Bewertung von Internetunternehmen mit Kundenwertmodellen

Eine Studie zur Bewertung von sozialen Online-Netzwerken


Diplomarbeit, 2008

73 Seiten, Note: 1,3


Leseprobe


Inhaltsverzeichnis

Exposé

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

Symbolverzeichnis

1 Einleitung
1.1 Problemstellung und Motivation
1.2 Vorgehensweise

2 Theoretischer Hintergrund
2.1 Definition und Relevanz
2.2 Berechnung von CLV und CE
2.2.1 Basismodellorientierte Modelle
2.2.2 Stochastische Modelle
2.3 Anwendung von CLV und CE
2.3.1 Ressourcen Allokation
2.3.2 Customer Equity und Unternehmenswert
2.4 Zusammenfassung und Forschungsbedarf

3 Modellanwendung
3.1 Vorstellung des Modells von Krafft et al. (2005)
3.1.1 Prognose der Kundenbasis
3.1.2 Berechnung des Kundenwertes
3.1.3 Theoretische Einordnung des Modells
3.2 Daten
3.2.1 Erhebung der Daten
3.2.2 Bestimmung der Eingangsgrößen
3.3 Anwendungsvorgehen
3.3.1 Kritische Masse
3.3.2 Volatilität der Kundenveränderung
3.3.3 Parameter des Momentum-Prozesses
3.3.4 Weiteres Vorgehen

4 Auswertung der Ergebnisse
4.1 MySpace und Facebook
4.2 Bebo und Hi
4.3 Tagworld und Piczo
4.4 Sensitivitätsanalyse

5 Zusammenfassung und Schlussfolgerung

Anhang
A Übersicht der Unternehmen
B Berechnung der Kundenbasis abhängig von Periode t und Stadium j (Facebook)
C Berechnung des Customer Equity (Facebook)

Literaturverzeichnis

Exposé

In dieser Diplomarbeit wird das Kundenwertmodell nach Krafft et al. (2005) erstmals in einer empirischen Studie für die Bewertung des Customer Equity von sozialen Online-Netzwerken angewandt, die in dem US amerikanischen Markt aktiv sind. Auf Basis der in der Literatur zum Thema Kundenwert etablierten Verbindung zwischen dem Wert der Kundenbasis und dem Unternehmenswert wird untersucht, ob das Modell die Kundenzahlen der betrachteten Unternehmen sowie den damit verbundenen Wert der Kundenbasis realitätsnah prognostizieren kann. Im Rahmen von Fallstudien wird das über das Modell bestimmte Customer Equity als zentrale Größe des Unternehmenswertes dem öffentlich bekannt gewordenen Wert der Unternehmen gegenübergestellt.

Abbildungsverzeichnis

Abbildung 1: Aufbau des Kapitels in der Übersicht

Abbildung 2: Die Konzepte des CLV und CE

Abbildung 3: US Clickstream Panels im Vergleich

Abbildung 4: Bestimmung des kritischen Kundenniveaus

Abbildung 5: Auswertung der Monte Carlo Simulation des α (Facebook)

Abbildung 6: Entwicklung der internationalen Unique Vistits von Facebook

Tabellenverzeichnis

Tabelle 1: Auswertung der Ergebnisse für MySpace und Facebook

Tabelle 2: Auswertung der Ergebnisse für Bebo und Hi

Tabelle 3: Auswertung der Ergebnisse für Tagworld und Piczo

Tabelle 4: Ergebnisse der Sensitivitätsanalyse

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

Im Gegensatz zu reifen, im Markt etablierten Unternehmen stellen Wachstumsunternehmen eine große Herausforderung für die Unternehmensbewertung dar. Dies hängt maßgeblich mit den Charakteristika von Wachstumsunternehmen zusammen, die eine Prognose des wirtschaftlichen Erfolgs und des damit verbundenen Unternehmenswertes sehr komplex machen. Diese Unternehmen weisen eine hohe Unsicherheit des Markterfolges durch einen nicht stabilen Kundenstamm und sehr volatile Cashflows in der Gegenwart und Zukunft auf. Dazu kommt, dass diese Firmen in den ersten Jahren nach ihrer Gründung oft negative Kapitalflüsse aufweisen. Traditionelle Bewertungsmethoden wie die klassische „Discounted Cashflow“ Methode (DCF), die für reife Unternehmen überaus gut anwendbar ist, können den Wert junger Unternehmen auf Basis negativer Cashflows nicht realistisch darstellen. Auch die marktbezogene Unternehmensbewertung über den Vergleich von Umsatzkennzahlen und Unternehmenswert[1] versagt, wenn kein Gewinn vorhanden ist, das Wachstumspotential des jeweiligen Unternehmens auf seine Weise einzigartig ist und somit keinen Vergleich zwischen den Unternehmen erlaubt. Dies erfordert alternative Ansätze für die Bewertung von Wachstumsunternehmen, welche die Flexibilität und die Unsicherheit des Unternehmensverlaufs abbilden[2].

Internetunternehmen stellen eine besondere Art von Wachstumsunternehmen dar. Die Verluste in den frühen Phasen sind durch hohe Marketingausgaben (zum Beispiel für die Akquisition und Bindung von Kunden) sehr ausgeprägt. Neben höheren Akquisitionskosten für einen Kunden ist es für im Internet aktive Unternehmen schwieriger den Bereich der Profitabilität zu prognostizieren als in der realen Welt[3].

Zudem sind positive Feedback-Effekte[4] bei Internetunternehmen von besonderer Bedeutung, da sie maßgeblich zu einem exponentiellen Wachstum der Kundenbasis und den damit verbundenen Umsätzen führen, die für den Erfolg des Unternehmens entscheidend sind.

