Potenziale in Kundendaten erkennen

1.261 Aufrufe

Veröffentlicht am

Auf Schatzsuche im Datenberg

Kundendaten sind der Schlüssel zu einem erfolgreichen Customer Management. In Zeiten von Big Data wächst der Datenberg immer schneller und weiter an. In unserem Boxenstopp erfahren Sie, wie Sie daraus mittels Data Mining die Bedürfnisse und Potenziale Ihrer Kunden frühzeitig erkennen.

Veröffentlicht in: Daten & Analysen
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.261
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
4
Aktionen
Geteilt
0
Downloads
24
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Potenziale in Kundendaten erkennen

  1. 1. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Potenziale in Kundendaten erkennen Auf Schatzsuche im Datenberg Dr. Dorothee Brauner und Dr. Horst-Florian Jaeck | MHPBoxenstopp: 14.04.2015
  2. 2. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 2 Ihre Gesprächspartner Dr. Dorothee Brauner Senior Consultant SU CRM MHPBoxenstopp: Potenziale in Kundendaten erkennen Dr. Horst-Florian Jaeck Senior Manager SU CRM
  3. 3. 3© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Einleitung MHPBoxenstopp: Potenziale in Kundendaten erkennen www.youtube.de/MHPProzesslieferant Agenda www.mhp.com/de/events Zu Anfang sind alle Teilnehmer auf stumm geschalten. www.mhp.com/de/events 11.00 – 11.10 Uhr Begrüßung Dr. Horst-Florian Jaeck 11.10 – 11.45 Uhr Vortrag Dr. Dorothee Brauner 11.45 – 12.00 Uhr Offene Fragerunde Sie können bereits während der Web Session über die Chatfunktion im rechten Fenster Fragen einreichen. www.slideshare.net/MHPInsights Weitere MHPBoxenstopps Wo Sie uns in 2015 auch finden können… 16.04.2015 AutomotiveIT Kongress auf der CeBIT 2015 CeBIT, Hannover 21.04.2015 Oracle Business Intelligence Enterprise Mit Ad-hoc Analysen einsteigen und Dashboards durchstarten Edition 28.04.2015 MHP PLM Migration Factory Der Turbo für Ihre PLM Datenmigration 28.04.2015 AddOn Rekla-Cockpit & CCX Optimierte Reklamationsbearbeitung zur Kunden- /Lieferantenintegration mit QDX
  4. 4. 4© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Prozesse verbessern kann nur, wer sich im Detail auskennt. Genauso wie im Großen und Ganzen. MHPBoxenstopp: Potenziale in Kundendaten erkennen Wir wissen aus Erfahrung, wie man Ziele erreicht und dabei vorneweg fährt.
  5. 5. 5© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Mieschke Hofmann und Partner (MHP) A Porsche Company MHPBoxenstopp: Potenziale in Kundendaten erkennen Die Leistung Management Consulting System Integration Application Management Business Solutions Business Solutions Der Unterschied Symbiose aus Prozess- + IT-Beratung l Prozesslieferant l Excellence l Automotive l Kunden Die Kompetenz Ganzheitliches Beratungsportfolio über die gesamte Wertschöpfungskette Technology Services Application Mgmt. Services Product Lifecycle Mgmt. Supply Chain Mgmt. Production & Opera- tions Mgmt. Customer Relations Mgmt. Finance & Controlling Business Intelligence After Sales Retail Mgmt. Human Resources
  6. 6. 6© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Ganzheitliches Beratungsportfolio über die komplette Wertschöpfungskette. Unsere Kompetenzbereiche mit Themenfeldern. MHPBoxenstopp: Potenziale in Kundendaten erkennen Technology Services Application Mgmt. Services Product Lifecycle Mgmt. Supply Chain Mgmt. Production & Opera- tions Mgmt. Customer Relations Mgmt. Finance & Controlling Business Intelligence After Sales Retail Mgmt. Human Resources Production Planning Strategic Production Consulting Lean Production Manufacturing Execution Maintenance Retail Service Management Retail Consulting Fleet Management Sourcing Planning Affiliation Performance Development & Talent Management Governance, Risk and Compliance Template Development and Rollouts Business Process Development & Optimization Legal and Fiscal Requirements Accounts, Reporting and Consolidation System Harmonization CIO Management Consulting Enterprise Content Management Standard Software Individual Software Application & Process Services Application Management Consulting Product Structure Management Product Development Process (PDP) Management SAP PLM Consulting & Solution Implementation PTC