Big Data – Dem Kunden auf der Spur

BI und Big Data 1

Big Data –Dem Kunden auf der Spur

Meinert Jacobsen

Thementag

BI und Big Data 2

BI und Big Data 3

BI und Big Data 4

BI und Big Data

Namechecker

BI und Big Data 6

BI und Big Data 7

BI und Big Data 8

BI und Big Data 9

BI und Big Data

Intra-Cross-Selling (Food)

Erkennbare Saisoneffekte

BI und Big Data Folie 11http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html

Grafische Darstellung China I

BI und Big Data Folie 12

Grafische Darstellung China II

BI und Big Data 13

BI und Big Data

SUCCESS – Standardisierung von Charts

14


Datendarstellung

Quelle: Hiechert / Partner

BI und Big Data 16

2008 Δ2007% neg pos 2007 Δ2007 neg posOncology 19,8 55% +15% 15% 17,2 2,6 2,6

Inflammatory d. 3,2 9% +19% 19% 2,7 0,5 0,5

Virology 3,2 9% -27% -27% 4,4 -1,2 -1,2

Metabolic d. 2,9 8% +7% 7% 2,7 0,2 0,2

Renal anemia 1,4 4% -11% -11% 1,6 -0,2 -0,2

Respiratory d. 1,1 3% +10% 10% 1,0 0,1 0,1

Ophtalmology 1,1 3% +7% 7% 1,0 0,1 0,1

Central nervous s. 1,1 3% -3% -3% 1,1 -0,0 -0,0

Cardiovascular d. 1,1 3% -19% -19% 1,3 -0,3 -0,3

Infectious d. 0,4 1% -12% -12% 0,4 -0,0 -0,0

Others 0,7 2% -14% -14% 0,8 -0,1 -0,1

Datendarstellung



Datendarstellung


BI und Big Data

Ø 12 Monatsumsatz je Kundengruppe im Vergleich zum Vorjahr

Je besser die Kundengruppe, desto höher das Wachstum

+19,2%

+11,7%

+14,8%

+9,2%

4.775 +26% 6.034 26.501 +17% 30.932

86.996 +7% 93.08054.712 +7% 58.543

Ausgangschart

A B

C D

BI und Big Data



+19,2%

+11,7%

+14,8%

+9,2%

Schritt1: Gitternetzlinien entfernen

A B

C D

4.775 +26% 6.034 26.501 +17% 30.932

86.996 +7% 93.08054.712 +7% 58.543

BI und Big Data



+19,2%

+11,7%

+14,8%

+9,2%

Schritt2: Achseteilstriche entfernen

A B

C D

4.775 +26% 6.034 26.501 +17% 30.932

86.996 +7% 93.08054.712 +7% 58.543

BI und Big Data



+19,2%

+11,7%

+14,8%

+9,2%

Schritt3: Achsenskalierung vereinheitlichen

A B

C D

4.775 +26% 6.034 26.501 +17% 30.932

86.996 +7% 93.08054.712 +7% 58.543

BI und Big Data

Schritt 4: Diagrammtyp ändern

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

+19,2%

+11,7%

+14,8%

+9,2%



A# Kunden Jan 2015: 4.775 -> Dez 2016: 6.034 (+26%)

B# Kunden Jan 2015 : 26.501 -> Dez 2016: 30.932 (+17%)

C# Kunden Jan 2015 : 54.712 -> Dez 2016: 58.543 (+7%)

D# Kunden Jan 2015 : 86.996 -> Dez 2016: 93.080 (+7%)

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

BI und Big Data

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

Schritt 5: ΔJ% Darstellen, Texte bzw. Botschaft anpassenJe besser die Kundengruppe, desto höher das Wachstum.