In den Jahren 1998-2000 des New Economy Booms wurden alternative Bewertungsmethoden entwickelt, die den Wert des Unternehmens unabhängig von seinem Cashflow ermitteln und sich an den Nutzern bzw. der Kundenanzahl als Kennzahl für den Unternehmenswert orientieren. So basiert die populärsten Methoden dieser Zeit, das „Eyeball“ Konzept, auf der Beobachtung, dass ein junges Internetunternehmen, unabhängig von den entstehenden Kosten seine Nutzerbasis möglichst schnell vergrößern sollte, um sowohl „first-mover advantages“ als auch positive Netzwerkeffekte aufzubauen. Die Aussagekraft dieser Bewertungsmethode wurde empirisch von verschiedenen Akademikern nachgewiesen: Während der Jahresüberschuss der untersuchten Internetunternehmen nicht mit der Marktkapitalisierung in Verbindung gebracht werden konnte, zeigten sich Messgrößen wie „Unique Visitor“ und die Anzahl von Seitenaufrufen (Page Impressions) als signifikante Erklärungsgrößen[5]. Kundenbezogene Kennzahlen der Internetunternehmen, die sich nicht in finanzwirtschaftlichen Größen abbilden lassen wie beispielsweise die Anzahl der in einer Periode erreichten Kunden (Unique Visitors), konnten den Aktienpreis sowohl vor als auch nach dem Platzen der New Economy Blase erklären[6].

Der entscheidende Nachteil dieser alternativen Bewertungsmethode ist, dass sie die Kosten hinter den Nutzerkennzahlen nicht beachtet und die Wirtschaftlichkeit des Unternehmens vernachlässigt. Finanzanalysten stehen nach dem New Economy Boom, in dessen Folge viele nach Eyeball Methode hochbewertete Unternehmen in Konkurs gingen, der Bewertung des Marktwertes von Internetunternehmen anhand von nicht-finanzwirtschaftlichen skeptisch gegenüber[7].

In der Literatur wird des Weiteren die Bewertung von Wachstumsunternehmen der Internetbranche über Realoptionsmodelle oder Kundenwertmodelle vorgeschlagen[8], um die Flexibilität und Unsicherheit des Unternehmensverlaufs darzustellen.

Kundenwertmodelle können über den erwarteten Umsatz, der mit dem Kunden generiert wird, und die Anzahl der Kunden zukünftige Cashflows auf ähnliche Weise wie die DCF Methode bestimmen und nicht-finanzwirtschaftliche Kennzahlen bezüglich der Kundenbasis mit finanzwirtschaftlichen Steuerungsgrößen wie Umsatz und Kosten verbinden. Empirische Untersuchungen zeigen, dass Kundenwertmodelle in der Bewertung von Internetunternehmen anwendbar sind und aussagekräftige Resultate erzielen[9].

Jedoch wird von den empirisch angewendeten Modellen der Aspekt der Netzwerkeffekte, die als Referenzpotential[10] des Kunden den Unternehmenswert von Internetunternehmen stark beeinflussen, nicht berücksichtigt[11]. Gupta und Lehmann (2006) stellen im Rahmen der Bewertung der Online Aktionsplattform eBay mit einem Kundenwertmodell[12] die Hypothese auf, dass ein Teil der Differenz zwischen dem berechneten Unternehmenswert und dem darüber liegenden Marktwert des Unternehmens auf in ihrem Modell nicht berücksichtigte Netzwerkeffekte zurückzuführen ist[13].

1.1 Problemstellung und Motivation

Das Web 2.0 hat neuartige Geschäftsmodelle im Internet hervorgebracht, die noch stärker den Kunden und dessen Aktivität in ihren Mittelpunkt stellen, als es zu Zeiten der New Economy Blase der Fall war. Webbasierte soziale Netzwerke werden in diesem Rahmen des Webs 2.0 als ein wichtiges Geschäftsmodell der Gegenwart und Zukunft gesehen[14]. Die Geschäftsmodelle zeichnen sich durch ein außergewöhnliches Marktumfeld aus, da sie im Erfolgsfalle hohe und rasant wachsende Zugriffszahlen, detailreiche Nutzerinformationen in ihren persönlichen Profilen[15] und klar definierte Zielgruppen zu bieten haben. Diese Eigenschaften machen Social Networks zu einem idealen Instrument für die individuelle Kundenansprache, neue Werbeformate und experimentelle Marketingmethoden[16] im Internet.

Für ein soziales Netzwerk, das durch entsprechende Plattformen im Internet abgebildet wird, gibt es aktuell in der wissenschaftlichen Literatur keine genaue Begriffsdefinition. In deutschen und amerikanischen Unternehmensgründer-Weblogs, die sich mit dem Thema auseinandersetzen, werden die Geschäftsmodelle vorwiegend als „Social Networks“, „Online Social Networks“ oder „Social Communities“ benannt (diese Begriffe werden nachfolgend synonym für soziale Online-Netzwerke verwendet). Als zentrale Eigenschaften von Social Networks gelten Aktivität, Kooperation und Kommunikation[17].

Noch stärker als bei traditionellen Internetunternehmen des E-Commerce stellen positive Externalitäten, auch Netzwerkeffekte genannt[18], einen wesentlichen Erfolgsfaktor für das Geschäftsmodell von sozialen Netzwerken im Internet dar. Positive Externalitäten entstehen immer dann, wenn der Nutzen eines Gutes überproportional zur steigenden Anzahl von Nutzern zunimmt[19]. Das Überschreiten einer kritischen Masse wird als Voraussetzung für das Auftreten von Netzwerkeffekten gesehen. Ab einer bestimmten Mindestanzahl von Nutzern entwickelt sich ein selbsttragender Penetrationsprozess[20]. Die Nutzer im Sinne von Kunden der Plattform stehen im Mittelpunkt des Geschäftsmodells und stellen den wichtigsten Vermögensgegenstand eines Social Networks dar[21].

