B2B Smartdata GmbH, profile picture
Hochgeladen vonB2B Smartdata GmbH
PPTX, PDF277 aufrufe

Big Data – Dem Kunden auf der Spur

Das Dokument behandelt den Einsatz von Business Intelligence (BI) und Big Data zur Optimierung von Marketingstrategien, insbesondere in der Einzelhandelsbranche. Es werden praktische Beispiele dargestellt, wie durch gezielte Werbung und Analyse von Kundendaten der Umsatz gesteigert und Kosten gesenkt werden können. Zudem wird auf die Bedeutung der Segmentierung von Kunden und deren Profilierung zur gezielten Ansprache eingegangen.

Präsentation einbetten

Downloaden Sie, um offline zu lesen
BI und Big Data 1 Big Data – Dem Kunden auf der Spur Meinert Jacobsen MC Saar 05.04.2017
BI und Big Data 2
BI und Big Data 3
BI und Big Data 4
BI und Big Data Namechecker
BI und Big Data 6
BI und Big Data 7
BI und Big Data 8
BI und Big Data 9
BI und Big Data Intra-Cross-Selling (Food) Erkennbare Saisoneffekte
BI und Big Data Folie 11 http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html Grafische Darstellung China I
BI und Big Data Folie 12 Grafische Darstellung China II
BI und Big Data 13
BI und Big DataFolie 12
BI und Big Data SUCCESS – Standardisierung von Charts 15
BI und Big Data Folie 16 Datendarstellung Quelle: Hiechert / Partner
BI und Big Data 17 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 Datendarstellung Quelle: Hiechert / Partner
BI und Big Data Folie 18 Datendarstellung Quelle: Hiechert / Partner
BI und Big DataFolie 19 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big DataFolie 20 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big DataFolie 21 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big DataFolie 22 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big DataFolie 23 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big DataFolie 24 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big DataFolie 25 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big DataFolie 26 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
BI und Big Data 27
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.
BI und Big Data • 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
BI und Big Data Folie 30 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 Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% 1.8% 0.9% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% 1.8% 0.9% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% 1.8% 0.9% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0%
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1%
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3%
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6%
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8%
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8% 1,7%
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8% 1,7% 0,9%
BI und Big Data Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8% 1,7% 0,9%
BI und Big Data Praxis-Beispiel: Anrede
BI und Big Data Praxis-Beispiel: Telefonnummer
BI und Big Data Praxis-Beispiel: Letzter Kauf (Recency)
BI und Big Data Praxisbeispiel: Kaufzahl (Frequency)
BI und Big Data Praxisbeispiel: Umsatz (Monetary)
BI und Big Data Praxis-Beispiel: Filialentfernung
BI und Big Data Praxisbeispiel: Kundendichte
BI und Big Data Statistisches Modell Anrede 57 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 Praxis-Beispiel: Score-Nutzung
BI und Big Data Praxisbeispiel: ROI-Betrachtung
BI und Big Data Praxis-Beispiel: ROI-Optimierung
BI und Big Data 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 62 KUNDENSEGMENTE