Windchill Solution Integration DS Enovia V6 Solution Integration PLM Strategy & Management Consulting Production Logistics Procurement & Quality Sales Logistics Service Management Spare Parts Management Supply Chain & Demand Planning Service Management Spare Parts Management Warranty Processes (Pro-active) Complaint Management Digital incl. Connected CRM & Social CRM CRM Strategy & Management Consulting Sales Force Automation incl. Mobile CRM Analytics incl. Segmentation & Campaign Management Vertical Retail Integration (Pro-active) Complaint Management BI Technology BI Strategy Integrated Corporate Planning Analytical Business Processes Next Generation BI & BIG DATA Mobile BI Scenarios CRM IT Consulting & Solution Implementation Transition & Change Management Administrative Core Processes MHP Dealer Performance Management Finance and Controlling for Automotive Retailers Dealer Management Systems MHP Carbon Innovations Connected Vehicle Cloud Compute Sustainable Mobility Social Business Mobile Business Real-time Business Industry 4.0 Analytisches CRM - Data Mining
  7. 7. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 7 1. Einführung 2. Analytisches CRM im Überblick 3. Anwendungspotenziale von Data Mining im CRM 4. Informationsmehrwert durch Data Fusion 5. MHP Angebot und Referenzen im Data Mining 6. Fazit
  8. 8. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 8 1. Einführung 2. Analytisches CRM im Überblick 3. Anwendungspotenziale von Data Mining im CRM 4. Informationsmehrwert durch Data Fusion 5. MHP Angebot und Referenzen im Data Mining 6. Fazit
  9. 9. 9© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 1. Einführung „Wir ertrinken in Informationen und hungern nach Wissen“ (John Naisbitt) Wie kann die Masse an verfügbaren Informationen effektiv genutzt werden, um zu besseren Entscheidungen zu gelangen?
  10. 10. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 10 1. Einführung 2. Analytisches CRM im Überblick 3. Anwendungspotenziale von Data Mining im CRM 4. Informationsmehrwert durch Data Fusion 5. MHP Angebot und Referenzen im Data Mining 6. Fazit
  11. 11. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 11 Analytisches CRM (aCRM) generiert aus Daten relevantes Kundenwissen 2. Analytisches CRM im Überblick Datenintegration Datenanalyse Analytisches CRM (aCRM)  Zentrale Sammlung und Aufbereitung aller kundenbezogenen Daten aus operativen Systemen  Anreicherung durch maschinengenerierte Daten und Texte sowie durch externe Datenquellen  Intelligente und prädiktive Auswertung der Daten durch Data Mining und Text Mining  Analyseprozess als „Closed Loop“ Moderne Big Data und Analytics Lösungen bilden die technologische Basis Customer Data Warehouse
  12. 12. 12© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Anwendungspotenzial von aCRM im Kundenbeziehungs-Lebenszyklus 2. Analytisches CRM im Überblick Potentielle Kunden Aktive Kunden Ziel: Optimales Customer Management bei effizientem Budgeteinsatz Interessenten- Management Kundenbindungs- Management Rückgewinnungs- Management Kundencharakterisierung Gefährdete Kunden Verlorene Kunden ? ? ? ? ? ! Kundentypologisierung Kundenpriorisierung Zielgruppenanalyse Next Best Offer/ Cross/ Up Selling Analyse Abwanderungsanalyse ? ! ! ! ! ! ! Kundenrisikoanalyse strategischtaktisch
  13. 13. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 13 1. Einführung 2. Analytisches CRM im Überblick 3. Anwendungspotenziale von Data Mining im CRM 4. Informationsmehrwert durch Data Fusion 5. MHP Angebot und Referenzen im Data Mining 6. Fazit
  14. 14. 14© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Strategische Optimierung kundenbezogener Prozesse Kundentypologisierung KundenpriorisierungKundencharakterisierung Value Relationship Potential Segmentierung von Kunden gemäß ihrer Bedürfnisstruktur Differenzierte Bearbeitung unterschiedlich attraktiver Kundengruppen Sammeln und Strukturieren relevanter Daten zur Erlangung einer 360-Grad Kundensicht +++ --- --- +++ +-- +-- +++ Platz für Familie, kostenbewusst, … „Cabriofahrer“, motorsportbegeistert, … Connectivity, umweltbewusst, … 3. Anwendungspotenziale von Data Mining im CRM Marktforschung, Social Media Daten, Geodaten, Sensordaten etc.
