Wissen zum Lesen

Wollen Sie sich rund um Analyse, Marketing und Vertrieb rasch informieren, Ihre Kenntnisse vertiefen und neue Impulse entdecken?

Dann stöbern Sie doch einfach einmal durch unsere Fachartikel und Marketing-Tipps ...

Fachartikel/Whitepapers

Diese Artikel und Whitepapers wurden bereits in Fachzeitschriften, Conference Proceedings und/oder Fachbüchern veröffentlicht. Sie sind hier für Sie in überarbeiter Form bereitgestellt.

Business Intelligence: Mehr Intelligenz fürs Business

Autorin: Andrea Ahlemeyer-Stubbe

Für die einen ist es nicht mehr als ein neues Schlagwort, für die anderen d a s Hilfsmittel schlechthin, um in Zukunft Unternehmen zu führen. Was verbirgt sich tatsächlich hinter Business Intelligence und den Schlagworten, die es im Schlepptau hat? Dieses Papier gibt einen Überblick über die Techniken, Methoden und Nutzung.

Artikel weiterlesen Zum Download

Nach oben

CRM: Wer gut informiert ist, macht gute Geschäfte

Innovationen zur Informationsgewinnung

Autorin: Andrea Ahlemeyer-Stubbe

Wenn Informationen Grundlage für gute Geschäfte sind, ist die geschickte Verknüpfung aller Informationsquellen essentiell für den zukünftigen Unternehmens-erfolg. Dieser Artikel zeigt auf, welche Verknüpfungen die aussagekräftigsten Entscheidungsgrundlagen liefern.

Artikel weiterlesen Zum Download

Nach oben

Database Marketing: Datenmanagement und Datenqualität

Techniken und Prozesse

Autorin: Andrea Ahlemeyer-Stubbe

Der zunehmende Wandel hin zu einer kundenorientierten Geschäftsführung und die Verinnerlichung des CRM-Gedankens in allen Bereichen eines Unternehmens stellen ganz spezielle Anforderungen an das notwendige Wissen über den Kunden. Dieser Artikel versteht sich als Kurzinformation zum Thema Datenhaltung, Datenmanagement und Analysen. Er gibt einen Einblick in die Techniken und Prozesse, die durchlaufen werden sollten um eine aussagefähige Datenbasis als Grundlage für die Kundenorientierung zu erhalten.

Artikel weiterlesen Zum Download

Nach oben

Database Marketing: Herausforderung Datenmanagement

Erfolgsfaktoren für die Arbeit mit der Datenbank

Autorin: Andrea Ahlemeyer-Stubbe

Beim Aufbau einer unternehmensweiten Datenbank gilt es, den Gesamtüberblick zu behalten - über Risiken, Chancen und Prozesse. Als Einstieg in diese komplexe Materie skizziert dieser Artikel die notwendigen Schritte von der Projektinitialisierung bis zur Inbetriebnahme. Der Fokus liegt dabei besonders auf den Bedürfnissen des Database Marketing und des CRM.

Artikel weiterlesen Zum Download

Nach oben

Strategie: Der frühe Vogel fängt den Wurm

Vollautomatisches Predictive Targeting und Modellierung des Realtime-Online-Verhaltens

Autorin: Andrea Ahlemeyer-Stubbe

Unternehmen nutzen diverse Instrumente zur Informationsgewinnung, doch sie werden von der Datenflut im World Wide Web überschwemmt. Kontinuierlich relevante Informationen zu identifizieren, Zielgruppen und Trends möglichst frühzeitig zu definieren und darauf adäquat zu reagieren - das macht Unternehmen zum frühen Vogel. Im Online-Business führt der Weg dahin über das vollautomatische Predictive Targeting und die Modellierung des Realtime-Online-Verhaltens.Sie ermöglichen Vorhersagen mit der notwendigen Aktualität und Flexibilität, um neue Entwicklungen in einem sich rasant wandelnden Umfeld schnell aufzudecken. Dieser Artikel erläutert Hintergründe, Funktion und Einsatzmöglichkeiten dieser Prognosemethoden.

Artikel weiterlesen Zum Download

Nach oben

Strategie: Ein starkes Instrument - der antz21-Kundenqualitätsindex

Autorin: Andrea Ahlemeyer-Stubbe

Er gibt Auskunft über Umsatzerwartung, hilft, Marketingmittel effektiver einzusetzen und Kundenwanderungen zu verfolgen, ermöglicht die zuverlässige Einschätzungen der Kunden-Haltbarkeit und lässt Schlüsse über die Verkaufspotenziale für Zusatzprodukte zu. Zudem ist er auf unterschiedliche Unternehmenstypen zugeschnitten und, nach etwas Feintuning auf Unternehmensinterna, unkompliziert einsetzbar. Das komplexe Regelwerk, das hinter dem von der antz21 GmbH entwickelten Kundenqualitätsindex steckt, stellt dieser Artikel vor.

Artikel weiterlesen Zum Download

Nach oben

Intelligenz fürs Business

Bereich: Business Intelligence - Autorin: Andrea Ahlemeyer-Stubbe

Was haben Business Intelligence und der Tante-Emma-Laden an der Ecke gemeinsam? Überraschend viel, denn schon Tante Emma kümmerte sich in ihrem Laden nicht nur um die Einzelaspekte des Geschäfts wie Auftragsbearbeitung, Inkasso oder Akquise, sondern sie betrachtete den Kunden als Einheit. Und damit hatte Tante Emma - genau betrachtet - ein Datawarehouse, wandte Data Mining an, nutzte Database-Marketing. Ja, man kann sogar sagen, Customer Relationship Management (CRM) war die Seele ihres Geschäfts.

Natürlich war sie sich dessen nicht bewusst, nicht einmal die Schlagworte waren damals schon erfunden, denn all diese Informationen und Analysen fanden alleine in ihrem Kopf statt. Sie halten das für übertrieben? Dann betrachten Sie einmal eine alltägliche Frage aus dem Geschäftsleben von Tante Emma: »Frau Müller, möchten Sie noch von dem XY-Käse, Ihr Mann hat doch morgen Geburtstag?«

Der Kopf dient als Datawarehouse

Das Datawarehouse (ihr Kopf/Gedächtnis) kennt den Kundennamen, Geburtstage, Beziehungen zwischen Kunden, historische Kaufdaten etc. Über Data-Mining-Techniken (Nachdenken/Erinnern), in diesem Fall eine Art von Verbundanalyse, weiß Tante Emma, dass

1. Herr Müller den Käse XY bevorzugt und diesen zu besonderen Anlässen isst.

2. Frau Müller häufig für Herrn Müller einkauft.

3. Herr Müller der Ehemann von Frau Müller ist.

4. Herr Müller morgen Geburtstag hat.

Die gesamte Frage kann man als einen durch Database-Marketing gestützten Zusatzverkauf werten. Oder, wenn die Frage schriftlich gestellt worden wäre, diese als eine durch Database-Marketing gestützte, personalisierte und produktoptimierte Direkt-marketingaktion betrachten.

Nun sieht die Welt heute anders aus. Zum einen haben wir in vielen Firmen deutlich mehr als einen Mitarbeiter (Kopf) und die verschiedenen Aufgaben eines Unternehmens sind auf unterschiedliche Personengruppen verteilt. Zum anderen haben viele Unternehmen deutlich mehr Kunden als ehemals Tante Emma.

Informationen sind nicht greifbar

Trotzdem wünscht sich der Kunde von den Firmen ein maßgeschneidertes Angebot und eine individuelle Betreuung. Es muss also ein neuer Weg gefunden werden, die dafür notwendigen Informationen zu speichern, zu analysieren und zu nutzen. Leider ist es heute so, dass in vielen Firmen zwar viele Informationen gesammelt, dann aber in unterschiedlichen Bereichen und Abteilungen gespeichert werden und dadurch für andere Abteilungen nicht oder nur schwer zu nutzen sind.

Noch schwieriger wird die Situation, weil viele Informationen auf Grund der Art und Weise, wie sie jetzt gespeichert werden, nur schwer zu analysieren sind. Das liegt erst einmal an der Datenhaltung, die zumeist für die Erledigung des operativen Tagesgeschäfts optimiert wurde. Dazu kommt dann noch, dass Informationen unstrukturiert, zum Beispiel in Textfeldern gespeichert, vorliegen.

Customer Relationship Management als Regelkreis

Um Kunden optimal bedienen zu können, geht es also darum, die unterschiedlichen Techniken zur Informationsspeicherung, -verwaltung und -analyse im Unternehmen zu optimieren.

Wer sich mit Database-Marketing und Customer Relationship Management (CRM) seinem Kunden nähern will, muss zuerst die Zusammenhänge zwischen dem Sammeln, Analysieren und Nutzen der Informationen betrachten. Dabei wird schnell klar, dass man es beim Analysieren und Nutzen der Informationen mit einem Regelkreis zu tun hat.

Ausgangspunkt ist die unternehmensweite Sammlung und Speicherung von Informationen. Dann folgt als erste Stufe die Betrachtung der regelmäßig wiederkehrenden Analysen. Darunter fallen zum Beispiel die meisten Verkaufsstatistiken, Analysen zur Call-Center-Auslastung, Werbeerfolgskontrollen sowie Wochen-, Monats- oder Jahresberichte.

Allen diesen Analysen und Berichten ist gemeinsam, dass sie stark standardisierbar sind und regelmäßig und zuverlässig vorliegen müssen. Diese Berichte dienen im Wesentlichen zur Steuerung des Tagesgeschäfts und bilden in vielen Unternehmen die Basis für die strategischen Planungen.

Die zweite Ebene der Analysen geht über diesen starren Rahmen hinaus: Hier geht es zum Beispiel darum, Gründe für positive wie negative Planabweichungen zu analysieren oder bisher unbekannte Zusammenhänge in den Daten zu entdecken und für das Unternehmen nutzbar zu machen. In diesen Bereich fallen auch alle Scoring-Aktivitäten, egal ob es sich um Response- oder Kredit-Scoring handelt.

Auch die Informationsnutzung geschieht auf zwei Ebenen. Auf der ersten (unternehmensweiten) Ebene geht es darum, die Analyseergebnisse in Strategien umzuwandeln. Dazu kann eine Neudefinition der Zielgruppen und ihrer Programme genauso gehören wie die Änderung der Produktpalette oder die Einführung eines neuen Zahlungsweges.

Die zweite Ebene ist eine konkrete, aufgabenbezogene Nutzung der Analyseergebnisse. Als Beispiel könnte man hierfür die Unterstützung der Auftragsbearbeitung, die Personalplanung, eventuell vorgepackte Produktkombinationen und die bedarfsgesteuerte Ausstattung mit Werbemitteln nennen.

Aus diesen verschiedenen Aktivitäten entstehen unter anderem wieder neue Informationen, die man durch Sammeln und Analysieren wiederum nutzen kann. Dies kann zum einen als Kontrolle für die Aktivitäten erfolgen oder als Ausgangspunkt für neue Analysen dienen.