Kunde XYZØ 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR2015 und 2016 bzw. ΔJ%

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

A# Kunden Jan 2015: 4.775 -> Dez 2016: 6.034 (+26%)

B# Kunden Jan 2015 : 26.501 -> Dez 2016: 30.932 (+17%)

C# Kunden Jan 2015 : 54.712 -> Dez 2016: 58.543 (+7%)

D# Kunden Jan 2015 : 86.996 -> Dez 2016: 93.080 (+7%)

ΔJ% ΔJ%

ΔJ% ΔJ%

BI und Big Data

Schritt 6: Kundenanzahlen, Jahreszahlen entfernenJe besser die Kundengruppe, desto höher das Wachstum.


A B

C D

ΔJ% ΔJ%

ΔJ% ΔJ%

BI und Big Data

Schritt 7: vier Charts nebeneinander anordnenJe besser die Kundengruppe, desto höher das Wachstum.


A

ΔJ%

B C D

BI und Big Data

Schritt 8: Kundenzahl darstellenJe besser die Kundengruppe, desto höher das Umsatzwachstum.

Kunde XYZØ 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR, bzw. Kundenzahl in Tausend Kunden2015 und 2016 bzw. ΔJ%

A

ΔJ%

B C D

EUR

ΔJ%

Tausend Kunden

BI und Big Data

Schritt 9: Einige Überschriften teilweise entfernenJe besser die Kundengruppe, desto höher das Umsatzwachstum.

Kunde XYZØ 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR, bzw. Kundenzahl in Tausend Kunden2015 und 2016 bzw. ΔJ%

A

ΔJ%

B C D

EUR

ΔJ%

Tausend Kunden

BI und Big Data 28

BI und Big Data

Praxis-‐Beispiel: Möbelhändler

• Ein Möbelfilialist möchte seine Direktwerbungmit den Kunden optimieren um den Gewinn zu maximieren.

• Bisher schreibt der Filialist 6 mal jährlich alleKunden/Lieferadressen an.


• Von den 1,427 Mio. angeschriebenen Kunden haben 19.678 Kunden im Folgemonat nach der Ansprache einen Einkauf getätigt (dies entspricht 1,38 Prozent).

• Die Reagierer haben Waren im Gesamtwert von 5,291 Mio. Euro erworben (Durch-‐Schnittsbon 269 Euro).

Praxis-‐Beispiel: Möbelhändler


Umzug des Kunden

Filialentfernung

Mikrogeografische Informationen-‐ Kaufkraft-‐ Kundendichte-‐ Soziodemografische Komponenten

KundenalterAnrede (Geschlecht)Telefoninformationen

Umsätze nach ZeitUmsätze nach WarengruppenRFM-‐Variablen

•

Praxis-‐Beispiel: Einflussgrößen


Praxis-Beispiel: Alter

23

151200 186

327

203

323

0,6%

1,8%

0,9%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt



23

151200 186

327

203

323

0,6%

1,8%

0,9%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

2



23

151200 186

327

203

323

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

2



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

1,0%



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

1,0% 1,1%



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

1,0% 1,1% 1,3%



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

1,0% 1,1% 1,3%1,6%



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

1,0% 1,1% 1,3%1,6% 1,8%



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

1,0% 1,1% 1,3%1,6% 1,8% 1,7%



23

151200 186

327

203

323

0,6%

< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt

1,0% 1,1% 1,3%1,6% 1,8% 1,7%

0,9%


Praxis-‐Beispiel: Alter

23

151200 186

327

203

323

0,6%

< 20 20-‐29 30-‐39 40-‐49 50-‐59 60-‐69 > 70 fehlt

1,0% 1,1% 1,3%1,6% 1,8% 1,7%

0,9%


Praxis-Beispiel: Anrede


Praxis-Beispiel: Telefonnummer


Praxis-Beispiel: Letzter Kauf (Recency)


Praxisbeispiel: Kaufzahl (Frequency)


Praxisbeispiel: Umsatz (Monetary)


Praxis-Beispiel: Filialentfernung


Praxisbeispiel: Kundendichte

BI und Big Data

StatistischesModell

Anrede

58

Alter Telefon

Entfernung Kundendichte

Recency Frequency Monetary

Reaktion = β*Alter + β*Anrede +β*Telefon + β*Entfernung + β*Kundendichte + β*Recency + β*Frequency + β*Monetary + …


Praxis-Beispiel: Score-Nutzung


Praxisbeispiel: ROI-Betrachtung


Praxis-Beispiel: ROI-Optimierung


Das eingesparte Geld kann in mehr Aktionen verwendet werden, die an die guten Kunden verschickt werden.

