Click here to load reader
Upload
roger-dobler
View
96
Download
1
Embed Size (px)
DESCRIPTION
Responsequoten, durchschnittliche Auftragswerte und Zahlerquoten sollen von Direktwerbeaktion zu Direktwerbeaktion gesteigert werden. Keine einfache Aufgabe. Hier ein Erfolgsrezept: die gezielte Profilierung spezifischer Adressen aus Fremdlisten nach soziodemografischen Kriterien.
Citation preview
Marketing & Kommunikation 8/07 Dossier �
Erfolgreicher Kunden gewinnen – mit ListprofilingLISTPROFILING Responsequoten, durchschnittliche Auftragswerte und Zahlerquoten sollen von Direkt- werbeaktion zu Direktwerbeaktion gesteigert werden. Keine einfache Aufgabe. Hier ein Erfolgsrezept: die gezielte Profilierung spezifischer Adressen aus Fremdlisten nach soziodemografischen Kriterien.
VON ROGER DOBLER*
Zur Segmentierung vonKunden haben sich Technikenund Methoden aus dem DataMining bewährt. Die benötigtenInformationenstammenvondenKundenselbst,ausderenRekru-tierungsprozesssowieausihrenbisherigenTransaktionen.Häufigwerden zusätzlich soziodemo-grafische Daten herbeigezogen,damitdieIntensitätderKunden-beziehung noch exakter model-liertwerdenkann.
Hohe AffinitätFür die gezielte Neukundenge-winnung werden oft Personen-Adressenals sogenannteFremd-listenfüreineeinmaligeVerwen-dungangemietet.DieseAdressenweisen erfahrungsgemäss einehohe Affinität zu den eigenenKundenauf.EineWeinkäufer-Lis-teeignetsichbeispielsweisezurNeukundengewinnung für eineWein- oder Gourmet-Zeitschrift.Die Fremdadressen können mitder entsprechenden Erlaubnis(Permission)füradressierteWer-bung,«kalte»TelefonanrufeoderE-Mail-Kampagnen eingesetztwerden. Meist lassen sich dieAdressenbeiderSelektionjedochnurnachdenKriterienGeschlechtundSpracheeingrenzen.
EliminationsstrategieBeimAnmietenvonFremdadres-sen werden normalerweise fol-gendeSchritteausgeführt:A)QualitätskontrollebeiderAdressformatierung –EliminationoderKorrektur fehlerhafterAdressen –EliminationoderKorrektur unvollständigerAdressenB)Dubletten-Abgleichmit –bisherigenKundenund –internenSperrlisten –Negativlisten(z.B.Robinson- liste,«schlechteZahler»etc.)C)AufbereitungderNetto-Adressen
Das ListprofilingZurgezieltenProfilierungvonan-gemieteten Adressen bietet sich
einErfolgversprechendesRezeptan: das Listprofiling. Allgemeinversteht man unter ListprofilingdieSegmentierungvonFremdlis-tenanhandzusätzlicherMerkmaleauseinermarktabdeckendenRefe-renzkartei.Listprofilingerlaubtei-negenauereundsomiteffizientereSegmentierung der Personen mitdemZiel,denErfolgbeiderNeu-kundengewinnung zu steigern.Dies bedeutet höhere Reaktions-quoten,steigendeUmsätzejeKon-taktodergesteigerteZahlerquoten.
Der Fremdlisten-Eigentümermöchte aus ökonomischer Sicht,dassmöglichstvieleseinerAdres-seneingesetztwerden.DerAdress-mietermöchtehingegenmöglichstnur Adressen mit hoher Reak-tionswahrscheinlichkeit einset-zen. Mit einer Eliminationsstra-tegie,beidermutmasslichunter-durchschnittliche Reagierergrup-penausgeschlossenwerden,kön-nenlangfristigdie Interessenbei-derSeitenbefriedigtwerden.
