SlideShare ist ein Scribd-Unternehmen logo
1 von 75
Downloaden Sie, um offline zu lesen
BI und Big Data 
1 
BI und Big Data – 
Machen Sie mehr aus Ihren Daten 
Stuttgart, den 08.10.2014 
Meinert Jacobsen
BI und Big Data 
2
Agenda 
Daten 
BI und Big Data 
Modelle 
BIG Data 
Effizienz 
Statistik 
-Schutz
BI und Big Data 
4
BI und Big Data 
5
Namechecker 
BI und Big Data
BI und Big Data 
7
BI und Big Data 
8
BI und Big Data 
9
BI und Big Data 
10
http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html 
BI und Big Data 
Folie 
11 
Grafische Darstellung China I
BI und Big Data 
Folie 
12 
Grafische Darstellung China II
BI und Big Data 
13
SUCCESS – Standardisierung von Charts 
BI und Big Data 
14
BI und Big Data 
Folie 
15 
Datendarstellung 
Quelle: Hiechert / Partner
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
BI und Big Data 
Folie 
17 
Datendarstellung 
Quelle: Hiechert / Partner
BI und Big Data 
18
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
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).
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
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
BI und Big Data 
Folie 23 
Praxis-Beispiel: Anrede
BI und Big Data 
Folie 24 
Praxis-Beispiel: Telefonnummer
BI und Big Data 
Folie 25 
Praxis-Beispiel: Letzter Kauf (Recency)
BI und Big Data 
Folie 26 
Praxisbeispiel: Kaufzahl (Frequency)
BI und Big Data 
Folie 27 
Praxisbeispiel: Umsatz (Monetary)
BI und Big Data 
Folie 28 
Praxis-Beispiel: Filialentfernung
BI und Big Data 
Folie 29 
Praxisbeispiel: Kundendichte
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 + …
BI und Big Data 
Folie 31 
Praxis-Beispiel: Score-Nutzung
BI und Big Data 
Folie 32 
Praxisbeispiel: ROI-Betrachtung
BI und Big Data 
Folie 33 
Praxis-Beispiel: ROI-Optimierung
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
BI und Big Data 
35 
Praxis-Beispiel: B2B – SIGSdatacom
BI und Big Data 
Standard- 
Reporting 
Folie 
36
BI und Big Data 
Folie 
37 
Praxis-Beispiel B2B
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
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 %
BI und Big Data 
Folie 
40 
Praxis-Beispiel B2B
BIG Data 
BI und Big Data 
Folie 
41
BI und Big Data 
Folie 
42 
Praxis-Beispiel B2B
Gartner Hype Cycle 
BI und Big Data 
43
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
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
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 
Folie 
52
BI und Big Data 
Folie 
53
BI und Big Data 
Folie 
54
BI und Big Data 
Folie 
55
BI und Big Data 
Folie 
56
BI und Big Data 
Folie 
57
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
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
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
BI und Big Data 
Folie 
61 
CRM
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.
BI und Big Data 
Folie 
63
BI und Big Data 
Folie 
64
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
BI und Big Data 
Folie 
66
BI und Big Data 
Folie 
67 
Kunde
BI und Big Data 
Folie 
68
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.
… 
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
… 
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
… 
für 
wen 
wir 
(u.a.) 
arbeiten 
... 
BI und Big Data
... 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“
BI und Big Data 
Folie 
74
Stand 4.D74 
BI und Big Data 
75

Weitere ähnliche Inhalte

Was ist angesagt?

Aktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von InformationenAktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von InformationenBARC GmbH
 
Big Data_und auf was es wirklich ankommt. 1A Relations
Big Data_und auf was es wirklich ankommt. 1A RelationsBig Data_und auf was es wirklich ankommt. 1A Relations
Big Data_und auf was es wirklich ankommt. 1A RelationsGeorg Blum
 
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...Lynx E-Commerce
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?BARC GmbH
 
DE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model driverDE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model drivercaniceconsulting
 
Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...
Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...
Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...e-dialog GmbH
 
Mobile BI - Mobilisieren von Unternehmensprozessen
Mobile BI - Mobilisieren von UnternehmensprozessenMobile BI - Mobilisieren von Unternehmensprozessen
Mobile BI - Mobilisieren von UnternehmensprozessenBARC GmbH
 
Verstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von UnternehmenVerstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von UnternehmenDigital Analytics Institute
 

Was ist angesagt? (9)

Aktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von InformationenAktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von Informationen
 
Big Data_und auf was es wirklich ankommt. 1A Relations
Big Data_und auf was es wirklich ankommt. 1A RelationsBig Data_und auf was es wirklich ankommt. 1A Relations
Big Data_und auf was es wirklich ankommt. 1A Relations
 
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?
 
DE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model driverDE - Module 4 - Data as a business model driver
DE - Module 4 - Data as a business model driver
 
BigData?
BigData?BigData?
BigData?
 
Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...
Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...
Google Analytics Konferenz 2019_Machine Learning in der Praxis_Kateryna Salii...
 
Mobile BI - Mobilisieren von Unternehmensprozessen
Mobile BI - Mobilisieren von UnternehmensprozessenMobile BI - Mobilisieren von Unternehmensprozessen
Mobile BI - Mobilisieren von Unternehmensprozessen
 
Verstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von UnternehmenVerstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von Unternehmen
 

Andere mochten auch

[VORSCHAU] YP-U4.1
[VORSCHAU] YP-U4.1[VORSCHAU] YP-U4.1
[VORSCHAU] YP-U4.1julia135
 
YP-S9 Benutzerhandbuch von Samsung
YP-S9 Benutzerhandbuch von SamsungYP-S9 Benutzerhandbuch von Samsung
YP-S9 Benutzerhandbuch von Samsungjulia135
 
Negocio innovador y con futuro 2012 Site Talk
Negocio innovador y con futuro 2012 Site TalkNegocio innovador y con futuro 2012 Site Talk
Negocio innovador y con futuro 2012 Site TalkMari Carmen López
 
Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...
Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...
Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...Christopher Könitz
 
Trabajo tendencias
Trabajo tendenciasTrabajo tendencias
Trabajo tendenciasSco_1992
 
Szenario
SzenarioSzenario
Szenarioheibu
 
110405 selc
110405 selc110405 selc
110405 selcmrohs
 
OOP 2011: Bitter Scrum Chris Rupp Thomas Mödl
OOP 2011: Bitter Scrum Chris Rupp Thomas MödlOOP 2011: Bitter Scrum Chris Rupp Thomas Mödl
OOP 2011: Bitter Scrum Chris Rupp Thomas MödlThomas Moedl
 
Karen vargas[1][1][1]
Karen vargas[1][1][1]Karen vargas[1][1][1]
Karen vargas[1][1][1]chaimiu
 
SAMSUNG YP-P2
SAMSUNG YP-P2SAMSUNG YP-P2
SAMSUNG YP-P2julia135
 
090525 Howto Wordpress
090525 Howto Wordpress090525 Howto Wordpress
090525 Howto Wordpressstegreif
 
Las TIC en el Desarrollo Educativo
Las TIC en el Desarrollo EducativoLas TIC en el Desarrollo Educativo
Las TIC en el Desarrollo Educativodigmary
 
El cuerpo humano
El cuerpo humanoEl cuerpo humano
El cuerpo humanobrb2026
 

Andere mochten auch (20)

[VORSCHAU] YP-U4.1
[VORSCHAU] YP-U4.1[VORSCHAU] YP-U4.1
[VORSCHAU] YP-U4.1
 
Ein Loch ist im Eimer
Ein Loch ist im Eimer Ein Loch ist im Eimer
Ein Loch ist im Eimer
 