Wenn von den 1,4 Mio. Adressen die besten Adressen 7-mal im Jahr eingesetzt werden und die verbleibenden schlechten Adressen 3 mal im Jahr eingesetzt werden, so ergibt sich – bei gleichen Kosten zu einer 6-maligen Ansprache aller Adressen (es werden 8,4 Mio. Mailings durchgeführt) – eine theoretische Steigerung des Deckungsbeitrages um 640.000 Euro.

6 * i m Jahr ~ 58.448 Kunden

Differenz : 5.567 KundenDB: 115 Euro

Summe: 640.000 Euro

Praxis-Beispiel: Optimierungs-Szenario

BI und Big Data 63

KUNDENSEGMENTE

BI und Big Data

Frauen

Bestkunden

Hobby

Gutschein

Heimtextil

Inaktive

Männer

Kinder

Kosmetik

Einrichtung

BI und Big Data

Kundensegmentierung Folie 65

Überdurchschnittlich UnterdurchschnittlichDurchschnittlich

Anteil Beschreibung Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez

36% Durchschnit t , Stammwein, eher Neue Welt , Spanien und Rest Europa 8% 8% 10% 8% 7% 7% 7% 7% 7% 8% 9% 14%

7% Akt ionsweine, sonst ige Art ikel 11% 10% 9% 5% 5% 5% 6% 5% 7% 10% 9% 9%

7% wenig Käufe, wenig Akt ionsweine, Italien, wenig Neue Welt , Samstag 8% 11% 13% 10% 7% 6% 8% 5% 5% 8% 7% 14%

7% wenig Käufe, wenig Akt ionsweine, Freitag 8% 10% 10% 8% 7% 5% 7% 5% 7% 7% 7% 18%

6% wenig Käufe, Donnerstag, März 9% 10% 15% 6% 3% 6% 5% 5% 7% 7% 7% 18%

6% wenig Käufe, Mit twoch 9% 10% 13% 6% 7% 7% 5% 7% 5% 8% 9% 15%

8% Dienstag-Käufer 8% 9% 12% 7% 7% 6% 6% 7% 6% 7% 8% 15%

3% wenig Käufe, Sekt . Montags, große Depots. Dezember 8% 9% 9% 7% 7% 7% 6% 6% 5% 7% 8% 21%

4% wenig Akt ionsweine, Weißwein, Sekt , wenig Neue Welt 7% 7% 8% 8% 7% 7% 8% 6% 6% 7% 7% 19%

7% Rose, Frankreich, Juni+Juli 6% 7% 9% 8% 9% 11% 13% 8% 6% 6% 7% 10%

6% viele Käufe, hoher Umsatz, viele Flaschen, BIB-Käufer, Stammwein, Frankreich 7% 7% 9% 9% 8% 8% 8% 8% 8% 8% 8% 12%

4% Sehr viele Käufe, sehr hoher Umsatz, sehr viele Flaschen, Stammwein, hoher Einzelbon 7% 7% 8% 9% 8% 8% 8% 7% 7% 8% 9% 14%

8% 9% 10% 8% 7% 7% 7% 6% 7% 8% 8% 14%

BI und Big Data

Kundensegmente und Wanderungen zwischen Segmenten

66

Interessenten Personen ohne Kauf

Kunden Personen mit mindestens einem Kauf

Aktive Kunden Kunden mit mindestens einem Kauf in den letzten 12 Monaten

Inaktive Kunden Kunden ohne Kauf in den letzten 12 Monaten

Neukunden Kunden mit ersten Kauf in den letzten 12 Monaten

Bestandskunden Kunden mit mindestens einem Kauf in den letzten 12 Monaten und mindestens einem weiteren Kauf davor.