BI und Big DataFolie 63 Cluster - Sortiment-Umsatz in Mio. Segmentierung - Aktionsartikelhändler Ziel: Kundensegmentierungen (Zielgruppenidentifizierung)
BI und Big Data Frauen Bestkunden Hobby Gutschein Heimtextil Inaktive Männer Kinder Kosmetik Einrichtung
BI und Big Data Kundensegmentierung Folie 65 Überdurchschnittlich UnterdurchschnittlichDurchschnittlich Anteil Beschreibung Jan Feb M rz Apr M ai Jun Jul Aug Sep Okt Nov Dez 36% Durchschnitt,Stam m wein,eherNeue W elt,Spanien und RestEuropa 8% 8% 10% 8% 7% 7% 7% 7% 7% 8% 9% 14% 7% Aktionsweine,sonstige Artikel 11% 10% 9% 5% 5% 5% 6% 5% 7% 10% 9% 9% 7% wenig Käufe,wenig Aktionsweine,Italien,wenig Neue W elt, Sam stag 8% 11% 13% 10% 7% 6% 8% 5% 5% 8% 7% 14% 7% wenig Käufe,wenig Aktionsweine,Freitag 8% 10% 10% 8% 7% 5% 7% 5% 7% 7% 7% 18% 6% wenig Käufe,Donnerstag,M ärz 9% 10% 15% 6% 3% 6% 5% 5% 7% 7% 7% 18% 6% wenig Käufe,M ittwoch 9% 10% 13% 6% 7% 7% 5% 7% 5% 8% 9% 15% 8% Dienstag-Käufer 8% 9% 12% 7% 7% 6% 6% 7% 6% 7% 8% 15% 3% wenig Käufe,Sekt.M ontags,große Depots.Dezem ber 8% 9% 9% 7% 7% 7% 6% 6% 5% 7% 8% 21% 4% wenig Aktionsweine,W eißwein,Sekt,wenig Neue W elt 7% 7% 8% 8% 7% 7% 8% 6% 6% 7% 7% 19% 7% Rose,Frankreich,Juni+Juli 6% 7% 9% 8% 9% 11% 13% 8% 6% 6% 7% 10% 6% viele Käufe,hoherUm satz,viele Flaschen,BIB-Käufer, Stam m wein,Frankreich 7% 7% 9% 9% 8% 8% 8% 8% 8% 8% 8% 12% 4% Sehrviele Käufe,sehrhoherUm satz,sehrviele Flaschen, Stam m wein,hoherEinzelbon 7% 7% 8% 9% 8% 8% 8% 7% 7% 8% 9% 14% 8% 9% 10% 8% 7% 7% 7% 6% 7% 8% 8% 14%
BI und Big Data Kundensegmente und Wanderungen zwischen Segmenten 66 Interessenten Personen ohne Kauf Kunden Personen mit mindestens einem Kauf Aktive Kunden Kunden mit mindestens einem Kauf in den letzten 12 Monaten Inaktive Kunden Kunden ohne Kauf in den letzten 12 Monaten Neukunden Kunden mit ersten Kauf in den letzten 12 Monaten Bestandskunden Kunden mit mindestens einem Kauf in den letzten 12 Monaten und mindestens einem weiteren Kauf davor.
BI und Big Data 67 Kunden 680.340 Aktive Kunden MARKT Interessenten 20.736 300.009 > 5 Jahre 182.646 4-5 Jahre 26.288 3-4 Jahre 22.567 2-3 Jahre 22.888 1-2 Jahre 24.884 < 1 Jahr 20.736 Neukunden 40.159 36.944 Bestellungen 43.519 Umsatz 4,69 Mio. Ø WK 108 € Bestandskunden 5.045 33.227 Bestellungen 43.133 Umsatz 5,15 Mio. Ø WK 119 € 73.386 Inaktive Kunden 606.954 34.896 1-2 Jahre: 58.882 2-3 Jahre: 53.481 3-4 Jahre: 47.815 > 5 Jahre : 404.741 4-5 Jahre: 42.035 davon Einmalkunden: 428.675 (71%) (EK: 32.971 – 56%) (EK: 31.554 – 59%) (EK: 29.645 – 62%) (EK: 26.902 – 64%) (EK: 307.603 – 76%) 23.981 17.231 Dauer der Inaktivität: 1-2 Jahre: 3.931 (23%) 2-3 Jahre: 5.182 (30%) 3-4 Jahre: 2.859 (17%) 4-5 Jahre: 1.608 (9%) > 5 Jahre: 3.651 (21%) 3.215 Zeit bis erste Bestellung: 0-1 Jahre: 332 (11%) 1-2 Jahre: 274 (9%) 2-3 Jahre: 145 (5%) 3-4 Jahre: 173 (5%) 4-5 Jahre: 173 (5%) > 5 Jahre: 2.028 (65%) Kanal: online (60%) offline (40%) Agenturnummer: Internet (55%) Google (10%) Affiliate (10%) Katalog (8%) Special (7%) Kanal: online (80%) offline (20%) Agenturnummer: Internet (53%) Google (29%) Affiliate (11%) Special (3%) Kundenbindung (1%) (+17.521) (+40.159) (-1.487) (+41.646) (+218) (-1.705) 50%/20% Anteil E-Mail Adressen/ Anteil DOI 84%/16% 52%/18% 80%/12% 80%/ 19% 69%/23% 68%/24% 76%/20% 81%/16% 70%/ 24% 57%/14% ABC GmbH Bestellungen ab 2004 28%/7% Beispiel Kundenwanderungen im Jahr 2016
BI und Big Data 68 Neukunden Bestandskunden aktive Kunden + = Verlauf Kundensegmente -11.330 / -13% 2011 2012 2013 2014 2015 2016
BI und Big Data 69 Praxis-Beispiel: B2B – SIGSdatacom
BI und Big Data Folie 70 Standard- Reporting
BI und Big Data Folie 71 Praxis-Beispiel B2B
