big data – dem kunden auf der spur
TRANSCRIPT
BI und Big Data Folie 11http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html
Grafische Darstellung China I
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
Quelle: Hiechert / Partner
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
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%
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
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%
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
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%
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%
Ø 12 Monatsumsatz je Kundengruppe im Vergleich zum Vorjahr
Je besser die Kundengruppe, desto höher das Wachstum
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.
Kunde XYZØ 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR2015 und 2016 bzw. ΔJ%
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.
Kunde XYZØ 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR2015 und 2016 bzw. ΔJ%
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
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.
BI und Big Data Folie 30
• 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
BI und Big Data Folie 31
Umzug des Kunden
Filialentfernung
Mikrogeografische Informationen-‐ Kaufkraft-‐ Kundendichte-‐ Soziodemografische Komponenten
KundenalterAnrede (Geschlecht)Telefoninformationen
Umsätze nach ZeitUmsätze nach WarengruppenRFM-‐Variablen
•
Praxis-‐Beispiel: Einflussgrößen
BI und Big Data Folie 32
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
BI und Big Data Folie 33
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
2
BI und Big Data Folie 34
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
2
BI und Big Data Folie 35
Praxis-Beispiel: Alter
23
151200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2
BI und Big Data Folie 36
Praxis-Beispiel: Alter
23
151200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2
BI und Big Data Folie 37
Praxis-Beispiel: Alter
23
151200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2
BI und Big Data Folie 38
Praxis-Beispiel: Alter
23
151200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2
BI und Big Data Folie 39
Praxis-Beispiel: Alter
23
151200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2
BI und Big Data Folie 40
Praxis-Beispiel: Alter
23
151200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2
BI und Big Data Folie 41
Praxis-Beispiel: Alter
23
151200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2
BI und Big Data Folie 42
Praxis-Beispiel: Alter
23
151200 186
327
203
323
0,6%
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
BI und Big Data Folie 43
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%
BI und Big Data Folie 44
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%
BI und Big Data Folie 45
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%
BI und Big Data Folie 46
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%
BI und Big Data Folie 47
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%
BI und Big Data Folie 48
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%
BI und Big Data Folie 49
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%
BI und Big Data Folie 50
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%
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 + …
BI und Big Data Folie 62
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
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
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 %
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
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
83Smart Data – München 21.2.2017
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
Hochkombi mit Ladevolumen ca. 3,5 m3
Kastenwagen mit max. 7 m3
Ladevolumen Kleintransporter mit 17
m3 Ladevol.
Smart Data – München 21.2.2017
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
http://38.media.tumblr.com/89e32ba581ae99a5b0de7a48a3256805/tumblr_nrjsv364B11ssw1h1o1_500.gif
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
... 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“