuerung, Erstellung eines Überblickspapiers, Erstellung eines Proof of Concept
  • Drittes Semester: Entwicklung und Validierung des Churn-Modells, erste quantitative Ergebnisse, Veröffentlichung eines Papers
  • Viertes Semester: Masterarbeit inkl. abschließender Integration des Modells in die Prozesse und Abschlusskolloquium

Projektplan

  • Erstes Semester: Erstellung eines Forschungsexposés, Einarbeitung in die Datenlage und Bewertung dieser, Ableitung von Maßnahmen zur Optimierung der Datenqualität, Abstimmung mit den Fachbereichen, erste einfache statistische Analysen
  • Zweites Semester: Literaturrecherche zu Churn-Prädiktion und kundenindividueller Vertriebssteuerung, Erstellung eines Überblickspapiers, Erstellung eines Proof of Concept
  • Drittes Semester: Entwicklung und Validierung des Churn-Modells, erste quantitative Ergebnisse, Veröffentlichung eines Papers
  • Viertes Semester: Masterarbeit inkl. abschließender Integration des Modells in die Prozesse und Abschlusskolloquium

Eignungskriterien

Zwingend:

  • Bereitschaft zur Einarbeitung in die Prozesse des Unternehmens inkl. der Bewertung des Vorgehens bei der Auswertung zusammen mit dem Datenschutz

Optional:

  • Erfahrung mit Data-Science-Projekten in Unternehmen
  • Erfahrung im Umgang mit einem Business Warehouse wünschenswert (z.B. SAP BW)
  • Erfahrung mit CRM-Systemen, idealerweise SAP C4C wünschenswert
  • Kenntnisse in der Energiewirtschaft
  • Anwendung und Bewertung moderner Data-Science-Methoden in der Praxis
  • Entwicklung und Operationalisierung prädiktiver Modelle
  • Interdisziplinäre Zusammenarbeit mit Fachexpert:innen
  • Präsentation und Kommunikation von Analyseergebnissen
  • Erfahrung im Umgang mit sensiblen Kundendaten und Datenschutz

Erwerbbare Kompetenzen

  • Anwendung und Bewertung moderner Data-Science-Methoden in der Praxis
  • Entwicklung und Operationalisierung prädiktiver Modelle
  • Interdisziplinäre Zusammenarbeit mit Fachexpert:innen
  • Präsentation und Kommunikation von Analyseergebnissen
  • Erfahrung im Umgang mit sensiblen Kundendaten und Datenschutz