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 72 +49 +49 22833830000 +49 (0) 228 33830000 (0228) 33830000 +49228338300-00 +49 15115675483 Email-Provider Newsletter-Erlaubnis Email-Öffnungen Faxnummer
BI und Big Data Praxis-Beispiel B2B - Telefonnummer 73 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 74 Praxis-Beispiel B2B
BI und Big Data Folie 75
BI und Big Data B2B Web-Scoring Ansatz Seite 76Smart Data – München 21.2.2017
BI und Big Data Smart Data – München 21.2.2017
BI und Big Data Smart Data – München 21.2.2017
BI und Big Data Wort Häufigkeit KAUF 3 BAUTRAEGER 2 SEITE 2 UEBERGABE 2 WOHNUNG 2 STARTSEITE 1 WOHNIMMOBILIEN 1 WOHNGRUNDSTUECKE 1 GEWERBEIMMOBILIEN 1 HALLEN 1 PRODUKTION 1 BESTANDSIMMOBILIEN 1 KONTAKT 1 IMPRESSUM 1 FIRMA 1 LEITUNG 1 HERRN 1 … … Smart Data – München 21.2.2017
BI und Big Data Begriffe – relative Häufigkeit Smart Data – München 21.2.2017
BI und Big Data Smart Data – München 21.2.2017
BI und Big Data Von der Tag-Cloud zum Modell 82Smart Data – München 21.2.2017 Wort Koeffizient Signifikanz ACHSENABSCHITT -3524,3 *** Wort Koeffizient Signifikanz ACHSENABSCHITT -3524,3 *** KARRIERE 844,5 *** HRB 792,6 *** ENGLISCH 582,9 *** DIN 568,7 ** ANLAGEN 567,9 *** PRODUKTEN 533,1 *** ENGAGEMENT 451,2 * STANDORT 433,4 *** MITARBEITERN 310,2 ** STANDARDS 300,1 ** INDUSTRIE 290,0 *** TRANSPORT 275,1 *** OPTIMAL 271,5 SERVICES 261,8 ** UNTERNEHMENS 232,4 ** ••• PRODUKTION 33,4 ** TECHNOLOGIE 31,7 *** LIEFERUNG -8,1 * ANFORDERUNGEN -12,7 ** SYSTEME -56,5 ** INTERNATIONAL -80,1 ** CAN -93,6 *** FREE -104,2 ** WELTWEIT -117,5 * CO -137,8 *** VERFUEGEN -153,7 *** WE -229,9 ** 844,5 *** 792,6 *** 582,9 *** -237,5 *** -316,7 *** -485,9 ***
BI und Big Data Modell- Darstellung 83Smart Data – München 21.2.2017 KARRIERE HRB ENGLISCH DIN ANLAGEN PRODUKTEN ENGAGEMENT STANDORT MITARBEITERN STANDARDS INDUSTRIE TRANSPORT OPTIMAL SERVICES UNTERNEHMENS PRODUKTION TECHNOLOGIE LIEFERUNG ANFORDERUNGEN SYSTEME INTERNATIONAL CAN FREE WELTWEIT CO VERFUEGEN WE TECHNISCHEN HERSTELLER MATERIAL Wort Koeffizient Signifikanz ACHSENABSCHITT -3524,3 *** KARRIERE 844,5 *** HRB 792,6 *** ENGLISCH 582,9 *** DIN 568,7 ** ANLAGEN 567,9 *** PRODUKTEN 533,1 *** ENGAGEMENT 451,2 * STANDORT 433,4 *** MITARBEITERN 310,2 ** STANDARDS 300,1 ** INDUSTRIE 290,0 *** TRANSPORT 275,1 *** OPTIMAL 271,5 SERVICES 261,8 ** UNTERNEHMENS 232,4 ** ••• PRODUKTION 33,4 ** TECHNOLOGIE 31,7 *** LIEFERUNG -8,1 * ANFORDERUNGEN -12,7 ** SYSTEME -56,5 ** INTERNATIONAL -80,1 ** CAN -93,6 *** FREE -104,2 ** WELTWEIT -117,5 * CO -137,8 *** VERFUEGEN -153,7 *** WE -229,9 ** TECHNISCHEN -237,5 *** HERSTELLER -316,7 *** MATERIAL -485,9 ***
BI und Big Data Modell- Umsetzung 84Smart Data – München 21.2.2017
BI und Big Data 85
BI und Big Data Hochkombi mit Ladevolumen ca. 3,5 m3 Kastenwagen mit max. 7 m3 Ladevolumen Kleintransporter mit 17 m3 Ladevol. Smart Data – München 21.2.2017
BI und Big Data 87  70 Projektkunden eines Energieversorgers, die LED-Umrüstungen umgesetzt oder beauftragt haben  Ziel: Bewertung von 10.000 Bestandskunden hinsichtlich ihres LED- Umrüst-Potenzials (Top-Down Kundenliste je Vertriebsmitarbeiter)  Bisher: Primäre Verkaufsargumente für LED sind Energieverbrauch und Unterhaltungskosten
BI und Big Data 88
BI und Big Data 89  Umweltschutz  Arbeitsplatzsicherheit  Zertifizierung  Produktqualität
BI und Big Data 90
BI und Big Data http://38.media.tumblr.com/89e32ba581ae99a5b0de7a48a3256805/tumblr_nrjsv364B11ssw1h1o1_500.gif
BI und Big Data 92
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 …
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
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. Jahrbuch Dialogmarketing BI-Spektrum Beitrag „Frauen Klicken anders“