Technische Komponenten

Erweitert man diesen Regelkreis nun um die technische Komponente, so erhält man einen Überblick über das Ineinandergreifen und die Abgrenzung der einzelnen Schlagworte von Datawarehouse über Data Mining bis hin zu OLAP.

Die Abgrenzung der einzelnen Techniken/Tools gegeneinander ist nicht immer so einfach, wie man es gerne hätte. So kann man beispielsweise mit OLAP-Tools Datenaggregationen speichern und auch einen Teil der Data Mining Analysen erledigen. Genauso kann man innerhalb der Datenbank alleine mit der Abfragesprache SQL Analysen durchführen oder alternativ mit einem Data-Mining-Tool ein Berichtswesen erstellen.

Am einfachsten sind diese Überschneidungen zu verstehen, wenn man sie mit einem Fuhrpark vergleicht. Nehmen Sie einen LKW, einen Bus und einen PKW. Allen dreien gemeinsam ist, dass man mit ihnen von A nach B fahren und Personen und Ladung transportieren kann. Trotzdem käme niemand auf die Idee zu sagen, die drei

Fahrzeugtypen wären gleich oder austauschbar. In der Praxis nutzt man sie gemäß ihrer unterschiedlichen Stärken.

So ist es gar nicht so selten, dass eine Firma neben einem Pkw auch einen Lkw oder Bus besitzt. Es geht dabei sogar so weit, dass man den Aufgaben entsprechend mehrere unterschiedliche PKWs, LKWs oder Busse vorhält. Auf der anderen Seite reicht ein Kombi einigen Firmen vollkommen, um ihre Personen und Waren zu transportieren.

Genauso verhält es sich mit dem Nebeneinander von Datawarehouse, Data Mining und OLAP. Auch hier muss die für die jeweilige Firma optimale Größe und Kombination gefunden werden, um Database-Marketing und CRM optimal betreiben zu können.

Fazit:

Unternehmen, die kontinuierlich ihre Informationsspeicherung, -verwaltung und -analyse optimieren, führen ihr Business intelligent und können ihre Kunden optimal bedienen.

Zum Download

Nach oben

Wer gut informiert ist, macht gute Geschäfte

Innovationen zur Informationsgewinnung

Bereich: CRM - Autorin: Andrea Ahlemeyer-Stubbe

Heute greifen die meisten Unternehmen zur Informationsgewinnung zurück auf Markt-forschung, Marktbeobachtungen und die Analyse ihrer im Unternehmen vorhandenen Datenbestände u. a. mit Reporting und Data Mining. Eine Verknüpfung der Datenbestände und gemeinsame Analyse erfolgt nur in wenigen Fällen. Häufig werden die Einzelergebnisse selbst auf der Interpretationsebene nicht miteinander betrachtet. Dadurch werden wertvolle Zusammenhänge nicht oder zu spät erkannt.

In der Verknüpfung der unterschiedlichen Datenbestände und der geschickten Kombination der entsprechenden Analysemethoden liegt der Schlüssel zum Erfolg.

Der Nutzen ergibt sich vor allem aus der Kombination der jeweiligen methodischen Stärken. Besonders die Verbindung von Marktforschung und Data Mining bringt Vorteile: Die Ergebnisse aus der Marktforschung können so nicht nur strategisch genutzt werden. Zusätzlich kann z. B. pro Kunde die Präferenz, die Wahrscheinlichkeit einer Handlungs-weise oder Affinitäten berechnet werden, ohne alle Kunden direkt befragen zu müssen.

Durch die Nutzung von im Unternehmen vorhandenen Verhaltensdaten pro Kunde (Kauf-, Zahlungs-, Kündigungs-, Beschwerde- und Online-Verhalten) lassen sich in Kombination mit in der Marktforschung ermittelten Trends oder Affinitäten für alle Kunden anwendbare Regeln ermitteln, die einen Rückschluss auf die jeweilige individuelle Affinität des einzelnen Kunden erlauben. Diese Vorgehensweise ist für Unternehmen vor allem dann relevant, wenn die flächendeckende Information sonst nicht zur Verfügung stehen würde. Zum Einsatz kann dieser Methoden-Mix kommen, um im Verhalten eines Kunden Muster zu entdecken, die ihn für ein bestimmtes zukünftiges Verhalten prädestinieren.

In der Anwendung wird mit Hilfe der Marktforschung die Zielvariable erhoben, z. B. kann der Kunde auf Basis seiner Antworten einem bestimmten Sinus-Milieu zugeordnet werden.

Eine Umfrage wird zum Beispiel von ca. 450 Kunden beim Besuch der Website ausgefüllt oder im Rahmen einer Cati beantwortet.

Im zweiten Schritt wird versucht, die Zielvariable mit Data Mining Methoden aus den vorhandenen Unternehmensdaten als Regelkette zu beschreiben. Die gefundenen Regeln lassen sich dann auf alle relevanten Kunden anwenden, so dass am Ende mit großer Wahrscheinlichkeit bekannt ist, wer aus dem eigenen Kundenbestand in das relevante Sinus-Milieu fällt.

Konkret könnte die Antwort lauten: 137.345 Kunden des Bestandes (ca. 15%) sind dem relevanten Milieu zuzuordnen. Dass es sich um ca. 15% Ihrer Kunden handelt, war vielleicht auch auf Basis der Marktforschung schon bekannt. Durch die Kombination mit Data Mining kennt man jetzt aber auch Namen und Kommunikationsdaten und das individuelle Verhalten dieser Kunden und kann diese Erkenntnisse sehr gezielt in der Kommunikation einsetzen.

Begriffsklärung:

Unter Data Mining versteht man eine Reihe von Analysemethoden, mit deren Hilfe neue, häufig unerwartete und nicht triviale Zusammenhänge festgestellt werden.

Data Mining erfolgt immer auf Daten aus der „Vergangenheit“, egal ob es sich um Daten von gestern oder vor einem Jahr handelt.

Die Entwicklung von so genannten Scorekarten/Prognosemodellen ist ein Hauptanwendungsgebiet des Data Mining. Hier wird mit Hilfe von unterschiedlichen Vorhersagemethoden die Wahrscheinlichkeit pro Kunde berechnet, mit der ein bestimmtes Ereignis eintritt, z. B. der Kauf aus einem Katalog. Mit Hilfe dieser Scorekarten/Regelketten kann dann für jeden Kunden seine individuelle (Kauf-) Wahrscheinlichkeit berechnet werden.

Besonders das Potenzial der noch unentdeckten Zusammenhänge in den Unternehmensdaten motiviert Unternehmen, Data Mining Methoden einzusetzen. So lernen sie ihre Kunden noch besser kennen und können ihre Kommunikations- und Marketingstrategien entsprechend anpassen.

Unter Marktforschung versteht man unter anderem das Befragen und Analysieren des Marktes mit Hilfe von Interviews und/oder Fragebögen (Offline oder Online möglich). Dabei wird eine repräsentative Personengruppe (Stichprobe), die Rückschlüsse auf die Interessen und Trends des gesamten Marktes oder Kundenbestands zulässt, befragt. Mit Hilfe der Marktforschung können sowohl vergangene als auch zukünftige Verhaltensweisen und Einschätzungen in einem eher kleinen Personenkreis abgefragt werden. Ziel der Marktforschung ist es, aus einer kleinen Menge Rückschlüsse auf das Verhalten der gesamten Gruppe zu ziehen.

Im Data Mining erhält man, basierend auf historischen Verhaltensdaten und ggf. demographischen Informationen, eine Eintrittswahrscheinlichkeit für jeden einzelnen Kunden.

Fazit:

Durch die gezielte Verknüpfung beider Analysemethoden erhält man die Möglichkeit, die Vorteile der Marktforschung (mögliche zukünftige Entwicklungen und Wünsche abzufragen) mit den Vorteilen des Data Mining (jeder Kunde erhält einen Prognosewert, basierend auf seinem individuellen Verhalten) zu verbinden und die Ergebnisse im Kundendialog gewinnbringend zu nutzen.

Zum Download

Nach oben

Datenmanagement und Datenqualität

Techniken und Prozesse

Bereich: Database Marketing - Autorin: Andrea Ahlemeyer-Stubbe

Durch die Einführung von CRM in Unternehmen bekommen auch die unternehmens-eigenen Daten zum Kunden eine neue Bedeutung. Vorbei sind die Zeiten, in denen Daten-management nur bedeutete die richtige Adresse im Mailing zu benutzen.

Die heute angestrebte individuelle Kundenkommunikation benötigt mehr und besser qualifizierte Informationen zum Kunden und Kundenverhalten. Das Datenmanagement bildet dabei die Grundlage, um mit intelligenten Methoden z. B. mit Data Mining dieses umfassende Wissen bereitzustellen und Kunden in differenzierte Zielgruppen einzuteilen. Daraus resultierend ist eine optimale Kommunikation zum Kunden aufzubauen.

Aber häufig stehen den betroffenen Abteilungen gar nicht die nötigen Informationen zum Kunden- und Firmenverhalten zur Verfügung, um optimal auf die derzeitigen und kommenden Anforderungen/Wünsche der Kunden eingehen zu können. Denn in den Firmen sind zwar viele Informationen gesammelt worden, aber diese Informationen sind in unterschiedlichen Bereichen und Abteilungen gespeichert und dadurch für andere Abteilungen bzw. unternehmensübergreifend nicht oder nur schwer nutzbar.

Ein weiteres Problem stellt die Tatsache dar, dass viele Informationen aufgrund der Art und Weise, wie sie aktuell gespeichert werden, zum Teil nur schwer analysierbar sind. Das liegt zum einen an der Datenhaltung, die zumeist für die Erledigung des operationalen Tagesgeschäftes optimiert wurde, zum anderen aber auch daran, dass Informationen z.B. als Textfelder vorliegen. Ein Beispiel dafür ist die Speicherung von Beschwerden.

Es geht also darum, die unterschiedlichen Techniken zur Informationsspeicherung, -verwaltung und -analyse im Unternehmen so einzusetzen, dass Kunden optimal bedient werden können.

Die Kundendatenbank – Basis der individuellen Kundenkommunikation

Die Basis dieser komplexen Systeme bildet häufig eine Kundendatenbank oder ein unternehmensweites Datawarehouse, das alle relevanten Daten für die Analysen und Selektionen bereitstellt.

Um rasch Nutzen aus einem unternehmensweiten Datawarehouse ziehen zu können, zerteilt man das Datawarehouse-Gesamtprojekt in einzelne Phasen.

Diese Phasen orientieren sich an der Bereichs- bzw. Informationsstruktur eines Unternehmens, wobei schon in Phase 1 die Schnittstellen für Informationen, die alle Bereiche eines Unternehmens gleichzeitig benötigen, realisiert werden, so dass in späteren Phasen nur noch die bereichstypischen Informationen zu ergänzen sind.

