Kundenwissen transparent machen

1.641 Aufrufe

Veröffentlicht am

Vortrag von Marancon auf dem AIKA kompakt in Neuwied am 16.2.2011 zum Thema Kundenwissen

Veröffentlicht in: Business, News & Politik
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.641
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
7
Aktionen
Geteilt
0
Downloads
6
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Kundenwissen transparent machen

  1. 1. Kundenwissen transparent machen Neuwied, den 16.02.2011 Meinert Jacobsen marancon Gesellschaft für Marketing, Analyse und Consulting mbHKundenwissen transparent machen Folie 1
  2. 2. AIKA Mitglied seit 2010 Gründung 1.1.2006 Aktuell: 8 Mitarbeiter Standort: Bonn Themen: - Databasemarketing / Datamining / Geomarketing - Social Media -  Namenstage/WetterfrontenKundenwissen transparent machen Folie 2
  3. 3. NamenstageKundenwissen transparent machen Folie 3
  4. 4. Knowledge Discovery ProzessKundenwissen transparent machen Folie 4
  5. 5. AdresseKundenwissen transparent machen Folie 5
  6. 6. Ein Name verrät viel ... •  Deutscher Vorname •  Männlich •  Alter: 51 Jahre (durchschnittlich) Vorname Alter Vorname Alter BERND 51 Anna 80 Bernd Oliver 38 Anna Lena 16 Bernd 63 •  In Kombination mit Freilinghaus zu 96% Wahrscheinlichkeit ein deutscher NameKundenwissen transparent machen Folie 6
  7. 7. Die Telefonnummer sagt viel •  + 49 deutet auf ein international tätiges Unternehmen hin –  Im Gegensatz zu national / regional tätigen Unternehmen –  Aber tendenziell mehr in Deutschland tätig, (0) – diese würden überwiegend international agierende Firmen weglassen •  Der Bindestrich in der Telefonnummer zeigt, dass eine Telekommunikations- anlage im Unternehmen verwendet wird –  Und es ist eine zweistelligeDurchwahl vorhanden (Indikator für die Größe der Firma) •  Mobilfunknummern können nach „ursprünglichem“ Ambieter ausgewertet werden (0151,0172, ...) •  Keine Mobilfunknummer angegeben – eher konservative FirmaKundenwissen transparent machen Folie 7
  8. 8. Je mehr Stellen die Durchwahl hat, desto eher reagieren B2B-Kunden (in diesem Beispiel) auf eine werbliche Ansprache für eine Konferenz 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%Kundenwissen transparent machen Folie 8
  9. 9. Die E-Mail-Adresse verrät einiges •  ...@careforce.de zeigt, dass die Firma einen eigenen Internetauftritt hat. •  Der verwendete Provider sagt einiges über den Nutzer aus –  Aol.com vs. Hotmail.de vs. Gmx.net •  Man kann u.U. den Vornamen und Nachnamen extrahieren (bernd.frielinghaus)Kundenwissen transparent machen Folie 9
  10. 10. Die Firmierung •  GmbHs deuten auf eine mittlere Größe der Unternehmen hin •  AGs sind eher größere Firmen •  ohne Firmierung (eher kleinere Unternehmen)Kundenwissen transparent machen Folie 10
  11. 11. Nutzung der Adresse •  Anreicherung mit externen Informationen (Kaufkraft, Haustyp, PKW- Struktur, ...) •  Entfernungsbestimmung auf Basis von Geokoordinaten (Luftlinie, Fahrlinie, Fahrzeit) •  Bestimmung von Kundendichten – Nutzung der Dichte als „pseudo- mikrogeografische“ VariableKundenwissen transparent machen Folie 11
  12. 12. KundendichteKundenwissen transparent machen Folie 12
  13. 13. Tabelle der Kundendichte Reagierer Summedichte nein ja 6%10% 21904 590 22494 2,62% 6%20% 21717 765 22482 3,40% 5%30% 21608 872 22480 3,88%40% 21476 967 22443 4,31% 5%50% 21524 983 22507 4,37% 4%60% 21443 1055 22498 4,69% 4%70% 21432 1082 22514 4,81%80% 21327 1159 22486 5,15% 3%90% 21388 1218 22606 5,39% 3%100% 21139 1257 22396 5,61% 2%Summe 214.958 9.948 224.906 4,42% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Kundenwissen transparent machen Folie 13
