Vortrag vor dem Markting Club Dortmund am 31.3.2014
Keine Streuverluste mehr dank zielgenauer, bedarfsgerechter Kundeninformation: Big Data scheint möglich zu machen, wovon Marketer träumen.
Ob das wirklich so ist, was die schnelle Analyse massenhafter Daten tatsächlich kann und welchen Stellenwert die Kreativität künftiger Kampagnen noch einnehmen wird, nimmt Meinert Jacobson unter die Lupe. Meinert Jacobson ist Geschäftsführer der Gesellschaft für Marketing, Analysen und Consulting (MarAnCon).
15. 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.
16. BI und Big Data
Folie 16
• 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
17. BI und Big Data
Folie 17
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
18. BI und Big Data
Folie 18
Praxis-Beispiel: Alter
19. BI und Big Data
Folie 19
Praxis-Beispiel: Anrede
20. BI und Big Data
Folie 20
Praxis-Beispiel: Telefonnummer
21. BI und Big Data
Folie 21
Praxis-Beispiel: Kaufanzahl (Frequency)
22. BI und Big Data
Folie 22
Praxisbeispiel: Umsatz (Monetary)
23. BI und Big Data
Folie 23
Reaktionsverhalten nach Datum letzter Kauf
0
1.000
2.000
3.000
4.000
5.000
6.000
7.000
vorher F
02 A
02 J
02 A
02 O
02 D
02 F
03 A
03 J
03 A
03 O
03 D
03 F
04 A
04 J
04 A
04 O
04 D
04 F
05 A
05 J
05 A
05 O
05 D
05
Datum Letzter Kauf
AnzahlReagierer
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
9,00%
10,00%
Reaktionsquote
Anzahl Reagierer
Reaktionsquote
Praxisbeispiel: Letzter Kauf (Recency)
24. BI und Big Data
Folie 24
Praxis-Beispiel: Filialentfernung
25. BI und Big Data
Folie 25
Praxisbeispiel: Kundendichte
26. BI und Big Data
Folie 26
Praxis-Beispiel: Score-Nutzung
27. BI und Big Data
Folie 27
Praxisbeispiel: ROI-Betrachtung
28. BI und Big Data
Folie 28
Praxis-Beispiel: ROI-Optimierung
29. BI und Big Data
Folie 29
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 8-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
30. BI und Big Data
30
Praxis-Beispiel: B2B – SIGSdatacom
37. BI und Big Data
37
Erfassung
• Datenquellen
• Datenmanagement
Analyse
• Berechnungen
• Explorative Analyse
• Induktive Analyse
Umsetzung
. Ergebnisse in
Geschäftsprozesse
integrieren
Kombination aus Technik, Organisation und Geschäftsmodell
38. BI und Big Data
BIG Data Definition
• Sammlung
• Sichtung
• Aufbereitung (Normierung/Standardisierung),
• Verknüpfung
• Qualifizierung
• Gewichtung
• Analyse
• Interpretation
von Daten
38
und Ableitung von Maßnahmen daraus.
39. BI und Big Data
39
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
52. 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
Gezielt
umsatzstarke
potenzielle
Neukunden
ansprechen
Erschließung
neuer
Bereiche
&
WeNbewerbs-‐
vorteile
Umsatz-‐
wachstum
53. 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
54. 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
101
110
56. BI und Big Data
Anwendungsszenario:
Score-‐Modell-‐Erstellung
anhand
von
Bestandskunden
zur
Bewertung
neuer
Firmenadressen
h2p://www.
h2p://www.
h2p://www.
h2p://www.
110010
101101
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.
59. 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
64. 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
…
65. 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
66. 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)
67. BI und Big Data
…
für
wen
wir
(u.a.)
arbeiten
...
68. 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 Erfolg
Klassisches 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.
Quelle:mauritiusimages
Jahrbuch
Dialogmarketing
24
Schwerpunkt
BI-SPEKTRUM 04-2008
Anwenderbericht I
Marketingintelligenz
Analyse bringt
den Aha-Effekt
Sich 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: meinert.jacobsen@marancon.de
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
Teilnehmer
Registrier
-ung.db
Kurs-
Teilnehmer
.db
Entfernungs-
tabellen
ad hoc
Auswertungen
Adresslisten
Faxlisten
Standart-
Reportings
Telefonlisten
------
------
------
-------
------
------
------
-------
------
------
------
-------
INPUT OUPUTMarketing-Analyse-Umgebung
Zusammenführung
Anreicherung
Aufbereitung
Analysen
Selektion
Online-Registrierung
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“