Crmexpo 2014 stuttgart

650 Aufrufe

Veröffentlicht am

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

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

Keine Downloads
Aufrufe
Aufrufe insgesamt
650
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
13
Aktionen
Geteilt
0
Downloads
10
Kommentare
0
Gefällt mir
3
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Crmexpo 2014 stuttgart

  1. 1. BI und Big Data 1 BI und Big Data – Machen Sie mehr aus Ihren Daten Stuttgart, den 08.10.2014 Meinert Jacobsen
  2. 2. BI und Big Data 2
  3. 3. Agenda Daten BI und Big Data Modelle BIG Data Effizienz Statistik -Schutz
  4. 4. BI und Big Data 4
  5. 5. BI und Big Data 5
  6. 6. Namechecker BI und Big Data
  7. 7. BI und Big Data 7
  8. 8. BI und Big Data 8
  9. 9. BI und Big Data 9
  10. 10. BI und Big Data 10
  11. 11. http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html BI und Big Data Folie 11 Grafische Darstellung China I
  12. 12. BI und Big Data Folie 12 Grafische Darstellung China II
  13. 13. BI und Big Data 13
  14. 14. SUCCESS – Standardisierung von Charts BI und Big Data 14
  15. 15. BI und Big Data Folie 15 Datendarstellung Quelle: Hiechert / Partner
  16. 16. Datendarstellung BI und Big Data 16 2008 Δ2007% neg pos 2007 Δ2007 neg pos Oncology 19,8 55% +15% 15% 17,2 2,6 2,6 Inflammatory d. 3,2 9% +19% 19% 2,7 0,5 0,5 Virology 3,2 9% -27% -27% 4,4 -1,2 -1,2 Metabolic d. 2,9 8% +7% 7% 2,7 0,2 0,2 Renal anemia 1,4 4% -11% -11% 1,6 -0,2 -0,2 Respiratory d. 1,1 3% +10% 10% 1,0 0,1 0,1 Ophtalmology 1,1 3% +7% 7% 1,0 0,1 0,1 Central nervous s. 1,1 3% -3% -3% 1,1 -0,0 -0,0 Cardiovascular d. 1,1 3% -19% -19% 1,3 -0,3 -0,3 Infectious d. 0,4 1% -12% -12% 0,4 -0,0 -0,0 Others 0,7 2% -14% -14% 0,8 -0,1 -0,1 Quelle: Hiechert / Partner
  17. 17. BI und Big Data Folie 17 Datendarstellung Quelle: Hiechert / Partner
  18. 18. BI und Big Data 18
  19. 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. 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. 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. 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. 23. BI und Big Data Folie 23 Praxis-Beispiel: Anrede
  24. 24. BI und Big Data Folie 24 Praxis-Beispiel: Telefonnummer
  25. 25. BI und Big Data Folie 25 Praxis-Beispiel: Letzter Kauf (Recency)
  26. 26. BI und Big Data Folie 26 Praxisbeispiel: Kaufzahl (Frequency)
  27. 27. BI und Big Data Folie 27 Praxisbeispiel: Umsatz (Monetary)
  28. 28. BI und Big Data Folie 28 Praxis-Beispiel: Filialentfernung
  29. 29. BI und Big Data Folie 29 Praxisbeispiel: Kundendichte
  30. 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. 31. BI und Big Data Folie 31 Praxis-Beispiel: Score-Nutzung
  32. 32. BI und Big Data Folie 32 Praxisbeispiel: ROI-Betrachtung
  33. 33. BI und Big Data Folie 33 Praxis-Beispiel: ROI-Optimierung
  34. 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. 35. BI und Big Data 35 Praxis-Beispiel: B2B – SIGSdatacom
  36. 36. BI und Big Data Standard- Reporting Folie 36
  37. 37. BI und Big Data Folie 37 Praxis-Beispiel B2B
  38. 38. 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 BI und Big Data 38 +49 +49 22833830000 +49 (0) 228 33830000 (0228) 33830000 +49228338300-00 +49 15115675483 Email-Provider Newsletter-Erlaubnis Email-Öffnungen Faxnummer
  39. 39. Praxis-Beispiel B2B - Telefonnummer BI und Big Data 39 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 %
  40. 40. BI und Big Data Folie 40 Praxis-Beispiel B2B
  41. 41. BIG Data BI und Big Data Folie 41
  42. 42. BI und Big Data Folie 42 Praxis-Beispiel B2B
  43. 43. Gartner Hype Cycle BI und Big Data 43
  44. 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. 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
  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 Folie 52
  53. 53. BI und Big Data Folie 53
  54. 54. BI und Big Data Folie 54
  55. 55. BI und Big Data Folie 55
  56. 56. BI und Big Data Folie 56
  57. 57. BI und Big Data Folie 57
  58. 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. 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. 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
  61. 61. BI und Big Data Folie 61 CRM
  62. 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.
  63. 63. BI und Big Data Folie 63
  64. 64. BI und Big Data Folie 64
  65. 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
  66. 66. BI und Big Data Folie 66
  67. 67. BI und Big Data Folie 67 Kunde
  68. 68. BI und Big Data Folie 68
  69. 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. 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. 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. 72. … für wen wir (u.a.) arbeiten ... BI und Big Data
  73. 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“
  74. 74. BI und Big Data Folie 74
  75. 75. Stand 4.D74 BI und Big Data 75

×