Social Networks wie MySpace oder Facebook gehören aktuell zu den meistdiskutierten Entwicklungen innerhalb des Internets. Die Bewertung von sozialen Online-Netzwerken ist aktuell angesichts der relativ hohen Akquisitionspreise von beispielsweise MySpace in der Internetindustrie ein viel diskutiertes Thema[22]. Einer globalen Studie der Unternehmensberatung McKinsey zu Folge planen dreiviertel der Unternehmen weltweit ihre Investitionen in Web 2.0 Projekte zu halten und auszubauen. Jedes dritte Unternehmen weltweit möchte zum Zeitpunkt der Studie in eigene Social Network-Projekte investieren[23]. Die Bewertung von Social Network Unternehmen stellt jedoch aufgrund seiner oben genannten Charakteristika als besondere Art von Wachstum- und Internetunternehmen eine Herausforderung dar[24].

Ziel dieser Arbeit ist die empirische Anwendung des Kundenwertmodell von Krafft et al. (2005)[25] zur Bewertung des Customer Equity von Wachstumsunternehmen der Internetbranche, im Besonderen von Social Networks. Das Modell zeigt verschiedene Vorteile, welche die oben beschriebenen Aspekte modelltheoretisch darstellen: Netzwerkeffekte werden in der Prognose der Kundenbasis berücksichtigt, das Referenzpotential wird in die Berechnung des Kundenwertes einbezogen und das Customer Equity wird auf Basis eines Realoptionsansatzes verschiedener Wachstumsszenarien berechnet. Es soll in der Studie untersucht werden, ob das Modell die Realität hinsichtlich der Prognose der Kundenbasis und des Customer Equity abbilden kann.

1.2 Vorgehensweise

Die Diplomarbeit ist wie folgt aufgebaut: In Kapitel 2 wird die Literatur zum Kundenwert als theoretischer Hintergrund des Modells vorgestellt und ein Überblick über die verschiedenen Modelle zur Berechnung und Anwendung der Konzepte des Kundenlebenswertes und des Customer Equity gegeben. Daran anknüpfend wird in Kapitel 3 das Modell von Krafft et al. (2005) vorgestellt und in den theoretischen Kontext eingeordnet. Es wird in einem weiteren Abschnitt des Kapitels das Datensampel vorgestellt und das Vorgehen hinsichtlich der Modellanwendung beschrieben. In Kapitel 4 werden die Ergebnisse der Modellanwendung fallweise für einzelne Unternehmen vorgestellt und in einer Sensitivitätsanalyse die Auswirkungen der Veränderung einzelner Eingangsgrößen auf die Ergebnisse überprüft. In Kapitel 5 schließt die Diplomarbeit mit einer Zusammenfassung und Schlussfolgerung ab.

2 Theoretischer Hintergrund

In diesem Kapitel wird die relevante englischsprachige Literatur zu den Konzepten des Kundenwertes strukturiert zusammengefasst (siehe Abbildung 1). Zunächst werden in Abschnitt 1 auf die Definition und die Relevanz der Begriffe des Kundenlebenswertes, nachfolgend auch als Customer Lifetime Values (CLV) bezeichnet, und des Wertes der Kundenbasis, im Folgenden auch Customer Equity (CE) genannt, im Rahmen der Kundenwerttheorie eingegangen. Darauf aufbauend werden die Forschungsarbeiten in zwei Kategorien von Literatur eingeteilt. Abschnitt 2 „Berechnung CLV und CE“ stellt verschiedene Modelle zur Berechnung von Kundenwerten vor. Im darauf folgenden Abschnitt wird die Theorie des Kundenwertes von einer anwendungsorientierten Perspektive aus betrachtet. Über das ursprüngliche Anwendungsgebiet des Marketings (besonders die Allokation von Marketingressourcen) hinaus werden Arbeiten vorgestellt, welche die Kundenwerttheorie mit dem Unternehmenswert als Messgröße für den finanziellen Erfolg eines Unternehmens verbinden. Im Rahmen der Diplomarbeit liegt ein besonderer Schwerpunkt auf der Anwendung von Kundenwertmodellen zur Bestimmung des Unternehmenswertes. Der Abschnitt „Zusammenfassung und Forschungslücken“ bezieht sich daher primär auf diesen Bereich.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Aufbau des Kapitels in der Übersicht

2.1 Definition und Relevanz

In den letzten Jahren hat sich in der betriebswirtschaftlichen Forschung der Begriff des Kundenwertes zunehmend etabliert. Im Rahmen des allgemeinen Trends zu marktorientierter Unternehmensführung wurde dieser Begriff wesentlich in dem Fachbereich Marketing geprägt. Eine zunehmende Beachtung des Themas der Kundenbeziehung in der Formulierung von Marketingstrategien hat in vielen Unternehmen von einer zuvor produktbezogenen zu einer kundenbezogenen Sichtweise geführt, die den Kunden in den Mittelpunkt stellt[26]. Vor allem die Anwendung und Berechnung des Kundenwertes hat in der Literatur der letzten Jahre wachsende Aufmerksamkeit erfahren.

Im Mittelpunkt der Theorien, die mit dem Begriff des Kundenwertes in Verbindung gebracht werden, steht das Konzept des Kundenlebenswertes. Der Begriff des Customer Lifetime Value wurde erstmals in den 70er Jahren als Barwert der gegenwärtigen und zukünftigen Gewinne definiert, die sich über einen bestimmten Zeithorizont einer Geschäftsbeziehung mit dem Kunden ergeben[27]. Im Gegensatz zu älteren, bekannten Scoring Konzepten wie zum Beispiel der RFM-Methode[28], welche die Kunden nur anhand des Kaufverhaltens der Vergangenheit bewerten, zeichnet sich das Konzept des CLV durch die Zukunftsorientierung und die Bezugnahme auf zentrale Aspekte der Kundenbeziehung aus. Der Kundenlebenswert ist das einzige Konzept, das alle wichtigen Elemente, welche die Profitabilität bestimmen (Umsatz, Kosten und Kundenverhalten), in sich vereint[29].