BI und Big Data 67

Kunden 680.340

Aktive Kunden

MARKT

Interessenten

20.736

300.009

> 5 Jahre 182.646

4-‐5 Jahre 26.288

3-‐4 Jahre 22.567

2-‐3 Jahre 22.888

1-‐2 Jahre 24.884

< 1 Jahr 20.736

Neukunden40.159

36.944

Bestellungen 43.519Umsatz 4,69 Mio.Ø WK 108 €

Bestandskunden

5.045

33.227

Bestellungen 43.133Umsatz 5,15 Mio.Ø WK 119 €

73.386Inaktive Kunden606.954

34.896

1-‐2 Jahre: 58.882

2-‐3 Jahre: 53.481

3-‐4 Jahre: 47.815

> 5 Jahre : 404.741

4-‐5 Jahre: 42.035

davon Einmalkunden:428.675 (71%)

(EK: 32.971 – 56%)

(EK: 31.554 – 59%)

(EK: 29.645 – 62%)

(EK: 26.902 – 64%)

(EK: 307.603 – 76%)

23.981

17.231Dauer der Inaktivität:1-‐2 Jahre: 3.931 (23%)2-‐3 Jahre: 5.182 (30%)3-‐4 Jahre: 2.859 (17%)4-‐5 Jahre: 1.608 (9%)> 5 Jahre: 3.651 (21%)

3.215

Zeit bis erste Bestellung:0-‐1 Jahre: 332 (11%)1-‐2 Jahre: 274 (9%)2-‐3 Jahre: 145 (5%)3-‐4 Jahre: 173 (5%)4-‐5 Jahre: 173 (5%)> 5 Jahre: 2.028 (65%)

Kanal:online (60%)offline (40%)

Agenturnummer:Internet (55%)Google (10%)Affiliate (10%)Katalog (8%)Special (7%)

Kanal:online (80%)offline (20%)

Agenturnummer:Internet (53%)Google (29%)Affiliate (11%)Special (3%)Kundenbindung (1%)

(+17.521)

(+40.159)

(-‐1.487) (+41.646)

(+218)

(-‐1.705)

50%/20%

Anteil E-‐Mail Adressen/ Anteil DOI

84%/16%

52%/18%

80%/12%

80%/ 19%

69%/23%

68%/24%

76%/20%

81%/16%

70%/ 24%

57%/14%

ABC GmbHBestellungen ab 2004

28%/7%

Beispiel Kundenwanderungen im Jahr 2016

BI und Big Data 68

Neukunden

Bestandskunden

aktive Kunden

+

=

Verlauf Kundensegmente

-‐11.330 / -‐13%

2011 2012 2013 2014 2015 2016

BI und Big Data 69

Praxis-Beispiel: B2B – SIGSdatacom


Standard-Reporting


Praxis-Beispiel B2B

BI und Big Data

Ableitungen aus den Kommunikationskanälen

• Landeskennzeichen: International orientiert:

• Fehlenden Null in Vorwahl (International)

• Vorwahl-Null in Klammern

• Vorwahl in Klammern (regional orientiert)

