CURTIS Die Customer Realtime Segmentation


Intro

Folie 3 | © infas 360 | RESEARCH AND RESULTS: Halle 1 Stand 156/158 | 23.10.2017

CURTIS | Die Customer Realtime Segmentation

Michael Müller, guten Tag, ich hätte gerne ein Doppelzimmer für

übernächstes Wochenende

Natürlich. Auguststraße 12 in Düsseldorf

Intro

Beispiel

Hotel Muster herzlich willkommen, was kann ich für Sie tun?

Sehr gerne Herr Müller, sagen Sie mir bitte kurz Ihre Adresse?

Herr Müller, ich reserviere gerne unsere Suite „Fürst“ für Sie. Und ich habe ein tolles Arrangement an diesem Wochenende mit Champagner, Spa-Anwendungen und Sternemenü inklusive. Darf ich das für Sie einbuchen?

Das klingt ja wie für mich gemacht. Prima. Vielen Dank.

ADRESSE: KUNDENTYP: A Gebäudetyp: Villa groß, eine Partei Einkommensklasse: 10/10 Exklusivität: Sehr hoch Altersklasse: 35-40 Jahre Wohnlage: Exklusiv, zentrumsnah Soziale Schicht: Sehr hoch Eigentumsquote: 95% Affinität Urlaub: Sehr hoch, international Nächste Wellness: 8,5 km Affinität Wellness: Sehr hoch Haushaltsstruktur: Paare, wenig Kinder

Auguststraße 12, 43221 Düsseldorf|


Wer oder was ist CURTIS?




Basics

CURTIS beschreibt und sortiert jeden Konsumenten (B2C) und jede Firma (B2B) in Deutschland jeder beliebigen Kundensegmentierung zu.

CURTIS verwendet Kundensegmentierungen, die im Smart-Research-Verfahren erstellt und übertragen wurden.

CURTIS stellt diese Segmente für alle Adressen in Deutschland zur Verfügung.

CURTIS verwendet dazu eine Ad-hoc-Geocodierung und bietet auf Wunsch auch Zugriff auf die gesamte CASA-Datenwelt.



Jedes Unternehmen kann so seine unternehmensspezifische Kundensegmentierung sofort mit CURTIS den jeweiligen Vertriebskanälen für Neukunden und Interessenten-Anfragen zur Verfügung stellen.

Zum jeweiligen Kundentyp/-segment kann so ad-hoc das passende Kommunikationsverfahren anwenden bzw. das optimal passende Produktangebot offeriert werden.


Anwendungen



Anfrageeingang per Post, Telefon, E-Mail, Website,

persönlichem Besuch, …

Identifikation und Zuordnung zum passenden

vordefinierten Segment

Adresseingabe und Realtime-Geocodierung

.


Schematische Darstellung



Datenbasis

infas 360 CASA Datenbank inkl. 700 mikrogeographischer Variablen

Kundendaten (Adressen, Kennziffern)

Kundenbefragungen

infas 360 CASA Monitor

Übertragung der Segmentierung

Kundeneigene

Kundeneigene, optimiert im Smart Research- Verfahren von infas 360

Komplett neu, im Smart Research- Verfahren von infas 360

Realtime-Geocodierung

infas 360 PAGS Geocoder

Adressvalidierung

Adresslokalisierung

Adressanreicherung mit Geoschlüssel

Option: „Frag CURTIS“

Cloud-Dienst

Inkl. Daten, Segmente, Realtime-Geocodierung

Adresseingabe per Text- feld o. interaktiver Karte

Ergebnis-Ausgabe in übersichtlicher Liste

Export/Druck möglich

Inhaltlich individualisierbar


Bestandteile




Das Smart Research-Verfahren




Erforderliche Schritte

?

TASK RESULT

!

Fragebogenentwicklung (Smart Research Verfahren) • Zu Themen wie Einstellung, Kaufverhalten, Soziodemographie • Gezielte Matching-Fragen zum späteren Targeting im CRM • Objektive Fragen zum validieren der subjektiven Antworten

Datenanreicherung (Smart Data Enrichement)

• Geokodierung und Validierung der Adressen • Datenanreicherung mit ca. 500 hausgenauen Variablen

Datenanalyse (Smart Analytics)

• Bildung der Kundensegmente und Kundenprofilierung

Datenübertragung (Smart Analytics) • Übertragung der Segmente ins CRM • Übertragung der Segmente auf jede Adresse bundesweit

Empfehlungen für das operative Management (Smart Operations)

• Realtime-Verifizierung der Kunden- bzw. Interessentenadressen • Steuerung der Anfragen (Empfang, Zentrale, Marketing, Vertrieb, Call-Center, usw.) • Ad hoc-Anreicherung der Interessenten inkl. Zusatzdaten



(nicht erforderlich, wenn Antworten in Sekundärdaten

bereits auffindbar)

Primary Data Phase

SMART DATABASE RESEARCH

SMART DESIGN

SMART SURVEY

SMART DATA ENRICHMENT

SMART ANALYTICS

SMART OPERATIONS

?

TASK RESULT

!