Weitere ähnliche Inhalte

PDF
Big Data – Dem Kunden auf der Spur
vonB2B Smartdata GmbH
 
PDF
Crmexpo 2014 stuttgart
vonB2B Smartdata GmbH
 
PPTX
Big Data – Dem Kunden auf der Spur
vonB2B Smartdata GmbH
 
PDF
Big Data: Kunden auf der Spur
vonB2B Smartdata GmbH
 
PDF
E-Commerce im Zeitalter von Big Data
vonBettina Urwyler
 
PDF
Kundensegmentierung
vonB2B Smartdata GmbH
 
PPTX
Big Data – Dem Kunden auf der Spur
vonB2B Smartdata GmbH
 
PPTX
Ein Loch ist im Eimer
vonB2B Smartdata GmbH
 
Big Data – Dem Kunden auf der Spur
vonB2B Smartdata GmbH
 
Crmexpo 2014 stuttgart
vonB2B Smartdata GmbH
 
Big Data – Dem Kunden auf der Spur
vonB2B Smartdata GmbH
 
Big Data: Kunden auf der Spur
vonB2B Smartdata GmbH
 
E-Commerce im Zeitalter von Big Data
vonBettina Urwyler
 
Kundensegmentierung
vonB2B Smartdata GmbH
 
Big Data – Dem Kunden auf der Spur
vonB2B Smartdata GmbH
 
Ein Loch ist im Eimer
vonB2B Smartdata GmbH
 

Mehr von B2B Smartdata GmbH

PDF
Smart data-im-marketing germancrm
vonB2B Smartdata GmbH
 
PPTX
BIG DATA ZIELGRUPPEN PROFILIERUNG
vonB2B Smartdata GmbH
 
PDF
B2bwebscoring marancon
vonB2B Smartdata GmbH
 
PDF
BIG DATA Broschüre
vonB2B Smartdata GmbH
 
PDF
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
vonB2B Smartdata GmbH
 
PDF
Trigger based e mail-Marketing
vonB2B Smartdata GmbH
 
PDF
Kundenwanderung beispiel v01
vonB2B Smartdata GmbH
 
PDF
Big data im B2B Umfeld
vonB2B Smartdata GmbH
 
PDF
Bessere kommunikation dank analystischem crm
vonB2B Smartdata GmbH
 
PDF
Database-Marketing - Best Practise !
vonB2B Smartdata GmbH
 
PDF
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
vonB2B Smartdata GmbH
 
PDF
Kundenwissen transparent machen
vonB2B Smartdata GmbH
 
PDF
Twittermarketing und CRM
vonB2B Smartdata GmbH
 
PDF
Twitter Marketing
vonB2B Smartdata GmbH
 
PDF
Namenstage - Einsatzmöglichkeiten für das Direktmarketing
vonB2B Smartdata GmbH
 