• Anzahl Durchwahlstellen

• Mobil-Nummer

72

+49

+49 22833830000

+49 (0) 228 33830000

(0228) 33830000

+49228338300-00

+49 15115675483

Email-Provider

Newsletter-Erlaubnis

Email-Öffnungen

Faxnummer

BI und Big Data

Praxis-Beispiel B2B - Telefonnummer

73

Anlage Adressen Reagierer Quote

1 Stelle 8.238 68 0,8 %

2 Stellen 1.739 17 1,0 %

3 Stellen 3.126 57 1,8 %

4 Stellen 4.700 108 2,3 %


Praxis-Beispiel B2B

BI und Big Data

B2B Web-Scoring Ansatz

Seite 76Smart Data – München 21.2.2017

BI und Big Data Smart Data – München 21.2.2017

BI und Big Data

Wort Häufigkeit

KAUF 3

BAUTRAEGER 2

SEITE 2

UEBERGABE 2

WOHNUNG 2

STARTSEITE 1

WOHNIMMOBILIEN 1

WOHNGRUNDSTUECKE 1

GEWERBEIMMOBILIEN 1

HALLEN 1

PRODUKTION 1

BESTANDSIMMOBILIEN 1

KONTAKT 1

IMPRESSUM 1

FIRMA 1

LEITUNG 1

HERRN 1

… …

Smart Data – München 21.2.2017

BI und Big Data

Begriffe – relative Häufigkeit


BI und Big Data Smart Data – München 21.2.2017

BI und Big Data

Von der Tag-Cloud zum Modell

82Smart Data – München 21.2.2017

Wort Koeffizient SignifikanzACHSENABSCHITT -3524,3 ***Wort Koeffizient SignifikanzACHSENABSCHITT -3524,3 ***

KARRIERE 844,5 ***HRB 792,6 ***ENGLISCH 582,9 ***DIN 568,7 **ANLAGEN 567,9 ***PRODUKTEN 533,1 ***ENGAGEMENT 451,2 *STANDORT 433,4 ***MITARBEITERN 310,2 **STANDARDS 300,1 **INDUSTRIE 290,0 ***TRANSPORT 275,1 ***OPTIMAL 271,5SERVICES 261,8 **UNTERNEHMENS 232,4 **•••

PRODUKTION 33,4 **TECHNOLOGIE 31,7 ***LIEFERUNG -8,1 *ANFORDERUNGEN -12,7 **SYSTEME -56,5 **INTERNATIONAL -80,1 **CAN -93,6 ***FREE -104,2 **WELTWEIT -117,5 *CO -137,8 ***VERFUEGEN -153,7 ***WE -229,9 **

844,5 ***792,6 ***582,9 ***

-237,5 ***-316,7 ***-485,9 ***

BI und Big Data

Modell- Darstellung


KARRIEREHRBENGLISCHDINANLAGENPRODUKTENENGAGEMENTSTANDORTMITARBEITERNSTANDARDSINDUSTRIETRANSPORTOPTIMALSERVICESUNTERNEHMENS

PRODUKTIONTECHNOLOGIELIEFERUNGANFORDERUNGENSYSTEMEINTERNATIONALCANFREEWELTWEITCOVERFUEGENWETECHNISCHENHERSTELLERMATERIAL

Wort Koeffizient SignifikanzACHSENABSCHITT -3524,3 ***

KARRIERE 844,5 ***HRB 792,6 ***ENGLISCH 582,9 ***DIN 568,7 **ANLAGEN 567,9 ***PRODUKTEN 533,1 ***ENGAGEMENT 451,2 *STANDORT 433,4 ***MITARBEITERN 310,2 **STANDARDS 300,1 **INDUSTRIE 290,0 ***TRANSPORT 275,1 ***OPTIMAL 271,5SERVICES 261,8 **UNTERNEHMENS 232,4 **•••

PRODUKTION 33,4 **TECHNOLOGIE 31,7 ***LIEFERUNG -8,1 *ANFORDERUNGEN -12,7 **SYSTEME -56,5 **INTERNATIONAL -80,1 **CAN -93,6 ***FREE -104,2 **WELTWEIT -117,5 *CO -137,8 ***VERFUEGEN -153,7 ***WE -229,9 **TECHNISCHEN -237,5 ***HERSTELLER -316,7 ***MATERIAL -485,9 ***

BI und Big Data

Modell- Umsetzung


BI und Big Data 85

BI und Big Data

Hochkombi mit Ladevolumen ca. 3,5 m3

Kastenwagen mit max. 7 m3

Ladevolumen Kleintransporter mit 17

m3 Ladevol.


