Kundenwertanalyse Kernprozesse des CRM - ku … · ADBUDG empirischer DB I Jaeck, H.F.T. (2011):...

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Kernprozesse des CRM

Strategischer CRM-ProzessStrategischer CRM-Prozess

Strategische Zielsetzung

Analytische CRM-ProzesseAnalytische CRM-Prozesse

Operative CRM-ProzesseOperative CRM-Prozesse

Marketing -Prozesse Sales-Prozesse Service-Prozesse

Feedback Support

Leistungs‐erstellung

Kampagne Lead Opportunity Angebot Auftrag

Übergreifende Prozesse

Kundenwert-analyse

Kunden-segmentierung charakterisierung

Kunden-charakterisierung

Maßnahmenspezifische Prozesse

Zielgruppen-analyse

Cross-Selling-Analyse

Abwanderungs-analyse

Kundenrisiko-analyse

Strategische Analyse

Strategische Konzeption

Strategie Umsetzung

Strategisches Controlling

Vision

gStrategie

Entwicklung

yUmfeld-analyse

Ressourceny

Ressourcen-analyse

ySWOT-Analyse

gProzess

Controlling

gErgebnis

Controlling

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Business Understanding

326

Der Kundenwert als zentrale Steuerungsgröße des CRM Steuerung aller CRM-Maßnahmen auf Basis des Wertbeitrags von Kundenbeziehungen

Transformation oder Demarketing von Kundenbeziehungen mit negativem Wertbeitrag

Fokussierung auf Kundenbeziehungen mit hohem Wertbeitrag

Selektive Investitionen in Kundenbeziehungen abhängig vom Wertbeitrag

Bewertung aller CRM-Maßnahmen hinsichtlich der Auswirkung auf den Kundenwert.

Kenntnis der individuellen bzw. segmentspezifischen Kundenwerte ist Voraussetzung für die Konzeption individueller bzw. segmentspezifischer Marketing-, Vertriebs- und Servicekonzepte.

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


327

Ansätze zur Kundenwert-Messung – ABC-Analyse nach Umsatz

kumulierterUmsatzanteil (%)

kum. Anteil amKundenstamm (%)

100

A B C

Umsatzbezogene ABC-Analyse

Retrospektive, eindimensionale Kundenbetrachtung.

Kunden werden nach ihrem in der Vergangenheit erzielten Umsatz bewertet und in mehrere Segmente eingeteilt.

Typische Handlungsanweisungen: A-Kunden müssen unbedingt

gebunden werden. B-Kunden sollten gehalten und

entwickelt werden. Bei C-Kunden ist Abwanderung

tolerierbar.

Beschreibung

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


328

Ansätze zur Kundenwert-Messung – ABC-Analyse nach Umsatz

Rapp, R. (2000): Customer Relationship Management, Frankfurt, S. 85.

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e329

In Anlehnung an Bruhn, M./Homburg, C. (Hrsg.): Handbuch Kundenbindungsmanagement, Wiesbaden, S. 338.

Kunden-Bruttoerlöse pro Periode

- kundenbezogene Erlösschmälerungen________________________________________

= Kunden-Nettoerlöse pro Periode

- Kosten der vom Kunden bezogenen Produkte________________________________________

= Kunden-Deckungsbeitrag I

- Kundenbezogene Auftragskosten (z.B. Prozesskosten für Installation, Versand)________________________________________

= Kunden-Deckungsbeitrag II

- Kundenbezogene Marketing- und Sales-Kosten (z.B. Prozesskosten für Lead und Opportunity)

- Sonstige kundenbezogene Prozesskosten (z.B. für Retouren- und Service-Prozesse)

