Zusammenfassung
Mit dem After Sales-Geschäft generieren die deutschen Automobilbauer etwa die Hälfte ihrer Gewinne. Gerade vor dem Hintergrund der aktuellen gesamtwirtschaftlichen Entwicklungen, wovon insbesondere das Neuwagengeschäft betroffen ist, erscheinen Anstrengungen zur Optimierung der kundenindividuellen Ansprache im Service-, Teile- und Wartungsgeschäft aussichtsreich zu sein. Als Voraussetzung dafür kann das Wissen über die kundenindividuellen Serviceintervalle als entscheidender Wettbewerbsvorteil gesehen werden, denn nur hiermit lassen sich Kunden auch zielgerichtet ansprechen und potenzielle Abwanderungen vermeiden. Genau an diesem Punkt knüpft dieser Beitrag an, indem mit der Hazard-Raten-Analyse ein wissenschaftlich fundiertes und praktikables Verfahren zur Prognose kundenindividueller Serviceintervalle illustriert wird. Da dieses im betriebswirtschaftlichen Kontext ohnehin sehr junge Analyseverfahren bislang überwiegend im FMCG (Fast Moving Consumer Goods)-Bereich auf Scannerdaten zum Einsatz kam, kann dieser Beitrag als Leitfaden für eine Erweiterung im Bereich langlebiger Konsum- und Investitionsgüter gesehen werden. Die Ergebnisse zeigen, dass der Anteil korrekt geschätzter Serviceintervalle die einfache lineare Fortschreibung, die bis dato das Standardverfahren zur Prognose von Serviceintervallen darstellt, um über 20% übertrifft bzw. die Prognosegenauigkeit von ±73 Tagen auf ±38 Tage gesteigert werden kann. Das Erfolgspotenzial einer kundenindividuellen Direktansprache lässt sich mit dieser substanziellen Verbesserung der zugrunde liegenden Informationsbasis erheblich steigern. Aus der Verbesserung der Prognosegenauigkeit auf kundenindividueller Ebene (Mikroebene) resultiert schließlich auch auf der Makroebene (Unternehmensplanung- und steuerung) eine erhöhte Planungssicherheit.
Literatur
Allison, P. D. (1995). Survival analysis using the sas system: a practical guide. 1. Aufl. Cary: SAS Institute.
Blossfeld, H.-P., Hamerle, A., & Mayer, K. U. (1986). Ereignisanalyse: statistische Theorie und Anwendung in den Wirtschafts- und Sozialwissenschaften. 1. Aufl. New York: Frankfurt.
Blossfeld, H.-P., Hamerle, A., & Mayer, K. U. (1989). Hazardraten-Modelle in den Wirtschafts- und Sozialwissenschaften. Allgemeines Statistisches Archiv, 73, 213–238.
Buckinx, W., & Van Den Poel, D. (2005). Customer base analysis: partial defection of behaviourally loyal clients in a non-contractual FMCG retail setting. European Journal of Operational Research, 164(1), 252–268.
Bult, J. R., & Wansbeek, T. (1995). Optimal selection for direct mail. Marketing Science, 14(4), 378–394.
Chiang, J., Chung, C. F., & Cremers, E. T. (2001). Promotions and the pattern of grocery shopping time. Journal of Applied Statistics, 28(7), 801–819.
Chintagunta, P. K. (1998). Inertia and variety seeking in a model of brand-purchase timing. Marketing Science, 17(3), 253–270.
Chintagunta, P. K., & Dong, X. (2006). Hazard/survival models in marketing. In Grover, R., & Vriens, M. (Hrsg.) Handbook of Marketing Research (pp. 441–454). Beverly Hills: Sage.
Cohen, M.-D. (2004). Exploiting response models—optimizing cross-sell and up-sell opportunities in banking. Information Systems, 29(4), 327–341.
Deutsche Automobil Treuhand GmbH (Dat) (Hrsg.) (2008). DAT Report 2008. Ostfildern.
Europäisches Verbraucherzentrum (Evz) (Hrsg.) (2005). Autohersteller behindern deutsche Kfz-Händler. Presse-Information, Kiel.
Garczorz, I. (2004). Adoption von online-banking-services: Determinanten aus Sicht der Kunden. 1. Aufl. Wiesbaden: Deutscher Universitäts-Verlag.
