Kulanzkosten frühzeitig prognostizieren

Die Herausforderung

Kulanzkosten nehmen im Finanzmanagement jedes großen Herstellers eine besonders schwierige Position ein. Anders als Garantieansprüche, die klar definierten Regeln und vertraglichen Verpflichtungen folgen, sind Kulanzzahlungen Ermessensentscheidungen zur Aufrechterhaltung der Kundenzufriedenheit, wenn ein Fahrzeug außerhalb der Standardgarantiedeckung liegt. Der Hersteller übernimmt die Kosten als Geste des guten Willens. Die Beträge können erheblich sein, die Auslöser sind vielfältig und das Volumen ist schwer vorherzusagen.

Für einen globalen Hersteller von Leicht- und Schwer-Lkw sowie Bussen waren Kulanzkosten zu einer bedeutsamen Budgetherausforderung geworden. Die schiere Anzahl der beteiligten Variablen — Fahrzeugmodell, Baujahr, Schadenscode, Garantiestatus, Servicevertrag, Verlängerungsgarantiebedingungen und das Vorhandensein aktiver Rückrufkampagnen — machte eine präzise Prognose mit konventionellen Methoden äußerst schwierig. Die Budgetplanung war weitgehend reaktiv. Wenn Kulanzkosten die Erwartungen übertrafen, hatte die Organisation wenig Möglichkeit, die Überschreitung vorherzusehen oder früh genug zu reagieren, um etwas zu verändern.

Der Business Case für einen intelligenteren Ansatz war klar: Wenn Kulanzkosten auf Ebene einzelner Fälle und Fahrzeugpopulationen präzise prognostiziert werden könnten, könnte die Organisation ihr Budget proaktiv steuern, Risikokonzentrationen identifizieren bevor sie sich materialisieren und konsistentere, nachvollziehbare Entscheidungen treffen, wann und in welchem Umfang Kulanz zu gewähren ist.

Der Ansatz

Das Prognosemodell entwickeln

change2target entwickelte ein Machine-Learning-basiertes Prognosemodell, das in der Lage ist, Kulanzkosten auf Ebene einzelner Kulanzvorgänge und Fahrzeugpopulationen mit einem Prognosehorizont von zwei Jahren vorherzusagen. Das Modell wurde entwickelt, um die volle Komplexität der Variablen zu verarbeiten, die Kulanzkostergebnisse beeinflussen — einschließlich der Integration von Standardgarantiezeiträumen, Kulanzzeiträumen, Serviceverträgen und Verlängerungsgarantiebedingungen sowie granularer Schadenscode-Details, die die spezifische Art jedes Anspruchs widerspiegeln.

Zunächst wurde ein Proof of Concept entwickelt, der zeigte, dass das Modell mit den verfügbaren Daten bedeutsame Prognosen erstellen kann. Darauf folgte ein Minimum Viable Product, das die Modellleistung auf einem Reifegrad demonstrierte, der für reale Geschäftsentscheidungen ausreicht.

Eine besondere Herausforderung bei der Kulanzprognose ist der Effekt von Garantiekampagnen — Rückrufe und ähnliche Ereignisse, die in konzentrierten Zeiträumen große Anspruchsvolumina erzeugen und Kostentrajektorien erheblich verzerren können. Das Modell wurde so entwickelt, dass es diese Ereignisse explizit berücksichtigt und kampagnenbedingte Spitzen von Basistrends unterscheidet, statt sie in Basisprognosen aufzunehmen.

Ein Frühwarnsystem schaffen

Über die Punktprognose hinaus wurde ein strukturiertes Frühwarnsystem entwickelt, das die Organisation alertiert, wenn Kulanzkosten für bestimmte Modelle, Schadenskategorien oder Märkte über dem erwarteten Niveau liegen. Dies gab Budgetverantwortlichen die Möglichkeit zu handeln, bevor eine Überschreitung zum Problem wird — statt erst nachdem sie bereits in den Büchern gelandet ist.

