Thomas	
  Ramge	
  
	
  
	
  
Data	
  Unser	
  –	
  Big	
  Data,	
  predec4ve	
  analy4cs	
  
und	
  wie	
  wir	
  Kundend...
Von Tante Emma zum datenbasierten Marketing
Kundenorientierung
Reichweite
Tante Emma
CRM
Online-
Marketing
Integriertes,
d...
CRM – Oft gescheitert an der Komplexität
CRM: Voraussetzungen
und Kernprozesse
Typische Probleme
Fokussierung auf IT-Tools...
360° Segmentierung – Welche Daten relevant sind
Verhalten
Verhaltenstreiber
•  Demographika
B2C: z.B. Alter, Beruf, HH Grö...
Das Marktmosaik – Märkte in beliebiger
Granularität bis auf Einzelkundenebene
bearbeiten
Das Marktmosaik
Welt
Region
Land
...
Kontrollgruppen – Der Schlüssel zur Messung des
wahren Marketingerfolges
Charakteristika von Kontrollgruppen
•  Repräsenta...
Commerce
"Social Burger" – Beispiel für neue Kampagnen
SITUATION
•  Erheblicher
Wettbewerbsdruck in der
Fast-Food-Industri...
Die Umkehrung der Wertschöpfungskette
Traditionelle Organisation Kundenzentrierte Organisation
Entwicklung
Produktion/
Ser...
Die Transparenz-Nutzen-Matrix des
datenbasierten Marketings
Geduldete Werber Partner
Unerwünschte Spione Geduldete Spione
...
Data Unser oder der "New deal on data"
Anforderungen Grenzen
Datensicherheit garantiert1
Transparenz der
Datenspeicherung ...
thomasramge.de	
  
Nächste SlideShare
Wird geladen in …5
×

Data Unser – Big Data, predictive analytics und wie wir Kundendaten wirklich intelligent nutzen I Thomas Ramge, Technologie-Korrespondent des Wirtschaftsmagazins brand eins, auf dem 4. Social Media Kongress

1.331 Aufrufe

Veröffentlicht am

Vortrag von Thomas Ramge, Technologie-Korrespondent des Wirtschaftsmagazins brand eins, auf dem 4. Social Media Kongress in Köln zum Thema: Data Unser – Big Data, predictive analytics und wie wir Kundendaten wirklich intelligent nutzen

4. Social Media Kongress
28. und 29. August 2013 im Radisson Blu Hotel Köln
Veranstalter: Management Forum der Verlagsgruppe Handelsblatt GmbH
Weiter Infos unter: www.managementforum.com

0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.331
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
1
Aktionen
Geteilt
0
Downloads
15
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Data Unser – Big Data, predictive analytics und wie wir Kundendaten wirklich intelligent nutzen I Thomas Ramge, Technologie-Korrespondent des Wirtschaftsmagazins brand eins, auf dem 4. Social Media Kongress

