Kundenwissen transparent machen

Kundenwissen transparent machen

Kundenwissen transparent machen Neuwied, den 16.02.2011

Meinert Jacobsen

marancon Gesellschaft für Marketing, Analyse und Consulting mbH

Folie 1

Kundenwissen transparent machen Folie 2

AIKA Mitglied seit 2010 Gründung 1.1.2006 Aktuell: 8 Mitarbeiter Standort: Bonn

Themen:

- Databasemarketing / Datamining / Geomarketing

- Social Media

-  Namenstage/Wetterfronten


Namenstage

Folie 3


Knowledge Discovery Prozess

Folie 4


Adresse

Folie 5


Ein Name verrät viel ...

•  Deutscher Vorname •  Männlich •  Alter: 51 Jahre (durchschnittlich)

•  In Kombination mit Freilinghaus zu 96% Wahrscheinlichkeit ein deutscher Name

Folie 6

Vorname Alter BERND 51 Bernd Oliver 38 Bernd 63

Vorname Alter Anna 80 Anna Lena 16


Die Telefonnummer sagt viel

•  + 49 deutet auf ein international tätiges Unternehmen hin –  Im Gegensatz zu national / regional tätigen Unternehmen –  Aber tendenziell mehr in Deutschland tätig, (0) – diese würden überwiegend

international agierende Firmen weglassen

•  Der Bindestrich in der Telefonnummer zeigt, dass eine Telekommunikations-anlage im Unternehmen verwendet wird

–  Und es ist eine zweistelligeDurchwahl vorhanden (Indikator für die Größe der Firma)

•  Mobilfunknummern können nach „ursprünglichem“ Ambieter ausgewertet werden (0151,0172, ...)

•  Keine Mobilfunknummer angegeben – eher konservative Firma

Folie 7


Je mehr Stellen die Durchwahl hat, desto eher reagieren B2B-Kunden (in diesem Beispiel) auf eine werbliche Ansprache für eine Konferenz

Folie 8

Anlage Adressen Reagierer Quote

1- Stelle 8.238 68 0,8%

2 Stellen 1.739 17 1,0%

3-Stellen 3.126 57 1,8%

4-Stellen 4.700 108 2,3%


Die E-Mail-Adresse verrät einiges

•  [email protected] zeigt, dass die Firma einen eigenen Internetauftritt hat.

•  Der verwendete Provider sagt einiges über den Nutzer aus –  Aol.com vs. Hotmail.de vs. Gmx.net

•  Man kann u.U. den Vornamen und Nachnamen extrahieren (bernd.frielinghaus)

Folie 9


Die Firmierung

•  GmbHs deuten auf eine mittlere Größe der Unternehmen hin

•  AGs sind eher größere Firmen

•  ohne Firmierung (eher kleinere Unternehmen)

Folie 10


Nutzung der Adresse

•  Anreicherung mit externen Informationen (Kaufkraft, Haustyp, PKW-Struktur, ...)

•  Entfernungsbestimmung auf Basis von Geokoordinaten (Luftlinie, Fahrlinie, Fahrzeit)

•  Bestimmung von Kundendichten – Nutzung der Dichte als „pseudo-mikrogeografische“ Variable

Folie 11


Kundendichte

Folie 12


Tabelle der Kundendichte

Folie 13

dichte Reagierer Summe

nein ja 10% 21904 590 22494 2,62% 20% 21717 765 22482 3,40% 30% 21608 872 22480 3,88% 40% 21476 967 22443 4,31% 50% 21524 983 22507 4,37% 60% 21443 1055 22498 4,69% 70% 21432 1082 22514 4,81% 80% 21327 1159 22486 5,15% 90% 21388 1218 22606 5,39% 100% 21139 1257 22396 5,61% Summe 214.958 9.948 224.906 4,42%

2%

3%

3%

4%

4%

5%

5%

6%

6%

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%


Kundenanteil auf Straßenabschnittsebene

Je mehr Kunden auf der Straße wohnen, desto höher ist die Reaktionsquote.


Käufe

•  Die Käufe / Kaufakte / Bestellungen werde in Form des RFM-Modells parametrisiert

–  Recency – Wann das letzte mal –  Frequency – Wie häufig –  Monetary – Wie teuer

•  Darüber hinaus sind Artikelinfomationen für die Bestimmung des Kundenwissens sinnvoll

–  Lieblingswein(-region) –  Primäre Produktkategorien –  ...

Folie 15


Frequency (Kaufanzahl in allen Vorjahren)

Je häufiger der Kunde in der Vergangenheit gekauft hat, desto wahrscheinlicher ist ein erneuter Kauf als Reaktion auf ein Mailing.


Umsatz in allen Vorjahren

Je mehr der Kunde in der Vergangenheit gekauft hat, desto wahrscheinlicher ist ein erneuter Kauf als Reaktion auf ein Mailing.


Datum des letzten Kaufs

Kunden, die gerade erst gekauft haben, reagieren am besten.