Konkret heißt das: Man startet zum Beispiel mit dem Bereich Marketing und entwickelt eine kleine Lösung, die sich vor allen am Informationsbedürfnis dieses Bereiches orientiert. D.h. die Informationen und Prozesse rund um den Kunden und seine Kauftransaktionen werden sehr ausführlich abgebildet (z.B. Alter, Geschlecht, erhaltene Werbemittel/ Besuche, aktuelle Kaufdaten, historische Kaufdaten, usw.), während zum Beispiel Detail-informationen zum Produkt wie besondere Herstellungs- oder Lieferdaten, soweit sie vom Marketing nicht benötigt werden (z.B. Lieferantenartikelnummer, Lagerplatz, Gewicht, Volumen, u. ä.) nicht abgebildet werden.

Gleichzeitig werden an solchen Stellen im Datawarehouse Schnittstellen eingebaut, die eine spätere Erweiterung ermöglichen - zum Beispiel in Richtung Einkauf, Produktion oder Logistik, um den speziellen Informationsbedarf dieser Bereiche zu einem späteren Zeitpunkt ins Datawarehouse einbinden zu können. Durch diese Vorgehensweise wird sichergestellt, dass das Projekt in jeder Phase überschaubar und bezahlbar bleibt. Zudem können schon mit Abschluss der ersten Phase Informationen und Gewinn aus dem Datawarehouse gewonnen werden.

Erfolgsfaktor Benutzerfreundlichkeit

Der Erfolg eines Datawarehouse misst sich vor allem an der Zufriedenheit seiner Benutzer.

Doch leider steht viel zu oft die Auswahl der Produkte im Vordergrund der Projekte. Von einer koordinierten, abteilungsübergreifenden Planung unter Mitarbeit der Fachabteilungen/ Anwender sind viele Datawarehouse-Projekte weit entfernt.

Es empfiehlt sich deshalb, neben der Hard- und Softwareauswahl zusammen mit den Projektmitgliedern der Fachabteilungen in folgenden Schritten vorzugehen, um ein Datawarehouse zu erstellen:

Erarbeiten der strategischen Ziele des Datawarehouses
Klärung des Informationsbedarfs aller späteren Anwender im Hinblick auf die Bewältigung ihres Tagesgeschäftes und auf die Umsetzung der strategischen Ziele
Analyse der bestehenden und zukünftigen Geschäftsprozesse des Unternehmens und der Datenbestände des operativen EDV-Systems sowie Analyse möglicher externer Daten
Definition der Datenqualität für das Datawarehouse
Erarbeiten und Implementierung des Datenmodelles und Definition der Metadaten (Metadaten sind vergleichbar mit einem sehr ausführlichen Inhalts-/Quellenverzeichnis des Datawarehouses). Dieses Datenmodell muss ausbaubar, flexibel und an die Geschäftsprozesse angepasst sein
Aufbereitung und Übernahme der Daten aus den operativen Systemen ins Datawarehouse für den Prototypen des Datawarehouse
Testen des Prototyp-Datawarehouse durch die Fachabteilungen, ggf. Überarbeitung und Weiterentwicklung
Aufbereitung und Übernahme der Daten aus den operativen Systemen ins Datawarehouse für das Echt-System
Tuning des Datawarehouse für die jetzt bekannten hauptsächlichen Abfragen/Analysen

Nach Inbetriebnahme des Datawarehouse muss eine kontinuierliche und konsequente Anpassung des Datenwarehouse an die sich entwickeln Geschäftsprozesse und Aufgaben/Analysen erfolgen

Aus allen teilweise sehr unterschiedlichen operativen Systemen eines Unternehmens werden die relevanten Daten für das Datawarehouse auf ihre Qualität geprüft und dann - gegebenenfalls aufbereitet - in das Datawarehouse geladen. Im Gegensatz zu den operativen Systemen spielt die Abbildung von Vergangenheitsdaten und externen Daten im Datawarehouse eine große Rolle.

Datenqualität

Doch das Sammeln alleine hilft nur bedingt weiter, denn die Datenqualität des Datawarehouse bestimmt nachhaltig seinen Nutzen. Fehler in den Datenbeständen, wie z. B. Rechnungen ohne Kundenstammdaten (der Kundenstammdatensatz wurde gelöscht, da z.B. der Kunde seit x Jahren inaktiv ist, die Rechung muss aber noch auf Grund der gesetzlichen Bestimmungen archiviert werden), Intradubletten, unvollständige und inkonsistente Daten, können die Aussagekraft der späteren Analysen in Frage stellen.

Deshalb ist es notwendig, in diesen Phasen besonderes die anderen Fachabteilungen mit einzubeziehen und einen Qualitätsstandard zu erarbeiten, der nicht nur bei der Erstbefüllung sondern auch im späteren Betrieb des Datawarehouses Bestand hat.

Diese Projektphase bewirkt häufig eine bereinigende Rückkoppelung aus dem Projekt in Richtung operative Systeme. Das kann z.B. so aussehen, dass für die weitgehend dublettenfreie Kundenneuanlage eine Verbesserung des Matchcodesystems durchgeführt wird, endlich die Daten der Interessenten oder Katalogretouren auch permanent gespeichert werden oder aber auch, dass man die Erfassungsmasken so gestaltet, das Eingabefehler reduziert werden.

Besonders das Thema Intradubletten, der Umgang mit inaktiven Kunden und Interessenten birgt hier Schwierigkeiten. Im operativen Geschäft sind z.B. Dubletten häufig kein Problem. Das gleiche gilt für inaktive Kunden. Beides hat keinen oder nur wenig Einfluss auf den laufenden Betrieb. Deshalb haben viele Firmen dieses in der Vergangenheit häufig nicht weiter beachtet. Für die Bewertung eines Kunden z.B. in Bezug auf die Selektion eines Mailings kann es aber sehr wohl wichtig sein möglichst viele Informationen zu einem inaktiven Kunden zu haben beziehungsweise Detailinformationen zum Interessenten in die Bewertung mit einbeziehen zu können.

Der mehrfache Versand von ein und demselben Mailing an den gleichen Kunden kostet nur unnötiges Geld und verärgert den Kunden. Man sollte also ein solches Projekt auch nutzen, um die bestehenden Prozesse des operativen Geschäftes zu untersuchen und gegebenenfalls zu verbessern.

Auch das Thema Nutzung von externen Daten zur Anreicherung birgt neben der datenschutzrechtlichen Seite auch auf der Anwendungsseite einige Tücken.

Das beginnt mit der Anreicherung selbst: Auf welchen Ebenen sollen die Daten den eigenen Beständen zugespielt werden? Auf PLZ-Niveau, über den Gemeindeschlüssel oder über Adressabgleich? Ist die Anreicherung über den Adress-/Dublettenabgleich besonders problematisch, da Over- bzw. Underkills einen nicht zu unterschätzenden Einfluss auf die Aussagekraft der späteren Analysen haben?

Es gilt zu beachten, dass für die unterschiedlichen Datenbestände abhängig von Nutzungszweck auch unterschiedliche Parameter im Dublettenabgleich eingestellt werden müssen. Und für das Thema der fehlenden Werte muss eine Lösung gefunden werden, da man nicht davon ausgehen kann, dass zu jedem inernen Kundensatz auch externe Daten vorhanden sind.

Ein weiterer häufig verdrängter Aspekt ist die Tatsache, externe Daten hinsichtlich der Art und Weise der Erhebung sowie der Aktualität von den eigenen Daten abweichen und dass Aussagen, die auf Basis von beiden Datenbeständen getroffen werden, daher immer auch vor diesem Hintergrund gesehen und interpretiert werden müssen.

Initialbefüllung

Die Befüllung des Datawarehouses erfolgt zum ersten Mal während des Projekts als Initialbefüllung, das heißt, es werden alle für die Datenbank als relevant definierten Daten mit dem Stand XY in die Datenbank geladen. Während des Ladens wird ein Teil der Daten noch gemäß der Definitionen transformiert bzw. aggregiert, z.B. wird aus der Anrede eine Variable Geschlecht erstellt.

Darüber hinaus werden Routinen implementiert, die die regelmäßige Befüllung bzw. das Updaten sicherstellen. Je nach Einsatzgebiet entscheiden sich die Firmen meistens für einen täglichen oder wöchentlichen Rhythmus.

Neben den Selektionen sind die verschiedensten Analysen die Haupteinsatzgebiete der Datenbank.

Bei den Analysen sollte man grundsätzlich unterscheiden zwischen den mehr kreativen, forschenden Analysen des Data Mining und den standardisierbaren, regelmäßig wiederkehrenden Analysen wie z.B. Werbeerfolgskontrollen, Tagesstatistiken oder typischen Fragestellungen des Berichtswesens, die häufig mit OLAP-Tools erfolgen.

Warum bleiben entscheidungsrelevante Fragen häufig unbeantwortet?

Es ist kein Problem, die Anzahl oder das Durchschnittsalter neuer Kunden oder Interessenten auszugeben. Wie kann man jedoch die Daten zur Beantwortung entscheidungsrelevanter Fragen nutzen, die einen großen strategischen Vorteil bringen, wie z. B.:

Welchen Kunden sollte wann welches Angebot unterbreitet werden?
Welche Kunden sind gefährdet?
Wie hoch ist das Cross-Selling-Potential für ein neues Produkt?
Welcher Lifetime-Profit lässt sich mit welchem Kunden erzielen?
Wie lassen sich Top-Interessenten mit hohen Lifetime Values gewinnen?
Welcher Umsatz wird im nächsten Jahr erzielt?
...

Betrachtet man den Charakter der Fragestellungen, so liegt die Antwort auf die aufge-zählten Fragen nicht in einem einzelnen Datenfeld oder einem Kundenmerkmal, sondern in der richtigen Kombination unterschiedlicher Kundeninformationen.

So kann bspw. die Angebotsaffinität eines Kunden von einer Vielzahl von Merkmalen wie Alter, Geschlecht, Familienstand, demographischen Typologien, bisher gekauften Produkten, gezeigtem Produktinteresse, Zahlungsmoral und einer Reihe weiterer Eigenschaften abhängen.

Data Mining

An dieser Stelle setzt das Data Mining an. Es verknüpft die verschiedensten Merkmale, stellt Zusammenhänge her und erlaubt fundierte Vorhersagen.

Beim Data Mining unterscheidet man grundsätzlich zwei Vorgehensweisen:

Validieren von Hypothesen auf den Daten
Entdecken und Entwickeln von bisher unbekannten Mustern/Regeln in den Daten

Während für die erste Vorgehensweise schon vorab eine entsprechende Hypothese ent-wickelt werden muss, versucht man in der zweiten Vorgehensweise neue Muster/Regeln in den Daten mit Hilfe der geeigneten Verfahren zu finden. Wobei natürlich grundsätzlich gilt: Nur Informationen, die den Analyseverfahren zur Verfügung gestellt werden, können auch bei der Entwicklung der neuen Regeln berücksichtigt werden.

Als Beispiel: Kein Verfahren kann einen Zusammenhang zwischen Geschlecht und Kauf-verhalten feststellen, wenn in dem zu analysierenden Datenbestand weder eine Variable für Geschlecht, noch Anrede oder Vornamen der Kunden abgelegt sind, oder wenn der gesamte Datenbestand nur Kunden eines Geschlechts enthält.