YP-S9 Benutzerhandbuch von Samsung
YP-S9 Benutzerhandbuch von SamsungYP-S9 Benutzerhandbuch von Samsung
YP-S9 Benutzerhandbuch von Samsung
 
El gusto
El gustoEl gusto
El gusto
 
La paradoja
La paradojaLa paradoja
La paradoja
 
Peer To Peer (ReDEs)
Peer To Peer (ReDEs)Peer To Peer (ReDEs)
Peer To Peer (ReDEs)
 
Negocio innovador y con futuro 2012 Site Talk
Negocio innovador y con futuro 2012 Site TalkNegocio innovador y con futuro 2012 Site Talk
Negocio innovador y con futuro 2012 Site Talk
 
Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...
Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...
Medienbildung in der Schule – Herausforderungen, Transformationen und Potenzi...
 
Trabajo tendencias
Trabajo tendenciasTrabajo tendencias
Trabajo tendencias
 
Szenario
SzenarioSzenario
Szenario
 
Adolf hitler
Adolf hitlerAdolf hitler
Adolf hitler
 
110405 selc
110405 selc110405 selc
110405 selc
 
OOP 2011: Bitter Scrum Chris Rupp Thomas Mödl
OOP 2011: Bitter Scrum Chris Rupp Thomas MödlOOP 2011: Bitter Scrum Chris Rupp Thomas Mödl
OOP 2011: Bitter Scrum Chris Rupp Thomas Mödl
 
Karen vargas[1][1][1]
Karen vargas[1][1][1]Karen vargas[1][1][1]
Karen vargas[1][1][1]
 
SAMSUNG YP-P2
SAMSUNG YP-P2SAMSUNG YP-P2
SAMSUNG YP-P2
 
Figura completa-de-rey-y-neuropsi
Figura completa-de-rey-y-neuropsiFigura completa-de-rey-y-neuropsi
Figura completa-de-rey-y-neuropsi
 
090525 Howto Wordpress
090525 Howto Wordpress090525 Howto Wordpress
090525 Howto Wordpress
 
Web 2.0 yanneth
Web 2.0 yannethWeb 2.0 yanneth
Web 2.0 yanneth
 
Las TIC en el Desarrollo Educativo
Las TIC en el Desarrollo EducativoLas TIC en el Desarrollo Educativo
Las TIC en el Desarrollo Educativo
 
El cuerpo humano
El cuerpo humanoEl cuerpo humano
El cuerpo humano
 

Ähnlich wie Crmexpo 2014 stuttgart

B2B E-Commerce - Neue Chancen für Industrieunternehmen
B2B E-Commerce - Neue Chancen für IndustrieunternehmenB2B E-Commerce - Neue Chancen für Industrieunternehmen
B2B E-Commerce - Neue Chancen für IndustrieunternehmenFrederic Sell
 
Vom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum DatentreiberVom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum DatentreiberDatentreiber
 
Vortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der VertriebsmanagerVortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der VertriebsmanagerAndreas Kulpa
 
Big data im Marketing
Big data im MarketingBig data im Marketing
Big data im MarketingPeter Gentsch
 
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnenTweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnenit-novum
 
Umsatz steigern mit der SAP Sales Cloud - Wie geht das?
 Umsatz steigern mit der SAP Sales Cloud - Wie geht das? Umsatz steigern mit der SAP Sales Cloud - Wie geht das?
Umsatz steigern mit der SAP Sales Cloud - Wie geht das?IBsolution GmbH
 
Kundenkarten und Machine Learning @MediaMarktSaturn
Kundenkarten und Machine Learning @MediaMarktSaturnKundenkarten und Machine Learning @MediaMarktSaturn
Kundenkarten und Machine Learning @MediaMarktSaturnStefan Kirschnick
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktFilipe Felix
 
Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurB2B Smartdata GmbH
 
Datentreiber - Wir treiben Ihr Unternehmen voran.
Datentreiber - Wir treiben Ihr Unternehmen voran.Datentreiber - Wir treiben Ihr Unternehmen voran.
Datentreiber - Wir treiben Ihr Unternehmen voran.Martin Szugat
 