Die Komponenten, die den CLV direkt beeinflussen, können in drei Kategorien eingeteilt werden[30]: Umsatz (beispielsweise Kaufaktivität des Kunden und Cross-Selling Potentiale), Kosten (beispielsweise Ausgaben für die Kundenakquisition oder für die Kundenbindung) und das Kundenverhalten (insbesondere die Kundenbindung). Darüber hinaus kann der Wert eines Kunden durch externe Effekte, die vom Kunden ausgehen, indirekt beeinflusst werden (positive Weiterempfehlung an andere potenzielle Kunden[31] )[32].

Auf Basis des Kundenlebenswertes kann ein Unternehmen unterschiedliche Entscheidungen bezüglich seiner Marktaktivität und der Allokation von Marketingressourcen treffen, die ihm zu einem komparativen Wettbewerbsvorteil verhelfen können: Auswahl der besten Kunden, Steigerung der Profitabilität loyaler Kunden, optimale, erhöhte Servicequalität, Verknüpfung von Akquisition und Kundenbindung mit Profitabilität, Verhinderung von Kundenabwanderung, Förderung von Kaufverhalten über mehrere Vertriebskanäle und Maximierung des Markenwertes[33].

Auf der Theorie des Kundenlebenswertes aufbauend, wird der Wert der Kundenbasis als die Summe aller diskontierten Werte der Lebenszyklen aller gegenwärtigen und potenziellen Kunden des gesamten Unternehmens betrachtet[34]. Das Konzept des Customer Equity wird in der Literatur als Konzept für die Unterstützung von strategischen Entscheidungen einer höheren Managementebene als geeignet vorgestellt und aufgrund seiner Betrachtung von Marketingaktivitäten auf einer unternehmensübergreifenden Ebene mit dem Shareholder Value als Messgröße für den finanziellen Erfolg eines Unternehmens verbunden[35].

Forschungsarbeiten wie beispielsweise Gupta und Lehmann (2003, 2006), die den Kundenstamm als wesentlichen immateriellen Vermögenswert eines Unternehmens betrachten, haben dazu beigetragen, dass der Begriff des Customer auch über die marketingspezifische Literatur hinaus Bedeutung erlangt hat und sogar die Bewertung eines Unternehmens auf dieser Basis ermöglicht. Die kundenlebenswertbezogene Unternehmensbewertung baut auf dem Gedanken auf, dass ein Unternehmen sowohl seine materiellen als auch immateriellen Vermögensgegenstände einsetzt, um die von den Kunden erfolgenden Einzahlungen zu generieren[36]. Somit sind das Konstrukt des CE und der finanzwirtschaftliche Erfolg in Form von Ertrag und Unternehmenswert implizit miteinander verbunden. Abbildung 2 stellt die Konzepte des CLV und CE in den Kontext des Kapitels und zeigt die Zusammenhänge zwischen der Unternehmensaktivität und den finanzwirtschaftlichen Erfolg auf[37].

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Die Konzepte des CLV und CE (eigene Darstellung in Anlehnung an Gupta et al. (2006) und Gupta und Zeithaml (2006))

Das steigende Interesse der Praxis an den Prozessen des Kundenmanagements, die Aufnahme des Themengebiets Customer Lifetime Value als Priorität im „Capital Research“ des Marketing Science Institutes und ein offenes Betätigungsfeld mit wenigen empirischen Untersuchungen führten in den letzten Jahren zu zunehmender Popularität des Kundenlebenswertes und Customer Equity sowie zu zahlreichen Publikationen in der Forschung.[38]

2.2 Berechnung von CLV und CE

In der Literatur ist in den letzten 10 Jahren eine Vielzahl von Modellen für die Berechnung des Kundenlebenswertes erschienen. Dennoch existiert bislang kein übergeordnetes, allgemein akzeptiertes Modell für die Bestimmung des CLV[39]. Die Arbeiten von Jain und Singh (2002), Gupta et al. (2006) und Kumar und George (2007) geben eine gute Zusammenfassung der bisher veröffentlichten Berechnungsmodelle und haben in diesem Teil als Orientierung für einen eigenen Versuch der Strukturierung gedient. Die Konzepte werden in die Kategorie 2.1 „Basismodellorientierte Modelle“, die sich an einem vereinfachten Basismodell orientieren, und die Kategorie 2.2 „Statistische Modelle“ eingeteilt, die unter Berücksichtigung der Unsicherheit und des Risikos des Kundenverhalten (zum Beispiel im Rahmen von nichtvertraglichen Kundenbeziehungen) versuchen, den CLV möglichst realitätsnah zu bestimmen.

Generell wird der Kundenlebenswert entweder für einen einzelnen Kunden bzw. ein einzelnes Segment berechnet oder in aggregierter Form als durchschnittlicher Kundenwert der Kundenbasis bestimmt. Die Berechnungsmodelle des CLV können grundsätzlich nach drei Kriterien unterschieden werden: 1. die berücksichtigten Komponenten, die der CLV-Berechnung zu Grunde liegen, 2. die für die Berechnung benötigten Informationen und 3. die Annahmen (zum Beispiel der zeitliche Horizont), auf welchen das jeweilige Modell begründet ist[40].

2.2.1 Basismodellorientierte Modelle

Ein Modell, das als Basismodell für die Berechnung des CLV angesehen werden kann, ist einfach gehalten und an die DCF Methode angelehnt. Es basiert auf dem saldierten Barwert der zukünftigen Zahlungsströme (Cashflows) des Kunden und geht davon aus, dass alle Cashflows am Ende der Periode generiert werden:

Ut : Umsatz des Kunden in der Periode t

Ct : Gesamte Kosten, die mit der Generierung des Umsatzes in der Periode t verbunden sind

n : Erwartete Dauer der Geschäftsbeziehung mit dem Kunden in Perioden (Customer Lifetime)

Das Modell vereinfacht die Realität, indem es sowohl ehemalige Kunden als auch potentielle zukünftige Kunden nicht einbezieht, sondern den CLV nur für eine einzelne Kohorte bzw. ein einzelnes Segment bestimmt. Weitere Einflussfaktoren wie Akquisitionskosten des Kunden, dessen Kaufverhalten in der Vergangenheit und der Zeitpunkt der Zahlungsströme finden keine explizite Beachtung[41].

