Crmexpo 2014 stuttgart

BI und Big Data 1

BI und Big Data – Machen Sie mehr aus Ihren Daten Stuttgart, den 08.10.2014

Meinert Jacobsen

BI und Big Data 2

BI und Big Data

Agenda

Daten

Modelle

BIG Data

Effizienz

Statistik

-Schutz

BI und Big Data 4

BI und Big Data 5

BI und Big Data

Namechecker

BI und Big Data 7

BI und Big Data 8

BI und Big Data 9

BI und Big Data 10

BI und Big Data Folie 11 http://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 pos Oncology 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 18

BI und Big Data

Praxis-Beispiel: Möbelhändler

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

•  Bisher schreibt der Filialist 6 mal jährlich alle Kunden/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

Kundenalter Anrede (Geschlecht) Telefoninformationen

Umsätze nach Zeit Umsätze nach Warengruppen RFM-Variablen

•  Praxis-Beispiel: Einflussgrößen


Praxis-Beispiel: Alter

23

151 200 186

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

Statistisches Modell

Anrede

30

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 Kunden DB: 115 Euro

Summe: 640.000 Euro

Praxis-Beispiel: Optimierungs-Szenario

BI und Big Data 35

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

38

+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

39

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


BIG Data


Praxis-Beispiel B2B

BI und Big Data

Gartner Hype Cycle

43

BI und Big Data 44

Erfassung •  Datenquellen •  Datenmanagement

Analyse •  Berechnungen •  Explorative Analyse •  Induktive Analyse

Umsetzung . Ergebnisse in Geschäftsprozesse integrieren

Kombination aus Technik, Organisation und Geschäftsmodell

BI und Big Data 45

Anwendungsfälle

Finanzdienstleister •  Erkennung betrügerischer Transaktionen in Echtzeit, Risikoabschätzungen, beschleunigte Fallbearbeitung, individualisierte Dienstleistungen

Versicherungen •  Beschleunigte Fallbearbeitung, bessere Risikoabschätzung, verhaltensbezogene Bepreisung

Telekommunikation •  Qualitätssicherung, individualisierte Ansprache und Dienstleistungen, Betrugserkennung, neue Produkte

Produktion •  Präventive Wartung und Überwachung, vernetzte Geräte, individualisierte Dienstleistungen, Marktüberwachung

Energie •  Kurzfristige Bedarfsprognosen, vernetzte, individualisierte Geräte, vorausschauende Steuerung

Handel •  Prognosen für die Absatzplanung, dynamische Preisbildung, Marktüberwachung und individualisierte Ansprache

Öffentliche Sicherheit

•  Schnelle Lageerfassung und Früherkennung gefährlicher Ereignisse

Gesundheit •  Vernetzte Geräte, präventive Steuerung, effizientes Fallmanagement, datengetriebene Entwicklung

Mobilität •  Vernetzte Autos, Navigation, Stauhilfe

Einsatzgebiete

BI und Big Data

Erfolgreich ins Ziel – mit treffsicheren Prognosen!

Die Vorteile der Nutzung von Big Data-‐Analyse für Vertrieb und MarkeEng

Durch OpEmierung der Prozesse die Kosten senken

Arbeitszeiten der Vertriebsmit-‐arbeiter effekEver gestalten

Keine verpasste Umsatzchancen mehr

Das Bild kann nicht angezeigt werden. Dieser Computer verfügt möglicherweise über zu wenig Arbeitsspeicher, um das Bild zu öffnen, oder das Bild ist beschädigt. Starten Sie den Computer neu, und öffnen Sie dann erneut die Datei. Wenn weiterhin das rote x angezeigt wird, müssen Sie das Bild möglicherweise löschen und dann erneut einfügen.

Gezielt umsatzstarke potenzielle Neukunden ansprechen Erschließung

neuer Bereiche & WeNbewerbs-‐vorteile

Umsatz-‐wachstum

BI und Big Data

Big Data – Zusammenwirkung dreier großer Technologietrends

Verarbeitung der Big Data

Big Data aus TransakEonsdaten

Big Data aus InterakEonsdaten

OLTP OLAP DW-‐ApplikaEonen

Daten aus Sozialen Medien Andere InterakEonsdaten: E-‐Mail, Webtexte etc.

Qualifizierung der Adressen für Vertrieb

und MarkeEng Bereich

Webcrawling Scoremodell PrognosEsche Analyse

BI und Big Data

Prozessablauf: Big Data Analyse für Qualifizierung der Adressen im Vertrieb und MarkeEng Bereich

Score – Modell

Daten-‐ Lieferung

Daten-‐auswertung

Crawlen Keyword –Analyse

PrognosEsche Analyse

Auslieferung

KLEINER AUFWAND – GROSSE CHANCEN

Verarbeitung der Big Data: Analyse der relevanten Keywords

Lieferung der Big Data aus TransakEonen: Kundendaten, Umsatz, Reak-‐Eonsverhalten

Verarbeitung der Big Data: Einstufung der Bestands-‐kunden nach Umsatz

Big Data aus InterakEonen: Extrahieren von Web –Seiten

Bewertung neuer Firmen-‐adressen

Übergabe von potenziellen Neukunden – Adressen

Verarbeitung der Big Data: Erstellung eines Score – Modells

101110


CRM

BI und Big Data

Anwendungsszenario: Score-‐Modell-‐Erstellung anhand von Bestandskunden zur Bewertung neuer Firmenadressen

h2p://www. h2p://www.

h2p://www. h2p://www.

110010101101

Lieferung der Daten von Bestandskunden

Datenauswertung Extrahieren der Webseiten Keywords-‐Analyse

Bewertung neuer Firmenadressen Daten Auslieferung

Big Data aus TransakEonsdaten Big Data aus InterakEonsdaten Verarbeitung der Big Data

h2p://www.

BI und Big Data

Firmenname Adresse URL Prognose Umsatz

Max Mustermann GmbH Musterstraße 54 hNp://www 158.749,45

Max Mustermann AG Maxweg 7, 12345 hNp://www 73.612,89

Max Mustermann GBR Am Musterweg 1 hNp://www 1.200,74

Max Mustermann OHG Max Muster Str. 9 hNp://www 983,18

Max Mustermann E.V. Mustermannweg hNp://www 88,57

Max Mustermann KG Max Straße 3, 123 hNp://www 0

Auswertung neuer Firmenadressen miNels Scoring

MiNe

TOP

Flop

Exemplarisches Analyse-‐Ergebnis


Kunde

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: Bonn Informationen: 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“

BI und Big Data

Stand 4.D74

75

Crmexpo 2014 stuttgart

Data & Analytics

Transcript of Crmexpo 2014 stuttgart