  15. 15. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 15 Taktische Optimierung spezifischer CRM-Maßnahmen 3. Anwendungspotenziale von Data Mining im CRM Zielgruppenanalyse Next Best Offer/ Cross/ Up Selling Analyse Abwanderungsanalyse Kundenrisikoanalyse Welche Kunden reagieren auf eine Kampagne? Welche Angebote präferiert der Kunde? Welche Kundenbeziehungen sind mit hohem Risiko verbunden? Prognose der Kaufwahrscheinlichkeiten für Produktalternativen Prognose von Kauf- wahrscheinlichkeiten für das Zielprodukt Selektion der Kunden mit der höchsten Response- wahrscheinlichkeit Credit-Scoring-Modell Kunde erhält bevorzugtes Produkt zur richtigen Zeit Analyse des Kündigungswegs Identifizieren von Abwanderungsgründen Ermittlung von Frühwarnindikatoren und Kündigungsprofilen Ableitung von Kündigungspräventions- maßnahmen Kündigungs- wahrscheinlichkeit von 70% Kündigungsprofil (exemplarisch):  Kunden zwischen 35 und 40 Jahren  Ein Fahrzeug in Besitz  Fahrzeug seit 5 Jahren in Besitz  Letzter Kundenkontakt vor 12 Monaten  Davor 2 Beschwerden in 10 Monaten Messung von Transaktionsdaten , Bonitätsauskünfte Prognose von Risikoscores Prozesssteuerung gemäß Bonitätsrisiko Erfolgs- kontrolle Individuell angepasster Zinssatz für Leasingvertrag Welche Kundenbeziehungen sind gefährdet?
  16. 16. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 16 1. Einführung 2. Analytisches CRM im Überblick 3. Anwendungspotenziale von Data Mining im CRM 4. Informationsmehrwert durch Data Fusion 5. MHP Angebot und Referenzen im Data Mining 6. Fazit
  17. 17. 17© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Marktforschungsdaten Soziodemographische Daten: • Alter, Geschlecht, Beruf etc. • Anzahl der Kinder etc. Einstellungen/ Motivation: • Kundenzufriedenheit • Markenwahrnehmung • Markenbindung • Einstellungsvariablen etc. Soft facts: warum? Interne Kundendaten als klassische Datenquelle des aCRM Stammdaten (Identifikations- und Deskriptionsdaten) • Name, Adressdaten • Alter, Geschlecht, Beruf etc. Transaktionsdaten • Kauf- und Kontakthistorie • Beschwerden, Anfragen etc. Hard facts: wer, was, wann, wieviel? 360-Grad Kundensicht Anreicherung der klassischen Kundendaten durch Data Fusion 4. Informationsmehrwert durch Data Fusion Geo Daten • Gebietsstrukturen • Geometrien • Räumliche Marktinformationen • Branchenspezifische Strukturen Social Media Daten • Kundenerwartungen • Kundenbeschwerden • Aktuelles Meinungsbild • etc. Weitere Datenquellen Sensordaten • Motortemperatur • Motordrehzahl • Reifendruck • etc.