Secondary Data Phase

Exploration Data Phase Payout Phase


Übersicht



CASA Gebäudedaten

bank für B2B und B2C

infas 360 Datenbanken

Private Data Open Data

Deutsche Telekom

AZ Bertelsmann

Data Intelligence

Network

Public Data

Bundesämter

Landesämter

Städte

+ Deutsche Post

Immobilien-scout24

z. B. Ärzte- und Apothekenbank

Google

CRM-Daten / Daten des

Aufraggebers + 1




1. Smart Database Research





1

Primary Data Phase

SMART DESIGN

2

Smart Sampling Bessere Bestimmung der Grundgesamtheit (N). Wie viele gibt es und wie finde ich diese? Detailliertere Schichtungsmöglichkeiten Optimierte Stichprobenziehung (n)

Smart Channeling

Über welchen Kanal erreicht man am besten wann und wo den zu Befragenden (Kanalaffinitäten/Mobilitätsverhalten z. B. aus Behaviour Data)

Smart Questioning Einsparungen von Fragen Gezielte Matching Fragen (Targeting) Vergleich von Objektivität zur Subjektivität Ortsabhängige Befragungsinhalte (real time)


2. Smart Design





1

Primary Data Phase

SMART DESIGN

2

SMART SURVEY

3

Zeit- und ortsabhängige Befragung

Best Routed Interviews Intelligente Face-to-Face Interviewer Steuerung

Realtime Non-Response-Analyse

Ggfs. Anpassung des Designs


3. Smart Survey





1

Primary Data Phase

SMART DESIGN

2

SMART SURVEY

3


4

Exploration Data Phase

CRM-Daten

Data Intelligence

Network

infas 360 Daten

Recherche, Beratung und ggf. Lizenzierung von Drittanbieter-Daten aus dem Data Intelligence Network (siehe Smart Database Research)

Anreicherung aller möglichen geeigneten Daten nach Best Price-/Best Quality-Prinzip


4. Smart Data Enrichment





1

Primary Data Phase

SMART DESIGN

2

SMART SURVEY

3


4


SMART ANALYTICS

5

Non-Response-Analyses Explorative Statistics Graph Data Base Analytics Statistische Zwillingssuche Small Area Targeting

Bestimmung des Target Area Levels z. B. Adress-/PLZ5-Ebene und/oder Branche unter Einsatz der Small Area Statistics


5. Smart Analytics





1

Primary Data Phase

SMART DESIGN

2

SMART SURVEY

3


4


SMART ANALYTICS

5

Übertragung von Ergebnissen auf Grundgesamtheit der Zielgruppe (Potenzial)

Übertragung der Ergebnisse in das CRM des Auftraggebers

Bereitstellung/Implementierung Applikationen (i. d. R. kartenbasiert) zur weiteren operativen Anwendung beim Auftraggeber

SMART OPERATIONS

6

Payout Phase


6. Smart Operations




Die Datenanreicherung



Die Datenanreicherung

Das größte amtliche Datenportfolio

50 Mio. Gebäudedaten in Höhe und Fläche 22 Mio. amtlich-postalische Gebäudeadressen

Informationen zu Gebäudedaten

(Typologie, Fläche, Exklusivität der Wohneinheit, Distanzen, …)

Informationen zu Einwohnern und Haushalten

(Soziale Schicht, Altersstruktur, Anz. Haushalte mit Kindern, …)

Informationen zu Affinitäten

(Smart-Home-Nutzung, Eigentümerscore, Kanalaffinitäten, …)

Informationen zu Siedlungsblöcken

(Kaufkraft, Eigentümeranteil, Baudichte, …)

Gewerbeumfeldinformationen, POIs und Trademarks

Überwiegende soz. Schicht: gehoben

Filiale des Wettbewerbers

Einfamilienhaus mit 120 m² Grundfläche

Ihre Filiale: Distanz 500 m

Kaufkraft-Index (SB) 123

Dominierendes Alter: 40-49 Jahre

Qualität der Wohnlage: Gut



Durch das Baukastenprinzip die optimale Ergänzung des eigenen Datenbestandes.

Anonymisierte Datenverknüpfung

durch Georeferenzierung

mit PAGS-Coder

Geo- und mikrogeo-grafischer Datenbestand

mit ca. 700 Variablen

CRM-Daten

Details zur Datenanreicherung

PAGS-CODER: Alle Geo- und Mikrodaten



Daten aus der Befragung (Beispiel) Verknüpfung mit der CASA-Daten (über 200 mikrogeographische Daten auf Haus und

weitere ca. 500 Regional-Variablen)

Einfamilienhaus 140m² 2008 Stadtrand Ja (10 MWh) Sehr hoch Überdurchschnittlich Bis zu 50 Mbit 500 Meter 1800 Meter 1,5 Km

Wohngebäude: Wohnfläche:

Baujahr: Lage:

Solaranlage: Mieten:

Kaufkraft: Breitband:

Next Supermarkt: Next Aldi:

Next Shopping-District:

+ =

Details zur Datenanreicherung

Befragung inkl. Big Data Enrichment

38 Jahre weiblich 4 Pers. 7 und 10 3.900 € (Netto) Marke ca. Euro 180 ca. Euro 20 ca. Euro 420 ca. Euro 210 Store

Alter: Gender Befragte/r:

Haushaltsgröße: Alter der Kinder: HH-Einkommen:

Kaufmotiv: Ausgaben Kleidung: Ausgaben Kosmetik: Ausgaben Nahrung:

-> Davon Obst & Gemüse: Bevorzugter Shopping-

Kanal:



Bildungsgrad/Einkommen: Höher

Werbe-Affinität: Deutlich höher.