  14. 14. Kundenanteil auf Straßenabschnittsebene Je mehr Kunden auf der Straße wohnen, desto höher ist die Reaktionsquote.Kundenwissen transparent machen Folie 14
  15. 15. Käufe •  Die Käufe / Kaufakte / Bestellungen werde in Form des RFM-Modells parametrisiert –  Recency – Wann das letzte mal –  Frequency – Wie häufig –  Monetary – Wie teuer •  Darüber hinaus sind Artikelinfomationen für die Bestimmung des Kundenwissens sinnvoll –  Lieblingswein(-region) –  Primäre Produktkategorien –  ...Kundenwissen transparent machen Folie 15
  16. 16. Frequency (Kaufanzahl in allen Vorjahren) Je häufiger der Kunde in der Vergangenheit gekauft hat, desto wahrscheinlicher ist ein erneuter Kauf als Reaktion auf ein Mailing.Kundenwissen transparent machen Folie 16
  17. 17. Umsatz in allen Vorjahren Je mehr der Kunde in der Vergangenheit gekauft hat, desto wahrscheinlicher ist ein erneuter Kauf als Reaktion auf ein Mailing.Kundenwissen transparent machen Folie 17
  18. 18. Datum des letzten Kaufs Kunden, die gerade erst gekauft haben, reagieren am besten.Kundenwissen transparent machen Folie 18
  19. 19. Kommunikation •  Mit Hilfe des Kundenwissens kann die Kommunikation mit den Kunden verbessert werden •  Um zu wissen, was man (und auch wie man) verbessern will, ist es wichtig, die bisherige Kommunikation zu analysieren •  Die möglichen Kommunikationskanäle sind dann –  Mailing –  Katalog –  E-Mail –  Telefon –  (Social Media)Kundenwissen transparent machen Folie 19
  20. 20. Information aus der Kommunikation •  Wie oft / Reaktion •  Newsletter-Information –  Öffnungsverhalten –  Klickverhalten •  Online-Verhalten –  Warenkorb-Abbruch –  Nutzungsverhalten auf der Seite –  ...Kundenwissen transparent machen Folie 20
  21. 21. Methoden zur Generierung von Kundenwissen •  Scoring •  Segmentierung •  KundenlebenswertmodelleKundenwissen transparent machen Folie 21
  22. 22. Einsatzbereiche für Scoring Der Kundenlebenszyklus bietet vielfältige Ansätze, den monetären Wert der Kunden zu steigern.Kundenwissen transparent machen Folie 22
  23. 23. Umsetzung von Scorings Frage: Welche Merkmale des Kunden haben einen signifikanten Einfluss auf die Zielgröße (z.B. sein Kündigungsverhalten) ? Zielgrößen Einflussfaktoren Personendaten Kündigung (Alter, Geschlecht, Adresse, Familienstand, Beruf, Anzahl Kinder, E-Mail-Adresse, etc.) Daten zur Kundenbeziehung Produkterwerb (Dauer der Kundenbeziehung, Umsatz in der Vergangenheit, Bonität, etc.) externe Informationen Neukundengewinnung (Konsumneigung, Kaufkraft, etc.)Kundenwissen transparent machen Folie 23
  24. 24. Ergebnis eines Scorings: Reaktionsverhalten 95-100% 6,41% 90-95% 3,73% 85-90% 2,89% 80-85% 2,45% 75-80% 2,08% 70-75% 1,82% 65-70% 1,69% 60-65% 1,39% 55-60% 1,22% 50-55% 1,14% 45-50% 0,99% 40-45% 0,80% 35-40% 0,83% 30-35% 0,68% 25-30% 0,62% 20-25% 0,42% 15-20% 0,54% 10-15% 0,46% 5-10% 0,35% 0-5% 0,25% 0,00% 1,00% 2,00% 3,00% 4,00% 5,00% 6,00% 7,00% Reaktionsquote In den Top-Gruppen wird eine viermal höhere Reaktionsquote erzielt als im Durchschnitt und in den schlechteren Gruppen eine sehr geringe Reaktionsquote – nur ein Sechstel des Durchschnitts.Kundenwissen transparent machen Folie 24
  25. 25. Gewinnoptimierung durch Score – Modelle Gezielte Kunden- ansprache durch Score – Modell mehr Reagierer mehr Umsatz statt GießkannenprinzipKundenwissen transparent machen Folie 25