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at Summit
 
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015Roman Dinkel
 
GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...
GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...
GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...e-dialog GmbH
 
Keynote Cross Channel Marketing – Cross Channel Marketing Forum
Keynote Cross Channel Marketing – Cross Channel Marketing Forum Keynote Cross Channel Marketing – Cross Channel Marketing Forum
Keynote Cross Channel Marketing – Cross Channel Marketing Forum Nico Zorn
 
Vorschau: Die Inhalte der Studie zur Zukunft des gewerblichen Kreditprozesses
Vorschau: Die Inhalte der Studie zur Zukunft des gewerblichen KreditprozessesVorschau: Die Inhalte der Studie zur Zukunft des gewerblichen Kreditprozesses
Vorschau: Die Inhalte der Studie zur Zukunft des gewerblichen KreditprozessesPPI AG
 
Rolle der Banken im Banking der Zukunft. figo GmbH
Rolle der Banken im Banking der Zukunft. figo GmbHRolle der Banken im Banking der Zukunft. figo GmbH
Rolle der Banken im Banking der Zukunft. figo GmbHfigo GmbH
 
Potenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzenPotenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzenPrecisely
 
Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017Rising Media Ltd.
 

Ähnlich wie Crmexpo 2014 stuttgart (20)

Big Data: Kunden auf der Spur
Big Data: Kunden auf der SpurBig Data: Kunden auf der Spur
Big Data: Kunden auf der Spur
 
B2B E-Commerce - Neue Chancen für Industrieunternehmen
B2B E-Commerce - Neue Chancen für IndustrieunternehmenB2B E-Commerce - Neue Chancen für Industrieunternehmen
B2B E-Commerce - Neue Chancen für Industrieunternehmen
 
Vom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum DatentreiberVom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum Datentreiber
 
Webinar: BigData - Vom Hype zum Nutzen
Webinar: BigData - Vom Hype zum NutzenWebinar: BigData - Vom Hype zum Nutzen
Webinar: BigData - Vom Hype zum Nutzen
 
Vortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der VertriebsmanagerVortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der Vertriebsmanager
 
Big data im Marketing
Big data im MarketingBig data im Marketing
Big data im Marketing
 
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnenTweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
 
Umsatz steigern mit der SAP Sales Cloud - Wie geht das?
 Umsatz steigern mit der SAP Sales Cloud - Wie geht das? Umsatz steigern mit der SAP Sales Cloud - Wie geht das?
Umsatz steigern mit der SAP Sales Cloud - Wie geht das?
 
Kundenkarten und Machine Learning @MediaMarktSaturn
Kundenkarten und Machine Learning @MediaMarktSaturnKundenkarten und Machine Learning @MediaMarktSaturn
Kundenkarten und Machine Learning @MediaMarktSaturn
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) Kompakt
 
Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der Spur
 
Datentreiber - Wir treiben Ihr Unternehmen voran.
Datentreiber - Wir treiben Ihr Unternehmen voran.Datentreiber - Wir treiben Ihr Unternehmen voran.
Datentreiber - Wir treiben Ihr Unternehmen voran.
 
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
 
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
Inventx - Präsentation Innovationstag Digital Banking Liechtenstein 2015
 
GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...
GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...
GMP-Con 2019 - Enterprise Ausblick, CRM, Machine Learning, Cloud - Siegfried ...
 