______________________________________

= Kunden-Deckungsbeitrag III

Kundenwertanalyse Business Understanding

Ansätze zur Kundenwert-Messung – ABC-Analyse nach Deckungsbeitrag

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e330Kundenwertanalyse

Business Understanding

Ansätze zur Kundenwert-Messung – Statischer und dynamischer Kundenwert

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e331

Alter derKunden

Deckungs-beitrag

Break-Even

Jugend-konto

Berufsleben

Geburt desKindes

Hausbau

Krediteabgezahlt

Sparen aufRuhestand

Ruhestand

Beziehungsintensität

Zeit

Anb

ahnu

ngsp

hase

Soz

ialis

atio

nsph

ase

Gef

ährd

ungs

phas

e

Gef

ährd

ungs

phas

e

Gef

ährd

ungs

-ph

ase

Wac

hstu

msp

hase Rei

feph

ase

Deg

ener

atio

nsph

ase

Kün

digu

ngsp

hase

Abs

tinen

zpha

se

Rev

italis

ieru

ngsp

hase

Kundenbeziehungs-Lebenszyklus Kunden-Lebenszyklus

Ansätze zur Kundenwert-Messung – Dynamischer Kundenwert


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e332

Homburg, C.; Daum, D. (1998): Das Management der Kundenstruktur als Controllingherausforderung, in: Reinecke, S.; Tomczak, T.; Dittrich, S. (Hrsg.): Marketingcontrolling, St. Gallen, S. 139.

et = (erwartete) Einzahlungen aus der Geschäftsbeziehung in Periode tat = (erwartete) Auszahlungen aus der Geschäftsbeziehung in der Periode ti = Kalkulationszinssatzt = Periode (t = 0, 1, 2, ..., T)T = Dauer der Geschäftsbeziehung

Welche Einnahmen- und Ausgabenentwicklungen können erwartet werden? Welcher Kalkulationszinsfuß ist anzusetzen? Welche Dauer der Kundenbeziehung kann unterstellt werden? Wie kann das Relationspotential quantifiziert werden?

TTT

T

tttt

iae

iae

iaeae

iaeCLV

1

...111 2

221100

0


Ansätze zur Kundenwert-Messung – Customer Lifetime Value

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Data Understanding

333

Basisdaten für die Berechnung des CLV

Kundendaten

Identifikations-daten Deskriptionsdaten Transaktionsdaten

Identifikation i.e.S. Adresse und Kontakt Kundenprofil Soziografie

Demografie

Psychografie

Haushaltsstruktur

Mikrogeografie

Kaufhistorie Kontakthistorie Produktnutzung

Soziale Vernetzung

Ansprache

Reaktion

KundeninitiierteKontakte

Kundendaten



Demografie

Psychografie

Haushaltsstruktur

Mikrogeografie


Soziale Vernetzung

Ansprache

Reaktion


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Data Preparation

334

Kundensegmentierung Berechnung segmentspezifischer Kundenwerte oder Verhaltensparameter

Wichtige Segmentierungskriterien: Kundenbeziehungslebenszyklus, Kaufhistorie, Alterskohorten

Kalkulationszinssatz Interner Zinsfuß aus der Investitionsplanung

WACC (Weighted Average Cost of Capital)

Branchentypische ROI oder Eigenkapitalrendite

Zahlungsströme Einnahmen und Ausgaben je Kunde und Periode nach Kundensegmenten

Basis: Kundendeckungsbeitragsrechnung und Prozesskostenrechnung

KundenwanderungenWanderungswahrscheinlichkeiten zwischen Kundensegmenten

KundenbeziehungsdauerOft Limitierung auf Betrachtung von 2-10 Jahren

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Data Preparation

335

Zahlungsströme - Beispiel

Blattberg, R.C. et al (2008): Database Marketing – Analyzing and Managing Customers, New York, S. 147 f.

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e336

Retention-Modell zur Berechnung des CLV

Konstante Einnahmen und Ausgaben pro Periode

Konstante Abwanderungswahrscheinlichkeit (r=retention rate)

Keine Rückgewinnung abgewanderter Kunden

1

)1(

100

100

ri

t

tt

aeaeCLV

riaeaeCLV

Kundenwertanalyse Modeling

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Modeling

337

Migration-Modell zur Berechnung des CLV im Versandhandel

Recency, Frequency, Monetary Value als Determinanten des Kundenwertes (RFM) Kundenwertberechnung auf Basis einer Recency-Segmentierung (Recency Cells)

Eberling, G. (2002): Kundenwertmanagement, Wiesbaden, S. 404 f.