Gesamtverband Autoteile-Handel e.V. (GvA) (Hrsg.) (2007). Europaparlament stimmt für eine Liberalisierung des Kfz-Ersatzteil-Marktes. Presse-Information, Ratlingen.
Greene, W. H. (2007). Econometric modelling guide. 2. Aufl. New York.
Gupta, S. (1991). Stochastic models of interpurchase time with time-dependent covariates. Journal of Marketing Research, 18(1), 1–15.
Hamerle, A., & Tutz, G. (1989). Diskrete Modelle zur Analyse von Verweildauern. 1. Aufl. Frankfurt am Main: Campus.
Helsen, K., & Schmittlein, D. C. (1993). Analyzing duration times in marketing: evidence for the effectiveness of hazard rate models. Marketing Science, 11(4), 395–414.
Hüppelshäuser, M., Krafft, M., & Rüger, E. (2006). Hazard-Raten-Modelle im Marketing. Marketing ZFP, 28(3), 197–210.
Jain, D. C., & Vilcassim, N. J. (1991). Investigating household purchase timing decisions: a conditional hazard function approach. Marketing Science, 10(1), 1–23.
Jamal, Z., & Bucklin, R. E. (2006). Improving the diagnosis and prediction of customer churn: a heterogeneous hazard modeling approach. Journal of Interactive Marketing, 20(3), 16–29.
Kalbfleisch, J. D., & Prentice, R. L. (2002). The statistical analysis of failure time data. 2. Aufl. New York: Wiley.
Kaiser, C., Herrmann, A., & Heitmann, M. (2007). Survival-Modelle in der betriebswirtschaftlichen Forschung – Grundidee, Methodik, Anwendungen. Die Unternehmung, 61(1), 43–70.
Kleinbaum, D. G., & Klein, M. (2005). Survival analysis—a self-learning text. 2. Aufl. New York: Springer.
Lemon, K. N., White, T. B., & Winer, R. S. (2002). Dynamic customer relationship management: incorporating future considerations into the service retention decision. Journal of Marketing, 66(1), 1–14.
Lucas, G. H. Jr., Parasuraman, A., Davis, A., & Enis, B. M. (1987). An empirical study of salesforce turnover. Journal of Marketing, 51(3), 34–59.
Ludovigsen, K. E. (1995). Kundenorientierung in der Automobilbranche. Landsberg am Lech: Verlag Moderne Industrie.
Martinussen, T., & Scheike, T. H. (2006). Dynamic regression models for survival data: statistics for biology and health. 1. Aufl. New York: Springer.
McKinsey&Company (Hrsg.) (2007). CARE—create higher aftersales revenues and earnings (snap shot of findings). McKinsey Care Study. München.
McKinsey&Company (Hrsg.) (2009). Pressemitteilung – Autoindustrie: Massiver Einbruch des Profit Pools macht Branchenkonsolidierung unausweichlich. München.
Prentice, R. L., & Kalbfleisch, J. D. (1979). Hazard rate models with covariates. Biometrics, 35(1), 25–39.
Ronning, G. (1991). Mikroökonometrie. 1. Aufl. Berlin: Springer.
Seetharaman, P. B. (2004). The additive risk model for purchase timing. Marketing Science, 23(2), 234–242.
Seetharaman, P. B., & Chintagunta, P. K. (2003). The proportional hazard model for purchase timing: a comparison of alternative specifications. Journal of Business & Economic Statistics, 21(3), 368–383.
Verband der Automobilindustrie e.V. (VdA) (Hrsg.) (2007). Auto Jahresbericht 2007. Auto Jahresbericht. Frankfurt am Main.
Yamaguchi, K. (1993). Modelling time-varying effects of covariates in event-history analysis using statistics from satured hazard rate model. Social Methodology, 23, 279–317.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Sarstedt, M., Scharf, S., Thamm, A. et al. Die Prognose von Serviceintervallen mit der Hazard-Raten-Analyse – Ergebnisse einer empirischen Studie im Automobilmarkt. Z Plan Unternehmenssteuerung 20, 269–283 (2010). https://doi.org/10.1007/s00187-010-0086-3
Published:
Issue Date:
DOI: https://doi.org/10.1007/s00187-010-0086-3