Upload
buitram
View
219
Download
4
Embed Size (px)
Citation preview
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
eKundenwertanalyse Business Understanding
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
eKundenwertanalyse Business Understanding
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
Kundenwertanalyse Business Understanding
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
Kundenwertanalyse Business Understanding
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
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
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
eKundenwertanalyse Modeling
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
eKundenwertanalyse Modeling
340
Investitionssensitives Migration-Modell zur Berechnung des CLV
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
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
eKundenwertanalyse Modeling
341
Investitionssensitives Migration-Modell zur Berechnung des CLV
Investitionssensitive Wanderungswahrscheinlichkeiten
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
eKundenwertanalyse Modeling
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
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
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
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
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
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
Bereitstellung und Nutzung in CRM-Prozessen
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
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
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
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
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
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
eKundencharakterisierung Modeling
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
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
eKundencharakterisierung Modeling
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
eKundencharakterisierung Modeling
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
eKundencharakterisierung Modeling
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 %
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
eKundencharakterisierung Modeling
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.
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
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
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
eKundencharakterisierung Deployment
370
Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, 12.10.06 Schloss Hirschberg.
Bereitstellung und Nutzung in CRM-Prozessen
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