Kundenwanderungen zwischen Recency Cells Netto-Cash-Flows in t=1 bis 4

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


338

Migration-Modell zur Berechnung des CLV bei der Deutschen Bank

Kundensegmentierung nach Einkommen, Vermögen, Profitabilität (intern verfügbar) Differenzierung des Kundenverhaltens nach Kaufhistorie und Altersstufen (Kohorten)

Blache, R.; Hahn, J. (2002): Die Jagd nach Top-Kunden, in: Acquisa, Nr. 10, S. 34

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e

Marktanteil

Mar

ktvo

lum

en

Erobern Ausbauen

Vert

eidi

gen

HaltenBeobachten

Kundenwertanalyse Modeling

339

Investitionssensitives Migration-Modell zur Berechnung des CLV

Einnahmenüberschüsse in den Kundensegmenten abhängig von CRM-Maßnahmen Wanderungen zwischen den Kundensegmenten abhängig von CRM-Maßnahmen

Kundensegmentierung Investitionssensitives Migrations-Modell

Jaeck, H.F.T. (2011): Wertorientiertes Management von Kundenbeziehungen, Verlag Dr. Kovac, Hamburg.

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


340


Investitionssensitive Segmentdeckungsbeiträge

0,00 20,00 40,00 60,00Besprechungen

Ausbauen

0,00 €200,00 €400,00 €600,00 €800,00 €

1.000,00 €1.200,00 €1.400,00 €1.600,00 €1.800,00 €2.000,00 €2.200,00 €2.400,00 €

0,00 10,00 20,00 30,00 40,00 50,00

DB I

Besprechungen

Erobern

0,00 20,00 40,00 60,00Besprechungen

Verteidigen

DB I nachADBUDG

empirischerDB I


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


341


Investitionssensitive Wanderungswahrscheinlichkeiten


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


342

Modellierung des Referenzpotentials

Quantifizierung des Referenzpotentials Monetarisierung des Referenzpotentials Gesonderte Berechnung nach Kundensegmenten

Helm, S. (2003): Kundenempfehlungen als Baustein des Kundenwerts, erscheint in: Hippner, H.; Wilde, K.D. (Hrsg.): Grundlagen des CRM, Wiesbaden.

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Evaluation

343

Langer Zeithorizont bei der Ermittlung empirischer Kundenwerte: prospektive Evaluation nicht sinnvoll anwendbar.

Alternative Evaluations-Konzepte

Evaluation anhand kurzfristiger Teilkundenwerte (z.B. 6 Monate, 1 Jahr) Retrospektive Evaluation anhand abgeschlossener/ fortgeschrittener

Kundenbeziehungen (Zeitstabilität der Modellierung?) Prämissen-Kontrolle statt Ergebnis-Evaluation (Überwachung der Modellparameter, z.B.

Konversionsraten, Kauffrequenzen, Kaufvolumina etc.)

Grenzen der Kundenwertprognose

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Deployment

344

Bereitstellung und Nutzung in CRM-Prozessen

Kundenwert für jeden Kunden als Merkmal im DWH hinterlegt

Regelmäßige Aktualisierung des Kundenwerts für jeden Kunden

Gesonderte Wertung hinsichtlich Transaktions-, Referenz- und Informationspotential

Reporting und Monitoring von CRM-Prozessen nach Kundenwert-Klassen

Differenzierte Ausgestaltung von CRM-Prozessen nach Kundenwert

Gezielte CRM-Aktionen bei massiver Kundenwert-Veränderung

Nutzung in weiterführenden Analysen

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundenwertanalyse Deployment

345

Kundenwertbasiertes Customer Relationship Management

Proaktive Steuerung des CRM

CLV als kundenspezifisches Investitionslimit

CLV-abhängige Differenzierung von CRM-Prozessen

Gezielte Akquisition CLV-starker Neukunden

Gezielte Rückgewinnung CLV-starker Abwanderer (gesonderter „Second Lifetime Value (SLTV)“)

Break-Even-Analyse von CRM-Maßnahmen

Return on Investment von CRM-Maßnahmen

CRM-Budgetierung nach Kundenbeziehung-Lebenszyklus und Kundensegmenten

=> Ganzheitliche, zukunftsorientierte Bewertung aller geplanten CRM-Aktionen und -Prozesse