Das System unterstützte auch einen flexibleren Ansatz bei individuellen Kulanzentscheidungen. Mit klareren Daten zur erwarteten Kostenexposition nach Fahrzeug und Schadenstyp konnten Entscheidungsträger ihre Reaktionen präziser kalibrieren — Kulanz in Fällen genehmigen, wo der kommerzielle und kundenbindende Wert sie rechtfertigt, und gleichzeitig stärkere Prüfung anwenden, wo das Kostenrisiko erhöht ist.

Kulanz-Governance etablieren

Präzise Prognosen sind nur dann wertvoll, wenn die Organisationsstrukturen um sie herum in der Lage sind, auf die gewonnenen Erkenntnisse zu reagieren. Im Rahmen des Engagements entwarf und etablierte change2target eine Kulanz-Governance-Struktur, die Budgetverantwortlichkeit in der Organisation klärte, Entscheidungsrechte für Kulanzbewilligungen definierte und einen konsistenten Rahmen für die Bewertung von Feldereignissen und deren Kostenimplikationen schuf.

Ein Konzept wurde auch entwickelt, um technische Daten aus Fahrzeugsensoren und Feldinformationen in strukturierte Inputs für den Kulanzentscheidungsrahmen umzuwandeln — damit wird ein Weg zu datengetriebeneren und konsistenteren Kundenentscheidungen geebnet, sobald die Sensordatenverfügbarkeit zunimmt. Zusätzlich wurde ein Index zur Messung der Kundenzufriedenheit im Kontext von Kulanzentscheidungen entwickelt, der das finanzielle Management von Kulanz direkt mit seinem eigentlichen Zweck verbindet: den Erhalt der Kundenbindung.

Das Datenfundament aufbauen

All dies wurde von einem eigens entwickelten Datenmodell und einer Datenstruktur unterstützt, die in der Lage ist, die vielfältigen Inputs zusammenzuführen, die das Prognosemodell benötigt. Anspruchsdaten, Fahrzeugdaten, Garantie- und Vertragsdaten sowie Schadenscode-Informationen aus mehreren Quellsystemen in eine kohärente und zuverlässige Struktur zu überführen, war eine grundlegende Voraussetzung für alles, was das Projekt sonst lieferte.

Die Ergebnisse

Das Projekt lieferte ein funktionierendes KI-Prognosemodell mit einem Zweijahreshorizont, ein operatives Frühwarnsystem für Budgetüberschreitungen und eine Governance-Struktur, die der Organisation zum ersten Mal klare Verantwortlichkeit für Kulanzentscheidungen und deren finanzielle Konsequenzen gab.

Kulanzkosten wurden durch präzisere Identifizierung genehmigungswürdiger Fälle und engeres Management der Exposition in Hochrisikosegmenten reduziert. Die Budgetgenauigkeit verbesserte sich deutlich, da Prognosen Schätzungen ersetzen. Die Flexibilität und Konsistenz der Kulanzfallbearbeitung stieg, da Entscheidungsträger nach einem definierten Rahmen statt nach individuellem Ermessen handeln. Und durch die engere Verknüpfung des Kulanzmanagements mit Kundenzufriedenheitsergebnissen schuf das Projekt eine Grundlage dafür, Kulanz nicht einfach als zu minimierende Kosten, sondern als intelligent zu steuerndes Kundenbeziehungsinstrument zu behandeln.

Zentrale Erkenntnis

Kulanzkosten gehören zu den übersehenen finanziellen Risikobereichen im After-Sales-Management. Sie sind von Natur aus diskretionär, was sie unvorhersehbar erscheinen lässt. In der Praxis folgen sie Mustern — Mustern, die sichtbar werden, wenn das richtige Modell auf die richtigen Daten angewendet wird.

Für Führungskräfte in der Fertigung liegt die übergreifende Erkenntnis darin, dass die Grenze zwischen Kostenkontrolle und Kundenmanagement dort liegt, wo einige der wertvollsten KI-Anwendungen im After-Sales derzeit angesiedelt sind. Kulanz präzise zu prognostizieren verbessert nicht nur das Budget. Es gibt der Organisation die Sicherheit, bessere Entscheidungen für Kunden zu treffen — in dem Wissen, welche finanziellen Implikationen diese Entscheidungen haben, bevor sie am Jahresende als Überraschung auftauchen.