Technisch ist man heute soweit, dass man Kundenverhalten genau vorhersagen kann und somit die Grundlage für die Aktionen schafft, um bereits bestehende Kunden zu halten und neue zu gewinnen.

Fazit:

Um die Kunden optimal zu bedienen und den CRM-Gedanken mit Leben zu füllen, sollten alle zur Verfügung stehenden Informationen zum Kunden genutzt werden.
Die internen und externen Informationen zum Kunden sollten zusätzlich zum operativen Geschäft so gespeichert werden, dass sie optimal für die Analysen zur Verfügung stehen (Kundendatenbank, Datawarehouse).
Während des Aufbaus eines solchen Datawarehouses muss die jeweilige Fachabteilung mit einbezogen und die Chance genutzt werden eventuell die Abläufe im Tagesgeschäft zu optimieren.
Der Erfolg eines Datawarehouse misst sich vor allem an der Zufriedenheit seiner Benutzer. Ein Datawarehouse muss sich mit den Geschäftsprozessen weiterentwickeln.

Moderne Analysemethoden (Data Mining) und ein aussagefähiges Berichtswesen (OLAP), sowie ausreichende und qualitativ hochwertige Daten sind der Schlüssel zum erfolgreichen Customer Relationship Management.

Zum Download

Nach oben

Herausforderung Datenmanagement

Erfolgsfaktoren für die Arbeit mit der Datenbank

Bereich: Database Marketing - Autorin: Andrea Ahlemeyer-Stubbe

Leider ist es heute immer noch so, dass in vielen Firmen zwar viele Daten im operativen Geschäft entstehen, aber diese Daten sind in den unterschiedlichsten Formen in den einzelnen Bereichen und Abteilungen gespeichert und sind dadurch für andere Abteilungen z.B. Marketing und Vertrieb oder unternehmensübergreifend nicht oder nur schwer nutzbar. Ein weiteres Problem stellt die Tatsache dar, dass viele Daten aufgrund der Art und Weise, wie sie jetzt gespeichert werden, zum Teil nur schwer analysierbar sind. Das liegt zum einen an der Datenhaltung, die zumeist für die Erledigung des operationalen Tagesgeschäftes optimiert wurde. Zum anderen liegt es häufig auch daran das der Wert einzelner Daten für die Optimierung der Kundenkommunikation nicht immer erkannt wird.

Es geht also darum, die unterschiedlichen Daten zum Kunden so zu sammeln, zu speichern, zu verwalten und zu analysieren, dass daraus Informationen entstehen, die helfen Kunden in differenzierte Zielgruppe einzuteilen und eine optimale Kunden-kommunikation aufzubauen.

Eine Marketing Datenbank – Warum, für wen und wie?

Wenn ein Unternehmen sich mit dem Gedanken trägt ein Datawarehouse oder eine Marketing Datenbank aufzubauen, stehen Fragen nach dem Warum, nach dem „Für wen“ und nach dem Wie im Zentrum.

Warum?

Um mit Hilfe der verschieden Analysen unternehmenseigene und fremde Daten in Informationen, Wissen und Strategien zu verwandeln.

Denn nur verlässliche Daten und Informationen geben die notwendige Planungssicherheit. Erst wenn man genau weiß, was der Kunde wann, wo und wie gekauft oder geäußert hat, kann man dem Kunden auch in Zukunft ein maßgeschneidertes Angebot machen, Streuverluste minimieren und eventuelle Abwanderungs-Absichten des Kunden rechtzeitig erkennen und abfangen.

Für Wen?

Für die Fachabteilungen und das Management.

Die Datenbank soll diesen entscheidungsrelevante Informationen zur Verfügung stellen. Besonderes die einzelnen Fachabteilungen mit ihren Analysen (Data Mining, OLAP, ...) müssen sich mit der Datenbasis d.h. mit der Datenbank zurechtfinden. Für die einzelnen Informationsbedürfnisse und die unterschiedliche Beherrschung von Analysen und Analysewerkzeugen müssen unterschiedlich aufgearbeitete Daten bzw. Datenaggregate zur Verfügung stehen.

Ein Analyst benötigt z. B. für eine Warenkorbanalyse Zugriff auf die Einzelinformationen eines Kaufes, während ein Mitarbeiter im Marketing für einen Vorjahresvergleich einzelner Mailing-Aktionen am besten schon auf vorkumulierte Werte zurückgreifen können muss, um effizient zu arbeiten.

Wie?

Hier gibt es vier sehr unterschiedliche Möglichkeiten der Umsetzung.

Umsetzung ausschließlich mit eigenen Leuten
Vergabe an einen Dienstleister
Kauf eines fertigen Produktes
Arbeit mit einer intern und extern besetzten Projektgruppe

Die optimale Lösung berücksichtigt die spezifische Unternehmenssituation, die Unternehmensgröße, das vorhandene Know-how sowie das Datenvolumen bzw. die angestrebte Komplexität der Datenbank

Am erfolgversprechendsten ist der Ansatz mit einer intern und extern besetzten Projektgruppe. Dadurch wird garantiert, dass neben den zusätzlichen Kenntnissen und Erfahrungen der externen Berater auch die unternehmens- und branchentypischen Besonderheiten in der Datenbank berücksichtigt werden.

Unabhängig von dieser Entscheidung ist jedoch folgendes zu beachten:

Datawarehouse oder Datamart?

Meistens wird unter einem Datawarehouse eine unternehmensweite Lösung verstanden, während Data Marts im Gegensatz dazu nur Teile der Aufgaben eines Datawarehouse erledigen können.

Unter einem Data Mart versteht man eine spezifische Datensammlung, in der nur die Bedürfnisse der jeweiligen Datensicht, z. B. des Marketing, abgebildet werden. Die Data Marts erfüllen zwar einen Teil ihrer jeweiligen Aufgaben im jeweiligen Bereich, aber eine unternehmensweite Strategie läßt sich daraus nur schwer ableiten, da die Ergebnisse nur schwer vergleichbar sind.

Ein Beispiel: Wie wollen Sie den Verkauf von bestimmten Artikeln innerhalb eines Vertriebssystems beurteilen, wenn die Artikelstatistiken im Einkauf nicht nach Gebieten und die im Vertrieb nur nach Warengruppen unterteilt werden? Dass dabei innerhalb der verschiedenen Bereiche auch noch unterschiedliche Definitionen vorliegen, was zum Beispiel unter Umsatz zu verstehen ist, merken viele Unternehmen häufig erst im Verlauf eines Datawarehouse-Projektes.

Auf der anderen Seite sind viele Datawarehouse-Projekte auch daran gescheitert, dass man versucht hat, gleich ein unternehmensweites Datawarehouse zu bauen. Diese Projekte brauchen häufig einen sehr langen Zeitraum (2-3 Jahre) bis sie abgeschlossen sind. Damit man diese Projekte überhaupt zu Ende führen kann, definiert man während des Projektes einen Zeitpunkt, ab dem keine der Veränderungen in den Geschäftsprozessen oder Daten bis zum Abschluss des Projektes mehr berücksichtigt werden können. Das heißt: Im ungünstigen Fall ist ein Teil der im Modell abgebildeten Geschäftsprozesse nicht mehr vorhanden und die neu hinzugekommen sind im Datawarehouse nicht abgebildet.

Aufbau einer Marketing Datenbank - Projektphasen

Neben diesem Problem ist es für ein Unternehmen auch wirtschaftlich sehr wichtig, dass zumindest in Teilbereichen so früh wie möglich Nutzen aus der entwickelten Datenbank gezogen wird.

Deshalb bietet sich als Lösung die Gliederung des Gesamtprojektes in einzelne Phasen, die sich an der Bereichs- bzw. Informationsstruktur eines Unternehmens orientieren. Von Anfang an wird dabei jedoch der Blick auf das Gesamte nicht vergessen. Das bedeutet, die Informationen, die alle Bereiche eines Unternehmens gleichzeitig benötigen, werden schon in Phase 1 realisiert. In späteren Phasen müssen so nur noch die bereichstypischen Informationen ergänzt werden.

Zum Beispiel startet ein Unternehmen mit dem Bereich Marketing und entwickelt eine kleine Datenbank-Lösung, die sich vor allem am Informationsbedürfnis dieses Bereiches orientiert. So werden die Informationen und Prozesse rund um den Kunden und seine Kauftransaktionen sehr ausführlich abgebildet (z. B. Alter, Geschlecht, erhaltene Werbemittel/ Besuche, aktuelle Kaufdaten, historische Kaufdaten, usw.), Detail-informationen zum Produkt, soweit vom Marketing/Vertrieb nicht benötigt (besondere Herstellungs- oder Lieferdaten, Lieferantenartikelnummer, Lagerplatz, Gewicht, Volumen, u.ä.), jedoch vorerst einmal nicht.

Gleichzeitig werden im Datawarehouse Schnittstellen eingebaut - an Stellen, die eine spätere Erweiterung ermöglichen. Zum Beispiel in Richtung Einkauf, Produktion oder Logistik, um den speziellen Informationsbedarf dieser Bereiche zu einem späteren Zeitpunkt ins Datawarehouse einbinden zu können. Das Gesamtunternehmen kann also von Anfang an über einen „allgemeinen“ Teil der Informationen verfügen (z.B. Tagesvergleiche mit dem Vorjahr), und Marketing und Vetrieb erhatlen schon die bereichstypischen Informationen.

Durch diese Vorgehensweise wird sicher gestellt, daß das Projekt in jeder Phase überschaubar und bezahlbar bleibt. Zudem können schon mit Abschluss der ersten Phase Informationen und Gewinn aus dem Datawarehouse gewonnen werden.

Damit ein Datawarehouse seine Aufgaben erfüllen kann, ist es besonders wichtig, dass man sich schon im Vorfeld des Datawarehouse-Projektes sehr genaue Gedanken über die Nutzung macht. Noch besser ist es, wenn sich der Unternehmensvorstand mit der strategischen Ausrichtung und den strategischen Erwartungen an das Datawarehouse selber auseinandersetzt. Wenn ein Mitglied der Geschäftsleitung die Patenschaft für das Projekt übernimmt, ist sichergestellt, das der Kontakt zwischen Projektteam und Geschäftsführung nicht verloren geht. Auch die Fachabteilungen müssen von Anfang an in das gesamte Projekt mit einbezogen werden.

Denn ein Datawarehouse-Projekt kann nur dann Erfolg haben, wenn alle Beteiligten, besonders die späteren Nutzer, in das Projekt eingebunden sind, beziehungsweise es in den entsprechenden Phasen unterstützen. Der Erfolg eines Datawarehouse mißt sich vor allem an der Zufriedenheit seiner Benutzer.

Doch leider steht viel zu oft die Auswahl der Produkte im Vordergrund der Projekte. Von einer koordinierten, abteilungsübergreifenden Planung unter Mitarbeit der Fachabteilungen/Anwender sind viele Datawarehouse Projekte weit entfernt.