  26. 26. Der Regelkreislauf des Direkt – Marketings Analyse Controlling Konzept Umsetzung ReaktionKundenwissen transparent machen Folie 26
  27. 27. Kundenwissen transparent machen Folie 27
  28. 28. Segmentierung…Kundenwissen transparent machen Folie 28
  29. 29. Nutzung einer wertorientierten Kundensegmentierung Wertvollste Kunden Wachstumskunden Randbereiche Media Verlustkunden E-Kanäle Direkt Mail Telemarketing Außendienst Kundenmanager Source: Peppers & Rogers GroupKundenwissen transparent machen Folie 29
  30. 30. Anforderung an eine Segmentierung Zueinander unterscheidbar Relevant In sich ähnlich MessbarKundenwissen transparent machen Folie 30
  31. 31. Statistische Methoden für eine Kundensegmentierung •  Clusteranalyse (hierarchisch / nicht-hierarchisch) •  vorher meist eine Faktorenanalyse •  Decision-Tree Verfahren •  Diskriminanzanalyse •  Maschinelles Lernen •  ...Kundenwissen transparent machen Folie 31
  32. 32. Ergebnis der Faktorenanalyse - Beispiel •  Es ergeben sich 16 Faktoren, die 83 Prozent der Streuung (Varianz) der Kundenstruktur erklären.Kundenwissen transparent machen Kundensegmentierung Folie 32
  33. 33. Ergebnis der FaktorenanalyseKundenwissen transparent machen Kundensegmentierung Folie 33
  34. 34. Monatsanteile für die Clusterlösung Segment A Segment B Segment C Segment D Segment E Segment F Segment G Segment H Segment I ROSE-Weine Segment J Segment K Überdurchschnittlich Durchschnittlich UnterdurchschnittlichKundenwissen transparent machen Kundensegmentierung Folie 34
  35. 35. Monatsanteile für die Wertsegmentierung wenig Geringer mittel Umsatz viel wenig mittel viel wenig mittel viel wenig mittel viel wenig Hoher mittel Umsatz vielKundenwissen transparent machen Folie 35
  36. 36. Beispiel: Segmentierung der Twitter-Nutzer Promotor Chatter 15% 13% Credible Company Repeater 13% 13% Mono- thematiker 7% Chronisten 8% RealTimer Impulsive 14% Exogene 7% 10% Quelle: e-result – Vortrag Twittwoch-KölnKundenwissen transparent machen
  37. 37. Überwiegend Chatter Eins-zu-Eins-Kommunikation 13% Selten Alltagserlebnis, Externer Link Benachbartes Cluster: Tweets mit @ (Median) 53% RealTimer (Mittlere Distanz 2,14) Tweets mit URL (Median) 10% Tweets mit # (Median) 12% Homogenität (mittlerer Abstand zum Clusterzentrum): 1,37 Re-Tweets (Median) 1% Anzahl Follower (Median) 99 Anzahl Following (Median) 94 Verhältnis Follower/Following 1,1:1 Quelle: e-result – Vortrag Twittwoch-KölnKundenwissen transparent machen
  38. 38. Kundenwissen transparent machen Folie 38
  39. 39. Kundenwissen transparent machen Folie 39
  40. 40. Daten: Was wird benötigt? •  Positionen (Artikelnummer & Name) •  Anzahl Artikel pro Position Bondaten •  Preis pro Position •  Zeitpunkt des Verkaufs (Uhrzeit, Datum, Wochentag) •  POS-Nummer, etc. •  Verkaufspreis •  Warengruppe der Artikel (teilweise als Hierarchie) Produktdaten •  Rohertrag / Deckungsbeitrag •  etc. •  Adresse den •  Eröffnungs- / Renovierungsdatum ten kommen direkt aus ten Die Bonda n. Die restli chen Da Standortdaten •  Lage Kassensys teme stemen •  Verkaufsfläche s ande ren EDV-Sy können au llt werden. •  etc. bereitgesteKundenwissen transparent machen Folie 40
  41. 41. Basis-Analysen: Wie viel Up- und Cross-Selling gibt es aktuell? 100% = alle Bons 100% = gesamter Umsatz 59% # Positionen l ls ein em Artike Bons m it mehr a satzes au s. s Um mache n 59% deKundenwissen transparent machen Folie 41