Vorteile dank ReferenzkarteiBeimListprofilingwerdendie
Fremdlisten-Adressen mit einermarktabdeckenden Referenzkar-teiverknüpft.DieseVoraussetzungbringt bereits ökonomische Vor-teilefürdenAdressmieter:A)Personen,derenHaushaltenichtin der Referenzkartei gefundenwerden,weisenerfahrungsgemässeine postalische Retourenquote
von25bis40%auf.MitanderenWorten, ohne Listprofiling ver-pufftindieserGruppejedesdrittebisvierteMailingwirkungslos.B)DurchdieÜbernahmederpos-talisch korrekten Strassen/PLZ/Ort-Schreibweisen aus der Refe-renzkartei für die Adressierungsinkt die Retourenquote erfah-rungsgemässunter1%.C) EnthältdieReferenzkarteiNe-gativmerkmale wie «schlechterZahler»,bestehtzudemdieMög-lichkeit,dieseauszuschliessen.
Zwei LösungsansätzeFür das eigentliche ListprofilinggibtesgrundsätzlichzweiAnsät-ze,wiediezueliminierendenPer-sonenbestimmtwerdenkönnen:A)Die Anwendung von Scoring-Modellen, wie sie zum Beispielauch für die Optimierung vonKampagnen bei bestehendenKundeneingesetztwerden,undB)Verwendung einzelner Merk-male für den Ausschluss vonAdressen mit tiefer Reaktions-wahrscheinlichkeit. InderPraxiswerdenhiervorwiegenddieKrite-rienAlter,verfügbaresEinkommenoder Kaufkraft, Haushaltsgrösse,Lebensphase oder Postkaufaffini-täterfolgreicheingesetzt.
Scoring-ModelleDerEinsatzvonScoring-Mo-
dellenimListprofilingsetztvor-aus, dass bereits Modelle über
das Verhalten von Kunden ge-bildetwordensind.Ausdenda-durch gewonnenen Erkenntnis-sendirekteineEliminationsstra-tegiefürdasListprofilingabzulei-ten,kannjedochgefährlichsein.So hat beispielsweise das Alterbei der NeukundengewinnunghäufigeinenanderenEinflussaufdasVerhaltenalsbeibestehendenKunden.FolgendesPraxisbeispielbelegtdies:
Vergleicht man den Responsenach Altersklassen bei Kunden-aktivitätenmitdemjenigenbeiderNeukundengewinnung, wird er-sichtlich,dassbestehendeKundenabeinemAltervon55Jahrendurch-schnittlichoderüberdurchschnitt-lichaufAngebotereagieren.Gegen-sätzlichverhältes sich jedochbeidenNeukunden,wodieseAlters-gruppekaumzueinemWechseldesDienstleisterszubewegenist.
TestanlagenDas Beispiel zeigt, dass mit ei-nerBegrenzungdesAltersauf54Jahre ein Responsezuwachs von68%,beieinerBegrenzungauf64JahreeinZuwachsvon31%reali-siertwerdenkann.DasListprofi-lingistsomitrentabel.
Falls einzelne Merkmale oh-ne statistische Grundlagen ausge-wähltwerdenmüssen,istderEin-bezugallerbisherigenErfahrungenumsowichtiger.Fürdenkontinu-ierlichenErfolgistzudemwesent-lich,dassentsprechendeTestanla-generstelltwerden,damitdieEin-flüsse der verschiedenen Grössenkorrekt nachgewiesen und über-wachtwerdenkönnen.
Vomresultierenden,dankList-profilinglangfristigrentablenEin-satz einer Adressliste profitierenschlussendlich beide Seiten, derAdressmietersowiederListen-Ei-gentümer. n
* Roger Dobler, Teamleader
Data Mining & Geo Marketing,
AZ Direct AG, Rotkreuz/Crissier/
St.Gallen
Response nach Altersklassen
*Index Response (Durchschnitt Anzahl Reagierer aller Klassen: 100)
65+ Jahre
55 - 64 Jahre
‹55 Jahre
0 20 40 60 80 100 120 140 160 180
n Kunden
n Neukunden
Index 100*