Keynote Cross Channel Marketing – Cross Channel Marketing Forum
Keynote Cross Channel Marketing – Cross Channel Marketing Forum Keynote Cross Channel Marketing – Cross Channel Marketing Forum
Keynote Cross Channel Marketing – Cross Channel Marketing Forum
 
Vorschau: Die Inhalte der Studie zur Zukunft des gewerblichen Kreditprozesses
Vorschau: Die Inhalte der Studie zur Zukunft des gewerblichen KreditprozessesVorschau: Die Inhalte der Studie zur Zukunft des gewerblichen Kreditprozesses
Vorschau: Die Inhalte der Studie zur Zukunft des gewerblichen Kreditprozesses
 
Rolle der Banken im Banking der Zukunft. figo GmbH
Rolle der Banken im Banking der Zukunft. figo GmbHRolle der Banken im Banking der Zukunft. figo GmbH
Rolle der Banken im Banking der Zukunft. figo GmbH
 
Potenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzenPotenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzen
 
Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017
 

Mehr von B2B Smartdata GmbH

Smart data-im-marketing germancrm
Smart data-im-marketing germancrmSmart data-im-marketing germancrm
Smart data-im-marketing germancrmB2B Smartdata GmbH
 
BIG DATA ZIELGRUPPEN PROFILIERUNG
BIG DATA ZIELGRUPPEN PROFILIERUNGBIG DATA ZIELGRUPPEN PROFILIERUNG
BIG DATA ZIELGRUPPEN PROFILIERUNGB2B Smartdata GmbH
 
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...B2B Smartdata GmbH
 
Trigger based e mail-Marketing
Trigger based e mail-MarketingTrigger based e mail-Marketing
Trigger based e mail-MarketingB2B Smartdata GmbH
 
Bessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crmBessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crmB2B Smartdata GmbH
 
Database-Marketing - Best Practise !
Database-Marketing - Best Practise !Database-Marketing - Best Practise !
Database-Marketing - Best Practise !B2B Smartdata GmbH
 
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer B2B Smartdata GmbH
 
Kundenwissen transparent machen
Kundenwissen transparent machenKundenwissen transparent machen
Kundenwissen transparent machenB2B Smartdata GmbH
 
Namenstage - Einsatzmöglichkeiten für das Direktmarketing
Namenstage - Einsatzmöglichkeiten für das DirektmarketingNamenstage - Einsatzmöglichkeiten für das Direktmarketing
Namenstage - Einsatzmöglichkeiten für das DirektmarketingB2B Smartdata GmbH
 

Mehr von B2B Smartdata GmbH (16)

Kundensegmentierung
Kundensegmentierung Kundensegmentierung
Kundensegmentierung
 
Smart data-im-marketing germancrm
Smart data-im-marketing germancrmSmart data-im-marketing germancrm
Smart data-im-marketing germancrm
 
BIG DATA ZIELGRUPPEN PROFILIERUNG
BIG DATA ZIELGRUPPEN PROFILIERUNGBIG DATA ZIELGRUPPEN PROFILIERUNG
BIG DATA ZIELGRUPPEN PROFILIERUNG
 
B2bwebscoring marancon
B2bwebscoring maranconB2bwebscoring marancon
B2bwebscoring marancon
 
BIG DATA Broschüre
BIG DATA Broschüre BIG DATA Broschüre
BIG DATA Broschüre
 
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
 
Trigger based e mail-Marketing
Trigger based e mail-MarketingTrigger based e mail-Marketing
Trigger based e mail-Marketing
 
Kundenwanderung beispiel v01
Kundenwanderung beispiel v01Kundenwanderung beispiel v01
Kundenwanderung beispiel v01
 
Big data im B2B Umfeld
Big data im B2B UmfeldBig data im B2B Umfeld
Big data im B2B Umfeld
 
Bessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crmBessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crm
 
Database-Marketing - Best Practise !
Database-Marketing - Best Practise !Database-Marketing - Best Practise !
Database-Marketing - Best Practise !
 