  42. 42. Basis-Analysen: Wie ändert sich Cross-Selling über die Woche? Laufe der -Selling steigen im ers stark Cross- und Up uppen, besond Warengr Woche für alle nende. p e B am Woche bei WarengrupKundenwissen transparent machen Folie 42
  43. 43. Up-Selling: „Nimm 3, zahl 2.“ Anteil Bons, bei denen # Bons, bei denen der Artikel # Artikel pro # Bons der Artikel mind. 3x mind. 2x verkauft wurde mit diesem Artikel verkauft wurde 15% 125% 25% 150% 34% 218% 31% 196% 24% 165% 30% 185% 13% 113% 10% 115% ses durch 12%elling kann die 121%nen em Up-S enso kön odukten mit hoh rden. Eb Bei Pr we erhöht 18% und durch geeigne 142% te Produk tbundles t identifizier Up-Selling: ähnliche Produkte rt werden. Mehrfachverkauf eines Artikels Maßnahm en geförde auf einem BonKundenwissen transparent machen Folie 43
  44. 44. Cross-Selling: Croissant zum Kaffee … Cross-Selling Intra: g Potential Das Cross-Sellin CS innerhalb einer Warengruppe ist bei der (Inter & Intra) größten. Cross-Selling Inter: Wareng ruppe C am CS zu einer anderen WarengruppeKundenwissen transparent machen Folie 44
  45. 45. Cross-Selling: … oder lieber ein Brötchen? 3% 9% Cola 7% Bild 18% 3% 4% 10% 15% 21% Brötchen Kaffee 18% 35% 10% 24% Croissant Kaffee. 9% it Croissa nt ist auch 22%  Auf 35% aller Bons m  mmen ee b esser zusa ing)!  Also Kaff„Confidence A -> B“:Anteil aller Bons, die Artikel A ts anbieten (Bundlund B enthalten, an allen Bons m it Croissanmit Artikel AKundenwissen transparent machen Folie 45
  46. 46. Cross-Selling: alle Informationen in einer Tabelle Dies sind die In so vielen Auf so vielen Bons trat Das sind die So gut eignet sich häufigsten Artikel- Filialen wurde der die Artikel- Confidence- der Artikel für Kombinationen. Artikel verkauft. Kombination auf. Werte. CS-Selling insgesamt. Neben den Artikelkombinationen sind auch weitere Dimensionen möglich it allen sst mar ancon Sie m hiert alle •  Zeit Natürlich lä n extra ht all ein, sonder nd Zahlen nic ntworten u •  Region Ihre Fragen bea Fakten, die eeignet au f. •  Clustertyp Standort bere itet diese g •  Warengruppen-Sortiment •  …Kundenwissen transparent machen Folie 46
  47. 47. Maßnahmen: Was kann man tun? Parameter für Maßnahmen • Infos an Kasse • verwendete Produktkombination Personal • Kundenansprache • eigenes Sortiment •  gleicher Artikel •  gleiche Warengruppe • Kassendisplay •  unterschiedliche Warengruppe Bewerbung • am Produkt • Kooperationspartner • in / vor dem Geschäft •  Produkthersteller •  andere Vertriebsnetze • Differenzierung Zeit • Impulskäufe • Uhrzeit Rabatte • Sammeln • Wochentag • Differenzierung Ort hläge von • Lage hmenvorsc ten Maßna h häng die ko re en• Größenk   Natürlic b. hführung Produkt- • Ort issen Ih rer Daten a n gemeinsam die Durc us. den Ergebn marancon m it Ihne Ihnen a platzierung • Gruppierung plant ansch ließend mit   Gerne d wertet sie von Maß nahmen unKundenwissen transparent machen Folie 47
  48. 48. Weitere Möglichkeiten Verwendung von Wetterinformationen zum Zeitpunkt am Ort des Verkaufs Verwendung von Geo-Daten zur besseren Charakterisierung des POS Untersuchung spezieller Aspekte, z.B. - Kaufverhalten an Feiertagen - Besonderheiten einzelner POS - etc.Kundenwissen transparent machen Folie 48
  49. 49. KundenwertKundenwissen transparent machen Folie 49
  50. 50. Eingangsparameter eines KLWKundenwissen transparent machen Folie 50
  51. 51. Berechnung des KLWKundenwissen transparent machen Folie 51

×