Es empfiehlt sich deshalb neben der Hard- und Softwareauswahl folgendes schrittweises Vorgehen zusammen mit den Projektmitgliedern der Fachabteilungen, um ein Datawarehouse zu erstellen.

Erarbeiten der strategischen Zielen des Datawarehouse
Klärung des Informationsbedarfs aller späteren Anwender zur Bewältigung ihres Tagesgeschäftes und zur Umsetzung der strategischen Ziele
Analyse der bestehenden und zukünftigen Geschäftsprozesse des Unternehmens und der Datenbestände des operativen EDV-Systems sowie Analyse möglicher externer Daten
Definition der Datenqualität für das Datawarehouse
Erarbeiten und Implementierung des Datenmodelles und Definition der Metadaten (Metadaten sind vergleichbar mit einem sehr ausführlichen Inhalts-/Quellen-verzeichnisses des Datawarehouse). Dieses Datenmodell muss ausbaubar, flexibel und an die Geschäftsprozesse angepasst sein
Aufbereitung und Übernahme der Daten aus den operativen Systemen ins Datawarehouse für das Prototyp-Datawarehouse
Testen des Prototyp-Datawarehouse durch die Fachabteilungen, daraus resultierend gegebenenfalls Überarbeitung und Weiterentwicklung
Aufbereitung und Übernahme der Daten aus den operativen Systemen ins Datawarehouse für das Echt-System
Tuning des Datawarehouse für die zu diesem Zeitpunkt bekannten hauptsächlichen Abfragen/Analysen
Nach Inbetriebnahme des Datawarehouse muss eine kontinuierliche und konsequente Anpassung des Datawarehouse an die sich entwickeln Geschäftsprozesse und Aufgaben/Analysen erfolgen.

Informationsbedarf der Unternehmens-Bereiche

Grundsätzlich wird ein Datawarehouse als eine Datensammlung zum Zweck der Analysen verstanden. Aus allen teilweise sehr unterschiedlichen operativen Systemen eines Unternehmens werden die relevanten Daten für das Datawarehouse auf ihre Qualität geprüft und dann - gegebenenfalls aufbereitet - in das Datawarehouse geladen. Im Gegensatz zu den operativen Systemen spielt die Abbildung von Vergangenheitsdaten und externen Daten im Datawarehouse eine große Rolle.

Zwar variiert der Informationsbedarf von Branche zu Branche, die einzelnen Unternehmensbereiche benötigen branchenübergreifend jedoch typische Informationen, die in jedem Unternehmen vorhanden sein sollten, da sie die Datenbasis für Database Marketing und CRM bilden.

Die folgende, beispielhafte Zusammenstellung verzichtet zu Gunsten der Übersicht auf die Darstellung der Anforderungen einer konzernübergreifenden Informationssammlung sowie der besonderen Informationstiefe im BtoB-Bereich. Denn gerade im BtoB-Bereich werden neben den Informationen zum Kunden (z.B. Firma A) auch noch Informationen zur Person des Bestellers (Angestellter/Chef der Firma A) gesammelt – bekanntermaßen ein recht heikler und schwieriger Punkt, da die Ansprechpartner häufig wechseln.

Bereich Auftragsannahme/Kundenservice:

alle Einzelinformationen zum Auftrag wie:
Auftraggeber (Kundennummer, Name, Adresse, Geburtstag, ...); Auftragsdatum; Liefertermin; Lieferadresse; Auftragswert; Stückzahlen; Art und Anzahl der verschiedenen Produkte/Dienstleistungen; vom Kunden gewünschte Zahlungsart; in Anspruch genommene Rabatte; Art der Bestellung (telefonisch, Fax, Email, ...), Auftragsnummer usw.
Fragen zum Angebot und Produktinformationen
Beschwerden und Reklamationen

Bereich Buchhaltung/Finanzen/Controlling:

alle Einzelinformationen zur Zahlung wie:
Zahlungsbetrag; Zahlungstermin; Skontoabzug; Vollständigkeit der Zahlung; Art und Anzahl der Mahnungen; Name und Anschrift des Zahlenden; Kundennummer; Rechnungsnummer; usw.
Anfragen zu Rechnungen, Gutschriften und Kontoauszügen

Bereich Logistik/Auslieferung/Einkauf

alle Einzelinformationen zur Auslieferung wie:
Rechnungsdatum; Rechnungsnummer; Auftragsnummer; Kundennummer; Rechnungsnehmer; Rechnungsbetrag; Art und Anzahl der Posten; Vollständigkeit/Teillieferung; Auslieferungsart (Post, Eigenspedition, UPS...); usw.
alle Einzelinformationen zum Produkt wie:
Herstellungsdaten, Lieferdaten, Lieferantenartikelnummer, Lagerplatz, Gewicht, Volumen, Preis usw.

Bereich Werbung/Vertrieb/Marketing

alle Einzelinformationen zur Bewerbung des Kunden wie:
Datum, Art und Anzahl des überlassenen Werbematerials; Anzahl und Dauer der Außendienstbesuche; Informationen aus dem persönlichen Kontakt zwischen dem Außendienstler und dem Kunden (anstehende Jubiläen, runder Geburtstag, eventuell geäußerte Wünsche zur Produktveränderung, anstehende Pläne (Neubau nächstes Jahr, ...) etc.); Zielgruppe; Kundennummer; usw.

Datenqualität

Aber das Sammeln alleine hilft nur bedingt weiter, denn erst die Datenqualität des Datawarehouse bestimmt nachhaltig seinen Nutzen. Deshalb sind besonders die Phasen der Analyse der bestehenden Datenbestände und die Phase der Definition der Datenqualität von entscheidender Bedeutung.

Fehler in den Datenbeständen wie z. B. Rechnungen ohne Kundenstammdaten (der Kundenstammdatensatz wurde gelöscht, da z.B. der Kunde seit x Jahren inaktiv ist, die Rechung muß aber noch auf Grund der gesetzlichen Bestimmungen archiviert werden), Intradubletten, unvollständige oder inkonsistente Daten können die Aussagekraft der späteren Analysen in Frage stellen.

Deswegen ist es notwendig in diesen Phasen besonders die anderen Fachabteilungen mit einzubeziehen und einen Qualitätsstandard zu erarbeiten, der nicht nur bei der Erstbefüllung, sondern auch im späteren Betrieb der Datenbank Bestand hat.

In dieser Projektphase ergibt sich deshalb häufig eine bereinigende Rückkoppelung aus dem Projekt in Richtung operative Systeme. Das kann z. B. so aussehen, dass für die weitestgehend dublettenfreie Kundenneuanlage eine Verbesserung des Matchcodesystem durchgeführt wird, endlich die Daten der Interessenten oder der Katalogretouren auch permanent gespeichert werden oder die Erfassungsmasken so gestaltet werden, dass Eingabefehler reduziert werden.

Besonders das Thema Intradubletten, der Umgang mit inaktiven Kunden und Interessenten, birgt hier Schwierigkeiten.

Im operativen Geschäft sind z. B. Dubletten oder inaktive Kunden häufig kein Problem, denn sie haben keinen oder nur wenig Einfluss auf den laufenden Betrieb. Somit fanden diese Themen bei vielen Firmen in der Vergangenheit wenig Beachtung. Für die Bewertung eines Kunden (z. B. in Bezug auf die Selektion eines Mailings) ist es aber sehr wohl wichtig, möglichst viele Informationen zu einem inaktiven Kunden zu haben, oder Detailinformationen zum Interessenten in die Bewertung mit einbeziehen zu können. Der mehrfache Versand von ein und demselben Mailing an den gleichen Kunden kostet zum einen nur unnötiges Geld und kann zum anderen den Kunden verärgern.

Man sollte also ein solches Projekt auch dazu nutzen, die bestehenden Prozesse des operativen Geschäftes zu untersuchen und gegebenfalls zu verbessern.

Befüllung und tägliche Nutzung des Datawarehouse

Die Befüllung der Datenbank erfolgt zum ersten Mal während des Projekts als Initialbefüllung. Alle für die Datenbank als relevant definierten Daten werden mit dem Stand XY in die Datenbank geladen. Während des Ladens wird ein Teil der Daten noch gemäß der Definitionen transformiert bzw. aggregiert (z. B. wird aus der Anrede eine Variable „Geschlecht“ erstellt).

Darüber hinaus werden Routinen implementiert, die die regelmäßige Befüllung bzw. das Updaten sicherstellen. Je nach Einsatzgebiet entscheiden sich die unterschiedlichen Firmen meistens für einen täglichen oder wöchentlichen Rhythmus.

Damit aus Daten relevante Informationen werden: Analysen

Neben den Selektionen sind die verschiedensten Analysen die Haupteinsatzgebiete der Datenbank. Bei den Analysen sollte man grundsätzlich unterscheiden zwischen den mehr kreativen, forschenden Analysen des Data Mining und den standardisierbaren regelmäßig wiederkehrenden Analysen wie z.B. Werbeerfolgskontrollen, Tagesstatistiken oder typische Fragestellungen des Berichtswesens, die häufig mit sogenannten OLAP-Tools durchgeführt werden.

Data Mining

Die Anzahl oder das Durchschnittsalter neuer Kunden oder Interessenten auszugeben ist kein Problem. Die Nutzung der Daten zur Beantwortung entscheidungsrelevanter Fragen gestaltet sich schon aufwändiger – stellt aber einen großen strategischen Vorteil dar. Beispiele für solche Fragen sind:

Welchen Kunden sollte wann welches Angebot unterbreitet werden?
Bei welchem Kundenprofil lohnt sich ein Außendienstbesuch?
Welche Kunden sind gefährdet?
Wie hoch ist das Cross-Selling-Potential für ein neues Produkt?
Welcher Lifetime Profit lässt sich mit welchem Kunden erzielen?
Wie lassen sich Top-Interessenten mit hohen Lifetime Values gewinnen?
Welcher Umsatz wird im nächsten Jahr erzielt?

Kernfrage ist: Warum blieben gerade diese, für das Management entscheidende, Fragen häufig unbeantwortet?

Betrachtet man den Charakter der Fragestellungen, so liegt die Antwort auf die aufgezählten Fragen nicht in einem einzelnen Datenfeld oder einem Kundenmerkmal, sondern in der richtigen Kombination unterschiedlicher Kundeninformationen. So kann bspw. die Angebotsaffinität eines Kunden von einer Vielzahl von Merkmalen wie Alter, Geschlecht, Familienstand, demographischen Typologien, bisher gekauften Produkten, gezeigtem Produktinteresse, Zahlungsmoral und einer Reihe weiterer Eigenschaften abhängen.

An dieser Stelle setzt das Data Mining an. Data Mining wird nicht nur von der absoluten Mehrheit der Unternehmen als strategisch angesehen, sondern ist in vielen Fällen sogar ein unternehmensinternes Geheimnis: Mit Data Mining Anwendungen will man ja Wettbewerbsvorteile erreichen und die Mitbewerber sollen nicht unbedingt wissen, dass man schon Data Mining betreibt.