Smart data-im-marketing germancrm
vonB2B Smartdata GmbH
 
BIG DATA ZIELGRUPPEN PROFILIERUNG
vonB2B Smartdata GmbH
 
B2bwebscoring marancon
vonB2B Smartdata GmbH
 
BIG DATA Broschüre
vonB2B Smartdata GmbH
 
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
vonB2B Smartdata GmbH
 
Trigger based e mail-Marketing
vonB2B Smartdata GmbH
 
Kundenwanderung beispiel v01
vonB2B Smartdata GmbH
 
Big data im B2B Umfeld
vonB2B Smartdata GmbH
 
Bessere kommunikation dank analystischem crm
vonB2B Smartdata GmbH
 
Database-Marketing - Best Practise !
vonB2B Smartdata GmbH
 
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
vonB2B Smartdata GmbH
 
Kundenwissen transparent machen
vonB2B Smartdata GmbH
 
Twittermarketing und CRM
vonB2B Smartdata GmbH
 
Twitter Marketing
vonB2B Smartdata GmbH
 
Namenstage - Einsatzmöglichkeiten für das Direktmarketing
vonB2B Smartdata GmbH
 

Big Data – Dem Kunden auf der Spur

  • 1.
    BI und BigData 1 Big Data – Dem Kunden auf der Spur Meinert Jacobsen MC Saar 05.04.2017
  • 2.
    BI und BigData 2
  • 3.
    BI und BigData 3
  • 4.
    BI und BigData 4
  • 5.
    BI und BigData Namechecker
  • 6.
    BI und BigData 6
  • 7.
    BI und BigData 7
  • 8.
    BI und BigData 8
  • 9.
    BI und BigData 9
  • 10.
    BI und BigData Intra-Cross-Selling (Food) Erkennbare Saisoneffekte
  • 11.
    BI und BigData Folie 11 http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html Grafische Darstellung China I
  • 12.
    BI und BigData Folie 12 Grafische Darstellung China II
  • 13.
    BI und BigData 13
  • 14.
    BI und BigDataFolie 12
  • 15.
    BI und BigData SUCCESS – Standardisierung von Charts 15
  • 16.
    BI und BigData Folie 16 Datendarstellung Quelle: Hiechert / Partner
  • 17.
    BI und BigData 17 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 Datendarstellung Quelle: Hiechert / Partner
  • 18.
    BI und BigData Folie 18 Datendarstellung Quelle: Hiechert / Partner
  • 19.
    BI und BigDataFolie 19 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 20.
    BI und BigDataFolie 20 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 21.
    BI und BigDataFolie 21 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 22.
    BI und BigDataFolie 22 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 23.
    BI und BigDataFolie 23 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 24.
    BI und BigDataFolie 24 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 25.
    BI und BigDataFolie 25 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 26.
    BI und BigDataFolie 26 Datendarstellung Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529
  • 27.
    BI und BigData 27
  • 28.
    BI und BigData 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.
  • 29.
    BI und BigData • 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
  • 30.
    BI und BigData Folie 30 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
  • 31.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% 1.8% 0.9% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
  • 32.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% 1.8% 0.9% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 33.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% 1.8% 0.9% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 34.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 35.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 36.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 37.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 38.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 39.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 40.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 2