BI und Big Data 87

§ 70 Projektkunden eines Energieversorgers, die LED-Umrüstungen umgesetzt oder beauftragt haben

§ Ziel: Bewertung von 10.000 Bestandskunden hinsichtlich ihres LED-Umrüst-Potenzials (Top-Down Kundenliste je Vertriebsmitarbeiter)

§ Bisher: Primäre Verkaufsargumente für LED sind Energieverbrauch und Unterhaltungskosten

BI und Big Data 88

BI und Big Data 89

ü Umweltschutzü Arbeitsplatzsicherheitü Zertifizierungü Produktqualität

BI und Big Data 90

BI und Big Data

http://38.media.tumblr.com/89e32ba581ae99a5b0de7a48a3256805/tumblr_nrjsv364B11ssw1h1o1_500.gif

BI und Big Data 92

BI und Big Data

Für unsere Klienten wird das Wissen um den Kunden in ein erfolgreiches Marketing

umgesetzt.

Hierzu stellen wird das Bindeglied im intelligenten Marketing zwischen

verständlichen Analysen und umsetzbaren Consulting dar.

Unser Ziel …

BI und Big Data

… was wir können …

Praxiserfahrung im Umfeld von- Finanzdienstleistungen- Versandhandel- Dienstleistungen- Verlagen/Konferenzveranstaltern- stationärem Einzelhandel

Methodenerfahrung- IT/Datenbankerfahrung- komplette multivariate/statistische/mathematische Klaviatur - Geomarketing - Adressdatenbanken

BI und Big Data

… wer wir sind …

gegründet 2006 Standort: BonnInformationen: www.marancon.de

Meinert Jacobsen (Diplom Statistiker)Gründer und Geschäftsführer, mehr als 25 Jahre Analyse- und Dialogmarketing-Erfahrung

Team von 9 Senior- und Junior-Projektleiter(Statistiker, Mathematiker, Betriebswirte, Volkswirte)

BI und Big Data

… für wen wir (u.a.) arbeiten ...

BI und Big Data

... und wie wir darüber sprechen.

www.ddv.de

44

Im Dialogmarketing können die Basis-Informationen

für analytisches Customer Relationship Management

(CRM) in die folgenden drei Blöcke gegliedert wer-

den:

Kundenstammdaten

Kauf- und Bestellinformationen

Kommunikationsinformationen

Durch verändertes Kundenverhalten kommt mit der

digitalen Welt eine weitere Dimension ins Spiel, die

beim analytischen CRM berücksichtigt werden muss:

die Online-Datenspur. Sie hilft dabei, die Prognose-

güte der Modelle zu verbessern und somit den Ertrag

der Dialogmarketing-Maßnahmen zu steigern. Umge-

kehrt muss aber auch der Rückfluss der im Offline-

Kanal gewonnenen Kauf- und Bestellinformationen

in den Online-Kanal möglich sein, um den Erfolg der

Maßnahmen zu steigern. Letztendlich bietet auch die

Optimierung innerhalb der Online-Maßnahmen in

sich eine Quelle zur Ertragssteigerung, die nicht zu

vernachlässigen ist.

Online-Welt genau analysieren

Beginnen wir mit der Online-Welt. Empfehlungs-

Maschinen (Recommendation-Engines oder auch

„Amazon-Prinzip“ genannt) sind im Internet mittler-

weile Status-Quo. Auch die Suche auf der Homepage

muss schnell und effizient sein, wie es der Kunde von

Google gewohnt ist. Dem Kunden wird so der Einkauf

erleichtert. Wichtig ist, diese Informationen auch für

das analytische CRM bereitzustellen. Denn die Ange-

bote, die der Kunden offline schon ausgeschlagen hat,

sollten online nicht wiederholt werden. Anderseits

sind die Suchbegriffe des Kunden ein nicht zu schla-

gender wichtiger Hinweis auf seine Bedürfnisse. Diese

Daten können – wenn der Kunde sein Einverständnis

gegeben hat – genutzt werden, um ihn ein optimiertes

Angebot zu machen.