Data Mining ist heute die Geheimwaffe im Wettlauf um Marktanteile. Über 80% der heute produktiv eingesetzten Data Mining Lösungen stammen aus dem Bereich Marketing.

Beim Data Mining unterscheidet man grundsätzlich zwei Vorgehensweisen:

Validieren von Hypothesen auf den Daten
Entdecken und Entwickeln von bisher unbekannten Mustern/Regeln
in den Daten

Während für die erste Vorgehensweise schon vorab eine entsprechende Hypothese entwickelt werden muss, versucht man in der zweiten Vorgehensweise neue Muster/Regeln in den Daten mit Hilfe der geeigneten Verfahren zu finden. Wobei natürlich grundsätzlich gilt: Nur Informationen, die den Analyseverfahren zur Verfügung stehen, können auch bei der Entwicklung der neuen Regeln berücksichtigt werden.

Als Beispiel: Kein Verfahren kann einen irgendwie gearteten Zusammenhang zwischen Geschlecht und Kaufverhalten feststellen, wenn in dem zu analysierenden Datenbestand keine Variable für Geschlecht, Anrede oder die Vornamen der Kunden abgelegt sind, oder der gesamte Datenbestand nur Kunden eines Geschlechts enthält.

Durch die entsprechende visuelle Aufbereitung fällt es vielen Personen leichter, die häufig sehr komplexen Zusammenhänge zu verstehen und daraus die richtigen Database Marketing Strategien und Umsetzungen zu entwickeln. Technisch ist man heute soweit, daß man Kundenverhalten genau vorhersagen kann und somit die Grundlage für die Aktionen schafft, um bereits bestehende Kunden zu halten und neue zu gewinnen.

Database Marketing und Data Mining

Database-Marketing und Data Mining gehören unverzichtbar zusammen. Häufig werden die Begriffe auch so verwendet, dass sie die Bedeutung des jeweils anderen implizieren. So war es besonders in der Anfangszeit des Database Marketing (80er und frühe 90er Jahre) üblich, nur von Database Marketing zu sprechen und die Analysen, wie sie heute unter OLAP und Data Mining fallen, als Teil des Database Marketing zu betrachten.

Heute geht die Entwicklung dahin, dass man Database Marketing mehr als Anwendung bzw. Strategie auf Basis der durch die Analysen gefundenen Ergebnisse für die jeweiligen Zielgruppen betrachtet, während sich OLAP und Data Mining zu eigenständigen Disziplinen entwickelt haben. Diese Entwicklung wurde nicht zuletzt dadurch erleichtert, dass die heute in großer Zahl vorhandenen Softwarepakete zu OLAP und Data Mining die früher in den Firmen mit Database Marketing üblichen, selbst geschrieben Anwendungen/Analyseprogramme nach und nach ersetzen.

Ein zweiter positiver Aspekt der entwickelten Softwarepakete ist, dass die Analytiker und Anwender heute mehr Zeit haben, sich mit den Analysen und deren Ergebnissen auseinanderzusetzen und so dieses Wissen zur Optimierung der Geschäftsprozesse genutzt werden kann.

Fazit:

Unternehmen, die Informationen über ihre Kunden sammeln, analysieren und die Ergebnisse strategisch nutzen, schaffen sich eine solide Basis für profitable Kundenbeziehungen.

Zum Download

Nach oben

Der frühe Vogel fängt den Wurm

Vollautomatisches Predictive Targeting und Modellierung des Realtime-Online-Verhaltens

Bereich: Strategie - Autorin: Andrea Ahlemeyer-Stubbe

Unternehmen nutzen diverse Instrumente zur Informationsgewinnung, doch sie werden von der Datenflut im World Wide Web überschwemmt. Kontinuierlich relevante Informationen zu identifizieren, Zielgruppen und Trends zu definieren und darauf adäquat zu reagieren - das macht ein Unternehmen zum frühen Vogel. Im Online-Business führt der Weg dahin über das vollautomatische Predictive Targeting und die Modellierung des Realtime-Online-Verhaltens.Sie ermöglichen Vorhersagen mit der notwendigen Aktualität und Flexibilität, um neue Entwicklungen in einem sich rasant wandelnden Umfeld schnell aufzudecken. Dieser Artikel erläutert Hintergründe, Funktion und Einsatzmöglichkeiten dieser Prognosemethoden.

1. Einführung: Marketing im Web 2.0

Um Erfolge zu messen, um Trends, Veränderungen und neue Wünsche der Zielgruppen schon früh zu erkennen und schnell darauf reagieren zu können, greifen Unternehmen offline auf Marktforschung sowie auf die Analyse ihrer im Unternehmen vorhandenen Datenbestände u. a. mit Reporting, Data Mining und Marktbeobachtungen zurück. Online werden meist Klickrates oder Pageimpressions als Maßstab herangezogen.

Doch nichts hat sich in den letzten Jahren so rasant geändert wie die Nutzung des Internets. Vor noch nicht einmal 10 Jahren bot das Web 1.0 statische Websites, mit dem Web 1.5 wurden diese dann dynamisch, seit 2005 nutzen immer mehr User mit dem Web 2.0 interaktive Websites. Das World Wide Web entwickelt sich stetig in großen Schritten weiter und Web 3.0 steht schon vor der Tür...

Das Medium Internet durchdringt mit seinen vielfältigen Anwendungsmöglichkeiten und Angeboten weltweit den Markt - quer durch alle Gesellschafts- und ethnischen Schichten. Mittlerweile sind schon 79,1 % der Deutschen im Web.

Immer mehr Menschen nutzen das Internet immer ausgiebiger (Suche, E-Mail, Foren, Blogs, Podcasting, Online Spiele …) – kurz: Das Internet ist ein weltweiter, hart umkämpfter Marktplatz. Vor allem, da das Web zunehmend von vielen Kunden und Unternehmen als Ausgangspunkt für die Recherche nach Dienstleistungen und Produkten genutzt wird.

Die Ausgaben für Online Marketing nehmen heute schon einen Anteil von über 18 % der Gesamtaufwendungen für Werbung ein. Sie werden in allen Branchen weiter ansteigen, denn dieser Marktplatz eröffnet vielfältige Marketing-Möglichkeiten - und fordert völlig neue Marketing-Strategien. Medienübergreifend, zielgruppenspezifisch, relevant – heute muss Werbung am besten ganz persönlich auf den jeweiligen Kunden zugeschnitten sein. Denn es gilt, die Kundenbindung zu optimieren, die Neukundengewinnung zu erleichtern und die Response- bzw. die Konversions-Rate zu verbessern – das alles bei möglichst niedrigen Werbekosten.

Den aktuellen Herausforderungen stehen neue Methodiken und Technologien gegenüber; beispielsweise liefert die Analyse der Logfiles (internetbasierte Protokolldaten) Informationen zur Herkunft des Besuchers, welchen Browser er verwendet, welche und wie viele Seiten er sich angesehen hat. Die Vorteile sind offensichtlich: Wer das typische Klickverhalten seiner Kunden kennt, kann mit diesem Wissen u. a. die Positionierung und Platzierung der Werbung für ein bestimmtes Produkt bestimmen, die seine Kunden am meisten anspricht. Durch Informationen wie Ausstiegs- und Einstiegsseite kann die Strukturierung von Websites kontinuierlich verbessert. und die Repräsentanz im Web optimiert werden.

Von außerordentlichem Wert für die strategische Planung sind zuverlässige Vorhersagen über zukünftige Entwicklungen im Verhalten und im Bedarf der Kunden. Die Entwicklung des Predictive Behavioral Targeting stellt solche Vorhersagen auf ein statistisch abgesichertes Fundament.

2. Predictive Behavioral Targeting

Wer spannende Kundenprofile erhalten, die Relevanz seiner Online-Angebote nachhaltig steigern und seinen Online-Marketing-ROI optimieren möchte, benötigt nicht nur Informationen über die historischen und aktuellen Gewohnheiten seiner Kunden, sondern auch über ihr zukünftiges Verhalten. So gilt es, im Kundenverhalten Muster zu entdecken, die z. B. den Bedarf eines bestimmten Users identifizieren. Das leistet das Predictive Behavioral Targeting.

Zusätzlich kommen Methoden wie deskriptive Statistik, Click-Stream-Analysen, Diskriminanzanalyse, Regressionsverfahren, Entscheidungsbäume, Neuronale Netze, Case-Based Reasoning (CBR) oder Zeitreihen-Analysen zum Einsatz.

Basierend auf Analysen von Userprofilen und Userstrukturen (z. B. Alter, Lebensstil, Zugehörigkeiten zu Peer Groups, Surfverhalten) werden Vorhersagemodelle über künftiges Verhalten erstellt. So erfolgt z. B. die Entscheidung, welches Banner welchem User gezeigt werden soll, auf Grundlage der Sites, die er besucht oder auf Basis dessen, was er auf diesen Sites tut. Unterschieden wird in Onsite Behavioral Targeting (für eine spezifische Website) und Network Behavioral Targeting (Analysen in komplexen Netzwerken, die mehrere Websites umfassen).

Während bisher das Contextual Advertising auf Basis des Contents die Seite identifiziert, die am besten für eine Anzeige geeignet ist, identifiziert das Predictive Behavioral Targeting auf Grundlage des Nutzerverhaltens in der Vergangenheit die geeignete Person für ein Angebot. Durch die Möglichkeit, Nutzerprofile zu identifizieren, eröffnet das Predictive Behavioral Targeting den Weg für Relevant Advertising.

Predictive Targeting leistet sehr viel – und diese Informationen gewinnen immens an Wert, wenn sie möglichst schnell am rechten Ort in der rechten Form bereit stehen. Vollautomatisches Predictive Targeting und Modellierung des Realtime Online-Verhaltens schaffen dazu die Voraussetzungen.

3. Vollautomatisches Predictive Targeting und Modellierung des Realtime Online-Verhaltens

Unter Einsatz der notwendigen Algorithmen zu Analysen in Echtzeit eröffnet das vollautomatische Predictive Targeting neue, individuelle und nachhaltige Formen der Kommunikation und bietet dabei den entscheidenden Zeitvorsprung durch Modellierung des Realtime Online-Verhaltens.

Dies bedeutet einen Evolutionsschritt, vergleichbar dem vom Handwerk zur Fabrikation – inklusive Abstriche an der Komplexität. Der klassische Weg komplexe Vorhersagemodelle von Hand zu bauen, steht für die „Meisterwerkstatt“. Doch auch ein großer Stab von Analytikern (Handwerksmeistern) kann die immensen Datenmengen nicht in Echtzeit bewältigen – eine vollautomatisierte „Montagestraße“ für Vorhersagemodelle dagegen schon.

3.1. Funktion

Kernstück des Vollautomatischen Predictive Targeting Systems ist der Bau von Vorhersage-modellen. Dabei beinhaltet ein Modul alle Funktionalitäten, um mit einem Team von Analytikern komplexe Vorhersagemodelle von Hand zu bauen („Meisterwerkstatt“). Das zweite Modul („Montagestraße“) baut vollautomatisiert einfache, klickbasierte Vorhersagemodelle, sichert automatisch deren Qualität und stellt sie zur Anwendung bereit.

