SlideShare ist ein Scribd-Unternehmen logo
BI und Big Data 	
   1	
  
Big Data: Kunden auf der Spur
Dortmund, den 31.03.2014
Meinert Jacobsen
BI und Big Data 	
   2	
  
BI und Big Data 	
  
Agenda
Daten
Modelle
BIG Data
Effizienz
Statistik
-Schutz
BI und Big Data 	
   4	
  
BI und Big Data 	
   5	
  
BI und Big Data 	
  
Namechecker
BI und Big Data 	
   7	
  
BI und Big Data 	
   8	
  
BI und Big Data 	
   9	
  
https://www.youtube.com/watch?v=CipsLFB8KFk
BI und Big Data 	
   10	
  
BI und Big Data 	
   11	
  
BI und Big Data 	
   Folie	
  12	
  
http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html
Grafische Darstellung China I
BI und Big Data 	
   Folie	
  13	
  
Grafische Darstellung China II
BI und Big Data 	
   14	
  
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 	
  
Folie 16
•  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 17
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 18
Praxis-Beispiel: Alter
BI und Big Data 	
  
Folie 19
Praxis-Beispiel: Anrede
BI und Big Data 	
  
Folie 20
Praxis-Beispiel: Telefonnummer
BI und Big Data 	
  
Folie 21
Praxis-Beispiel: Kaufanzahl (Frequency)
BI und Big Data 	
  
Folie 22
Praxisbeispiel: Umsatz (Monetary)
BI und Big Data 	
  
Folie 23
Reaktionsverhalten nach Datum letzter Kauf
0
1.000
2.000
3.000
4.000
5.000
6.000
7.000
vorher F	
  02 A	
  02 J 	
  02 A	
  02 O	
  02 D	
  02 F	
  03 A	
  03 J 	
  03 A	
  03 O	
  03 D	
  03 F	
  04 A	
  04 J 	
  04 A	
  04 O	
  04 D	
  04 F	
  05 A	
  05 J 	
  05 A	
  05 O	
  05 D	
  05
Datum Letzter Kauf
AnzahlReagierer
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
9,00%
10,00%
Reaktionsquote
Anzahl Reagierer
Reaktionsquote
Praxisbeispiel: Letzter Kauf (Recency)
BI und Big Data 	
  
Folie 24
Praxis-Beispiel: Filialentfernung
BI und Big Data 	
  
Folie 25
Praxisbeispiel: Kundendichte
BI und Big Data 	
  
Folie 26
Praxis-Beispiel: Score-Nutzung
BI und Big Data 	
  
Folie 27
Praxisbeispiel: ROI-Betrachtung
BI und Big Data 	
  
Folie 28
Praxis-Beispiel: ROI-Optimierung
BI und Big Data 	
  
Folie 29
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 8-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 	
   30	
  
Praxis-Beispiel: B2B – SIGSdatacom
BI und Big Data 	
   Folie	
  31	
  
Standard-
Reporting
BI und Big Data 	
   Folie	
  32	
  
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
33	
  
+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
34	
  
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	
  35	
  
Praxis-Beispiel B2B
BI und Big Data 	
  
Gartner Hype Cycle
36	
  
BI und Big Data 	
   37	
  
Erfassung
•  Datenquellen
•  Datenmanagement
Analyse
•  Berechnungen
•  Explorative Analyse
•  Induktive Analyse
Umsetzung
. Ergebnisse in
Geschäftsprozesse
integrieren
Kombination aus Technik, Organisation und Geschäftsmodell
BI und Big Data 	
  
BIG Data Definition
•  Sammlung
•  Sichtung
•  Aufbereitung (Normierung/Standardisierung),
•  Verknüpfung
•  Qualifizierung
•  Gewichtung
•  Analyse
•  Interpretation
von Daten
38	
  
und Ableitung von Maßnahmen daraus.
BI und Big Data 	
   39	
  
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
Einsatzgebiete
BI und Big Data 	
   Folie	
  40	
  
BI und Big Data 	
   Folie	
  41	
  
BI und Big Data 	
   Folie	
  42	
  
BI und Big Data 	
   Folie	
  43	
  
BI und Big Data 	
   Folie	
  44	
  
BI und Big Data 	
   Folie	
  45	
  
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 	
  
Erfolgreich	
  
ins	
  Ziel	
  –	
  mit	
  
treffsicheren	
  
Prognosen!	
  