Reaktive Steuerung des CRM

Monitoring/Reporting der CLV-Treiber

Kundengewinnungskosten

Kundenbetreuungskosten

Kundendeckungsbeitrag

Kundengewinnungsrate

Kundenwanderungen

Kundenabwanderungsrate

Differenziert nach

Kundensegmenten

Kundenbeziehungs-Lebenszyklus

Kampagnenzielgruppen

=> Ganzheitliche, zukunftsorientierte Bewertung aller durchgeführten CRM-Aktionen und -Prozesse

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e

1 Grundlagen des CRM

2 IT-Systeme im CRM2.1 Kundendaten im CRM

2.2 Operatives CRM

2.3 Analytisches CRM

2.3.1 IT-Systeme im analytischen CRM

2.3.2 Kernprozesse im analytischen CRM

2.3.2.1 Kundenwertanalyse

2.3.2.2 Kundensegmentierung

2.3.2.3 Kundencharakterisierung

2.3.2.4 Zielgruppenanalyse

2.3.2.5 Cross-Selling-Analyse

2.3.2.6 Abwanderungsanalyse

2.3.2.7 Kundenrisikoanalyse

2.4 Integration von oCRM und aCRM

3 Management von Kundenbeziehungen

Übersicht

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Kernprozesse des CRM






Feedback Support




Kundenwert-analyse




Zielgruppen-analyse






Strategie Umsetzung


Vision

gStrategie

Entwicklung

yUmfeld-analyse

Ressourceny

Ressourcen-analyse

ySWOT-Analyse

gProzess

Controlling

gErgebnis

Controlling

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Business Understanding

348

Kundengruppen mit unterschiedlichem Transaktions- und Kommunikations-verhalten und unterschiedlichen Kundenwerten erfordern eine differenzierte Ausgestaltung von Angeboten und CRM-Prozessen.

Differenzierte Bearbeitung verschiedener Kundengruppen oder Fokussierung auf bestimmte Kundengruppen.

Kundenwanderungen zwischen den verschiedenen Kundengruppen erfordern Anpassung von Angeboten und CRM-Prozessen.

Unterschiedliche Segmentierungen im operativen und strategischen CRM

Grobsegmentierung im strategischen CRM (3-5 Kundensegmente untergliedert nach Kundenbeziehungs-Lebenszyklus)

Feinsegmentierung im operativen CRM (u.U. >100 Kundensegmente, verschiedene Kundensegmentierungen für verschiedene Anwendungsfelder)

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Data Understanding

349

Basisdaten für die Berechnung des CLV

Kundendaten



Demografie

Psychografie

Haushaltsstruktur

Mikrogeografie


Soziale Vernetzung

Ansprache

Reaktion


Kundendaten



Demografie

Psychografie

Haushaltsstruktur

Mikrogeografie


Soziale Vernetzung

Ansprache

Reaktion


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Data Preparation

350

Auswahl der Segmentierungsmerkmale bestimmt das abgebildete Verhalten

Datenaufbereitung für Clusteranalyse und KNN

Normierung oder z-Transformation der Merkmale zur Verhinderung einer implizite Gewichtung (keine Maßstabsinvarianz der meisten Proximitätsmaße)

Manuelle Vorauswahl oder Faktorenanalyse der Ursprungsmerkmale zur Verhinderung einer impliziten Gewichtung verschiedener Verhaltensdimensionen (mehrere korrelierte Merkmale zur Beschreibung eines Verhaltensaspekt erhöhen dessen Einfluss auf die Proximität)

Bevorzugte Nutzung von Merkmalen mit hoher Verfügbarkeit

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Modeling

351

Methoden

Clusteranalyse

Künstliche Neuronale Netze (Self Organizing Maps – SOM)

Unterscheidung nach Erkenntniszielen

Kundensegmentierung nach vorgegebenen Verhaltensdimensionen (Kommunikationsverhalten, Kaufverhalten, Kundenwert, …)

