Während der Wettbewerb in den Commodities immer weiter zunimmt, sinken die Margen immer tiefer. Neue, komplexere Produkte sollen die Marge sichern, gleichzeitig steigen immer mehr neue „Discount-Wettbewerber“ in viele Produktbereiche mit ein. Die Bundesnetzagentur verlangt Effizienz im Netz und auch hier steigt der Druck stetig an.
Kurzum: Die geforderte Rendite zu erzielen wird immer schwieriger!
Spannend finden wir, was in dem immer komplexer werdenden Markt die Stadtwerke von anderen Anbietern differenziert. Das sind insbesondere die folgenden Punkte:
1. Regionalität
2. Hohe Marktanteile in den Commodities
3. Erfahrung und Historie
Diese Wettbewerbsvorteile gilt es zu nutzen. Hierbei spielen Methoden des Data Science und der Künstlichen Intelligenz eine immer wichtigere Rolle.
Durch den hohen Marktanteil und die regionalität hat ein Stadtwerk Daten zu fast allen Adressen und Haushalten seines Kernliefergebiets. Insbesondere wenn ein Angebotsportfolio aus Wasser, Abwasser, Wärme, Energie, Media und anderen Energiedienstleistungen vorhanden ist, sind die Datensätze enorm umfangreich.
Diese Daten sind ein Schatz, der sich geradezu in Gold aufzuwiegen lässt. Aus diesen Daten kann die Region verstanden, der Kundenstamm segmentiert und Assets optimal allokiert sowie gewartet werden.
Gerade deshalb sind diese Themen sind nicht nur etwas für den Vertrieb. Aber insbesondere im Vertrieb kann ein schneller Hebel eingesetzt werden, um einen direkten Return on Investment zu generieren. Durch Analysen kann die graue Masse von 5.000, 20.000 oder auch 100.000 Kunden aufgebrochen werden und somit auch ein echtes Verständnis über den eigenen Kundenstamm entstehen. Dieses Verständnis kann für eine aktive Kündigungsprävention, eine Steigerung des Cross- und Upsellings sowie die Minimierung der Cost-to-serve genutzt werden. Insbesondere bei der Frage, welchen Kunden welche Energiedienstleistungen angeboten werden können (und sollten), haben Datenanalysen auf Basis von Machine Learning die Fähigkeit einen wertvollen Beitrag leisten. So macht es beispielsweise wenig Sinn Mieter mit langfristigen Contracting Lösungen anzusprechen. Damit so etwas nicht geschieht, können solche Kunden mithilfe der Technologie identifiziert werden.
Die Erfahrung und die Historie der Stadtwerke bilden die Basis für den Einsatz von maschinellem Lernen. Für uns sind die vielen Jahre Erfahrung sogenannte Trainingsdaten. Auf ihrer Basis kann ein Algorithmus zur Kündigungsprävention trainiert werden oder auch eine Kundenaffinität zu bestimmten Produkten erkennen. So kann analysiert werden wer historisch aus der Grundversorgung in ein Sonderprodukt gewechselt ist und wer nicht. Genauso kann aus dem bisherigen Wissen über Kunden von Wallboxen oder Photovoltaikanlagen Abschlusswahrscheinlichkeiten sowie Potenziale für neue Abnehmer eben diese Produkte ermittelt werden.
All dies können die neuen Marktteilnehmer nicht durchführen, da sie nicht in der Lage sind diese Analysen durchführen und dieselben Erkenntnisse zu gewinnen wie es Stadtwerke können. So kann der hohe Marktanteil und die großen Datensätze genutzt werden, bevor zu viele Kunden zu „Discountanbietern“ wechseln.
コメント