  • 41.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
  • 42.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0%
  • 43.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1%
  • 44.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3%
  • 45.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6%
  • 46.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8%
  • 47.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8% 1,7%
  • 48.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8% 1,7% 0,9%
  • 49.
    BI und BigData Praxis-Beispiel: Alter 23 151 200 186 327 203 323 0.6% < 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt 1,0% 1,1% 1,3% 1,6% 1,8% 1,7% 0,9%
  • 50.
    BI und BigData Praxis-Beispiel: Anrede
  • 51.
    BI und BigData Praxis-Beispiel: Telefonnummer
  • 52.
    BI und BigData Praxis-Beispiel: Letzter Kauf (Recency)
  • 53.
    BI und BigData Praxisbeispiel: Kaufzahl (Frequency)
  • 54.
    BI und BigData Praxisbeispiel: Umsatz (Monetary)
  • 55.
    BI und BigData Praxis-Beispiel: Filialentfernung
  • 56.
    BI und BigData Praxisbeispiel: Kundendichte
  • 57.
    BI und BigData Statistisches Modell Anrede 57 Alter Telefon Entfernung Kundendichte Recency Frequency Monetary Reaktion = β*Alter + β*Anrede +β*Telefon + β*Entfernung + β*Kundendichte + β*Recency + β*Frequency + β*Monetary + …
  • 58.
    BI und BigData Praxis-Beispiel: Score-Nutzung
  • 59.
    BI und BigData Praxisbeispiel: ROI-Betrachtung
  • 60.
    BI und BigData Praxis-Beispiel: ROI-Optimierung
  • 61.
    BI und BigData 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
  • 62.
    BI und BigData 62 KUNDENSEGMENTE
  • 63.
    BI und BigDataFolie 63 Cluster - Sortiment-Umsatz in Mio. Segmentierung - Aktionsartikelhändler Ziel: Kundensegmentierungen (Zielgruppenidentifizierung)
  • 64.
    BI und BigData Frauen Bestkunden Hobby Gutschein Heimtextil Inaktive Männer Kinder Kosmetik Einrichtung
  • 65.
    BI und BigData Kundensegmentierung Folie 65 Überdurchschnittlich UnterdurchschnittlichDurchschnittlich Anteil Beschreibung Jan Feb M rz Apr M ai Jun Jul Aug Sep Okt Nov Dez 36% Durchschnitt,Stam m wein,eherNeue W elt,Spanien und RestEuropa 8% 8% 10% 8% 7% 7% 7% 7% 7% 8% 9% 14% 7% Aktionsweine,sonstige Artikel 11% 10% 9% 5% 5% 5% 6% 5% 7% 10% 9% 9% 7% wenig Käufe,wenig Aktionsweine,Italien,wenig Neue W elt, Sam stag 8% 11% 13% 10% 7% 6% 8% 5% 5% 8% 7% 14% 7% wenig Käufe,wenig Aktionsweine,Freitag 8% 10% 10% 8% 7% 5% 7% 5% 7% 7% 7% 18% 6% wenig Käufe,Donnerstag,M ärz 9% 10% 15% 6% 3% 6% 5% 5% 7% 7% 7% 18% 6% wenig Käufe,M ittwoch 9% 10% 13% 6% 7% 7% 5% 7% 5% 8% 9% 15% 8% Dienstag-Käufer 8% 9% 12% 7% 7% 6% 6% 7% 6% 7% 8% 15% 3% wenig Käufe,Sekt.M ontags,große Depots.Dezem ber 8% 9% 9% 7% 7% 7% 6% 6% 5% 7% 8% 21% 4% wenig Aktionsweine,W eißwein,Sekt,wenig Neue W elt 7% 7% 8% 8% 7% 7% 8% 6% 6% 7% 7% 19% 7% Rose,Frankreich,Juni+Juli 6% 7% 9% 8% 9% 11% 13% 8% 6% 6% 7% 10% 6% viele Käufe,hoherUm satz,viele Flaschen,BIB-Käufer, Stam m wein,Frankreich 7% 7% 9% 9% 8% 8% 8% 8% 8% 8% 8% 12% 4% Sehrviele Käufe,sehrhoherUm satz,sehrviele Flaschen, Stam m wein,hoherEinzelbon 7% 7% 8% 9% 8% 8% 8% 7% 7% 8% 9% 14% 8% 9% 10% 8% 7% 7% 7% 6% 7% 8% 8% 14%