Aufdeckung „natürlicher“ Kundensegmente

Unterscheidung nach Anwendungsfeldern

Generelle Kundensegmentierungen (z.B. strategische Kundentypen)

Anwendungsspezifische Kundensegmentierungen (z.B. Kündiger-Typen)

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Beispiel – Kaufverhaltensorientierte Kundensegmentierung einer Bank

352

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Evaluation

353

Differenzierte Profile der Kundensegmente hinsichtlich nutzungsrelevanter

Segmentierungsmerkmale (z.B. Kauf- und Kommunikationsverhalten)

Deskriptionsmerkmale (z.B. Kundenwert, Lebensstil, Mediennutzung, …)

Größe der Kundensegmente

Zeitstabilität der Kundensegmente

Verhaltensrelevanz der Kundensegmente

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundensegmentierung Deployment

354


Segmentzugehörigkeit für jeden Kunden als Merkmal im DWH hinterlegt

Regelmäßige Aktualisierung der Segmentzuordnung für jeden Kunden

Profile der Kundensegmente als Metadaten im Repository

Segmentspezifisches Reporting und Monitoring von CRM-Prozessen

Differenzierte Ausgestaltung von CRM-Prozessen nach Kundensegmenten

Gezielte CRM-Aktionen für Kundensegmentwechsler (z.B. für Wechsel Nesthocker DINK (Double Income No Kids) “volles Nest“)

Nutzung in weiterführenden Analysen

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e

1 Grundlagen des CRM

2 IT-Systeme im CRM2.1 Kundendaten im CRM

2.2 Operatives CRM

2.3 Analytisches CRM

2.3.1 IT-Systeme im analytischen CRM

2.3.2 Kernprozesse im analytischen CRM

2.3.2.1 Kundenwertanalyse

2.3.2.2 Kundensegmentierung

2.3.2.3 Kundencharakterisierung

2.3.2.4 Zielgruppenanalyse

2.3.2.5 Cross-Selling-Analyse

2.3.2.6 Abwanderungsanalyse

2.3.2.7 Kundenrisikoanalyse

2.4 Integration von oCRM und aCRM

3 Management von Kundenbeziehungen

Übersicht

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Kernprozesse des CRM






Feedback Support




Kundenwert-analyse




Zielgruppen-analyse






Strategie Umsetzung


Vision

gStrategie

Entwicklung

yUmfeld-analyse

Ressourceny

Ressourcen-analyse

ySWOT-Analyse

gProzess

Controlling

gErgebnis

Controlling

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Business Understanding

357

Planung von CRM-Maßnahmen für Kunden mit bestimmten Charakteristika, die ganz oder teilweise unbekannt sind, z.B.

Geschäftsbeziehung zu Wettbewerbern

„sensible“ Demografie (Einkommen, Vermögen, Risikobereitschaft, …)

Wahrscheinlichkeitsaussagen über unbekannte Kundencharakteristika, z.B.

Produktaffinitäten

Kanalaffinitäten

Beziehung zu Wettbewerbern

Zugehörigkeit zu Kundensegmenten

…

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Business Understanding

358

Daten-Matching Daten-FusionName Vorname PLZ Ort Straße HNr. Kunde seit Umsatz 2011 …

Meyer Josefine 98765 Oberdorf Kirchstr. 3 17.03.1946 2431,7 …Müller Georg 87654 Musterstadt Hauptstr. 15 21.082.010 751,73 …

… … … … … … … … …

Name Vorname PLZ Ort Straße HNr. BamS‐Abo

Meyer Josefine 98765 Oberdorf Kirchstr. 3 jaMüller Georg 87654 Musterstadt Hauptstr. 15 nein

… … … … … … …

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Data Understanding

359

Kundendaten



Demografie

Psychografie

Haushaltsstruktur

Mikrogeografie


Soziale Vernetzung

Ansprache

Reaktion


Kundendaten



Demografie

Psychografie

Haushaltsstruktur

Mikrogeografie


Soziale Vernetzung

Ansprache

Reaktion


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Data Preparation

360

Daten-Matching

Direkte Anreicherung aus externen Quellen, wenn dort Identifikationsdaten verfügbar.

Überprüfung und Korrektur von Identifikationsdaten, z.B.