Die	
  Vorteile	
  der	
  Nutzung	
  von	
  Big	
  Data-­‐Analyse	
  für	
  
Vertrieb	
  und	
  MarkeEng	
  
Durch	
  OpEmierung	
  	
  
der	
  Prozesse	
  die	
  	
  
Kosten	
  senken	
  
Arbeitszeiten	
  der	
  
Vertriebsmit-­‐
arbeiter	
  effekEver	
  
gestalten	
  
Keine	
  verpasste	
  
Umsatzchancen	
  	
  
mehr	
  
Gezielt	
  
umsatzstarke	
  
potenzielle	
  
Neukunden	
  
ansprechen	
   Erschließung	
  
neuer	
  Bereiche	
  &	
  
WeNbewerbs-­‐
vorteile	
  
Umsatz-­‐
wachstum	
  
BI und Big Data 	
  
Big	
  Data	
  –	
  Zusammenwirkung	
  dreier	
  großer	
  
Technologietrends	
  
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	
  
BI und Big Data 	
  
Prozessablauf:	
  	
  Big	
  Data	
  Analyse	
  für	
  Qualifizierung	
  der	
  
Adressen	
  im	
  Vertrieb	
  und	
  MarkeEng	
  Bereich	
  
Score	
  –	
  	
  
Modell	
  
Daten-­‐	
  
Lieferung	
  
Daten-­‐
auswertung	
  
Crawlen	
   Keyword	
  –
Analyse	
  
PrognosEsche	
  
Analyse	
  
Auslieferung	
  
KLEINER	
  AUFWAND	
  –	
  GROSSE	
  CHANCEN	
  
Verarbeitung	
  
der	
  Big	
  Data:	
  
Analyse	
  der	
  
relevanten	
  
Keywords	
  
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	
  
101
110	
  
BI und Big Data 	
   Folie	
  55	
  
BI und Big Data 	
  
Anwendungsszenario:	
  Score-­‐Modell-­‐Erstellung	
  
anhand	
  von	
  Bestandskunden	
  zur	
  	
  Bewertung	
  neuer	
  
Firmenadressen	
  
h2p://www.	
  
h2p://www.	
  
h2p://www.	
  
h2p://www.	
  
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	
  57	
  
BI und Big Data 	
   Folie	
  58	
  
BI und Big Data 	
  
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	
  
Auswertung	
  neuer	
  Firmenadressen	
  	
  
miNels	
  Scoring	
  
MiNe	
  
TOP	
  
Flop	
  
Exemplarisches	
  Analyse-­‐Ergebnis	
  
BI und Big Data 	
   Folie	
  60	
  
BI und Big Data 	
   Folie	
  61	
  
BI und Big Data 	
   Folie	
  62	
  
BI und Big Data 	
   Folie	
  63	
  
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.
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“

Weitere ähnliche Inhalte

Was ist angesagt?

Big/Smart/Fast Data – a very compact overview
Big/Smart/Fast Data – a very compact overviewBig/Smart/Fast Data – a very compact overview
Big/Smart/Fast Data – a very compact overviewOMM Solutions GmbH
 
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4jGraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4jNeo4j
 
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Spark Summit
 
Neo4j Use Cases - Graphdatenbanken im Einsatz
Neo4j Use Cases - Graphdatenbanken im EinsatzNeo4j Use Cases - Graphdatenbanken im Einsatz
Neo4j Use Cases - Graphdatenbanken im EinsatzNeo4j
 
Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-PlattformAnalytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-PlattformRising Media Ltd.
 