Dwyer (1989) veröffentlicht die ersten Modelle zur Berechnung des CLV, die ähnlich wie das Basismodell aufgebaut sind. In Anlehnung an die Verhaltenssystematik zwischen Kunden und Unternehmen nach Jackson (1985) stellt er jeweils ein Modell für die beiden Kundenkategorien “lost-for-good“ und „always-a-share“ auf[42]. Für die Berechnung von “lost-for-good“ Kunden verwendet er das Konzept der Aufrechterhaltung der Kundenbeziehung (Retention Model), welches dem oben dargestellten Basismodell der CLV Berechnung sehr ähnlich ist. Für die Berechnung des Kundenlebenswertes der „always-a-share“ Kunden formuliert Dwyer das Konzept der Kundenmigration (Migration Model), das gegenüber dem Basismodell besondere Aspekte der Kundenbeziehung in sich vereint. Es wird angenommen, dass mit dem Kunden im Laufe der Geschäftsbeziehung nicht in jeder Periode regelmäßig Umsatz generiert wird. Basierend auf dem Kaufverhalten der Vorperioden wird die Wahrscheinlichkeit des Kaufes bestimmt und ein zukünftiges Kaufverhalten projiziert. Berger et al. (2003) wenden das Migration Model von Dwyer (1989) anhand von empirischen Daten an und berechnen den CLV für Kunden eines Kreuzschifffahrtsunternehmens.

Berger und Nasr (1998) stellen eine mathematische Abwandlung des oben beschriebenen Basismodells in verschiedenen Variationen vor, die beide von Dwyer (1989) vorgestellten Modelle für verschiedene Fallbeispiele von Kundenverhalten weiterentwickeln[43]. Die Berechnung des Kundenlebenswertes baut auf den Komponenten der Umsatzmarge pro Kunde, der Kundenbindungsrate und den Marketingkosten auf und führt zu relativ umfangreichen Datenanforderungen für die Berechnung des CLV. Es wird in Anlehnung an das „Migration Model“ zwischen aktivem um inaktivem Kunden unterschieden. Im Rahmen des Modells wird wie auch beim Basismodell angenommen, dass der Kauf und die dazugehörigen Zahlungsströme einmal am Ende der Periode generiert werden und sowohl die Kundenbindungsausgaben als auch die Kundenbindungsrate konstant sind.

Gupta und Lehmann (2003) knüpfen an die oben vorgestellten Modelle an, indem sie auch zwischen aktiven und inaktiven Kunden unterscheiden, allerdings verwenden sie gegenüber Berger und Nasr (1998) ein vereinfachtes Basismodell zur Berechnung des Kundenlebenswertes. Das Modell benötigt weniger Eingangsgrößen. Die Kundenbindungsrate, die Anzahl der gegenwärtigen und zukünftigen Kunden, die Kosten der Kundenakquisition und den Deckungsbeitrag („Margin“) ergeben abdiskontiert den durchschnittlichen CLV für alle Kunden auf Unternehmensebene. Die Datenanforderungen beschränken sich auf öffentlich verfügbare Unternehmensdaten und Finanzkennzahlen der betrachteten Unternehmen. Mittels der Anzahl der gegenwärtigen und zukünftigen Kunden wird der gesamte Wert der Kundenbasis bestimmt. Durch die geringere Anzahl an Eingangsgrößen, die für börsennotierte Unternehmen aus den Geschäftsberichten entnommen werden können, ist das Modell in der Praxis leichter anzuwenden als die Modelle von Dywer (1989) und Berger und Naser (1998). Gupta et al. (2004) erweitern das Modell durch eine Formel zur Bestimmung der Kundenbasis in der Zukunft. Dafür verwenden sie ein Diffusionsmodell, das eine stochastische Komponente für die zeitstetige Bestimmung des CE enthält und das eigentliche Basismodell um den Aspekt der Prognose der Kundenbasis in Richtung der stochastischen Modelle erweitert.

Alle oben vorgestellten, am Basismodell orientierten Konzepte beruhen auf der Annahme, dass der Zeitraum der aktiven Geschäftsbeziehung zwischen dem Kunden und dem Unternehmen bekannt ist. Die Unsicherheit hinsichtlich des Kundenverhaltens, die aus einem potentiellen Wechsel des Kunden in eine inaktive Geschäftsbeziehung[44] entsteht, wird nicht berücksichtigt. Der Aspekt der Unsicherheit gegenüber dem Kundenverhalten in der Zukunft bildet den Ausgangspunkt für die stochastischen Modelle, die über ihre stochastischen Komponenten versuchen, die Kundenbasis ausgehend von dem Kundenverhalten zu prognostizieren.

2.2.2 Stochastische Modelle

Markow-Kette

Pfeifer und Carraway (2000) modifizieren das Modell von Berger und Nasr (1998) mit der stochastischen Komponente einer Markow-Kette[45]. Die Autoren versuchen den Wechseln des Kunden zwischen aktiver und inaktiver Geschäftsbeziehung flexibler darzustellen, so dass das Modell sowohl auf Kundenbindungs- oder Migrationsprobleme[46] angewendet werden kann. Es zeigt sich, dass die realitätsnahe Bestimmung der Wahrscheinlichkeiten eines Wechsels zwischen Aktivität und Inaktivität des Kunden entscheidend für die erfolgreiche Anwendung des Modells ist und in der praktischen Anwendung eine Herausforderung darstellt[47].