In der „Montagestraße“ werden alle Modelle berechnet, bei denen es sich um eine relativ einfache Aufgabenstellung aus dem Bereich der Vorhersagen (Predictiv Modelling) handelt, z. B. nur die Modelle, deren Zielvariable eine dichotone Struktur haben (geklickt vs. nicht geklickt, gekauft vs. nicht gekauft, besucht vs. nicht besucht, etc.). Diese Vorhersagemodelle decken z. B. einen großen Teil der Aufträge zur Banneroptimierung durch Behavior-Targeting ab. Spezialanalysen wie Clusteranalysen, werden durch das Analyseteam in der „Meisterwerkstatt“ durchgeführt.

Durch einen administrativen Prozess wird entschieden, ob ein Vorhersagemodell in der „Meisterwerkstatt“ oder in der „Montagestraße“ gefertigt werden soll. Jedes Modell erhält eine eindeutige ID und wird archiviert.

3.2. Architektur

Die Bereiche „Meisterwerkstatt“ (Arbeitsbereich des Analyseteams) und „Montagestraße“ (automatisches Targeting) werden in die bestehende Architektur eines Unternehmens so eingebunden, dass die Umgebung und ihre Vorteile soweit wie möglich genutzt werden können.

Generell gilt: Alle entwickelten Modelle werden als Code/Skript übergeben und inklusive ihrer Metadaten in einem Archiv auch über ihren Einsatz hinaus archiviert. Die Anwendung der auf den Modellen basierenden Skripte erfolgt als letzter Schritt der Variablenberechnung am Ende einer Session bzw. eines Slots, vergleichbar der Berechnung einer komplexen Profilvariablen. Für jedes aktive Modell wird somit immer zum Zeitpunkt der allgemeinen Profilvariablenberechnung der jeweilige Prognosewert pro Unique Client (UC) berechnet und in einer eigenen Variable gespeichert.

Diese modellspezifischen Variablen werden dann, vergleichbar allen anderen genutzten Profilvariablen, dem Targetbuilder zur eigentlichen Zielgruppenbestimmung zur Verfügung gestellt.

Im Targetbuilder (Instrument zur Auslieferung zielgruppenspezifischen Contents) werden diese Vorhersagefunktionen neben Und/Oder-Verknüpfungen von Profilen verwendet, um Zielgruppen für Online-Kampagnen bereit zu stellen und zu kennzeichnen. So wird jeder User mit den treffenden Bild- und Textwelten und passenden Angeboten angesprochen.

3.3. Datenflüsse und Datenbasis

Die Basis für alle Analysen bilden die erhoben Surf- und Verhaltensdaten der UC auf den jeweiligen Websites. Idealerweise können diese durch Informationen aus Befragungen oder Logindaten angereichert werden. Man kann zwischen Standard-/generellen und verhaltens- bzw. interessensbedingten Informationen unterscheiden. Diese Profil- und Verhaltensdaten pro UC werden bezogen auf unterschiedliche Zeitfenster berechnet. Aus beiden wird eine Vielzahl von Variablen gebildet.

Im Rahmen der Modellierung in der Montagestraße kommt nur ein geprüftes Subset von Variablen zum Einsatz, um die für die Automatisierung unerlässliche Stabilität, Robustheit und Performance zu gewähren. Damit eine Modellierung unter Nutzung der aktuellen Session erfolgen kann, ist es unabdingbar, dass zu jedem beliebigen Zeitpunkt in einer Session auf die Sessiondaten zugegriffen werden kann.

Ein wesentlicher Teilschritt der täglichen Profilbildung ist die Datenaufbereitung. Sie wird sowohl für die Modellbildung/-überprüfung als auch für die Anwendung, also die Scorewert-Berechnung, benötigt und ist der zeitkritischste Bereich.

3.4. Herausforderungen und kritische Erfolgsfaktoren

Die Komplexität des vollautomatischen Predictive Targeting und der Modellierung des Realtime-Online-Verhaltens birgt einige statistische Herausforderungen: Bei der Stichprobenziehung müssen die minimale sinnvolle Anzahl der Event=1 (z. B. Klicks), Schichtungsverhältnisse, Sampling-Routinen etc. sensibel festgelegt werden. Prognoseverfahren sind hinsichtlich Güte der Vorhersage, Stabilität, Performance in der Entwicklung usw. auszuwählen, Robustheit, Laufzeitverhalten, Parametrisierung, Fehlererkennung und Automatisierbarkeit müssen bei der Auswahl qualitätssichernder Methoden berücksichtigt werden.

Auch kritische Erfolgsfaktoren dürfen nicht außer Acht gelassen werden: Beeinflussen nicht kontrollierbare Optimierungsschritte/Algorithmen des Adservers das ursprünglich vorhergesagte Klickverhalten massiv? Fehlen Tags im Banner? Erfolgen so wenig Klicks, dass es zu lange dauert, eine kritische Menge zum Modellieren zu erhalten? ...

4. Fazit:

Vollautomatischen Predictive Targeting und Modellierung des Realtime-Online-Verhaltens stehen ganz am Anfang ihrer Entwicklung und sind wertvolle Instrumente, vorausgesetzt bei der Implementierung und im Umfeld werden Anforderungen und kritische Erfolgsfaktoren sorgfältig beachtet.

Denn dann berücksichtigt das vollautomatische Predictive Targeting auch den buchstäblich letzten Klick in Echtzeit und seine Vorhersagen erfolgen flexibel und top-aktuell. So ermöglicht es rasche Reaktionen auf Veränderungen und Tendenzen auf dem sich rasant wandelnden Online-Marktplatz.

--------------------------------------------------------------------------------------------------------------------

Referenzliste:

Alberto Messina et all: A generalised cross-modal clustering method applied to multimedia news semantic indexing and retrieval, Juan Quemada et all (Ed.), Proceedings of the 18th International Conference on World Wide Web, WWW 2009, Madrid, 2009
Alice Klever: Behavioural Targeting: An Online Analysis for Efficient Media Planning?, Diplomica, 2009
Andrea Ahlemeyer-Stubbe: Behavioral Targeting: Which Method produces the most Robust Prediction? A Confrontation between Decisions Trees, Neural Networks and Regressions, Petra Perner (Ed.): Advances in Data Mining. 9th Industrial Conference, ICDM 2008, Ibai Publishing, 2009
Andrea Ahlemeyer-Stubbe: Predictive Targeting: Buzzword or Reality - The potential of Automatic Behavioral Targeted Advertising in Online Marketing, Petra Perner (Ed.), Advances in Data Mining. 9th Industrial Conference, ICDM 2008, Ibai Publishing, 2009
David S.Evans:, The Online Advertising Industry: Economics, Evolution, and Privacy, The Journal of Economic Perspectives, Volume 23, Number 3, Summer 2009 , pp. 37-60(24), 2009
Deepak Agarwal et all: Spatio-temporal models for estimating click-through rate, Juan Quemada et all (Ed.), Proceedings of the 18th International Conference on World Wide Web, WWW 2009, Madrid, 2009
Foster J. Provost et all: Data acquisition and cost-effective predictive modeling: targeting offers for electronic commerce, Maria L. Gini et all (Ed)., Proceedings of the 9th International Conference on Electronic Commerce: The Wireless World of Electronic Commerce, 2007, Minneapolis, 2007
Internet World Stats 2010, http://www.internetworldstats.com/stats4.htm, 25.September 2010
Joseph Reisinger, Marius Pasca: Bootstrapped extraction of class attributes. Juan Quemada et al (Ed.), Proceedings of the 18th International Conference on World Wide Web, WWW 2009, Madrid, 2009
Jun Yan, et al: How much can behavioral targeting help online advertising?, Juan Quemada et all (Ed.), Proceedings of the 18th International Conference on World Wide Web, WWW 2009, Madrid, 2009
OVK Online-Report 2010/01, Online-Vermarkterkreis(OVK) im Bundesverband Digitale Wirtschaft (BVDW) e.V., (Hrsg), Düsseldorf, 2010
Petra Perner (Ed): Case-Based Reasoning and the Statistical Challenges, Springer, 2008
Petra Perner, G. Fiss: Intelligent E-marketing with Web Mining, Personalization, and User-Adpated Interfaces, Petra Perner (Ed.), Advances in Data Mining, Applications in E-Commerce, Medicine, and Knowledge Management [Industrial Conference on Data Mining, Leipzig, Germany, June 2002]. Lecture Notes in Computer Science, Springer 2002

Zum Download

Nach oben

Der antz21-Kundenqualitätsindex

Ein starkes Instrument

Bereich: Strategie - Autorin: Andrea Ahlemeyer-Stubbe

Er gibt Auskunft über Umsatzerwartung, hilft, Marketingmittel effektiver einzusetzen und Kundenwanderungen zu verfolgen, ermöglicht die zuverlässige Einschätzungen der Kunden-Haltbarkeit und lässt Schlüsse über die Verkaufspotenziale für Zusatz-produkte zu. Zudem ist er auf unterschiedliche Unternehmenstypen zugeschnitten und, nach etwas Feintuning auf Unternehmensinterna, unkompliziert einsetzbar. Das komplexe Regelwerk, das hinter dem von der antz21 GmbH entwickelten Kunden-qualitätsindex steckt, stellt dieser Artikel vor.

Es kann den entscheidenden Vorsprung im Wettbewerb bedeuten, wenn ein Unternehmen früh und zuverlässig weiß, mit welchen Entwicklungen bei seinen Kunden zu rechnen ist. Denn wer strategische Entscheidungen auf eine möglichst breite Basis von aktuellen, gesicherten Informationen stellen kann, behauptet sich auch in schwierigen Märkten.

Doch eine Aussage über die aktuelle und zukünftige Qualität von Kunden ist nur dann zuverlässig, wenn eine Vielzahl von Faktoren erhoben, betrachtet, gewichtet, miteinander in Beziehung gesetzt und interpretiert wird:

Aktivität des Kunden
Umsatz
Zahlungsverhalten
Zahlungswege
Alter der Kundenbeziehung
Lebensdauer
Nutzung von Sonderleistungen
Werbung von Neukunden
…

Bislang war es nur mit großem Aufwand möglich, die Fülle von Einzelinformationen zu tragfähigen Bewertungen zusammenzuführen und diese als Management Decision Support bereit zu stellen. Dazu fehlte einfach das geeignete Instrument. Eine Neuentwicklung der antz21 GmbH schließt diese Lücke.

Mit dem Kundenqualitätsindex hat antz21 eine eindeutige und aussagekräftige Kennzahl geschaffen, die, in regelmäßigen Reportings (Cockpit, Dashboards, Kundenmonitoring) eingesetzt, als wertvolle Grundlage für strategische Entscheidungen dient.

Der Kundenqualitätsindex gibt z. B. klare Hinweis darauf,

wie viele Kunden „überleben“ werden
was im nächsten Halbjahr in welche Kunden investiert werden sollte oder
wie viele Neukunden von Bestandskunden voraussichtlich geworben werden.

