Localsearch
Unsere Projekte

Kundenbindung erhöhen

localsearch will mit zielgerichtetem Marketing auf Kundenbedürfnisse reagieren. Zühlke entwickelt dafür eine Datenplattform, die mittels Machine Learning das Kundenverhalten vorhersagt.

Executive Summary

  • Zühlke unterstützt localsearch dabei, ihre Data-Analytics-Strategie zu definieren 
  • localsearch erhält eine Entscheidungsgrundlage für die optimale Wahl des Cloud-Anbieters 
  • Mithilfe der neuen Datenplattform kann localsearch potentielle Kundenabwanderungen vorhersagen 

Kundenbedürfnisse frühzeitig erkennen

Als Marketing- und Werbepartner unterstützt localsearch Schweizer KMU bei deren Positionierung im Web. Das Unternehmen will das große Kundendatenvolumen analysieren, um potentielle Abwanderungen von Kunden möglichst früh erkennen und entsprechende Gegenmaßnahmen einleiten zu können. Für die strategische Beratung und die technische Entwicklung holt localsearch die Experten von Zühlke an Bord. 

2 diagonalestriche lightgray

Beratung und technische Umsetzung aus einer Hand

Gemeinsam mit localsearch erarbeiten die Spezialistinnen und Spezialisten von Zühlke datengetriebene Anwendungsfälle. Zühlke berät localsearch bei der strategischen Ausrichtung und evaluiert den geeigneten Cloud-Anbieter für eine Datenplattform. Ein interdisziplinäres Data-Analytics-Team von Zühlke entwickelt innerhalb der ausgewählten Cloud die Datenplattform von localsearch zu einer nachhaltigen und automatisierten Lösung weiter und implementiert in enger Zusammenarbeit mit den Marketingverantwortlichen Anwendungsbeispiele, um die Wirksamkeit der Lösung zu verifizieren. 

Jean-Claude Hauser Sympany
Für uns war es wichtig, dass die Zühlke Spezialisten bei uns vor Ort waren und auf Augenhöhe mit unseren Entwicklern zusammenarbeiteten.
Jean-Claude Hauser
Head of Online Services
2 diagonalestriche lightgray

Datenbasierte Prognosen zum Kundenverhalten

Für die Entwicklung der Datenplattform wird Google als Cloud-Anbieter ausgewählt. In der Cloud entwickelt Zühlke eine Plattform, die Kundendaten aus unterschiedlichsten Quellen aggregiert. Basierend auf dieser Verknüpfung wird ein Machine-Learning-Modell implementiert, welches das Verhalten der Kunden analysiert und datenbasiert prognostiziert, ob diese in naher Zukunft abspringen werden. Damit können unzufriedene Kunden frühzeitig erkannt und Abgänge reduziert werden.