Als eine Weiterentwicklung eines Markow-Ketten basierten Modells stellen Rust et al. (2004) ein Konzept vor, das die Akquisitions- und Kundenbindungswahrscheinlichkeit über Markow-Matrizen bestimmt und so den Aspekt des Kundenverhaltens zwischen Aktivität und Inaktivität realitätsnäher als frühere Modelle berücksichtigt. Die Autoren führen im Rahmen ihres Modells das Kundenverhalten auf den speziellen Aspekt der Anziehungskraft von Unternehmensmarken zurück, so dass das Wechselverhalten von Kunden zwischen der Marke des Unternehmens und den Marken von Wettbewerbern wiedergeben wird. Der CLV wird als Durchschnitt für alle Kunden unternehmensübergreifend (aggregiert) bestimmt und benötigt eine Reihe von Kundendaten des jeweiligen Unternehmens und des Kaufverhaltens der Kunden bezüglich der Marken. Rust et al. (2004) gehen davon aus, dass die verwendeten Kundendaten repräsentativ für die gesamte Kundenbasis des Unternehmens sind und der Projektionshorizont begrenzt und bekannt ist.

Haenlein et al. (2007) wenden ein modifiziertes Markow-Ketten basiertes Modell empirisch zur Bestimmung des Kundenlebenswertes von Privatkundenbanken an. Sie verwenden in ihrem Modell eine Markow-Kette erster Ordnung zur Darstellung des Aktivitätswechsels und kombinieren diese mit einem „Classification and Regression Tree“, über welchen die Zielvariablen und Profitabilitätstreiber als Prognosevariablen gemeinsam dargestellt werden. Dies ermöglicht die Darstellung von sowohl diskreten als auch kontinuierlichen Zeitreihen von Cashflows über dieses Modell.

Pareto/NBP Modelle

Reinartz und Kumar (2000) zeigen, dass sich abhängig von der Annahme bezüglich der Kundenbeziehung[48] wesentliche Unterschiede in der Berechnung des Kundenlebenswertes ergeben. Die Autoren stellen fest, dass es in einer nicht-vertraglichen Kundenbeziehung durch ein erhöhtes Maß an Unsicherheit hinsichtlich des Kundenverhaltens besonderen Herausforderungen bezüglich der Prognose des CLV kommt. Sie beginnen mit dieser Arbeit einen neuen Forschungszweig, der sich als Kundenbasisanalyse mit der Prognose von unsicheren, zukünftigen CLVs in nicht-vertraglichen Kundenbeziehungen mit Hilfe von stochastischen Pareto/NBP Modellen beschäftigt.

Reinartz und Kumar (2000, 2003) stellen in ihren Veröffentlichungen ein komplexes Modell zur Berechnung des individuellen Kundenlebenswertes in nicht-vertraglich geregelten Kundenbeziehungen vor. Es beruht auf dem Kaufverhaltens der gesamten Kundenbasis und projiziert auf diesem Weg die Wahrscheinlichkeit der Kundenaktivität für die zukünftigen Zeitperioden. Die Wahrscheinlichkeit der Aktivität des Kunden wird über ein Modell berechnet, das einer negativen binominalen Verteilung[49] unterliegt, in Form eines Pareto/ NBP Modells[50]. Es wird in dem Modell die Wahrscheinlichkeit der Aktivität in zwei möglichen Stadien, „leben“ und „tot“ ausgedrückt (ähnlich wie „aktiv“ und „inaktiv“). Ausgehend von den Informationen über den Beginn der Kundenbeziehung berechnet das Modell die ökonomische Lebenszeit für jeden Kunden. Es ist auf Grund seiner Komplexität in der Praxis schwierig anzuwenden. Darüber hinaus ist die Betrachtung jedes einzelnen Kunden zur Berechnung der individuellen Wahrscheinlichkeit hinsichtlich der Veränderung der Kundenbasis und des Kaufverhalten fraglich[51].

Pareto/NBP Wahrscheinlichkeitsmodelle zur Prognose des CLV werden in der Literatur ausgehend von den obengenannten Veröffentlichungen weiterentwickelt. Fader et al. (2004[52], 2005[53] ), Ho et al. (2006)[54] und Glady et al. (2006) stellen in ihren Arbeiten Modelle vor, die über Pareto/NBP verwandtes Vorgehen die Wahrscheinlichkeit der Aktivität des Kunden und somit die Größe der zukünftigen Kundenbasis bestimmen. Venkantesan et al. (2007) und Borle et al. (2008) nutzen ein Bayessches[55] Modell alternativ bzw. in Kombination mit einem Pareto/NBP Modell zur Prognose des CLV und der Kundenbasis unter Unsicherheit der Einflussfaktoren.

Wübbe und Wangenheim (2008) vergleichen stochastische Modelle, die auf dem Pareto/NBP aufbauen, mit einfachen heuristischen Konzepten, die in der Praxis von Managern angewendet werden. Die Autoren kommen in ihrer Untersuchung zu dem Schluss, dass es keine maßgeblichen Unterschiede in der Genauigkeit der Prognose der komplexen, stochastischen Modelle und den einfachen, praktisch Konzepten gibt.

Abschließend ist zu bemerken, dass die stochastischen Modelle in der Kundenwerttheorie meist einzelne Aspekte des Kundenlebenswertes (beispielsweise Kundenakquisition oder Kundenbindung) betrachten und diese für die Bestimmung des CLV realitätsnah zu modellieren versuchen[56]. Für die CLV-Berechnung und die Prognose einzelner CLV-Komponenten sind in der Literatur noch komplexere Modelle erschienen, die hier im Weiteren nicht einzeln aufgeführt werden. Gupta et al. (2006)[57] geben vor allem zu den hier nicht erwähnten Persistence Modellen und Computer Science Modellen einen kompakten Überblick.

2.3 Anwendung von CLV und CE

Das Konzept des individuellen Kundenzeitwertes setzt sich mit einzelnen Einflussfaktoren des CLV und der langfristigen Profitabilität des einzelnen Kunden auseinander und findet primär im Rahmen von operativen und marketingstrategischen Problemstellungen Anwendung. Besonders geeignet zeigen sich diese Modelle für die Kundenselektion, das Kampagnenmanagement, die Kundensegmentierung[58] und das Kunden Targeting, für welche die Frage über den optimalen Einsatz von Marketingressourcen eine besondere Rolle spielt[59].