Google Data Studio – Erklärung und Einführung
Google Data Studio – Erklärung und EinführungGoogle Data Studio – Erklärung und Einführung
Google Data Studio – Erklärung und EinführungSimon Flück
 
Big Data Anwendungen und Infrastrukturen
Big Data Anwendungen und InfrastrukturenBig Data Anwendungen und Infrastrukturen
Big Data Anwendungen und InfrastrukturenFujitsu Central Europe
 
Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...
Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...
Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...Stephan Reimann
 
Data Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQLData Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQLFromDual GmbH
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesComsysto Reply GmbH
 
Azure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die CloudAzure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die Cloudinovex GmbH
 
BARC Studie Webinar: Ausgereifte Analysen mit Apache Hadoop
BARC Studie Webinar: Ausgereifte Analysen mit Apache HadoopBARC Studie Webinar: Ausgereifte Analysen mit Apache Hadoop
BARC Studie Webinar: Ausgereifte Analysen mit Apache HadoopCloudera, Inc.
 
Data Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeData Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeTorsten Glunde
 

Was ist angesagt? (15)

Big/Smart/Fast Data – a very compact overview
Big/Smart/Fast Data – a very compact overviewBig/Smart/Fast Data – a very compact overview
Big/Smart/Fast Data – a very compact overview
 
Wirksames Stammdatenmanagement
Wirksames StammdatenmanagementWirksames Stammdatenmanagement
Wirksames Stammdatenmanagement
 
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4jGraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
GraphTalk Berlin - Deutschlands erstes Entscheidernetzwerk mit Neo4j
 
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
Clickstream Analysis with Spark—Understanding Visitors in Realtime by Josef A...
 
Neo4j Use Cases - Graphdatenbanken im Einsatz
Neo4j Use Cases - Graphdatenbanken im EinsatzNeo4j Use Cases - Graphdatenbanken im Einsatz
Neo4j Use Cases - Graphdatenbanken im Einsatz
 
Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-PlattformAnalytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
 
Einfuhrung datascience
Einfuhrung datascienceEinfuhrung datascience
Einfuhrung datascience
 
Google Data Studio – Erklärung und Einführung
Google Data Studio – Erklärung und EinführungGoogle Data Studio – Erklärung und Einführung
Google Data Studio – Erklärung und Einführung
 
Big Data Anwendungen und Infrastrukturen
Big Data Anwendungen und InfrastrukturenBig Data Anwendungen und Infrastrukturen
Big Data Anwendungen und Infrastrukturen
 
Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...
Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...
Marvin, Data Science & Spark – haben wir ohne Mathematik und Technik noch ein...
 
Data Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQLData Warehouse (DWH) with MySQL
Data Warehouse (DWH) with MySQL
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid Architectures
 
Azure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die CloudAzure Data Factory – Data Management für die Cloud
Azure Data Factory – Data Management für die Cloud
 
BARC Studie Webinar: Ausgereifte Analysen mit Apache Hadoop
BARC Studie Webinar: Ausgereifte Analysen mit Apache HadoopBARC Studie Webinar: Ausgereifte Analysen mit Apache Hadoop
BARC Studie Webinar: Ausgereifte Analysen mit Apache Hadoop
 
Data Quadrant - Daten Management Methode
Data Quadrant - Daten Management MethodeData Quadrant - Daten Management Methode
Data Quadrant - Daten Management Methode
 

Andere mochten auch

Data Modeling Enterprise Architecture
Data Modeling Enterprise ArchitectureData Modeling Enterprise Architecture
Data Modeling Enterprise ArchitectureRichard Freggi
 
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)Trivadis
 
MongoDB - Big Data mit Open Source
MongoDB - Big Data mit Open SourceMongoDB - Big Data mit Open Source
MongoDB - Big Data mit Open SourceB1 Systems GmbH
 
Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...
Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...
Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...Volker Janz
 
Cassandra - Eine Einführung
Cassandra - Eine EinführungCassandra - Eine Einführung
Cassandra - Eine EinführungMikio L. Braun
 
Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...
Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...
Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...ITABS GmbH
 
Real-Time-Analytics mit Spark und Cassandra
Real-Time-Analytics mit Spark und CassandraReal-Time-Analytics mit Spark und Cassandra
Real-Time-Analytics mit Spark und CassandraThomas Mann
 
Big Data User Prediction: Siegfried Stepke, e-dialog
Big Data User Prediction: Siegfried Stepke, e-dialog Big Data User Prediction: Siegfried Stepke, e-dialog
Big Data User Prediction: Siegfried Stepke, e-dialog e-dialog GmbH
 
McKinsey Big Data Overview
McKinsey Big Data OverviewMcKinsey Big Data Overview
McKinsey Big Data Overviewoptier
 
The 'big data' revolution in healthcare Mckinsey Report
The 'big data'  revolution in healthcare Mckinsey Report The 'big data'  revolution in healthcare Mckinsey Report
The 'big data' revolution in healthcare Mckinsey Report Healthcare consultant
 
6 Data Modeling for NoSQL 2/2
6 Data Modeling for NoSQL 2/26 Data Modeling for NoSQL 2/2
6 Data Modeling for NoSQL 2/2Fabio Fumarola
 
Building a Modern Data Architecture with Enterprise Hadoop
Building a Modern Data Architecture with Enterprise HadoopBuilding a Modern Data Architecture with Enterprise Hadoop
Building a Modern Data Architecture with Enterprise HadoopSlim Baltagi
 
Technologie und SEO: Cloud, Big Data und Mobile First angeschaut
Technologie und SEO: Cloud, Big Data und Mobile First angeschautTechnologie und SEO: Cloud, Big Data und Mobile First angeschaut
Technologie und SEO: Cloud, Big Data und Mobile First angeschautRalf Schwoebel
 
A NoSQL Summer - The Year After
A NoSQL Summer - The Year AfterA NoSQL Summer - The Year After
A NoSQL Summer - The Year AfterMeMo News AG
 

Andere mochten auch (20)

Einführung Big Data
Einführung Big DataEinführung Big Data
Einführung Big Data
 
Big Data & High-Performance-Analytics
Big Data & High-Performance-AnalyticsBig Data & High-Performance-Analytics
Big Data & High-Performance-Analytics
 
Data Modeling Enterprise Architecture
Data Modeling Enterprise ArchitectureData Modeling Enterprise Architecture
Data Modeling Enterprise Architecture
 
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
Oracle Data Warehouse Integration Builder - Ein Selbstversuch (DOAG 2013)
 
MongoDB - Big Data mit Open Source
MongoDB - Big Data mit Open SourceMongoDB - Big Data mit Open Source
MongoDB - Big Data mit Open Source
 
Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...
Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...
Big Game Data - Event Tracking mit Storm, Kestrel und der Lambda Architektur ...
 
Cassandra - Eine Einführung
Cassandra - Eine EinführungCassandra - Eine Einführung
Cassandra - Eine Einführung
 
Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...
Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...
Kenne Deine Kunden - Wie man mit Hilfe von Web-Analyse Umsätze steigern und F...
 
Website Tracking
Website TrackingWebsite Tracking
Website Tracking
 
Real-Time-Analytics mit Spark und Cassandra
Real-Time-Analytics mit Spark und CassandraReal-Time-Analytics mit Spark und Cassandra
Real-Time-Analytics mit Spark und Cassandra
 
Big Data User Prediction: Siegfried Stepke, e-dialog
Big Data User Prediction: Siegfried Stepke, e-dialog Big Data User Prediction: Siegfried Stepke, e-dialog
Big Data User Prediction: Siegfried Stepke, e-dialog
 
McKinsey Big Data Overview
McKinsey Big Data OverviewMcKinsey Big Data Overview
McKinsey Big Data Overview
 
The 'big data' revolution in healthcare Mckinsey Report
The 'big data'  revolution in healthcare Mckinsey Report The 'big data'  revolution in healthcare Mckinsey Report
The 'big data' revolution in healthcare Mckinsey Report
 
