Vortrag im Rahmen des AIKA Thementages Referent: Meinert Jacobsen Gründer & Inhaber von marancon – Gesellschaft für Marketing, Analyse und Consulting mbH und B2B Smart Data GmbH 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

1. BI und Big Data 1
Big
Data
–
Dem
Kunden
auf
der
Spur
Meinert
Jacobsen
Thementag

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 Data
SUCCESS – Standardisierung von Charts
14

15. BI und Big Data Folie
15
Datendarstellung
Quelle: Hiechert / Partner

16. 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
Datendarstellung
Quelle: Hiechert / Partner

17. BI und Big Data Folie
17
Datendarstellung
Quelle: Hiechert / Partner

18. BI und Big Data
Ø 12 Monatsumsatz je Kundengruppe im Vergleich zum
Vorjahr
Je besser die Kundengruppe, desto höher das Wachstum
+19,2%
+11,7%
+14,8%
+9,2%
4.775
+26%
6.034 26.501
+17%
30.932
86.996
+7%
93.08054.712
+7%
58.543
Ausgangschart
A B
C D

19. BI und Big Data
Ø 12 Monatsumsatz je Kundengruppe im Vergleich zum
Vorjahr
Je besser die Kundengruppe, desto höher das Wachstum
+19,2%
+11,7%
+14,8%
+9,2%
Schritt1: Gitternetzlinien entfernen
A B
C D
4.775
+26%
6.034 26.501
+17%
30.932
86.996
+7%
93.08054.712
+7%
58.543

20. BI und Big Data
Ø 12 Monatsumsatz je Kundengruppe im Vergleich zum
Vorjahr
Je besser die Kundengruppe, desto höher das Wachstum
+19,2%
+11,7%
+14,8%
+9,2%
Schritt2: Achseteilstriche entfernen
A B
C D
4.775
+26%
6.034 26.501
+17%
30.932
86.996
+7%
93.08054.712
+7%
58.543

21. BI und Big Data
Ø 12 Monatsumsatz je Kundengruppe im Vergleich zum
Vorjahr
Je besser die Kundengruppe, desto höher das Wachstum
+19,2%
+11,7%
+14,8%
+9,2%
Schritt3: Achsenskalierung vereinheitlichen
A B
C D
4.775
+26%
6.034 26.501
+17%
30.932
86.996
+7%
93.08054.712
+7%
58.543

22. BI und Big Data
Schritt 4: Diagrammtyp ändern
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
+19,2%
+11,7%
+14,8%
+9,2%
Ø 12 Monatsumsatz je Kundengruppe im Vergleich zum
Vorjahr
Je besser die Kundengruppe, desto höher das Wachstum
A
# Kunden Jan 2015: 4.775 -> Dez 2016: 6.034 (+26%)
B
# Kunden Jan 2015 : 26.501 -> Dez 2016: 30.932 (+17%)
C
# Kunden Jan 2015 : 54.712 -> Dez 2016: 58.543 (+7%)
D
# Kunden Jan 2015 : 86.996 -> Dez 2016: 93.080 (+7%)
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16

23. BI und Big Data
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
Schritt 5: ΔJ% Darstellen, Texte bzw. Botschaft anpassen
Je besser die Kundengruppe, desto höher das Wachstum.
Kunde
XYZ
Ø 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR
2015 und 2016 bzw. ΔJ%
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16 ’15 ’16’15 ’16 ’15 ’16
A
# Kunden Jan 2015: 4.775 -> Dez 2016: 6.034 (+26%)
B
# Kunden Jan 2015 : 26.501 -> Dez 2016: 30.932 (+17%)
C
# Kunden Jan 2015 : 54.712 -> Dez 2016: 58.543 (+7%)
D
# Kunden Jan 2015 : 86.996 -> Dez 2016: 93.080 (+7%)
ΔJ% ΔJ%
ΔJ% ΔJ%

24. BI und Big Data
Schritt 6: Kundenanzahlen, Jahreszahlen entfernen
Je besser die Kundengruppe, desto höher das Wachstum.
Kunde
XYZ
Ø 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR
2015 und 2016 bzw. ΔJ%
A B
C D
ΔJ% ΔJ%
ΔJ% ΔJ%

25. BI und Big Data
Schritt 7: vier Charts nebeneinander anordnen
Je besser die Kundengruppe, desto höher das Wachstum.
Kunde
XYZ
Ø 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR
2015 und 2016 bzw. ΔJ%
A
ΔJ%
B C D

26. BI und Big Data
Schritt 8: Kundenzahl darstellen
Je besser die Kundengruppe, desto höher das Umsatzwachstum.
Kunde
XYZ
Ø 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR, bzw. Kundenzahl in Tausend Kunden
2015 und 2016 bzw. ΔJ%
A
ΔJ%
B C D
EUR
ΔJ%
Tausend Kunden

27. BI und Big Data
Schritt 9: Einige Überschriften teilweise entfernen
Je besser die Kundengruppe, desto höher das Umsatzwachstum.
Kunde
XYZ
Ø 12 Monatsumsatz pro Kunde je Kundengruppe (A-D) im Vergleich zum Vorjahr in EUR, bzw. Kundenzahl in Tausend Kunden
2015 und 2016 bzw. ΔJ%
A
ΔJ%
B C D
EUR
ΔJ%
Tausend Kunden

28. BI und Big Data 28

29. 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.

