BI und Big Data 	
   1	
  
Big Data: Kunden auf der Spur
Dortmund, den 31.03.2014
Meinert Jacobsen
BI und Big Data 	
   2	
  
BI und Big Data 	
  
Agenda
Daten
Modelle
BIG Data
Effizienz
Statistik
-Schutz
BI und Big Data 	
   4	
  
BI und Big Data 	
   5	
  
BI und Big Data 	
  
Namechecker
BI und Big Data 	
   7	
  
BI und Big Data 	
   8	
  
BI und Big Data 	
   9	
  
https://www.youtube.com/watch?v=CipsLFB8KFk
BI und Big Data 	
   10	
  
BI und Big Data 	
   11	
  
BI und Big Data 	
   Folie	
  12	
  
http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html
Grafis...
BI und Big Data 	
   Folie	
  13	
  
Grafische Darstellung China II
BI und Big Data 	
   14	
  
BI und Big Data 	
  
Praxis-Beispiel: Möbelhändler
•  Ein Möbelfilialist möchte seine Direktwerbung mit den
Kunden optimie...
BI und Big Data 	
  
Folie 16
•  Von den 1,427 Mio. angeschriebenen Kunden haben 19.678 Kunden im
Folgemonat nach der Ansp...
BI und Big Data 	
   Folie 17
Umzug des Kunden
Filialentfernung
Mikrogeografische Informationen
-  Kaufkraft
-  Kundendich...
BI und Big Data 	
  
Folie 18
Praxis-Beispiel: Alter
BI und Big Data 	
  
Folie 19
Praxis-Beispiel: Anrede
BI und Big Data 	
  
Folie 20
Praxis-Beispiel: Telefonnummer
BI und Big Data 	
  
Folie 21
Praxis-Beispiel: Kaufanzahl (Frequency)
BI und Big Data 	
  
Folie 22
Praxisbeispiel: Umsatz (Monetary)
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
vorhe...
BI und Big Data 	
  
Folie 24
Praxis-Beispiel: Filialentfernung
BI und Big Data 	
  
Folie 25
Praxisbeispiel: Kundendichte
BI und Big Data 	
  
Folie 26
Praxis-Beispiel: Score-Nutzung
BI und Big Data 	
  
Folie 27
Praxisbeispiel: ROI-Betrachtung
BI und Big Data 	
  
Folie 28
Praxis-Beispiel: ROI-Optimierung
BI und Big Data 	
  
Folie 29
Das eingesparte Geld kann in mehr Aktionen verwendet werden, die an die guten
Kunden verschi...
BI und Big Data 	
   30	
  
Praxis-Beispiel: B2B – SIGSdatacom
BI und Big Data 	
   Folie	
  31	
  
Standard-
Reporting
BI und Big Data 	
   Folie	
  32	
  
Praxis-Beispiel B2B
BI und Big Data 	
  
Ableitungen aus den Kommunikationskanälen
•  Landeskennzeichen: International orientiert:
•  Fehlende...
BI und Big Data 	
  
Praxis-Beispiel B2B - Telefonnummer
34	
  
Anlage Adressen Reagierer Quote
1 Stelle 8.238 68 0,8 %
2 ...
BI und Big Data 	
   Folie	
  35	
  
Praxis-Beispiel B2B
BI und Big Data 	
  
Gartner Hype Cycle
36	
  
BI und Big Data 	
   37	
  
Erfassung
•  Datenquellen
•  Datenmanagement
Analyse
•  Berechnungen
•  Explorative Analyse
• ...
BI und Big Data 	
  
BIG Data Definition
•  Sammlung
•  Sichtung
•  Aufbereitung (Normierung/Standardisierung),
•  Verknüp...
BI und Big Data 	
   39	
  
Anwendungsfälle
Finanzdienstleister •  Erkennung betrügerischer Transaktionen in Echtzeit,
Ris...
BI und Big Data 	
   Folie	
  40	
  
BI und Big Data 	
   Folie	
  41	
  
BI und Big Data 	
   Folie	
  42	
  
BI und Big Data 	
   Folie	
  43	
  
BI und Big Data 	
   Folie	
  44	
  
BI und Big Data 	
   Folie	
  45	
  
BI und Big Data 	
   Folie	
  46	
  
BI und Big Data 	
   Folie	
  47	
  
BI und Big Data 	
   Folie	
  48	
  
BI und Big Data 	
   Folie	
  49	
  
BI und Big Data 	
   Folie	
  50	
  
BI und Big Data 	
   Folie	
  51	
  
BI und Big Data 	
  
Erfolgreich	
  
ins	
  Ziel	
  –	
  mit	
  
treffsicheren	
  
Prognosen!	
  