6 Data Modeling for NoSQL 2/2
6 Data Modeling for NoSQL 2/26 Data Modeling for NoSQL 2/2
6 Data Modeling for NoSQL 2/2
 
Building a Modern Data Architecture with Enterprise Hadoop
Building a Modern Data Architecture with Enterprise HadoopBuilding a Modern Data Architecture with Enterprise Hadoop
Building a Modern Data Architecture with Enterprise Hadoop
 
Technologie und SEO: Cloud, Big Data und Mobile First angeschaut
Technologie und SEO: Cloud, Big Data und Mobile First angeschautTechnologie und SEO: Cloud, Big Data und Mobile First angeschaut
Technologie und SEO: Cloud, Big Data und Mobile First angeschaut
 
Architecture for the API-enterprise
Architecture for the API-enterpriseArchitecture for the API-enterprise
Architecture for the API-enterprise
 
Modern Data Architecture
Modern Data ArchitectureModern Data Architecture
Modern Data Architecture
 
Consumer Decision Journeys
Consumer Decision JourneysConsumer Decision Journeys
Consumer Decision Journeys
 
A NoSQL Summer - The Year After
A NoSQL Summer - The Year AfterA NoSQL Summer - The Year After
A NoSQL Summer - The Year After
 

Ähnlich wie Big Data: Kunden auf der Spur

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
 
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
 
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
 
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
 
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...Euroforum Deutschland GmbH
 
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
 
Big data im controlling gentsch kulpa-03-2016
Big data im controlling gentsch kulpa-03-2016Big data im controlling gentsch kulpa-03-2016
Big data im controlling gentsch kulpa-03-2016Peter Gentsch
 
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
 
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
 
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Praxistage
 
Vom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum DatentreiberVom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum DatentreiberDatentreiber
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktFilipe Felix
 
Real-Time Marketing und datengetriebene Management-Entscheidungen
Real-Time Marketing und datengetriebene Management-EntscheidungenReal-Time Marketing und datengetriebene Management-Entscheidungen
Real-Time Marketing und datengetriebene Management-Entscheidungenjradisson
 
Vortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der VertriebsmanagerVortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der VertriebsmanagerAndreas Kulpa
 
etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...
etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...
etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...Werbeplanung.at Summit
 
Business it-strategy ceo vs. cio 01.07
Business it-strategy ceo vs. cio 01.07Business it-strategy ceo vs. cio 01.07
Business it-strategy ceo vs. cio 01.07WYHWYH
 

Ähnlich wie Big Data: Kunden auf der Spur (20)

Crmexpo 2014 stuttgart
Crmexpo 2014 stuttgartCrmexpo 2014 stuttgart
Crmexpo 2014 stuttgart
 
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
 
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
 
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
 
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
 
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...
„DATA SCIENTIST – DIE KARRIERE DER ZUKUNFT“ - WIE DIE ANALYSE VON DATEN DIE W...
 
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
 
Big data im controlling gentsch kulpa-03-2016
Big data im controlling gentsch kulpa-03-2016Big data im controlling gentsch kulpa-03-2016
Big data im controlling gentsch kulpa-03-2016
 
BigData?
BigData?BigData?
BigData?
 
Webinar: BigData - Vom Hype zum Nutzen
Webinar: BigData - Vom Hype zum NutzenWebinar: BigData - Vom Hype zum Nutzen
Webinar: BigData - Vom Hype zum Nutzen
 
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 ...
 
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?
 
B2B Web Scoring
B2B Web ScoringB2B Web Scoring
B2B Web Scoring
 
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
 
Vom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum DatentreiberVom datengetriebenen Unternehmen zum Datentreiber
Vom datengetriebenen Unternehmen zum Datentreiber
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) Kompakt
 
Real-Time Marketing und datengetriebene Management-Entscheidungen
Real-Time Marketing und datengetriebene Management-EntscheidungenReal-Time Marketing und datengetriebene Management-Entscheidungen
Real-Time Marketing und datengetriebene Management-Entscheidungen
 
Vortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der VertriebsmanagerVortrag Bundesverband der Vertriebsmanager
Vortrag Bundesverband der Vertriebsmanager
 
etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...
etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...
etailment WIEN 2015 – Matthias Steinforth (Agentur kernpunkt) „B2B e-Commerce...
 