  • 66.
    BI und BigData Kundensegmente und Wanderungen zwischen Segmenten 66 Interessenten Personen ohne Kauf Kunden Personen mit mindestens einem Kauf Aktive Kunden Kunden mit mindestens einem Kauf in den letzten 12 Monaten Inaktive Kunden Kunden ohne Kauf in den letzten 12 Monaten Neukunden Kunden mit ersten Kauf in den letzten 12 Monaten Bestandskunden Kunden mit mindestens einem Kauf in den letzten 12 Monaten und mindestens einem weiteren Kauf davor.
  • 67.
    BI und BigData 67 Kunden 680.340 Aktive Kunden MARKT Interessenten 20.736 300.009 > 5 Jahre 182.646 4-5 Jahre 26.288 3-4 Jahre 22.567 2-3 Jahre 22.888 1-2 Jahre 24.884 < 1 Jahr 20.736 Neukunden 40.159 36.944 Bestellungen 43.519 Umsatz 4,69 Mio. Ø WK 108 € Bestandskunden 5.045 33.227 Bestellungen 43.133 Umsatz 5,15 Mio. Ø WK 119 € 73.386 Inaktive Kunden 606.954 34.896 1-2 Jahre: 58.882 2-3 Jahre: 53.481 3-4 Jahre: 47.815 > 5 Jahre : 404.741 4-5 Jahre: 42.035 davon Einmalkunden: 428.675 (71%) (EK: 32.971 – 56%) (EK: 31.554 – 59%) (EK: 29.645 – 62%) (EK: 26.902 – 64%) (EK: 307.603 – 76%) 23.981 17.231 Dauer der Inaktivität: 1-2 Jahre: 3.931 (23%) 2-3 Jahre: 5.182 (30%) 3-4 Jahre: 2.859 (17%) 4-5 Jahre: 1.608 (9%) > 5 Jahre: 3.651 (21%) 3.215 Zeit bis erste Bestellung: 0-1 Jahre: 332 (11%) 1-2 Jahre: 274 (9%) 2-3 Jahre: 145 (5%) 3-4 Jahre: 173 (5%) 4-5 Jahre: 173 (5%) > 5 Jahre: 2.028 (65%) Kanal: online (60%) offline (40%) Agenturnummer: Internet (55%) Google (10%) Affiliate (10%) Katalog (8%) Special (7%) Kanal: online (80%) offline (20%) Agenturnummer: Internet (53%) Google (29%) Affiliate (11%) Special (3%) Kundenbindung (1%) (+17.521) (+40.159) (-1.487) (+41.646) (+218) (-1.705) 50%/20% Anteil E-Mail Adressen/ Anteil DOI 84%/16% 52%/18% 80%/12% 80%/ 19% 69%/23% 68%/24% 76%/20% 81%/16% 70%/ 24% 57%/14% ABC GmbH Bestellungen ab 2004 28%/7% Beispiel Kundenwanderungen im Jahr 2016
  • 68.
    BI und BigData 68 Neukunden Bestandskunden aktive Kunden + = Verlauf Kundensegmente -11.330 / -13% 2011 2012 2013 2014 2015 2016
  • 69.
    BI und BigData 69 Praxis-Beispiel: B2B – SIGSdatacom
  • 70.
    BI und BigData Folie 70 Standard- Reporting
  • 71.
    BI und BigData Folie 71 Praxis-Beispiel B2B
  • 72.
    BI und BigData 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 72 +49 +49 22833830000 +49 (0) 228 33830000 (0228) 33830000 +49228338300-00 +49 15115675483 Email-Provider Newsletter-Erlaubnis Email-Öffnungen Faxnummer
  • 73.
    BI und BigData Praxis-Beispiel B2B - Telefonnummer 73 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 %
  • 74.
    BI und BigData Folie 74 Praxis-Beispiel B2B
  • 75.
    BI und BigData Folie 75
  • 76.
    BI und BigData B2B Web-Scoring Ansatz Seite 76Smart Data – München 21.2.2017
  • 77.
    BI und BigData Smart Data – München 21.2.2017
  • 78.
    BI und BigData Smart Data – München 21.2.2017
  • 79.
    BI und BigData Wort Häufigkeit KAUF 3 BAUTRAEGER 2 SEITE 2 UEBERGABE 2 WOHNUNG 2 STARTSEITE 1 WOHNIMMOBILIEN 1 WOHNGRUNDSTUECKE 1 GEWERBEIMMOBILIEN 1 HALLEN 1 PRODUKTION 1 BESTANDSIMMOBILIEN 1 KONTAKT 1 IMPRESSUM 1 FIRMA 1 LEITUNG 1 HERRN 1 … … Smart Data – München 21.2.2017
  • 80.
    BI und BigData Begriffe – relative Häufigkeit Smart Data – München 21.2.2017
  • 81.