  18. 18. 18© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Ziel: Erfolgreichere Ausgestaltung von Marketing, Sales und Service 4. Informationsmehrwert durch Data Fusion Strategische Anwendungen Kunden- Charakterisierung Kunden- typologisierung Kunden- priorisierung Analytisches CRM Taktische Anwendungen Zielgruppen- analyse Next Best Offer/ Cross/Up Selling- Analyse Abwanderungs- analyse Kundenrisiko- analyse half- open (m7, r1) good (m3, r2) medium poor Integration aller verfügbaren und relevanten Daten Steigerung der Prognosegenauigkeit durch neue Erkenntnisse Noch treffsicherere und individuellere Kundenansprache Adressierte Kunden KaufendeKunden
  19. 19. 19© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Alternative Formen der Data Fusion 4. Informationsmehrwert durch Data Fusion Produktnutzung Soziodemographische Daten (Alter, Einkommen, Geschlecht) Kunden ID Name Adresse Transaktionen Produktaffinität Bedürfnisse Lifestyle… Übertragung der Informationen (Analogieschluss) Information aus Kundendatenbank Information aus externen Quellen Quelle: in Anlehnung an Göb (2010)
  20. 20. 20© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Das Problem fehlender Werte für die Variablen aus dem (kleineren) Marktforschungsdatensatz wird umso gravierender je unterschiedlicher die Größe der verschiedenen zu fusionierenden Datensätze ist Beispiel: Methodische Herausforderungen bei der Anreicherung von CRM-Daten durch personenbezogene Marktforschungsdaten 4. Informationsmehrwert durch Data Fusion Fehlende Werte + = Interne Kundendatenbasis (3.000.000 Fälle) Marktforschungsdatensatz (100.000 Fälle) Fusionierter Datensatz (2.900.000 fehlende Werte für die Variablen aus dem Marktforschungsdatensatz)
  21. 21. 21© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Aufgabe: Methodik:  Klassische statistische Ansätze  V.a. multiple Imputation  Data Mining Ansätze  Entscheidungsbäume (CRT & CHAID)  Logistische Regression Steigerung des Kampagnenerfolgs durch noch bessere Responseprognose! Signifikante Steigerung des Kampagnenerfolgs durch Data Fusion! 4. Informationsmehrwert durch Data Fusion Mit Selektion von 10% der Kunden erreicht man ca. 58% der „Responder“ Mit Selektion von 30% der Kunden erreicht man ca. 87% der „Responder“ Mit Selektion von 50% der Kunden erreicht man ca. 95% der „Responder“ Zielgruppenanalyse auf Basis fusionierter Daten Beispiel
  22. 22. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 22 1. Einführung 2. Analytisches CRM im Überblick 3. Anwendungspotenziale von Data Mining im CRM 4. Informationsmehrwert durch Data Fusion 5. MHP Angebot und Referenzen im Data Mining 6. Fazit
  23. 23. 23© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH MHP Vorgehensmodell für Data Mining 5. MHP Angebot und Referenzen im Data Mining Definition/ Aufbereitung relevanter Daten Modelldefinition basierend auf historischen Daten Selektion des besten Modells Anwendung basierend auf aktuellen Daten  Projekt-Scoping (Use Cases, Märkte, Produkte etc.)  Bereitstellung/ Anforderung der Rohdaten  Datenscreening  Datenaufbereitung  Datentransformation  Datenintegration  Datenfusion  Bildung von Trainings- und Testdatensatz  Fachliche Konzeption gemäß Problemstellung  Setup Modelle auf Basis verschiedener Methoden und historischer Daten  Durchführung von Testkalkulationen und Finalisierung Modell-Setup  Modellselektion nach  Prognosegüte  Plausibilität  Generalisierungsfähigkeit  Ggf. Nachjustierung der Modellparameter auf Basis sachlogischer Überlegungen  Anwendung des jeweils besten Data Mining Modells auf die gesamte Kundenbasis  Aktualisierung der Analyse auf Basis neuer Daten  Ggf. Übergabe und Implementierung Scoring Engine im BI-System Externe Datenquellen Transaktionsdaten Stammdaten (m7, r1) good (m3, r2) medium poor