Business it-strategy ceo vs. cio 01.07
Business it-strategy ceo vs. cio 01.07Business it-strategy ceo vs. cio 01.07
Business it-strategy ceo vs. cio 01.07
 

Mehr von B2B Smartdata GmbH

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
 
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 (18)

Kundensegmentierung
Kundensegmentierung Kundensegmentierung
Kundensegmentierung
 
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
 
Ein Loch ist im Eimer
Ein Loch ist im Eimer Ein Loch ist im Eimer
Ein Loch ist im Eimer
 
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
 

Big Data: Kunden auf der Spur

  • 1. BI und Big Data   1   Big Data: Kunden auf der Spur Dortmund, den 31.03.2014 Meinert Jacobsen
  • 2. BI und Big Data   2  
  • 3. BI und Big Data   Agenda Daten Modelle BIG Data Effizienz Statistik -Schutz
  • 4. BI und Big Data   4  
  • 5. BI und Big Data   5  
  • 6. BI und Big Data   Namechecker
  • 7. BI und Big Data   7  
  • 8. BI und Big Data   8  
  • 9. BI und Big Data   9   https://www.youtube.com/watch?v=CipsLFB8KFk
  • 10. BI und Big Data   10  
  • 11. BI und Big Data   11  
  • 12. BI und Big Data   Folie  12   http://www.klein-singen.de/statistik/h/Wissenschaft/Bevoelkerungswachstum.html Grafische Darstellung China I
  • 13. BI und Big Data   Folie  13   Grafische Darstellung China II
  • 14. BI und Big Data   14  
  • 15. 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.
  • 16. BI und Big Data   Folie 16 •  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
  • 17. BI und Big Data   Folie 17 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
  • 18. BI und Big Data   Folie 18 Praxis-Beispiel: Alter
  • 19. BI und Big Data   Folie 19 Praxis-Beispiel: Anrede
  • 20. BI und Big Data   Folie 20 Praxis-Beispiel: Telefonnummer
  • 21. BI und Big Data   Folie 21 Praxis-Beispiel: Kaufanzahl (Frequency)
  • 22. BI und Big Data   Folie 22 Praxisbeispiel: Umsatz (Monetary)
  • 23. BI und Big Data   Folie 23 Reaktionsverhalten nach Datum letzter Kauf 0 1.000 2.000 3.000 4.000 5.000 6.000 7.000 vorher F  02 A  02 J  02 A  02 O  02 D  02 F  03 A  03 J  03 A  03 O  03 D  03 F  04 A  04 J  04 A  04 O  04 D  04 F  05 A  05 J  05 A  05 O  05 D  05 Datum Letzter Kauf AnzahlReagierer 1,00% 2,00% 3,00% 4,00% 5,00% 6,00% 7,00% 8,00% 9,00% 10,00% Reaktionsquote Anzahl Reagierer Reaktionsquote Praxisbeispiel: Letzter Kauf (Recency)
  • 24. BI und Big Data   Folie 24 Praxis-Beispiel: Filialentfernung
  • 25. BI und Big Data   Folie 25 Praxisbeispiel: Kundendichte
  • 26. BI und Big Data   Folie 26 Praxis-Beispiel: Score-Nutzung
  • 27. BI und Big Data   Folie 27 Praxisbeispiel: ROI-Betrachtung
  • 28. BI und Big Data   Folie 28 Praxis-Beispiel: ROI-Optimierung
  • 29. BI und Big Data   Folie 29 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 8-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
  • 30. BI und Big Data   30   Praxis-Beispiel: B2B – SIGSdatacom
  • 31. BI und Big Data   Folie  31   Standard- Reporting
  • 32. BI und Big Data   Folie  32   Praxis-Beispiel B2B
  • 33. 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 33   +49 +49 22833830000 +49 (0) 228 33830000 (0228) 33830000 +49228338300-00 +49 15115675483 Email-Provider Newsletter-Erlaubnis Email-Öffnungen Faxnummer