Auch die Analyse des Öffnungs- und Klickverhaltens

der Kunden bei E-Mail-Newslettern ist eine Quelle

für die weitere Optimierung des CRM. Die Öffnungs-

zeiten der Newsletter an sich können genutzt werden,

um den Aussendezeitpunkt („Send Time Optimiza-

tion“) für jedes Kundensegment individuell zu opti-

mieren. Eine im Auftrag von AOL in den USA durch-

geführte Studie zeigt, dass fast jeder vierte Befragte

seine Nachrichten am liebsten direkt morgens nach

dem Aufstehen liest und: Jeder Dritte Internetnutzer

prüft seine E-Mails mehrfach am Tag. Zudem gaben

die Befragten an, ihre E-Mails gerne nach der Rück-

kehr von der Arbeit, in der Mittagspause oder kurz vor

dem Schlafengehen zu lesen.

„Die Encyclopaedia Britannica, Inc. hat sich an einem

Betatest des Anbieters Silverpop beteiligt und mit der

Send-Time-Optimization-Funktion den Versand der

Werbe-E-Mails zu ihrer Frühlingsaktion gesteuert.

Das Unternehmen versendete die eine Hälfte seiner

E-Mails gleichzeitig und die andere Hälfte über

die Send-Time-Optimization-Funktion. Das Ergebnis:

CRM Prognosen steigern nachhaltig den ErfolgKlassisches Dialogmarketing per Online-Welt optimieren

Von Meinert Jacobsen

Während bisher das klassische Dialogmarketing die Informationsbasis für analytisches Customer

Relationship Management bildete, rücken heute zunehmende Online-Aktivitäten in den Vorder-

grund. Die daraus gewonnenen Informationen sind inzwischen für eine effektive Kundenan-

sprache unverzichtbar. Cross-Media muss deshalb bereits bei der Analyse ansetzen. Doch wie und

wo lassen sich gezielt Online-Informationen gewinnen und ins Customer Relationship Manage-

ment integrieren und nutzen?

Meinert Jacobsen

ist Geschäftsführer der

MarAnCon, Gesellschaft

für Marketing, Analyse und

Consulting mbH in Bonn.

E-Mail: meinert.jacobsen@

marancon.de

Auch bei der Bewerbung von Reisen gilt es, die Online-Welt mit der Offline-Welt zu

verknüpfen.

Que

lle: m

aurit

ius

imag

es

Jahrbuch Dialogmarketing

24

Sch

wer

punk

t

BI-SPEKTRUM 04-2008

Anwenderbericht IMarketingintelligenz

Analyse bringt den Aha-EffektSich schnell verändernde Märkte sowie die allzeit mög-liche Vergleichbarkeit der Produkte und Dienstleistungen durch das Internet stellen insbesondere für kleine und mit-telständische Unternehmen (KMU) eine große Herausfor-derung dar. Denn diese besitzen meist nur eingeschränkte Möglichkeiten, um in einen klassischen Markenaufbau zu investieren. Hiervon sind sowohl Business-to-Business- (B2B) wie auch Business-to-Consumer-orientierte (B2C) Unternehmen betroffen. Dieser Artikel berichtet über ein Beispiel aus dem Konferenzmarketing.

Lösungsansatz

Eine Möglichkeit dieser Situation zu begegnen, ist, die detaillierte Kenntnis über den Kunden auszunutzen. In vielen Unternehmen – über alle Branchen hinweg – liegen Daten über die Kunden und ihre Informations-, Produktnutzungs- und die Verkaufsprozesse vor. Es werden Angebote erstellt und versendet, es werden Käufe getätigt, die Kunden informieren sich über die Produkte, lassen sich Informationen zusenden, besuchen Messestände, haben Reklamationen, suchen die Werkstatt auf, nutzen Dienstleistungen und so weiter. Die Kunden erzeugen eine Fülle von Daten, die in den EDV-Systemen der Anbieter abgespeichert werden. Es gibt Besuchsberichte, Maillisten, Internetprotokolle, Rechnungsdaten, Kontaktberichte, Adresslisten, Nutzungsprofile und vieles mehr.Diese Daten müssen kundenzentrisch aufberei-tet werden, das heißt, alle Informationen müssen auf den Kunden bezogen zusammengefasst wer-den, um die Zusammenhänge zwischen Mar-

