BI und Big Data –Machen Sie mehr aus Ihren Daten
Vortrag von Meinert Jacobsen auf der CRM Expo 214 in Stuttgart -
Themen waren Datenanalyse, predictive analytics, BIG DATA, Smart Data, Statistik, Marketing, Analyse, etc.
Statistician: The sexy job of the next decade
Daten sind das neue Öl
Namechecker
Warenkorbanalyse
Datendarstellung, Hichert, Entwucklung China, SUCCESS - Standardisierung von Charts
Praxisbeispiel Möbelhändler
Score Modell - Entwicklung
ROI Betrachtung und Werbe-Effizienz
Optimierungs-Szenario
OOP, SIGS Datacom
B2B Marketing
BIG DATA
OBAMA - Whlsieg dank BIg data Analytics
Score-Modell auf Basis von Webseiten
19. 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.
BI und Big Data
20. Praxis-Beispiel: Möbelhändler
• Von den 1,427 Mio. angeschriebenen Kunden haben 19.678 Kunden im
Folgemonat nach der Ansprache einen Einkauf getätigt (dies entspricht
1,38 Prozent).
BI und Big Data
Folie 20
• Die Reagierer haben Waren im Gesamtwert von 5,291 Mio. Euro
erworben (Durch-Schnittsbon 269 Euro).
21. BI und Big Data
Folie 21
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
22. BI und Big Data
Folie 22
Praxis-Beispiel: Alter
1,0% 1,1% 1,3%
23
151
200 186
327
203
323
0,6%
1,6% 1,8% 1,7%
0,9%
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
23. BI und Big Data
Folie 23
Praxis-Beispiel: Anrede
24. BI und Big Data
Folie 24
Praxis-Beispiel: Telefonnummer
25. BI und Big Data
Folie 25
Praxis-Beispiel: Letzter Kauf (Recency)
26. BI und Big Data
Folie 26
Praxisbeispiel: Kaufzahl (Frequency)
27. BI und Big Data
Folie 27
Praxisbeispiel: Umsatz (Monetary)
28. BI und Big Data
Folie 28
Praxis-Beispiel: Filialentfernung
29. BI und Big Data
Folie 29
Praxisbeispiel: Kundendichte
30. BI und Big Data
Anrede
Statistisches
Modell
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 + …
31. BI und Big Data
Folie 31
Praxis-Beispiel: Score-Nutzung
32. BI und Big Data
Folie 32
Praxisbeispiel: ROI-Betrachtung
33. BI und Big Data
Folie 33
Praxis-Beispiel: ROI-Optimierung
34. BI und Big Data
Folie 34
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
35. BI und Big Data
35
Praxis-Beispiel: B2B – SIGSdatacom
44. 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
45. Einsatzgebiete
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
58. Die
Vorteile
der
Nutzung
von
Big
Data-‐Analyse
für
Vertrieb
und
MarkeEng
Gezielt
umsatzstarke
potenzielle
Neukunden
ansprechen
BI und Big Data
Erfolgreich
ins
Ziel
–
mit
treffsicheren
Prognosen!
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.
Erschließung
neuer
Bereiche
&
WeNbewerbs-‐
vorteile
Umsatz-‐
wachstum
59. Big
Data
–
Zusammenwirkung
dreier
großer
Technologietrends
BI und Big Data
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
60. Prozessablauf:
Big
Data
Analyse
für
Qualifizierung
der
Adressen
im
Vertrieb
und
MarkeEng
Bereich
BI und Big Data
101
110
Score
–
Modell
Daten-‐
Lieferung
Daten-‐
auswertung
Crawlen
Keyword
–
Analyse
PrognosEsche
Analyse
Auslieferung
Verarbeitung
der
Big
Data:
Analyse
der
relevanten
Keywords
KLEINER
AUFWAND
–
GROSSE
CHANCEN
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
62. Anwendungsszenario:
Score-‐Modell-‐Erstellung
anhand
von
Bestandskunden
zur
Bewertung
neuer
Firmenadressen
h2p://www.
h2p://www.
h2p://www.
h2p://www.
BI und Big Data
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.
65. BI und Big Data
Auswertung
neuer
Firmenadressen
miNels
Scoring
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
TOP
MiNe
Flop
Exemplarisches
Analyse-‐Ergebnis
69. Unser
Ziel
…
Für unsere Klienten wird das Wissen um
den Kunden in ein erfolgreiches
BI und Big Data
Marketing umgesetzt.
Hierzu stellen wird das Bindeglied im
intelligenten Marketing zwischen
verständlichen Analysen und
umsetzbaren Consulting dar.
70. …
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
71. …
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
72. …
für
wen
wir
(u.a.)
arbeiten
...
BI und Big Data
73. ... und wie wir darüber sprechen.
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
BI und Big Data
44
www.ddv.de
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:
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: mauritius images
Jahrbuch
Dialogmarketing
Schwerpunkt
24
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
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-
BI-SPEKTRUM 04-2008
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
U
U
U
U
Business Intelligence bei SIGS DATACOM
INPUT Market ing-Analyse-Umgebung OUPUT
Kunden.db
Teilnehmer
Regist rier
-ung.db
Vornamens-tabellen
Kurs-
Teilnehmer
.db
Ent fernungs-tabellen
BI bei Sigs Datacom: Charts
ad hoc
Auswertungen
Standart -
Report ings
Adresslisten
Reg. Quote
Telefonlisten
Faxlisten
------
------
------
-------
------
------
------
-------
------
------
------
-------
Aufbereitung
Zusammenführung
Anreicherung
Analysen
Selekt ion
Online-Regist rierung
Anmeldungen nach Score (5er Gruppen)
1,00%
2,44%
0,19%
0,48%
3%
2%
1%
0%
0-35 35-40 40-45 45+
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“