Kaufanregung ü. Werbung

Online-Affinität: 5,2% reagieren auf Online-

Banner (Nicht-Käufer: 3,3%)

Altersgruppe: 30-39 und jünger

Gebäudetyp: Eher Mehrparteien- und Mehrfamilienkomplex

CASA MAFO

Details zu Smart Analytics

Präzise Zielgruppenbeschreibung

BBSR-Typ: Großstadt

Haushaltsalter: Jünger

Soziale Schicht: Höher

Babydichte: Höher

Wohnfläche: Kleiner




Smart Analytics



Online Offline

HH

-Net

to-E

inko

mm

en

Nie

dri

g

Ho

ch

Die Sucher Die Elite

Die Marke

Die Leistung

Niedriger Anteil an Paaren EFH mit niedrigem Kaufpreis Dominierendes Alter 50-59 Kleine Wohnfläche Niedriger Anteil an Single-HH

Niedriger Anteil an Paaren mit Kindern

EFH mit niedrigem Kaufpreis Dominierendes Alter 18-29 Hoher Anteil an Single-HH Höherer Ausländeranteil

Hoher Anteil an Paaren mit Kindern im Haus

EFH mit hohem Kaufpreis Große Wohnfläche Niedriger Anteil an Single-HH Hoher Anteil an Christen

Hoher Anteil an Paaren mit Kindern im Haus

EFH mit hohem Kaufpreis Dominierendes Alter im Haus 40-49 Hoher Anteil an Single-HH

Smart Analytics

Mikrogeographische Beschreibung der Kundensegmente



* in der Tabelle liegen andere Fallzahlen vor

Smart Analytics

Kundenprofilierung | Prüfung, ob die Merkmale der Befragten trennen



freistehdes Ein- bisZweiparteienhaus

freistehende Villa

Ein- bisZweiparteienhaus mit

Anrainer

klassischeDoppelhaushälfte

Reihenhaus

freistehendesMehrparteienhaus

Mehrparteiendoppelhaus

Mehrparteienhaus mitAnrainer

Mehrparteienhaus enBlock

Zeilenbau

Mehrfamilienkomplex

Hochhaus

Sonderform

Gewerbe

Seg 1

Seg 2

Smart Analytics

Ermittlung von Unterscheidungsmerkmalen für die anschließende Segmentierung



Smart Analytics

Übertragung auf alle Haushalte und Definition von Nicht-Kunden



Details zu Smart Analytics

Adressgenaue Übertragung aller Segmente auf jede Adresse in Deutschland




Anwendung in „Frag CURTIS“



Kundensegment Einkommen /

Kaufkraft Soziale Schicht Familienstand und –

typ Garage vorhanden Miet- bzw. Kaufpreis

Case: Automatic Web-Segmentation (mehr dazu beim nächsten Mal … )


Case: Steuerung des Interessentenmanagements (Ad hoc-Segmentierung)

Adresse eingeben

Validierung Korrektur

Lokalisierung Anonymisierung

Merkmalsliste Segmentzuordnung

Straße 100 12345 Stadt




Beispiel-Segmentierung anhand dom. Alters- und Einkommensklassen pro Haus

monatliches Haushaltsnettoeinkommen

Ve

tera

ne

n&

Bo

om

er

Ge

ne

rati

on

X

G

en

era

tio

n Y

1.091.571 Adressen 4.056.584 Adressen 2.326.490 Adressen

356.808 Adressen

156.277 Adressen 2.929.219 Adressen

1.678.174 Adressen 1.177.717 Adressen

4.962.752 Adressen

Alt

ersg

rup

pe

ab

60

A

lter

sgru

pp

e 4

0-5

9

Alt

ersg

rup

pe

bis

39

bis 1.500 EUR ab 1.500 bis 3.500 EUR ab 3.500 EUR

4% aller Haushalte

2% aller Haushalte

22%

11% aller Haushalte

10% aller Haushalte

4% aller Haushalte

18% aller Haushalte

8% aller Haushalte

21% aller Haushalte




Live-Demo

https://curtis.alta4cloud.com/

https://curtis.alta4cloud.com/

Haben Sie noch Fragen? Dann freuen wir uns über Ihre Kontaktaufnahme!

Silke Martin Consultant Research & Customer Analytics

infas 360 GmbH [email protected]

Julia Kroth Project Consultant Research & Analytics

infas 360 GmbH [email protected]

CURTIS Die Customer Realtime Segmentation - infas360.de · CURTIS beschreibt und sortiert jeden...

Documents

Transcript of CURTIS Die Customer Realtime Segmentation - infas360.de · CURTIS beschreibt und sortiert jeden...