  • 34. BI und Big Data   Praxis-Beispiel B2B - Telefonnummer 34   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 %
  • 35. BI und Big Data   Folie  35   Praxis-Beispiel B2B
  • 36. BI und Big Data   Gartner Hype Cycle 36  
  • 37. BI und Big Data   37   Erfassung •  Datenquellen •  Datenmanagement Analyse •  Berechnungen •  Explorative Analyse •  Induktive Analyse Umsetzung . Ergebnisse in Geschäftsprozesse integrieren Kombination aus Technik, Organisation und Geschäftsmodell
  • 38. BI und Big Data   BIG Data Definition •  Sammlung •  Sichtung •  Aufbereitung (Normierung/Standardisierung), •  Verknüpfung •  Qualifizierung •  Gewichtung •  Analyse •  Interpretation von Daten 38   und Ableitung von Maßnahmen daraus.
  • 39. BI und Big Data   39   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 Einsatzgebiete
  • 40. BI und Big Data   Folie  40  
  • 41. BI und Big Data   Folie  41  
  • 42. BI und Big Data   Folie  42  
  • 43. BI und Big Data   Folie  43  
  • 44. BI und Big Data   Folie  44  
  • 45. BI und Big Data   Folie  45  
  • 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   Erfolgreich   ins  Ziel  –  mit   treffsicheren   Prognosen!   Die  Vorteile  der  Nutzung  von  Big  Data-­‐Analyse  für   Vertrieb  und  MarkeEng   Durch  OpEmierung     der  Prozesse  die     Kosten  senken   Arbeitszeiten  der   Vertriebsmit-­‐ arbeiter  effekEver   gestalten   Keine  verpasste   Umsatzchancen     mehr   Gezielt   umsatzstarke   potenzielle   Neukunden   ansprechen   Erschließung   neuer  Bereiche  &   WeNbewerbs-­‐ vorteile   Umsatz-­‐ wachstum  
  • 53. BI und Big Data   Big  Data  –  Zusammenwirkung  dreier  großer   Technologietrends   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  
  • 54. BI und Big Data   Prozessablauf:    Big  Data  Analyse  für  Qualifizierung  der   Adressen  im  Vertrieb  und  MarkeEng  Bereich   Score  –     Modell   Daten-­‐   Lieferung   Daten-­‐ auswertung   Crawlen   Keyword  – Analyse   PrognosEsche   Analyse   Auslieferung   KLEINER  AUFWAND  –  GROSSE  CHANCEN   Verarbeitung   der  Big  Data:   Analyse  der   relevanten   Keywords   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   101 110  
  • 55. BI und Big Data   Folie  55  
  • 56. BI und Big Data   Anwendungsszenario:  Score-­‐Modell-­‐Erstellung   anhand  von  Bestandskunden  zur    Bewertung  neuer   Firmenadressen   h2p://www.   h2p://www.   h2p://www.   h2p://www.   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.  
  • 57. BI und Big Data   Folie  57  
  • 58. BI und Big Data   Folie  58  
  • 59. BI und Big Data   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   Auswertung  neuer  Firmenadressen     miNels  Scoring   MiNe   TOP   Flop   Exemplarisches  Analyse-­‐Ergebnis  
  • 60. BI und Big Data   Folie  60  
  • 61. BI und Big Data   Folie  61  
  • 62. BI und Big Data   Folie  62  
  • 63. BI und Big Data   Folie  63  
  • 64. 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  …  
  • 65. 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
  • 66. 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)
  • 67. BI und Big Data   …  für  wen  wir  (u.a.)  arbeiten  ...  
  • 68. 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“