Plausibilitätsprüfung ( Gültige PLZ, Hausnummer, gültige Domain bei E-Mail-Adresse, …)

Externe Validierung (Post- und E-Mail-Adressen, Telefonnummern, etc.)

Bereinigung von Rückläufern und Bounces

Daten-Fusion

Indirekte Anreicherung aus anonymen externen Quellen über gemeinsame Merkmale.

Identifikation gemeinsamer Datenfelder in Kundendatenbank und externer Quelle.

Abgleich von Skalierung und Erhebungssystematik.

Überprüfung der Relevanz und Vollständigkeit der gemeinsamen Datenfelder.

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Modeling

361

Daten-Matching

Verknüpfung verschiedener kundenbezogener Datenbestände über

gemeinsame Primärschlüsselsysteme (Kundenummer, Telefonnummer, E-Mail-Adresse etc.)

Adressabgleich (Name, Anschrift, etc.)

Probleme beim Adressabgleich

Unterschiedliche Schreibweisen: Markovicova/ Marcovitschova, Sibylle/Sybille, Meier/Meyer/Mayr, Dellingerweg/ Dellinger Weg

Tippfehler: Dellingerweg 7/ Dettingerweg 6

Wortumstellungen: Immobilienbüro Mayr/ Meier Immobilien

Abkürzungen und Akronyme: GfK/ Gesellschaft für Konsumforschung

Durchführung des Adressabgleichs

Automatisierter Abgleich mit fehlertoleranten Abgleichalgorithmen

Manuelle Nachbearbeitung ohne/ mit Kundenkontaktierung

Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


362

Daten-Matching

Anforderungen an Vergleichsalgorithmen

Effektivität: Hohe Qualität der erkannten Übereinstimmungen

Precision = tp/(tp+fp) Zuverlässigkeit erkannter Treffer

Recall = tp/(tp+fn) Ausschöpfung der möglichen Treffer

Effizienz: Anstieg der Verarbeitungszeit mit wachsender Adressenzahl

Zielkonflikte beim Adressenabgleich


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


363

Daten-Matching

Grobablauf fehlertoleranten Vergleichsalgorithmen

Partitionierung der Fremddatei in Partitionen „ähnlicher“ Datensätze

Paarvergleich mit allen Datensätzen „interessanter“ Partitionen der Fremddatei

Berechnung einer Ähnlichkeitsmaßzahl für alle Paare

Auswahl des Paars mit maximaler Ähnlichkeitsmaßzahl

Annahme der Übereinstimmung, wenn Ähnlichkeitsmaßzahl > Schwellenwert

Partitionierung

Blocking: Bestimmung eines Blockschlüssel aus den Datensatz-Attributen, z.B. erster Buchstabe des Nachnamens + Geschlecht.

Clustering: Vollständiger Paarvergleich mit einfachem (schnellem) Ähnlichkeitsmaß. Darauf aufbauend Clusterbildung

Sorted Neighborhood: Schlüssel aus Datensatz-Attributen Sortierung nach Schlüssel-Werten Paarvergleich nur wenn maximal n Datensätze Abstand in der sortierten Reihenfolge

Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011; Thor, A. (2010): Datenintegration, Vorlesung an der Universität Leipzig, WS 2010/11

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


364

Daten-Matching

Ähnlichkeitsmaße

Spezifische Ähnlichkeitsmaße für verschiedene Attribute (Name, Vorname, Alter, Geldbeträge, Straßen, Orte, PLZ, Hausnummern, Zeichenketten etc.)

Ähnlichkeitsmaß wird aus den Ähnlichkeitsmaßen der einzelnen Attribute zusammengeführt

Ähnlichkeitsmaße für Zeichenketten

Edit-basierte Ähnlichkeitsmaße: Zeichenweiser Vergleich zweier Zeichenketten

Levenshtein-Distanz: Anzahl der zur Überführung erforderlichen Edit-Operationen (insert, delete, replace)

SOUNDEX-Maß: Erster Buchstabe gefolgt von Codes für die nächsten drei Konsonanten, wobei ähnliche Konsonanten den gleichen Code erhalten (B und P erhalten „1“, V und B erhalten „0“). Beachtet Lautähnlichkeiten.