Dahinter steht ein komplexes Regelwerk. Es definiert die Zusammensetzung der diversen Parameter und stellt Zusammenhänge her. Es gewichtet die einzelnen Angaben und verdichtet sie zu Merkmalen, die so stabil sind, dass sie innerhalb eines Unternehmens vergleichbar und übertragbar sind und eine Fortschreibung in die Zukunft erlauben.

Nach diesem Regelwerk werden alle Kunden zu einem festgelegten Stichtag in regelmäßigen Abständen bewertet, gekennzeichnet und mit aktuellem Qualitätsindex versehen.

Kein Unternehmen ist wie das andere – das Business eines Verlags funktioniert nach anderen Regeln als z. B. Versandhandel oder Tourismus. Ein kleiner Betrieb arbeitet nach anderen Gesetzmäßigkeiten als ein großer Konzern.

Hier kommen die vielfältige Praxiserfahrung und das analytisch-technische Know-how der antz21-Experten zum Tragen. Vor dem Einsatz in einem Unternehmen wird der Kunden-qualitätsindex speziell auf dessen Erfordernisse eingestellt. Denn die sensible Beachtung und Einarbeitung der „gewissen Unterschiede“ und die daraus folgende Feinjustierung der Parameter machen den Kundenqualitätsindex zu einem noch wertvolleren, individuellen Instrument zur Unterstützung strategischer Entscheidungen.

Fazit:

Nach etwas Feintuning auf Unternehmensinterna kann der antz21-Kundenqualitätsindex von jedem Unternehmen unkompliziert eingesetzt werden, um damit seine strategischen Entscheidungen noch schlagkräftiger zu machen.

Zum Download

Nach oben

Marketing-Tipps

Hallo, ich bin Anton Antz, Ihr cleverer Assistent in Marketing-Fragen.

Ameisen tragen alles zusammen, was ihrem Volk nutzen kann. So mache ich das auch: ich sammle Wissenshäppchen, clevere Tipps und Erfahrungen und stelle sie auf unsere Website, damit alle etwas davon haben.

So ist mit der Zeit schon ein richtiger kleiner Wissensschatz entstanden - und er erweitert sich ständig.

Der ein oder andere Kniff aus der Praxis hilft Ihnen sicherlich auch in Ihrem Business weiter.

Viel Spaß beim Schmökern!

Wenn Sie Fragen zu einem bestimmten Thema haben, wenden Sie sich einfach per Mail an anton(at)antz21.de

Bisher auf dieser Seite:

Nach oben

Tipps rund um Datenpflege und -nutzung

Was machen eigentlich Ihre Adressen?

Direkte Kundenansprache über einen Adressverteiler – per Post, per Fax oder per E-Mail – schafft Aufmerksamkeit für neue Produkte. Doch was machen eigentlich Ihre Adressen? Sorgen Sie dafür, dass diese regelmäßig aktualisiert und alte Bestände notfalls aussortiert werden. Falsche und veraltete Adressen oder Ansprechpartner können zu äußerst peinlichen Situationen führen.

Um Irrläufer und teuere Retouren zu vermeiden, können Sie bei verschiedenen Adress-Dienstleistern Ihre Adressbestände auf den neuesten Stand bringen.

Nutzen Sie Ihre eigenen Daten effektiv?

In Ihrem Unternehmen sammeln sich Daten über Ihre Kunden – Fibu-, Rechnungs- und Stammdaten, Daten aus CRM-Systemen, RFID …

Zusammengeführt, analysiert und aufbereitet liefern diese Daten wahre Schätze an Informationen. Schätze, die vor dem Hintergrund der BDSG-Novelle und der damit verbundenen Restriktionen in der Neukundenakquise noch wertvoller sind.

Intelligente Prozesse und Methoden machen dieses Potenzial für Sie nutzbar und ermöglichen Ihnen,

Ihre Kunden gezielt zur richtigen Zeit anzusprechen
deren Bedürfnisse immer besser kennen zu lernen
mit bedarfsgerechten Angeboten und individuellem Service direkt darauf zu antworten
Ihre Abwanderungsquote zu verringern und ehemalige Kunden zurück zu gewinnen

Dazu werden Ihre Bestandsdaten in einem Prozess über verschiedene Kampagnen und Aktionen kontinuierlich mit individuellen Merkmalen angereichert. Durch Analysen lassen sich Kauf- und Nutzerverhalten, Abwanderungs- und Beschwerdewahrscheinlichkeiten ermitteln und das Potenzial für Cross- und Up-Selling identifizieren. Und aus der systematischen Beobachtung und Auswertung des Kundenfeedback ergeben sich wichtige Hinweise auf Markt- und Produkttrends.

Der Aufwand lohnt sich. Nicht nur Ihr Marketing profitiert, für alle Geschäftsbereiche sind diese Informationen von immensem Nutzen.

Sie sind die Grundlage für erfolgreiche Kontaktstrategien und für Kampagnen, die die Kundengruppen in ihren jeweiligen Lebens- und Bedarfssituationen abholen.
Sie dienen als Richtungsweiser für die strategische Ausrichtung von Vertrieb und Kundenservice.
Sie liefern Impulse für die Weiterentwicklung von Produkten und Dienstleistungen.

Kurz: Wer sich um seine Kunden(daten) kümmert, findet seinen Weg zum Erfolg.

Nach oben

Tipps fürs kleine Budget

5 Tipps für den effizienten Einsatz Ihres Marketing-Budgets

Planen Sie Ihr Marketing
Je durchdachter Ihre Marketing-Strategien und die darauf aufbauenden Kampagnen, desto kosteneffektiver. Geben Sie keinen Cent aus, ohne zu wissen, warum. Zahlt die geplante Aktivität wirklich auf den Verkauf ein? Gibt es eine günstigere Alternative?
Lernen Sie Ihre Kunden kennen
Je genauer Sie Ihre Kunden kennen, desto gezielter können Sie sie ansprechen – das schont Ihre Ressourcen und vermeidet Streuverluste.
Kreieren Sie eine durchgängige Botschaft
Wie sieht es mit Ihrer Corporate Identity aus? Zieht sich ein „generelles Gefühl“ dafür durch Ihr ganzes Unternehmen? Haben Sie alle Kommunikationskanäle identifiziert und koordiniert? Durch integrierte Kommunikation steigt Ihr Wiedererkennungswert und Ihre Alleinstellungsmerkmale werden „automatisch“ mit jeder Handlung transportiert (Synergieeffekte!).
Setzen Sie auf Kreativität
Ein kreatives Konzept (z. B. ein neues, kreatives Verpackungsdesign, pfiffige Werbung am POS, neue Vertriebs- und Kommunikationswege…) hebt Sie aus der Schar Ihrer Mitbewerber heraus und erspart Ihnen manche aufwändige Marketingmaßnahme.
Nutzen Sie neue Kommunikationskanäle
In den erprobten Kanälen tummeln sich viele und auch größere Fische. Im kleinen Teich der neuesten Medien können Sie mit einem günstigen Auftritt ein großer Fisch sein …

Nach oben

Tipps für den guten Ton im Kundendialog

Auch in Anzeigen den Dialog anbieten

Wer Anzeigen in Printmedien schaltet, möchte meistens seinen Umsatz ankurbeln. Haben Sie aber auch daran gedacht, es den potenziellen Kunden leicht zu machen, mit Ihnen Kontakt aufzunehmen? Ein Antwort-Coupon zum Ausschneiden ist eine ideale Lösung. Hier kann der Interessent etwas anfordern oder bestellen. Helfen Sie den Lesern Ihrer Anzeige, unkompliziert mit Ihnen zu kommunizieren.

Oft wird in Anzeigen auch die Internet- und E-Mail-Adresse vergessen. Ohne diese geht aber nichts mehr. Gerade das Internet eignet sich bestens dazu, den über eine Anzeigenkampagne begonnenen Dialog fortzuführen. Kontaktformulare, Newsletter, Gästebücher oder Foren sind nur einige Beispiele. Damit aus Interessenten schließlich Kunden werden.

Nach oben

Tipps für Ihre Website

Gute Werbung im Internet ...

... ist intuitiv zu verstehen, respektiert die Gewohnheiten der Menschen und ist unverwechselbar.

Auf Ihrer Website sollen potenzielle Kunden sich gut zurechtfinden und über das informiert werden, was sie wirklich wissen wollen. Denn wer eine Webseite ansteuert, tut dies, um Inhalte zu finden und nicht, um schreiende Werbung zu sehen. Er will nicht geärgert, angeschrien, bedrängt, verwirrt oder überredet werden – er möchte sich überzeugen lassen.

Wie vermitteln Sie Ihrem potenziellen Kunden, dass Sie der zuverlässige Partner sind, der genau das Produkt liefern kann, das dieser schon lange gesucht hat?

Mit welchen grafischen, textlichen und technischen Mitteln stellen Sie sich auf Ihrer Website unverwechselbar und adäquat dar?

Wie können Sie Ihren Internet-Auftritt kontinuierlich überprüfen und optimieren?

Wie vermitteln Sie Ihre Vision, begeistern Sie Ihre Kunden?

Eine durchgängige Konzeption Ihres Auftritts online (und offline) schafft die Grundlage dafür, dass Sie sich authentisch darstellen und dass Sie wiedererkannt werden.
Farb- und Formwelt (Design) und Text sollen dieselbe Sprache sprechen – die Sprache Ihrer Zielgruppe.
Ihr Produkt / Ihre Dienstleistung muss so erklärt werden, dass Ihre Zielgruppe ganz klar versteht, was Sie anbieten.
Eine originelle Inszenierung und die Aufladung der relevanten Produktmerkmale mit emotionalem Nutzen schaffen Alleinstellungsmerkmale und machen Ihr Produkt/Ihre Dienstleistung unverwechselbar.
Vermeiden Sie Werbeblabla – stellen Sie Ihre Kompetenz heraus. Denn nur Ihre Kompetenz macht aus Gelegenheitskunden Dauerkunden, die Ihnen vertrauen und die Sie auch weiter empfehlen.
Mit dem gezielten und aufeinander abgestimmten Einsatz von Onlineshops, Viralmarketing, Social Networking, Blogs, Foren und Wikis können Sie Ihre Zielgruppen auch international mit den für sie relevanten Themen erreichen.

Hinter guter Werbung im Internet stehen eine strukturierte Vorgehensweise, eine medienübergreifende Kommunikationsstrategie und der gekonnte Umgang mit der eingesetzten Technologie.

Nach oben

Aktuelles:

25.08.11 14:45

ENBIS-Konferenz in Coimbra/Portugal

Andrea Ahlemeyer-Stubbe vor...

mehr...

zum Archiv ->

Aktuelles:

26.01.09 14:01
Kunden begeistern mit Ihrem täglichen Schriftverkehr

Haben Sie schon Ihre Korrespondenz als höchst effizientes Marketinginstrument fü...

mehr...

zum Archiv ->