Warum stehen Windeln neben Bierkästen? Warum werden Kleinschokoladen zusammen erworben? Wer kauft morgen bei mir ein? Welche Kunden kaufen was, wann und wie? Dies sind unter anderem spannende Fragen die mit Hilfe von eigenen Daten und BIG DATA unter Nutzung von statistischen Methoden und künstlicher Intelligenz beantwortet werden können. Der Hype um BIG DATA begann 2011 durch die Aufnahme des Themas im weltweit bekannten Gartner Hype Cycle Report. Wachsende Datenberge in den Unternehmen und das Internet treiben Big-Data-Lösungen voran. Big Data gab es aber auch vor 2011. Meinert Jacobsen zeigte an vielen Beispielen, u.a. eines Möbelhändlers, wie sich Marketing-Aktionen durch statistische Verfahren erfolgreicher und kostengünstiger gestalten lassen. Auch im Business-to-Business (B2B) sind solche Analysen hilfreich, sowohl zur Zielgruppen-Definition, wie auch in der Umsetzung. Es wird ein Ausblick zum Thema Echtzeit-Analysen gegeben, insbesondere Finanzdienstleister, Versicherungen, Telekommunikation, Produktion, Energie, Handel, Gesundheit und Mobilität. Der Referent: Meinert Jacobsen ist ein 52er jähriger Familienvater, Marathon-Läufer & Triathlet und Gründer und Inhaber der marancon – Gesellschaft für Marketing, Analyse und Consulting mbH sowie der B2B Smart Data GmbH. Nach dem Studium der Statistik an der LMU München und einer zweijährigen Trainee-Tätigkeit in einem Marktforschungsunternehmen baute Meinert Jacobsen die Kundendatenbank und die Marktforschung der BANK24 auf. Nach der Übernahme der BANK24 durch die Deutsche Bank wurde er Abteilungsleiter für das Kundenbeziehungsmanagement (CRM) der Deutschen Bank 24. Es folgte eine Anstellung bei infas GeoDaten in Bonn (heute nexiga), wo er letztendlich die Geschäftsführung übernahm. Nach dreijähriger leitender Position in der Deutschen Postbank AG für die Themen CRM und Marktforschung gründete Meinert Jacobsen 2006 die marancon GmbH in Bonn, die als Analyse-Agentur für u.a. Jacques Wein-Depot, CeWe Fotobuch, Bayer, Fressnapf, Berge&Meer, XING AG und Titus tätig ist. 2016 gründete er zusammen mit der QUADRESS GmbH aus Bochum das StartUp B2B Smart Data GmbH, das sich erfolgreich der Umsetzung von BIG DATA im B2B Umfeld widmet.

1. BI und Big Data 1
Big Data –
Dem Kunden auf der Spur
Meinert Jacobsen
MC Saar 05.04.2017

2. BI und Big Data 2

3. BI und Big Data 3

4. BI und Big Data 4

5. BI und Big Data
Namechecker

6. BI und Big Data 6

7. BI und Big Data 7

8. BI und Big Data 8

9. BI und Big Data 9

10. BI und Big Data
Intra-Cross-Selling (Food)
Erkennbare Saisoneffekte

11. BI und Big Data Folie 11
http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html
Grafische Darstellung China I

12. BI und Big Data Folie 12
Grafische Darstellung China II

13. BI und Big Data 13

14. BI und Big DataFolie 12

15. BI und Big Data
SUCCESS – Standardisierung von Charts
15

16. BI und Big Data Folie 16
Datendarstellung
Quelle: Hiechert / Partner

17. 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

18. BI und Big Data Folie 18
Datendarstellung
Quelle: Hiechert / Partner

19. BI und Big DataFolie 19
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

20. BI und Big DataFolie 20
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

21. BI und Big DataFolie 21
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

22. BI und Big DataFolie 22
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

23. BI und Big DataFolie 23
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

24. BI und Big DataFolie 24
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

25. BI und Big DataFolie 25
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

26. BI und Big DataFolie 26
Datendarstellung
Quelle: Tobias Riedner http://www.hichert.com/certifications//berater/529

27. BI und Big Data 27

28. 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.

29. 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

30. 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

31. 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

32. 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

33. 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

34. 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

35. 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

36. 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

37. 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

38. 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

39. 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

40. 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

41. 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

42. 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%

43. 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%

44. 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%

45. 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%

46. 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%

47. 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%

48. 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%

49. 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%

50. BI und Big Data
Praxis-Beispiel: Anrede

51. BI und Big Data
Praxis-Beispiel: Telefonnummer

52. BI und Big Data
Praxis-Beispiel: Letzter Kauf (Recency)

53. BI und Big Data
Praxisbeispiel: Kaufzahl (Frequency)

54. BI und Big Data
Praxisbeispiel: Umsatz (Monetary)

55. BI und Big Data
Praxis-Beispiel: Filialentfernung

56. BI und Big Data
Praxisbeispiel: Kundendichte

57. 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 + …

58. BI und Big Data
Praxis-Beispiel: Score-Nutzung

59. BI und Big Data
Praxisbeispiel: ROI-Betrachtung

60. BI und Big Data
Praxis-Beispiel: ROI-Optimierung

61. 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

62. BI und Big Data 62
KUNDENSEGMENTE

63. BI und Big DataFolie 63
Cluster - Sortiment-Umsatz in Mio.
Segmentierung - Aktionsartikelhändler
Ziel: Kundensegmentierungen (Zielgruppenidentifizierung)

64. BI und Big Data
Frauen
Bestkunden
Hobby
Gutschein
Heimtextil
Inaktive
Männer
Kinder
Kosmetik
Einrichtung

65. 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%

66. 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.

67. 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

68. BI und Big Data 68
Neukunden
Bestandskunden
aktive Kunden
+
=
Verlauf Kundensegmente
-11.330 / -13%
2011 2012 2013 2014 2015 2016

69. BI und Big Data 69
Praxis-Beispiel: B2B – SIGSdatacom

70. BI und Big Data Folie 70
Standard-
Reporting

71. BI und Big Data Folie 71
Praxis-Beispiel B2B

72. 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

73. 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 %

74. BI und Big Data Folie 74
Praxis-Beispiel B2B

75. BI und Big Data Folie 75

76. BI und Big Data
B2B Web-Scoring Ansatz
Seite 76Smart Data – München 21.2.2017

77. BI und Big Data
Smart Data – München 21.2.2017

78. BI und Big Data
Smart Data – München 21.2.2017

79. 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

80. BI und Big Data
Begriffe – relative Häufigkeit
Smart Data – München 21.2.2017

81. BI und Big Data
Smart Data – München 21.2.2017

82. 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 ***

83. 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 ***

84. BI und Big Data
Modell- Umsetzung
84Smart Data – München 21.2.2017

85. BI und Big Data
85

86. 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

87. 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

88. BI und Big Data
88

89. BI und Big Data
89
 Umweltschutz
 Arbeitsplatzsicherheit
 Zertifizierung
 Produktqualität

90. BI und Big Data
90

91. BI und Big Data
http://38.media.tumblr.com/89e32ba581ae99a5b0de7a48a3256805/tumblr_nrjsv364B11ssw1h1o1_500.gif

92. BI und Big Data 92

93. 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 …

94. 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

95. 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)

96. BI und Big Data
… für wen wir (u.a.) arbeiten ...

97. BI und Big Data
... und wie wir darüber sprechen.
Jahrbuch
Dialogmarketing
BI-Spektrum Beitrag
„Frauen Klicken anders“