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
 
Kundenwissen transparent machen
Kundenwissen transparent machenKundenwissen transparent machen
Kundenwissen transparent machen
 
Twittermarketing und CRM
Twittermarketing und CRM Twittermarketing und CRM
Twittermarketing und CRM
 
Twitter Marketing
Twitter MarketingTwitter Marketing
Twitter Marketing
 
Namenstage - Einsatzmöglichkeiten für das Direktmarketing
Namenstage - Einsatzmöglichkeiten für das DirektmarketingNamenstage - Einsatzmöglichkeiten für das Direktmarketing
Namenstage - Einsatzmöglichkeiten für das Direktmarketing
 

Crmexpo 2014 stuttgart

  • 1. BI und Big Data 1 BI und Big Data – Machen Sie mehr aus Ihren Daten Stuttgart, den 08.10.2014 Meinert Jacobsen
  • 2. BI und Big Data 2
  • 3. Agenda Daten BI und Big Data Modelle BIG Data Effizienz Statistik -Schutz
  • 4. BI und Big Data 4
  • 5. BI und Big Data 5
  • 7. BI und Big Data 7
  • 8. BI und Big Data 8
  • 9. BI und Big Data 9
  • 10. BI und Big Data 10
  • 12. BI und Big Data Folie 12 Grafische Darstellung China II
  • 13. BI und Big Data 13
  • 14. SUCCESS – Standardisierung von Charts BI und Big Data 14
  • 15. BI und Big Data Folie 15 Datendarstellung Quelle: Hiechert / Partner
  • 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. BI und Big Data Folie 17 Datendarstellung Quelle: Hiechert / Partner
  • 18. BI und Big Data 18
  • 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. 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. 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. 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. BI und Big Data Folie 23 Praxis-Beispiel: Anrede
  • 24. BI und Big Data Folie 24 Praxis-Beispiel: Telefonnummer
  • 25. BI und Big Data Folie 25 Praxis-Beispiel: Letzter Kauf (Recency)
  • 26. BI und Big Data Folie 26 Praxisbeispiel: Kaufzahl (Frequency)
  • 27. BI und Big Data Folie 27 Praxisbeispiel: Umsatz (Monetary)
  • 28. BI und Big Data Folie 28 Praxis-Beispiel: Filialentfernung
  • 29. BI und Big Data Folie 29 Praxisbeispiel: Kundendichte
  • 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. BI und Big Data Folie 31 Praxis-Beispiel: Score-Nutzung
  • 32. BI und Big Data Folie 32 Praxisbeispiel: ROI-Betrachtung
  • 33. BI und Big Data Folie 33 Praxis-Beispiel: ROI-Optimierung
  • 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. BI und Big Data 35 Praxis-Beispiel: B2B – SIGSdatacom
  • 36. BI und Big Data Standard- Reporting Folie 36
  • 37. BI und Big Data Folie 37 Praxis-Beispiel B2B
  • 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. 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. BI und Big Data Folie 40 Praxis-Beispiel B2B
  • 41. BIG Data BI und Big Data Folie 41
  • 42. BI und Big Data Folie 42 Praxis-Beispiel B2B
  • 43. Gartner Hype Cycle BI und Big Data 43
  • 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. 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. BI und Big Data Folie 46
  • 47. BI und Big Data Folie 47
  • 48. BI und Big Data Folie 48
  • 49. BI und Big Data Folie 49
  • 50. BI und Big Data Folie 50
  • 51. BI und Big Data Folie 51
  • 52. BI und Big Data Folie 52
  • 53. BI und Big Data Folie 53
  • 54. BI und Big Data Folie 54
  • 55. BI und Big Data Folie 55
  • 56. BI und Big Data Folie 56
  • 57. BI und Big Data Folie 57
  • 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. 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. 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. BI und Big Data Folie 61 CRM
  • 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. BI und Big Data Folie 63
  • 64. BI und Big Data Folie 64
  • 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. BI und Big Data Folie 66
  • 67. BI und Big Data Folie 67 Kunde
  • 68. BI und Big Data Folie 68
  • 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. … 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. … 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. … für wen wir (u.a.) arbeiten ... BI und Big Data
  • 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. BI und Big Data Folie 74
  • 75. Stand 4.D74 BI und Big Data 75