  24. 24. 24© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Vorteile der systemischen Trennung von operativen und analytischen Systemen:  Bestehende operative IT-Systeme können unverändert bleiben  Besonders schnelle Umsetzung („time-to-market“)  Nutzung von spezifischem Know-how für komplexe Analysemodelle Effiziente Realisierung durch die MHP aCRM Engine 5. MHP Angebot und Referenzen im Data Mining Operative SystemeMHP aCRM Engine Analysen Datenbasis Prozesskontrolle KundeninteraktionDaten Entscheidungs Parameter Kunden Die MHP aCRM Engine basiert auf IBM SPSS und kann als separates System sowohl on-site, als auch off-site eingesetzt werden
  25. 25. 25© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH  Optimierung operativer CRM-Prozesse durch innovative Predictive Analytics-Lösungen  Konzeption und Umsetzung von Kunden-Scoring und Next Best Offer-Modellen  Durchführung von umfangreichen Data Mining-Analysen mit der MHP aCRM Engine „Wichtig war für uns, dass MHP über ausgezeichnete Kompetenzen zu den Themen analytisches CRM und insbesondere Predictive Analytics verfügt. Das hat uns bereits bei den Vorgesprächen zum konzeptionellen Vorgehen und der technischen Umsetzung überzeugt.“ Premium Automobilhersteller Individuelle Kundenansprache durch analytisches CRM 5. MHP Angebot und Referenzen im Data Mining
  26. 26. 26© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH  Definition von Use Cases und Evaluierung der vorhandenen Datenbasis  Umfangreiche Data Mining-Analysen mit IBM SPSS Modeler und IBM SPSS Statistics  Schaffung eines bedarfsorientierten Angebots mittels Warenkorb- und Next Best Offer-Analysen  Effiziente Steuerung von Vertrieb und Marketing auf Basis von Modellen zur Kundenpriorisierung Spezialisierter Softwarehersteller und IT-Dienstleister Optimierung von Vertrieb und Marketing durch analytisches CRM 5. MHP Angebot und Referenzen im Data Mining
  27. 27. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 27 1. Einführung 2. Analytisches CRM im Überblick 3. Anwendungspotenziale von Data Mining im CRM 4. Informationsmehrwert durch Data Fusion 5. MHP Angebot und Referenzen im Data Mining 6. Fazit
  28. 28. 28© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH  Die zunehmende Flut von Daten aus unterschiedlichen Quellen führt zu einer steigenden Komplexität in der Datenverarbeitung  Die Sammlung, Aufbereitung und Konsolidierung von Kundendaten aus verschiedensten Quellen bietet jedoch die Chance, den Erfolg von Customer Management deutlich zu steigern  Die systematische Auswertung von Kundendaten und -reaktionen durch Data Mining bildet die Grundlage für einen individuell relevanten Kundendialog und sichert so die Kundenloyalität  aCRM hilft zudem, Streuverluste zu vermeiden und unterstützt so den effizienten Budgeteinsatz im Marketing, Sales und After Sales Mit aCRM Kundenbedürfnisse verstehen und Potenziale erkennen 6. Fazit
  29. 29. 29© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Ihre Fragen 6. Fazit
  30. 30. 30© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Ihre Ansprechpartner MHPBoxenstopp: Potenziale in Kundendaten erkennen Dr. Dorothee Brauner Senior Consultant SU Customer Relationship Management Mobil: +49 151 4066 7370 E-Mail: dorothee.brauner@mhp.com Dr. Horst-Florian Jaeck Senior Manager SU Customer Relationship Management Mobil: +49 151 2030 1786 E-Mail: Horst-Florian.Jaeck@mhp.com
  31. 31. 31© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH MHPBoxenstopp Potenziale in Kundendaten erkennen 11-12 Uhr | 14.04.15 MHPTimetable weitere Infos www.mhp.com/ events Mit nur einem “Klick” zur MHPBoxenstopp Anmeldung Haben Sie einen MHPBoxenstopp verpasst? Kein Problem - in unserem MHP YouTube-Channel und auf unserem SlideShare Profil finden Sie alle vergangenen Websessions: Mitschnitte und Videos im Channel: Präsentationsunterlagen: http://www.youtube.com/MHPProzesslieferant http://de.slideshare.net/MHPInsights MHPBoxenstopp AutomotiveIT Kongress auf der CeBIT 2015 9 Uhr | 16.04.15 MHPBoxenstopp Oracle BI Enterprise Edition 11g 13-14 Uhr | 21.04.15 MHPBoxenstopp MHP PLM Migration Factory 11-12 Uhr | 28.04.15 MHPBoxenstopp AddOn Rekla-Cockpit & CCX 13-14 Uhr | 28.04.15

×