Das Konzept des Customer Equity als die Summe der diskontierten Lebenszeitwerte aller gegenwärtigen und potenziellen Kunden des gesamten Unternehmens eignet sich besonders für eine höhere Managementebene zur Unterstützung von strategischen Entscheidungen[60]. Daher werden diese Theorien vorwiegend zur Formulierung von Strategien auf Unternehmensebene, zur Überprüfung kundenwertbezogener Wertschaffung und zur Ermittlung des Unternehmenswertes eingesetzt[61].

2.3.1 Ressourcen Allokation

Blattberg und Deighton (1996) formulieren ein Modell für die optimale Allokation von Marketinginvestitionen zur Maximierung des Customer Equity eines Unternehmens, das den zentralen Ausgangspunkt für spätere Modelle der Allokation von Marketingressourcen bildet. Im Rahmen des Modells werden Akquisitions- und Kundenbindungsausgaben getrennt von einander betrachtet und auf der Basis des CLV Konzeptes eine optimale Ausgabenhöhe bestimmt. Es ist somit kein Modell zur Berechnung des Kundenlebenswertes (vgl. Modelle des vorherigen Abschnittes), sondern ein Konzept, das die optimale Allokation der Ressourcen auf der Theorie des Kundenwertes begründet.

Berger und Nasr-Bechwati (2001) modifizierten das oben vorgestellte Modell für eine optimale Allokation der Ressourcen zur Maximierung des Customer Equity. Anders als bei Blattberg und Deighton (1996) werden in diesem Modell die Grenzen des Marketingbudgets berücksichtigt und die Investition in die Kundenakquisition und Kundenbindung als Trade-off Situation dargestellt. Die oben genannten Modelle können als grundlegende Forschungsarbeiten in diesem Bereich angesehen werden.

Venkatesan und Kumar (2004) beziehen die oben genannte Trade-off Situation zwischen Kundenakquisition und Kundenbindung auf die Anwendung der Kundenselektion und richten die optimale Allokation der Marketingausgaben auf die gewinnversprechenden Kunden hinsichtlich bestimmter Kommunikationskanäle aus. Sie ziehen den Schluss, dass Kundenlebenswertkonzepte zur Selektion und Segmentierung von Kunden geeignet sind und es gewinnsteigernd ist, das Kommunikationsmanagement hinsichtlich der CLV-Maximierung zu betreiben.

Reinartz et al. (2005) gehen wie Venkatesan & Kumar (2004) in ihrem Konzept explizit auf die optimale Verteilung der Ressourcen hinsichtlich einzelner Kommunikationskanäle ein und setzen mit ihrem Modell an der ursprünglichen Frage der optimalen Ressourcenallokation von Akquisitions- und Kundenbindungsausgaben[62] unter Berücksichtigung des Trade-off Aspektes von Berger und Nasr-Bechwati (2001) an. Sie stellen im Rahmen dieser Modelle und der oben genannten Literatur ein integratives Konzept vor, dass anhand der Daten eines internationalen Technologieunternehmens empirisch untersucht wird.

Dong et al. (2007) schließen sich mit ihrem Konzept an die oben genannten Modelle an. Die Autoren erweitern das Konzept der Maximierung des Customer Equity um den Aspekt der Qualität des Vertriebskanals, der als weitere Bestimmungsvariable neben der Akquisitions- und Kundenbindungskomponente eingesetzt wird. Sie vergleichen ihr Modell anhand fiktiver Daten mit den Modellen von Blattberg/Deighton (1996) und Berger/Nasr-Bechwati (2001).

Reinhartz und Kumar (2000, 2003) zeigen, dass hinsichtlich der Allokation von Marketingressourcen der Aspekt der Dauer der Geschäftsbeziehung, abhängig von dem Kundenverhältnis, unterschiedliche Auswirkung auf den Kundenlebenswert haben kann. In der Literatur wurde bis zu diesem Zeitpunkt die Meinung vertreten, dass langfristig gebundene Kunden mehr und häufiger kaufen und somit besonders profitabel für das Unternehmen seien[63]. Die Autoren schließen aus ihrer Untersuchung, dass in der Anwendung ihres CLV Modells (siehe vorherigen Abschnitt) es nicht notwendiger Weise einen positiven Zusammenhang zwischen der Dauer der Kundenbeziehung und der Profitabilität gibt. Abhängig von unterschiedlichen Geschäftssituationen zeigen die Autoren, dass wegen steigender Servicekosten für ältere Kunden im Vergleich zu Neukunden die Profitabilität nicht unbedingt steigt.

[...]


[1] Zum Beispiel „Price-to-Earnings Multiples"

[2] Vgl. Athanassakos. (2007) in Bezug auf Internetunternehmen.

[3] Vgl. Reichheld und Scheftler (2000).

[4] Vgl. Shapiro und Varian (1998), S. 173.

[5] Vgl. Trueman et al. (2002). Die Autoren untersuchten die Marktkapitalisierung von 63 Internetunternehmen zwischen 1998 und 1999, indem sie nicht-finanzwirtschaftliche Informationen mit finanzwirtschaftlichen Kennzahlen kombinierten.

[6] Vgl. Demers und Lev (2001). Die Autoren untersuchten auf ähnliche Weise wie Trueman et al. (2002), S. 84, Internetunternehmen für den Zeitraum 1999-2000.

[7] Vgl. Gupta und Lehmann (2006), S. 92.

[8] Vgl. Häcker (2000).

[9] Vgl. Gupta et al. (2004).

[10] Vgl. Rudolf und Witt (2002), S. 233.

[11] Vgl. Gupta und Zeithaml (2006), S. 733 und Gupta et al. (2006), S. 152.

[12] Vgl. Modell von Gupta et al. (2004), S. 8 ff..

[13] Vgl. Gupta und Lehmann (2006), S. 107.

[14] Vgl. Panten (2005), S. 368.

[15] Datenprofil des Nutzers, mit welchem er sich in dem Netzwerk präsentiert.

[16] Vgl. Mörl und Groß (2008), S. 12

[17] Vgl. Mörl und Groß (2008), S. 44-46.