  1. 1. Thomas  Ramge       Data  Unser  –  Big  Data,  predec4ve  analy4cs   und  wie  wir  Kundendaten  wirklich  intelligent   nutzen     Vortrag  SMK  2013  
  2. 2. Von Tante Emma zum datenbasierten Marketing Kundenorientierung Reichweite Tante Emma CRM Online- Marketing Integriertes, datenbasier- tes Marketing Professionali -sierung des Marketing (Marken, Mafo, Zielgruppen etc.) Massenmarketing und großflächiger Handel
  3. 3. CRM – Oft gescheitert an der Komplexität CRM: Voraussetzungen und Kernprozesse Typische Probleme Fokussierung auf IT-Tools ohne klare Definition der Ziele 1 Mangelnde Einbindung von Marketing und Vertrieb 2 Mangelnde Verknüpfung der Daten3 Schlechte Datenqualität4 Kampagnenangebote austauschbar5 Zu hohe Kosten6 Strategie Organisation Kultur Techno -logie Kunden Inter- aktion Kunden identifizieren Kunden- potenziale ausschöpfen Ergebnisse messen Kunden binden
  4. 4. 360° Segmentierung – Welche Daten relevant sind Verhalten Verhaltenstreiber •  Demographika B2C: z.B. Alter, Beruf, HH Größe B2B: z.B. Branche, MA-Anzahl •  Psychographika •  Bedürfnisse –  Notwendig –  Erwünscht (entlang des Kauflebenszyklus) Informationssuche •  Passiv (z.B. Surfverhalten) •  Aktiv (gezielte Produktsuche) Responseverhalten auf Marketing Beratung Abschluss Nutzung Kauf Zusatzprodukte Reklamation / Kundendienst Recycling Kaufhistorie
  5. 5. Das Marktmosaik – Märkte in beliebiger Granularität bis auf Einzelkundenebene bearbeiten Das Marktmosaik Welt Region Land Zielgruppe Einzelkunde
  6. 6. Kontrollgruppen – Der Schlüssel zur Messung des wahren Marketingerfolges Charakteristika von Kontrollgruppen •  Repräsentative Teilmenge einer Zielgruppe •  Ausgeschlossen von der jeweiligen Marketingaktion •  Dient als Basisszenario •  Repräsentativität wird mit statistischen Verfahren geprüft Kontrollgruppe Zielgruppe C Zeit Kontroll- gruppe Erfolg A Zeit Kontroll- gruppe Erfolg Kampagnenperiode B Zeit Kontroll- gruppe Erfolg
  7. 7. Commerce "Social Burger" – Beispiel für neue Kampagnen SITUATION •  Erheblicher Wettbewerbsdruck in der Fast-Food-Industrie ANSATZ •  Burger King: Whopper umsonst für Facebook-Verbindung •  Burger King: Social-Media-Kam- pagne "Create your own burger" ERGEBNISSE •  Kurzfristige Kundenkontakte und Zusatzumsatz •  Kundeninteraktion, Produkt- empfehlungen und Innovationen Einfach … … komplex Connect ✓ Create ✗ Communi- cate ✗ Commerce ✗ Connect ✓ Create ✓ Communi- cate ✓✓
  8. 8. Die Umkehrung der Wertschöpfungskette Traditionelle Organisation Kundenzentrierte Organisation Entwicklung Produktion/ Service Marketing Vertrieb Kunde Innovationen Fertigung/ Dienstleistung Absatzwirtschaft Verkauf Leistungs- empfänger Kundenorientierte Produktneu- und -weiterentwicklung Individualisierte Produkte und Services Anpassung des Marketingmix an Kundenanforderungen Kundenberatung, Aufnahme der Anforderungen Wünsche, Bedürfnisse und Anforderungen
  9. 9. Die Transparenz-Nutzen-Matrix des datenbasierten Marketings Geduldete Werber Partner Unerwünschte Spione Geduldete Spione •  Transparente Datensammlung, -nutzung und -weitergabe aber wenig Vorteile für den Kunden •  Klassische Opt-ins zur Datennutzung für Kampagnen – •  Bsp: Strom, Telefon, Zeitschriften •  Transparente Datensammlung, -nutzung und -weitergabe •  Gleichzeitig attraktive USP •  Bsp.: Amazon, eBay, Vielfliegerprogramme, Rabattkarten (Payback etc.) •  Hohe Intransparenz über die gesammelten Daten, deren Analyse und Weitergabe •  Kein klar erkennbarer Kundennutzen daraus •  Bsp.: einige Finanzdienstleister •  Hohe Intransparenz über die gesammelten Daten, deren Analyse und Weitergabe •  Aber: Attraktive USP •  Bsp.: Online Profiling (incl. Facebook und Google!?) HOCHNIEDRIG NIEDRIG HOCH Transparenz der Datennutzung Kundennutzen aus Datenanalyse
  10. 10. Data Unser oder der "New deal on data" Anforderungen Grenzen Datensicherheit garantiert1 Transparenz der Datenspeicherung und -nutzung inklusiver "Rest Button"/Kunde kann jederzeit alle Daten löschen 2 Mehrwert aus der Datennutzung •  Relevanz •  Frequenz •  Mehrwert 3 Verhältnismäßigkeit - Nur wirklich nötige Daten sammeln und auswerten 4 Regulierung1 Gütesiegel zur Datennutzung 2 Kundenakzeptanz •  Nutzung der Angebote •  Informationsberücksichtigung •  Einstellung zur "Privatsphäre" 3 Grenznutzen der Datenanalyse 4 Erfolgreiches Marketing 201x
  11. 11. thomasramge.de  

×