30. BI und Big Data
Folie
30
• 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

31. BI und Big Data Folie
31
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

32. BI und Big Data
Folie 32
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

33. BI und Big Data
Folie 33
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
Folie 34
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

35. BI und Big Data
Folie 35
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
Folie 36
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
Folie 37
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
Folie 38
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
Folie 39
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
Folie 40
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
Folie 41
Praxis-Beispiel: Alter
23
151
200 186
327
203
323
< 20 20-29 30-39 40-49 50-59 60-69 > 70 fehlt
2

42. BI und Big Data
Folie 42
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

43. BI und Big Data
Folie 43
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%

44. BI und Big Data
Folie 44
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%

45. BI und Big Data
Folie 45
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%

46. BI und Big Data
Folie 46
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%

47. BI und Big Data
Folie 47
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%

48. BI und Big Data
Folie 48
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%

49. BI und Big Data
Folie 49
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
Folie
50
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%

51. BI und Big Data
Folie 51
Praxis-Beispiel: Anrede

52. BI und Big Data
Folie 52
Praxis-Beispiel: Telefonnummer

53. BI und Big Data
Folie 53
Praxis-Beispiel: Letzter Kauf (Recency)

54. BI und Big Data
Folie 54
Praxisbeispiel: Kaufzahl (Frequency)

55. BI und Big Data
Folie 55
Praxisbeispiel: Umsatz (Monetary)

56. BI und Big Data
Folie 56
Praxis-Beispiel: Filialentfernung

57. BI und Big Data
Folie 57
Praxisbeispiel: Kundendichte

58. BI und Big Data
Statistisches
Modell
Anrede
58
Alter Telefon
Entfernung Kundendichte
Recency Frequency Monetary
Reaktion = β*Alter + β*Anrede +β*Telefon + β*Entfernung + β*Kundendichte +
β*Recency + β*Frequency + β*Monetary + …

59. BI und Big Data
Folie 59
Praxis-Beispiel: Score-Nutzung

60. BI und Big Data
Folie 60
Praxisbeispiel: ROI-Betrachtung

61. BI und Big Data
Folie 61
Praxis-Beispiel: ROI-Optimierung

62. BI und Big Data
Folie 62
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

63. BI und Big Data 63
KUNDENSEGMENTE

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 Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez
36%
Durchschnitt, Stammwein, eher Neue Welt, Spanien und
Rest Europa
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 Welt,
Samstag
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, März 9% 10% 15% 6% 3% 6% 5% 5% 7% 7% 7% 18%
6% wenig Käufe, Mittwoch 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. Montags, große Depots. Dezember 8% 9% 9% 7% 7% 7% 6% 6% 5% 7% 8% 21%
4% wenig Aktionsweine, Weißwein, Sekt, wenig Neue Welt 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, hoher Umsatz, viele Flaschen, BIB-­Käufer,
Stammwein, Frankreich
7% 7% 9% 9% 8% 8% 8% 8% 8% 8% 8% 12%
4%
Sehr viele Käufe, sehr hoher Umsatz, sehr viele Flaschen,
Stammwein, hoher Einzelbon
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
ü Umweltschutz
ü Arbeitsplatzsicherheit
ü Zertifizierung
ü 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.
www.ddv.de
44
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:
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 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:mauritiusimages
Jahrbuch
Dialogmarketing
24
Schwerpunkt
BI-SPEKTRUM 04-2008
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-
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
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
BI bei Sigs Datacom: Charts
Business Intelligence bei SIGS DATACOM
Kunden.db
Vornamens-
tabellen
Teilnehmer
Registrier
-ung.db
Kurs-
Teilnehmer
.db
Entfernungs-
tabellen
ad hoc
Auswertungen
Adresslisten
Faxlisten
Standart-
Reportings
Telefonlisten
------
------
------
-------
------
------
------
-------
------
------
------
-------
INPUT OUPUTMarketing-Analyse-Umgebung
Zusammenführung
Anreicherung
Aufbereitung
Analysen
Selektion
Online-Registrierung
Anmeldungen nach Score (5er Gruppen)
1,00%
2,44%
0,19%
0,48%
0%
1%
2%
3%
0-35 35-40 40-45 45+
Reg. Quote
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“