Kommunikation

•  Mit Hilfe des Kundenwissens kann die Kommunikation mit den Kunden verbessert werden

•  Um zu wissen, was man (und auch wie man) verbessern will, ist es wichtig, die bisherige Kommunikation zu analysieren

•  Die möglichen Kommunikationskanäle sind dann –  Mailing –  Katalog –  E-Mail –  Telefon –  (Social Media)

Folie 19


Information aus der Kommunikation

•  Wie oft / Reaktion •  Newsletter-Information

–  Öffnungsverhalten –  Klickverhalten

•  Online-Verhalten –  Warenkorb-Abbruch –  Nutzungsverhalten auf der Seite –  ...

Folie 20


Methoden zur Generierung von Kundenwissen

•  Scoring

•  Segmentierung

•  Kundenlebenswertmodelle

Folie 21


Einsatzbereiche für Scoring

Folie 22

Der Kundenlebenszyklus bietet vielfältige Ansätze, den monetären Wert der Kunden zu steigern.


Umsetzung von Scorings

Folie 23

Zielgrößen

Kündigung

Produkterwerb

Neukundengewinnung

Einflussfaktoren

Personendaten (Alter, Geschlecht, Adresse, Familienstand, Beruf, Anzahl Kinder, E-Mail-Adresse, etc.)

Daten zur Kundenbeziehung (Dauer der Kundenbeziehung, Umsatz in der Vergangenheit, Bonität, etc.)

externe Informationen (Konsumneigung, Kaufkraft, etc.)

Frage: Welche Merkmale des Kunden haben einen signifikanten Einfluss auf die Zielgröße (z.B. sein Kündigungsverhalten) ?


Ergebnis eines Scorings: Reaktionsverhalten

Folie 24

0,25% 0,35%

0,46% 0,54%

0,42% 0,62%

0,68% 0,83%

0,80% 0,99%

1,14% 1,22%

1,39% 1,69%

1,82% 2,08%

2,45% 2,89%

3,73% 6,41%

0,00% 1,00% 2,00% 3,00% 4,00% 5,00% 6,00% 7,00%

0-5% 5-10%

10-15% 15-20% 20-25% 25-30% 30-35% 35-40% 40-45% 45-50% 50-55% 55-60% 60-65% 65-70% 70-75% 75-80% 80-85% 85-90% 90-95%

95-100%

Reaktionsquote

In den Top-Gruppen wird eine viermal höhere Reaktionsquote erzielt als im Durchschnitt und in den schlechteren Gruppen eine sehr geringe Reaktionsquote – nur ein Sechstel des Durchschnitts.


Gewinnoptimierung durch Score – Modelle

Folie 25

Gezielte Kunden- ansprache durch Score – Modell

statt

Gießkannenprinzip

mehr Reagierer mehr Umsatz


Der Regelkreislauf des Direkt – Marketings

Folie 26

Analyse

Konzept

Umsetzung Reaktion

Controlling



Segmentierung…

Folie 28


Wertvollste Kunden

Wachstumskunden

Randbereiche

Verlustkunden Media

E-Kanäle

Direkt Mail

Telemarketing

Außendienst

Kundenmanager

Source: Peppers & Rogers Group

Nutzung einer wertorientierten Kundensegmentierung

Folie 29


Anforderung an eine Segmentierung

Folie 30

In sich ähnlich

Zueinander unterscheidbar

Messbar

Relevant


Statistische Methoden für eine Kundensegmentierung

•  Clusteranalyse (hierarchisch / nicht-hierarchisch) •  vorher meist eine Faktorenanalyse

•  Decision-Tree Verfahren

•  Diskriminanzanalyse •  Maschinelles Lernen

•  ...

Kundenwissen transparent machen Kundensegmentierung Folie 32

Ergebnis der Faktorenanalyse - Beispiel

•  Es ergeben sich 16 Faktoren, die 83 Prozent der Streuung (Varianz) der Kundenstruktur erklären.


Ergebnis der Faktorenanalyse


Monatsanteile für die Clusterlösung

Überdurchschnittlich Unterdurchschnittlich Durchschnittlich

Segment A

Segment B

Segment C

Segment D

Segment E

Segment F

Segment G

Segment H

Segment I

Segment J

Segment K

ROSE-Weine


Geringer Umsatz

Hoher Umsatz

wenig

mittel

viel

wenig

mittel

viel

wenig

mittel

viel

wenig

mittel

viel

wenig

mittel

viel

Monatsanteile für die Wertsegmentierung


Chronisten

8%

Chatter 13%

Repeater 13%

RealTimer 14%

Promotor 15%

Credible Company

13%

Exogene

7% Impulsive 10%

Mono-thematiker

7%

Quelle: e-result – Vortrag Twittwoch-Köln

Beispiel: Segmentierung der Twitter-Nutzer


Chatter 13%

Tweets mit @ (Median) 53%

Tweets mit URL (Median) 10%

Tweets mit # (Median) 12%

Re-Tweets (Median) 1%

Anzahl Follower (Median) 99

Anzahl Following (Median) 94

Verhältnis Follower/Following 1,1:1

Benachbartes Cluster: RealTimer (Mittlere Distanz 2,14)

Homogenität (mittlerer Abstand zum Clusterzentrum): 1,37

Überwiegend Eins-zu-Eins-Kommunikation

Selten Alltagserlebnis, Externer Link

Quelle: e-result – Vortrag Twittwoch-Köln




Daten: Was wird benötigt?