Meinert Jacobsen ist geschäftsführender Gesellschafter und Gründer der Marancon – Gesellschaft für Marketing, Analyse und Con-sulting mbH in Bonn. Er konzentriert sich in seiner Arbeit darauf, die Möglichkeiten, die sich im Marketingumfeld aus statistischen Analysen ergeben, in praktische Maßnahmen umzusetzen.E-Mail: [email protected]

keting/Vertrieb und Kundenreaktion messen zu können. Das heißt, Messeberichte müssen parametrisiert werden (kein willkürlicher Fließtext, sondern etwa Checkboxen für das Produktinteresse), die Werkstattbesuche müssen auf den Kunden bezogen werden (zum Beispiel durch Berechnung der Besuche je Kunde, Zeitpunkt des letzten Besuchs, Frequenz in der Vergangenheit), die relevanten Daten aus den Produktnutzungen müssen kundenzent-risch aufbreitet werden.

Oft ist es schwierig, in den ERP-Systemen (Enterprise Resource Planning) und operativen Datenbanken eine solche Kundensicht herzustellen. Deshalb wird hier oft der Weg des Data Warehousing eingeschlagen, bei dem automatisierte Prozesse die relevanten Daten aus den operativen Systemen in ein dispositives System, das Data Warehouse kopieren. Auf Basis dieses Data Warehouse werden dann die dispositiven Sichten (unter anderem für Marketingzwecke) erzeugt. Im Bereich der KMU wird dieser Schritt häufig übersprungen, und die Daten wer-den direkt aus den operativen Systemen in ein kunden-zentrisches Marketingdatensystem überführt.

Mithilfe dieser kundenorientierten Informationen kön-nen Muster im Kundenverhalten ermittelt werden. Diese Muster können genutzt werden um

die direkte Ansprache der Kunden (über Mailings, Te-lefon oder andere Kanäle) zu optimieren,die Produktentwicklung zu verbessern, die Vertriebsgebiete zu optimieren,die Neukundenwerbung zu verbessern.

Nicht zuletzt geht es aber auch darum, die Kundenbin-dung oder die Kundenloyalität zu verbessern. An das Un-ternehmen oder die Dienstleistung gebundene Kunden

BI bei Sigs Datacom: Charts

Business Intelligence bei SIGS DATACOM

Kunden.db

Vornamens-tabellen

TeilnehmerRegist r ier

-ung.db

Kurs-Teilnehmer

.db

Ent fernungs-tabellen

ad hoc Auswertungen

Adresslisten

Faxlisten

Standart -Report ings

Telefonlisten

-------------------------

-------------------------

-------------------------

INPUT OUPUTMarket ing-Analyse-Umgebung

Zusammenführung

Anreicherung

Aufbereitung

Analysen

Selekt ion

Online-Regist r ierung

Anmeldungen nach Score (5er Gruppen)

1,00%

2,44%

0,19%0,48%

0%

1%

2%

3%

0-35 35-40 40-45 45+

Reg. Quote

Abb. 1: Business Intelligence bei SIGS DATACOM: Die Input-Daten aus den

unterschiedlichen Quellen werden in einer Marketing-Analyse-Umgebung

zusammen geführt, auf der dann die operativen Selektionen und regelmäßigen

Reports durchgeführt werden.

BI-Spektrum Beitrag „Frauen Klicken anders“

Big Data – Dem Kunden auf der Spur

Data & Analytics

Transcript of Big Data – Dem Kunden auf der Spur