    BI und BigData Smart Data – München 21.2.2017
  • 82.
    BI und BigData Von der Tag-Cloud zum Modell 82Smart Data – München 21.2.2017 Wort Koeffizient Signifikanz ACHSENABSCHITT -3524,3 *** Wort Koeffizient Signifikanz ACHSENABSCHITT -3524,3 *** KARRIERE 844,5 *** HRB 792,6 *** ENGLISCH 582,9 *** DIN 568,7 ** ANLAGEN 567,9 *** PRODUKTEN 533,1 *** ENGAGEMENT 451,2 * STANDORT 433,4 *** MITARBEITERN 310,2 ** STANDARDS 300,1 ** INDUSTRIE 290,0 *** TRANSPORT 275,1 *** OPTIMAL 271,5 SERVICES 261,8 ** UNTERNEHMENS 232,4 ** ••• PRODUKTION 33,4 ** TECHNOLOGIE 31,7 *** LIEFERUNG -8,1 * ANFORDERUNGEN -12,7 ** SYSTEME -56,5 ** INTERNATIONAL -80,1 ** CAN -93,6 *** FREE -104,2 ** WELTWEIT -117,5 * CO -137,8 *** VERFUEGEN -153,7 *** WE -229,9 ** 844,5 *** 792,6 *** 582,9 *** -237,5 *** -316,7 *** -485,9 ***
  • 83.
    BI und BigData Modell- Darstellung 83Smart Data – München 21.2.2017 KARRIERE HRB ENGLISCH DIN ANLAGEN PRODUKTEN ENGAGEMENT STANDORT MITARBEITERN STANDARDS INDUSTRIE TRANSPORT OPTIMAL SERVICES UNTERNEHMENS PRODUKTION TECHNOLOGIE LIEFERUNG ANFORDERUNGEN SYSTEME INTERNATIONAL CAN FREE WELTWEIT CO VERFUEGEN WE TECHNISCHEN HERSTELLER MATERIAL Wort Koeffizient Signifikanz ACHSENABSCHITT -3524,3 *** KARRIERE 844,5 *** HRB 792,6 *** ENGLISCH 582,9 *** DIN 568,7 ** ANLAGEN 567,9 *** PRODUKTEN 533,1 *** ENGAGEMENT 451,2 * STANDORT 433,4 *** MITARBEITERN 310,2 ** STANDARDS 300,1 ** INDUSTRIE 290,0 *** TRANSPORT 275,1 *** OPTIMAL 271,5 SERVICES 261,8 ** UNTERNEHMENS 232,4 ** ••• PRODUKTION 33,4 ** TECHNOLOGIE 31,7 *** LIEFERUNG -8,1 * ANFORDERUNGEN -12,7 ** SYSTEME -56,5 ** INTERNATIONAL -80,1 ** CAN -93,6 *** FREE -104,2 ** WELTWEIT -117,5 * CO -137,8 *** VERFUEGEN -153,7 *** WE -229,9 ** TECHNISCHEN -237,5 *** HERSTELLER -316,7 *** MATERIAL -485,9 ***
  • 84.
    BI und BigData Modell- Umsetzung 84Smart Data – München 21.2.2017
  • 85.
    BI und BigData 85
  • 86.
    BI und BigData Hochkombi mit Ladevolumen ca. 3,5 m3 Kastenwagen mit max. 7 m3 Ladevolumen Kleintransporter mit 17 m3 Ladevol. Smart Data – München 21.2.2017
  • 87.
    BI und BigData 87  70 Projektkunden eines Energieversorgers, die LED-Umrüstungen umgesetzt oder beauftragt haben  Ziel: Bewertung von 10.000 Bestandskunden hinsichtlich ihres LED- Umrüst-Potenzials (Top-Down Kundenliste je Vertriebsmitarbeiter)  Bisher: Primäre Verkaufsargumente für LED sind Energieverbrauch und Unterhaltungskosten
  • 88.
    BI und BigData 88
  • 89.
    BI und BigData 89  Umweltschutz  Arbeitsplatzsicherheit  Zertifizierung  Produktqualität
  • 90.
    BI und BigData 90
  • 91.
    BI und BigData http://38.media.tumblr.com/89e32ba581ae99a5b0de7a48a3256805/tumblr_nrjsv364B11ssw1h1o1_500.gif
  • 92.
    BI und BigData 92
  • 93.
    BI und BigData 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 …
  • 94.
    BI und BigData … was wir können … Praxiserfahrung im Umfeld von - Finanzdienstleistungen - Versandhandel - Dienstleistungen - Verlagen/Konferenzveranstaltern - stationärem Einzelhandel Methodenerfahrung - IT/Datenbankerfahrung - komplette multivariate/statistische/mathematische Klaviatur - Geomarketing - Adressdatenbanken
  • 95.
    BI und BigData … 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)
  • 96.
    BI und BigData … für wen wir (u.a.) arbeiten ...
  • 97.
    BI und BigData ... und wie wir darüber sprechen. Jahrbuch Dialogmarketing BI-Spektrum Beitrag „Frauen Klicken anders“