Etc.

Token-basierte Ähnlichkeitsmaße: Vergleich übereinstimmender Teilketten oder Worte

Jaccard-Ähnlichkeit: Anzahl gemeinsame Token in Vergleich zu allen Token beider Zeichenketten

q-gram-Ähnlichkeit: Anzahl gemeinsamer Token der Länge q.

Etc.Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011; Thor, A. (2010): Datenintegration, Vorlesung an der Universität Leipzig, WS 2010/11

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


365

Daten-Matching

Beispiel für gefundene Ähnlichkeiten (0-100 %)

Mueller Moebel GmbH Möbelmüller GmbH: 94 %

Sponheimstraße 12 Sponheimerstraße 12: 97 %

Sponheimstraße 12 Sponheimerstraße 21: 91 %

Bauamt Wuntorf (Bauveralt.) Bauverwaltung Bauamt Wundorf: 86 %


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild


366

Daten-Fusion

Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, 12.10.06 Schloss Hirschberg.

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e367Kundencharakterisierung

Modeling

Daten-Fusion

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e368Kundencharakterisierung

Modeling

Daten-Fusion

Methoden zur Modellbildung

Prognose- und Klassifikationsmethoden des Data Mining (Klassifikations- und Regressionsbäume, Regressionsanalyse, Künstliche Neuronale Netze, etc.)

Segmentierungsmethoden (z.B. k Nearest Neighbour)

Link-Variable: wichtig ist Inhaltlicher Zusammenhang mit den zu fusionierenden Merkmalen.

Soziodemografie

Produktnutzung

Nutzungssituation

etc.


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Evaluation

369

Daten-Matching

Precision und Recall anhand validierter Testfälle

Unterschiedliche Gewichtung von „false-positive“ und „false-negative“ je nach intendierter Anwendung.

Daten-Fusion

Kreuzvalidierung mit Kalibrierungs- und Teststichprobe hinsichtlich

Trefferquote/ Prognosefehler der fusionierten Merkmale

Häufigkeits-Verteilung der fusionierten Merkmale in der Kalibrierungs- und Teststichprobe

Korrelationen der fusionierten Merkmale in der Kalibrierungs- und Teststichprobe

Überprüfung von Overfitting und Generalisierungsfähigkeit


Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Deployment

370



Fusionierte Merkmale für jeden Kunden als Merkmal im DWH hinterlegt

Regelmäßige Aktualisierung für jeden Kunden

Direkte Nutzung zur Kundenansprache

Indirekte Nutzung in weiterführenden Analysen, z.B.

Churn Prediction: Welche Kunden sind kündigungsgefährdet?(interne Daten+ Kundenbindungsstudie)

Cross-/ Up-Selling (interne Daten + Gesamtmarktverhalten)

Customer Lifetime Value (z.B. Transaktionswert aus internen Daten, Loyalität aus Marktforschungs-Studie)

Neuproduktaffinität: Welche Kunden sind für ein neues Produkt besonders affin? (interne Daten+ Neuproduktnutzung aus Marktforschungsstudie)

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

e371

Problemstellung

Datenanreicherung der Kundendatenbank aus Finanzmarkt-Panel

Gesucht: Kunden mit Rechtsschutz-Versicherung bei Wettbewerber

Daten

Kundendatenbank

Finanzmarkt-Panel

Methoden

Scoring-Modell ableiten aus den Daten des Finanzmarkt-Panels

Scoring-Modell anwenden auf Kundendatenbank

Kundencharakterisierung Beispiel - Kundencharakterisierung bezüglich Wettbewerbsbindung

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikP

rof.

Dr.

Kla

us D

. Wild

eKundencharakterisierung Beispiel - Kundencharakterisierung bezüglich Wettbewerbsbindung

372

Kundenwertanalyse Kernprozesse des CRM - ku … · ADBUDG empirischer DB I Jaeck, H.F.T. (2011):...

Documents

Transcript of Kundenwertanalyse Kernprozesse des CRM - ku … · ADBUDG empirischer DB I Jaeck, H.F.T. (2011):...