Folie 40

•  Positionen (Artikelnummer & Name) •  Anzahl Artikel pro Position •  Preis pro Position •  Zeitpunkt des Verkaufs (Uhrzeit, Datum, Wochentag) •  POS-Nummer, etc.

Bondaten

•  Verkaufspreis •  Warengruppe der Artikel (teilweise als Hierarchie) •  Rohertrag / Deckungsbeitrag •  etc.

Produktdaten

•  Adresse •  Eröffnungs- / Renovierungsdatum •  Lage •  Verkaufsfläche •  etc.

Standortdaten Die Bondaten kommen direkt aus den

Kassensystemen. Die restlichen Daten

können aus anderen EDV-Systemen

bereitgestellt werden.


Basis-Analysen: Wie viel Up- und Cross-Selling gibt es aktuell?

Folie 41

100% = alle Bons 100% = gesamter Umsatz

# Positionen

Bons mit mehr als einem Artikel

machen 59% des Umsatzes aus.

59%


Basis-Analysen: Wie ändert sich Cross-Selling über die Woche?

Folie 42

Cross- und Up-Selling steigen im Laufe der

Woche für alle Warengruppen, besonders stark

bei Warengruppe B am Wochenende.


Up-Selling: „Nimm 3, zahl 2.“

Folie 43

# Bons, bei denen der Artikel mind. 2x verkauft wurde

34%

31%

24%

30%

13%

10%

12%

18%

25%

15%

Anteil Bons, bei denen der Artikel mind. 3x verkauft wurde

218%

196%

165%

185%

113%

115%

121%

142%

150%

125%

# Artikel pro # Bons mit diesem Artikel

Bei Produkten mit hohem Up-Selling kann dieses durch

Produktbundles erhöht werden. Ebenso können

ähnliche Produkte identifiziert und durch geeignete

Maßnahmen gefördert werden. Up-Selling: Mehrfachverkauf eines Artikels auf einem Bon


Cross-Selling: Croissant zum Kaffee …

Folie 44

Cross-Selling Intra: CS innerhalb einer Warengruppe

Cross-Selling Inter: CS zu einer anderen Warengruppe

Das Cross-Selling Potential

(Inter & Intra) ist bei der

Warengruppe C am größten.


Cross-Selling: … oder lieber ein Brötchen?

Folie 45

Croissant

Kaffee Brötchen

Bild

Cola 3% 9%

24%

35%

18%

18%

21%

15% 10%

3% 4%

7%

22%

9%

10%

„Confidence A -> B“: Anteil aller Bons, die Artikel A und B enthalten, an allen Bons mit Artikel A

 Auf 35% aller Bons mit Croissant ist auch Kaffee.

 Also Kaffee besser zusammen

mit Croissants anbieten (Bundling)!


Cross-Selling: alle Informationen in einer Tabelle

Folie 46

Natürlich lässt marancon Sie mit allen

Zahlen nicht allein, sondern extrahiert alle

Fakten, die Ihre Fragen beantworten und

bereitet diese geeignet auf.

In so vielen Filialen wurde der Artikel verkauft.

Dies sind die häufigsten Artikel-Kombinationen.

Auf so vielen Bons trat die Artikel-Kombination auf.

Das sind die Confidence-Werte.

So gut eignet sich der Artikel für CS-Selling insgesamt.

Neben den Artikelkombinationen sind auch weitere Dimensionen möglich •  Zeit •  Region •  Clustertyp Standort •  Warengruppen-Sortiment •  …


Maßnahmen: Was kann man tun?

Folie 47

• Infos an Kasse • Kundenansprache Personal

• Kassendisplay • am Produkt • in / vor dem Geschäft

Bewerbung

• Impulskäufe • Sammeln Rabatte

• Ort • Gruppierung

Produkt-platzierung

Parameter für Maßnahmen

• verwendete Produktkombination • eigenes Sortiment

• gleicher Artikel • gleiche Warengruppe • unterschiedliche Warengruppe

• Kooperationspartner • Produkthersteller • andere Vertriebsnetze

• Differenzierung Zeit • Uhrzeit • Wochentag

• Differenzierung Ort • Lage • Größe

  Natürlich hängen die konkreten Maßnahmenvorschläge von

den Ergebnissen Ihrer Daten ab.

  Gerne plant marancon mit Ihnen gemeinsam die Durchführung

von Maßnahmen und wertet sie anschließend mit Ihnen aus.


Weitere Möglichkeiten

Folie 48

Verwendung von Wetterinformationen

zum Zeitpunkt am Ort des Verkaufs

Verwendung von Geo-Daten zur besseren

Charakterisierung des POS

Untersuchung spezieller Aspekte, z.B. - Kaufverhalten an Feiertagen

- Besonderheiten einzelner POS

- etc.


Kundenwert

Folie 49


Eingangsparameter eines KLW

Folie 50


Berechnung des KLW

Folie 51

Business

Kundenwissen transparent machen