Date post: | 05-Dec-2014 |
Category: |
Marketing |
Upload: | marancon-gmbh |
View: | 537 times |
Download: | 0 times |
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
An
zah
l R
eag
iere
r
1,00%
2,00%
3,00%
4,00%
5,00%
6,00%
7,00%
8,00%
9,00%
10,00%
Rea
ktio
nsq
uo
te
Anzahl ReagiererReaktionsquote
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
101110
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.
110010101101
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 ErfolgKlassisches 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.
Que
lle: m
aurit
ius
imag
es
Jahrbuch Dialogmarketing
24
Sch
wer
punk
t
BI-SPEKTRUM 04-2008
Anwenderbericht IMarketingintelligenz
Analyse bringt den Aha-EffektSich 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: [email protected]
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
TeilnehmerRegist r ier
-ung.db
Kurs-Teilnehmer
.db
Ent fernungs-tabellen
ad hoc Auswertungen
Adresslisten
Faxlisten
Standart -Report ings
Telefonlisten
-------------------------
-------------------------
-------------------------
INPUT OUPUTMarket ing-Analyse-Umgebung
Zusammenführung
Anreicherung
Aufbereitung
Analysen
Selekt ion
Online-Regist r ierung
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“