Die	
  Vorteile	
  der	
 ...
BI und Big Data 	
  
Big	
  Data	
  –	
  Zusammenwirkung	
  dreier	
  großer	
  
Technologietrends	
  
Verarbeitung	
  der...
BI und Big Data 	
  
Prozessablauf:	
  	
  Big	
  Data	
  Analyse	
  für	
  Qualifizierung	
  der	
  
Adressen	
  im	
  Ver...
BI und Big Data 	
   Folie	
  55	
  
BI und Big Data 	
  
Anwendungsszenario:	
  Score-­‐Modell-­‐Erstellung	
  
anhand	
  von	
  Bestandskunden	
  zur	
  	
  ...
BI und Big Data 	
   Folie	
  57	
  
BI und Big Data 	
   Folie	
  58	
  
BI und Big Data 	
  
Firmenname	
   Adresse	
   URL	
  
Prognose	
  	
  
Umsatz	
  
Max	
  Mustermann	
  GmbH	
   Musterst...
BI und Big Data 	
   Folie	
  60	
  
BI und Big Data 	
   Folie	
  61	
  
BI und Big Data 	
   Folie	
  62	
  
BI und Big Data 	
   Folie	
  63	
  
BI und Big Data 	
  
Für unsere Klienten wird das Wissen um
den Kunden in ein erfolgreiches
Marketing umgesetzt.
Hierzu st...
BI und Big Data 	
  
…	
  was	
  wir	
  können	
  …	
  
Praxiserfahrung im Umfeld von
- Finanzdienstleistungen
- Versandha...
BI und Big Data 	
  
…	
  wer	
  wir	
  sind	
  …	
  
gegründet 2006
Standort: Bonn
Informationen: www.marancon.de
Meinert...
BI und Big Data 	
  
…	
  für	
  wen	
  wir	
  (u.a.)	
  arbeiten	
  ...	
  
BI und Big Data 	
  
... und wie wir darüber sprechen.
www.ddv.de
44
Im Dialogmarketing können die Basis-Informationen
für...
Nächste SlideShare
Wird geladen in …5
×

Big Data: Kunden auf der Spur

1.352 Aufrufe

Veröffentlicht am

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).

Veröffentlicht in: Marketing
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.352
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
3
Aktionen
Geteilt
0
Downloads
21
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Big Data: Kunden auf der Spur

  1. 1. BI und Big Data   1   Big Data: Kunden auf der Spur Dortmund, den 31.03.2014 Meinert Jacobsen
  2. 2. BI und Big Data   2  
  3. 3. BI und Big Data   Agenda Daten Modelle BIG Data Effizienz Statistik -Schutz
  4. 4. BI und Big Data   4  
  5. 5. BI und Big Data   5  
  6. 6. BI und Big Data   Namechecker
  7. 7. BI und Big Data   7  
  8. 8. BI und Big Data   8  
  9. 9. BI und Big Data   9   https://www.youtube.com/watch?v=CipsLFB8KFk
  10. 10. BI und Big Data   10  
  11. 11. BI und Big Data   11  
  12. 12. BI und Big Data   Folie  12   http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html Grafische Darstellung China I
  13. 13. BI und Big Data   Folie  13   Grafische Darstellung China II
  14. 14. BI und Big Data   14  
  15. 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. 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. 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. 18. BI und Big Data   Folie 18 Praxis-Beispiel: Alter
  19. 19. BI und Big Data   Folie 19 Praxis-Beispiel: Anrede
  20. 20. BI und Big Data   Folie 20 Praxis-Beispiel: Telefonnummer
  21. 21. BI und Big Data   Folie 21 Praxis-Beispiel: Kaufanzahl (Frequency)
  22. 22. BI und Big Data   Folie 22 Praxisbeispiel: Umsatz (Monetary)
  23. 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. 24. BI und Big Data   Folie 24 Praxis-Beispiel: Filialentfernung
  25. 25. BI und Big Data   Folie 25 Praxisbeispiel: Kundendichte
  26. 26. BI und Big Data   Folie 26 Praxis-Beispiel: Score-Nutzung
  27. 27. BI und Big Data   Folie 27 Praxisbeispiel: ROI-Betrachtung
  28. 28. BI und Big Data   Folie 28 Praxis-Beispiel: ROI-Optimierung
  29. 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. 30. BI und Big Data   30   Praxis-Beispiel: B2B – SIGSdatacom
  31. 31. BI und Big Data   Folie  31   Standard- Reporting
  32. 32. BI und Big Data   Folie  32   Praxis-Beispiel B2B
  33. 33. 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 33   +49 +49 22833830000 +49 (0) 228 33830000 (0228) 33830000 +49228338300-00 +49 15115675483 Email-Provider Newsletter-Erlaubnis Email-Öffnungen Faxnummer
  34. 34. BI und Big Data   Praxis-Beispiel B2B - Telefonnummer 34   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 %
  35. 35. BI und Big Data   Folie  35   Praxis-Beispiel B2B
  36. 36. BI und Big Data   Gartner Hype Cycle 36  
  37. 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. 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. 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
  40. 40. BI und Big Data   Folie  40  
  41. 41. BI und Big Data   Folie  41  
  42. 42. BI und Big Data   Folie  42  
  43. 43. BI und Big Data   Folie  43  
  44. 44. BI und Big Data   Folie  44  
  45. 45. BI und Big Data   Folie  45  
  46. 46. BI und Big Data   Folie  46  
  47. 47. BI und Big Data   Folie  47  
  48. 48. BI und Big Data   Folie  48  
  49. 49. BI und Big Data   Folie  49  
  50. 50. BI und Big Data   Folie  50  
  51. 51. BI und Big Data   Folie  51  
  52. 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. 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. 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  
  55. 55. BI und Big Data   Folie  55  
  56. 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.  
  57. 57. BI und Big Data   Folie  57  
  58. 58. BI und Big Data   Folie  58  
  59. 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  
  60. 60. BI und Big Data   Folie  60  
  61. 61. BI und Big Data   Folie  61  
  62. 62. BI und Big Data   Folie  62  
  63. 63. BI und Big Data   Folie  63  
  64. 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. 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. 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. 67. BI und Big Data   …  für  wen  wir  (u.a.)  arbeiten  ...  
  68. 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“

×