[18] In der Literatur synonym verwendet. Vgl. Panten (2005), S. 132.

[19] Vgl. Beck (2006), S. 228.

[20] Vgl. Mörl und Groß (2008), S. 72.

[21] Die Betrachtung des Kunden als Vermögenswert vorausgesetzt.

[22] Vgl. Letzing (2008).

[23] Vgl. Bughin und Manyika (2007).

[24] Vgl. Knowledge@Wharton (2006).

[25] Vgl. Krafft et al. (2005), S. 106 -11.

[26] Vgl. Jain und Singh (2002), S. 35.

[27] Vgl. Kotler (1974), S. 24.

[28] Steht für Recency (Zeitpunkt des letzten Kaufs), Frequency (Kaufhäufigkeit des Kunden), Monetary Value (Wert der bisherigen Käufe des Kunden).

[29] Vgl. Kumar (2006), S.10.

[30] Vgl. Reinhartz und Kumar (2000).

[31] Vgl. Reichheld (1996), S. 48.

[32] Vgl. Blattberg und Thomas (1998).

[33] Vgl. Kumar (2006).

[34] Vgl. beispielsweise Rust et al. (2004).

[35] Vgl. Gupta et al. (2006).

[36] Vgl. Hogan et al. (2002), S. 7.

[37] Vgl. Abbildung 2 in Anlehnung an Gupta et al. (2006), S. 140 f. und Gupta und Zeithaml (2006), S. 719.

[38] Vgl. Reinhartz und Kumar (2000), S. 36.

[39] Vgl. Jain und Singh (2002), S. 37.

[40] Vgl. Kumar und George (2007), S. 158.

[41] Vgl. Jain und Singh (2002), S. 38.

[42] Die Kunden sind abhängig von ihrem Grad an Loyalität und Kaufverhalten in zwei unterschiedliche Kategorien von Kunden einzuteilen. „always-a-share“ beschreibt Kunden, die leicht zwischen Anbietern hin und her wechseln, aber immer Kunde des Unternehmens bleiben. „Lost-for-good“ steht für Kunden, die bei einem Anbieterwechsel nicht wieder zu dem bisherigen Unternehmen zurückkehren (vgl. Jackson (1985), S. 128 ff.)

[43] Vgl. Berger und Naser (1998), S. 19.

[44] zum Beispiel einen zwischenzeitlichen Kauf bei einem Wettbewerber innerhalb einer Periode

[45] Markow-Kette ist ein stochastischer Prozess, der sowohl in diskreter als auch in zeitstetiger Form vorkommt und dessen Ziel es ist, Wahrscheinlichkeiten für das Eintreten zukünftiger Ereignisse zu bestimmen. Das Spezielle einer Markow-Kette ist die Eigenschaft, dass durch Kenntnis einer begrenzten Vorgeschichte ebenso gute Prognosen über die zukünftige Entwicklung möglich sind wie bei Kenntnis der gesamten Vorgeschichte des Prozesses.

[46] Vgl. Dwyer (1989).

[47] Vgl. Jain und Singh (2002), S. 40.

[48] i.e. ob sich der Kunde in einem vertraglichen oder einem nicht-vertraglichen Verhältnis zum Unternehmen befindet

[49] abgekürzt NBP (Negative Binominal Probability)

[50] Schmittlein et al. (1987) hatte das Pareto/NBP Modell zur Prognose von Kundenverhalten erstmals vorgestellt.

[51] Vgl. Jain und Singh (2002), S. 41.

[52] Fader et al. (2004) verwenden ein beta-geometrisches, beta-binominales (BG/BB) Modell zur Berücksichtigung der Heterogenität der Kunden zur Bestimmung einer diskreten Zeitreihe.

[53] Fader et al. (2005) verbinden über Iso-Kurven die Konzepte des RFM und des CLV, bestimmt über ein Pareto/NBP Submodell den Transaktionsfluss und über ein Gamma-Gamma Submodell die Ausgaben pro Transaktion.

[54] Das aggregierte Modell von Ho et al. (2006) erweitert die klassischen Pareto/NBP Modelle, indem sie die Kundenzufriedenheit als wertbestimmende Komponente in die Berechnung mit einbeziehen.

[55] Bayessche Statistik bildet in den Modellen eine besondere Art der modernen Statistik, die zum Beispiel zum Testen einer Nullhypothese als Grundlage verwendet wird.

[56] Vgl. Gupta et al. (2006), S. 143.

[57] Vgl. Gupta et al. (2006), S. 145 ff..

[58] Siehe Lemon und Mark (2006) für Details bzgl. dieses CLV Forschungszweiges.

[59] Vgl. Kumar (2006).

[60] Vgl. Gupta et al. (2006).

[61] Vgl. Kumar und George (2007), S. 168.

[62] Vgl. Blattberg und Deighton (1996)

[63] Vgl. Reichheld (1996) und Libai et al. (2002).

Ende der Leseprobe aus 73 Seiten

Details

Titel
Bewertung von Internetunternehmen mit Kundenwertmodellen
Untertitel
Eine Studie zur Bewertung von sozialen Online-Netzwerken
Hochschule
Otto Beisheim School of Management Vallendar  (Bank Stiftungslehrstuhl für Finanzwirtschaft)
Note
1,3
Autor
Jahr
2008
Seiten
73
Katalognummer
V168382
ISBN (eBook)
9783640853205
ISBN (Buch)
9783640853342
Dateigröße
1688 KB
Sprache
Deutsch
Schlagworte
Unternehmensbewertung, Kundenwertmodelle, Internetunternehmen, Social Networks, Communities, USA, Unique Visitors, CLV, Customer Equity
Arbeit zitieren
Hendrik Braun (Autor:in), 2008, Bewertung von Internetunternehmen mit Kundenwertmodellen, München, GRIN Verlag, https://www.grin.com/document/168382

Kommentare

  • Noch keine Kommentare.
Blick ins Buch
Titel: Bewertung von Internetunternehmen mit Kundenwertmodellen



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden