CRM: Herausforderungen in der Praxis IV

Transkript

1 Wirtschaftswissenschaftliche Fakultät Ingolstadt CRM: Herausforderungen in der Praxis IV Universum Group Frankfurt am Main 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses

2 1 Einleitung 2 Vorlesungs-Programm CRM: Herausforderungen in der Praxis Reporting-Systeme Datawarehouse, Scoring, Kundenwert (Multi-Channel-)Kampagnen-Management Data Mining Anwendungen Erörterung von praktischen Fragestellungen und Herausforderungen im operativen und analytischen CRM aus verschiedenen Blickwinkeln Fokus liegt auf der Modellbildung, der Unvollständigkeit von Informationen, den Zielkonflikten und Heuristiken. Fallstudien: Erarbeitung von Lösungsansätzen in Gruppenarbeit 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses

3 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 3.1 Telefon-Kampagnen Scoring-Herausforderungen bei interaktiven CRM-Kampagnen 5 Outbound-Kampagnen Gesprächsleitfaden bei jeder Aktion neu Gesprächserfolg sofort messbar Externe Störfaktoren à Scoremodelle und Selektionen müssen täglich angepasst werden Inbound-Kampagnen Situative Kundenmerkmale sind wesentlich trennschärfer (z.b. Sortimentsmix, Positionszahl, Bestellwert im Auftrag, Servicenutzung,...) Skill des Agents wesentlich für den Erfolg Gesprächserfolg sofort messbar Echtzeit-Scoring und dynamische Anpassung des Regelwerks notwendig Optimierung der Kapazitätsauslastung bei bester Erreichbarkeit Sind die Grenzen des klassischen Scoring erreicht?

4 3.1 Telefon-Kampagnen Automatisierung des closed loop 6 Prognose Entscheidung Analyse (Data Mining) Response Aktion 3.1 Telefon-Kampagnen Ziel und Prinzip des Dynamischen Echtzeit-Scoring 7 Anfrage mit Kundenmerkmalen Dialog mit dem Kunden Entscheidung über Kontakt bzw. Angebot Dynamisches Prognosemodell Rückmeldung des Ergebnisses Durch die schnelle Rückmeldung des Ergebnisses wird das Prognosemodell ständig verbessert und nutzt dieses sofort für die nächste Entscheidung! à Dynamische Optimierung à Dynamische Reaktion auf Veränderungen

5 3.1 Telefon-Kampagnen Komponenten eines Telefon-Outbound-Kampagnen-Systems 8 Kundenkontakt Data ware house Dialer Vorselektion Speicherung der Kampagnen-Ergebnisse Aktions-Manager Steuerung Operatives Reporting Grobe Vorselektion Merkmale aus dem DWH Dynamische Selektion neuer Chargen Dialer à Kundenkontakt Rückfluss der Gesprächsergebnisse Dynamische Optimierung des Modells Speicherung der Historie dann im DWH 3.1 Telefon-Kampagnen Optimierung der Outbound-Prozesse 9 Versandhaus Call Center Daten OUTBOUND Control Center Filter Kundengruppen Kampagnen CallCenter Dienstleister x CallCenter CallCenter ready OUTBOUND remote CallCenter Aktivierung Kampagne DWH Data Mart Neukunden Sammelbesteller Kampagne Kampagne OUTBOUND Dynamisches Scoring-Modul CallCenter Dienstleister Y ready OUTBOUND remote CallCenter Dienstleister Z ready OUTBOUND remote CallCenter CallCenter CallCenter CallCenter

6 3.1 Telefon-Kampagnen Herausforderungen an Telefon-Kampagnen-Reports 10 Neue Dimensionen Call-Center Agenten-Gruppe Neue Kennzahlen Anzahl erreichte Kunden Gesprächsergebnisse Kundenreaktionen Kurz- und mittelfristiger Erfolg Wechselwirkung zu anderen Aktionen Es gibt operative Reports zur Steuerung von Dialern, Call-Centern und Agents und zur Entscheidungsunterstützung über Abbruch der Aktion Kampagnen-Erfolgs-Reports, die Erkenntnisse für den Gesamterfolg und die Wechselwirkungen zu anderen Parallel-Aktionen liefern 3.1 Telefon-Kampagnen Qualitätsreport 11

7 3.1 Telefon-Kampagnen Vorteile der Echtzeit-Prognose im Outbound 12 Variable Steuerung des Cut-Off und der Mengen pro Call-Center und Standort Einstellung von Kontrollgruppen à permanente Effizienzmessung Nichtumwerbungsgruppen bestimmen Ausgereiftes Kampagnen-Reporting Kampagnenübergreifende Steuerung Für alle Kampagnen werden simultan die jeweils besten Adressen aus dem Datawarehouse selektiert Reduktion der Überquotierung und optimale Nutzung des Gesamtpotenzials! => Signifikante Erfolgssteigerung und optimierte Prozess-Steuerung durch dynamische Selektion 3.1 Telefon-Kampagnen Dynamisches Echtzeit-Scoring im Inbound 13 Bestell- und Service Dialog Inbound JA! Historische Daten aus DWH Data ware house Dynamisches Score-Modul Anfrage Entscheidung über Angebot Situative Daten aus Dialog Rückfluss des Gesprächsergebnisses und dynamische Optimierung des Prognosemodells Inbound-Aktionen an verschiedenen Aufsetzpunkten Vollautomatisierte Prozesse!!

8 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 3.2 Echte Multi-Channel-Kampagnen Überblick Automatisierungspotenziale 15 Telefon-Outbound-Kampagnen Telefon-Inbound-Kampagnen Mehrstufige Telefon-Kampagnen à Integration In- und Outbound Mehrstufige Print-Telefon-Kampagnen Telefonischer Nachfass (Outbound) Werbemittel-Erhaltsinformation im Inbound à Trigger -Kampagnen Ähnliche Automatisierung von den Rahmenbedingungen her möglich Optimierung eher von Anzahl pro Kunde als Kosten Integration von Print- und -kampagnen Cross-Selling im Warenkorb Verhinderung von Warenkorb-Abbrechern Betrugsverhinderung

9 3.2 Echte Multi-Channel-Kampagnen Mehrere Kanäle machen noch kein Multi-Channel Beobachtungen aus dem Stationär- und Versandhandel 16 E-Commerce als getrennte Organisationseinheit Fokussierung im E-commerce auf Technologie (WEB-Shop, Suchmaschine, Affiliate Marketing, Recommendation) Warenangebot (Preisoptimierung, Verknappung) Kampagne (Newsletter als Abo, abgefragte Interessen, one-to-one) Kein echtes Kampagnen-Management im E-Commerce Content-orientiert fehlender Closed Loop Keine Fokussierung auf Kunde (Life-Cycle, Kundenqualität, Verhaltensprognose) Konkurrenz zwischen den Kanälen Getrennte Datenwelten Erkannter aber nicht antizipierter Widerspruch: getrenntes Kunden- und Kampagnen-Management, aber streng einheitliche Markenführung 3.2 Echte Multi-Channel-Kampagnen Was macht echtes Multi-Channel aus? 17 Kanal-übergreifende Kundenbearbeitung = Customer Lifecycle Management: Entwicklung des Kundenbestands, Analyse der verschiedenen Lebenszyklen nach Kundentypen, Analyse der Kundenbindung, Churn, Rückgewinnung, etc. Kanal-übergreifende Kampagnen-Planung und Steuerung Fokus Kundenorientierung in allen Kanälen life-cycle-orientiertes one-to-one im WEB ganzheitliches Kundenbild in allen Kundendialogen Direkt-Marketing-(Push)-Kampagnen zur Erhöhung der Aktivquote absolut notwendig! à Aktivierungs-Print-Werbemittel sind kein Tabu für E-Commerce-Kunden sondern notwendige Maßnahmen! Direkt-Marketing-Know-How ist das Asset, das im Zeitalter des E-Commerce den entscheidenden Vorsprung verschaffen kann. Nur mit einer konsequenten Kunden-Fokussierung können aus Aktionen echte Multi-Channel-Kampagnen werden

10 3.2 Echte Multi-Channel-Kampagnen Herausforderungen bei der Umsetzung von Multi-Channel-Kampagnen Erfahrungen aus der Praxis 18 Datenverfügbarkeit Meist kein Problem, wenn alle Informationen in einem zentralen Datawarehouse konsolidiert werden Permission, Durchführbarkeit Für Telefon- und -Aktionen ist das Einverständnis des Kunden notwendig Telefonaktionen werden durch Optimierungs-Regelwerke in sich gesteuert (Erreichbarkeit, Rückrufaktionen, Anrufbeantworter, falsche Telefonnummern) Wie werden nicht erreichte Kunden bei Telefonaktionen oder Bounces im - Bereich wieder in den Kampagnenprozess zurückgeschleust? 3.2 Echte Multi-Channel-Kampagnen Herausforderungen bei der Umsetzung von Multi-Channel-Kampagnen Erfahrungen aus der Praxis 19 Entscheidungszeitpunkt Durch unterschiedliche Vorlaufzeiten sind die Entscheidungszeitpunkte von Print-, Telefon- und unterschiedlich Wie wird die Aktualität der Inhalte bei Telefon- und - in Kombination mit Print- Aktionen noch gehalten? Prognostizierbarkeit Welche Erkenntnisse aus welcher Vergleichsaktion werden als Basis für die Prognose des Kampagnen-Erfolgs auf Kundenebene herangezogen Wie werden Wechselwirkungen zwischen Aktionen in der Vergangenheit modelliert?

11 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 4 Data Mining Anwendungen 21 Ziele Ermitteln von Klassifikationen und Ähnlichkeiten Analyse von Zusammenhängen Erkennung von Trends und Strukturen Erstellen von Prognosen Unterstützung der Data-Mining-Techniken durch Statistik Vorgehensmodelle Technologien, Optimierungsmodelle, Algorithmen Vorschalten einer explorativen Daten-Analyse Reduktion des Datenaufwands beim Data-Mining durch Stichprobenverfahren Sensitivitäts- und Stabilitäts-Analysen

12 4 Data Mining Anwendungen Data-Mining-Methoden und ihre Anwendungsgebiete 22 Klassifikation Segmentierung Prognose Abhängigkeit Darstellung Neuronale Netze x x x Diskriminanzanalyse x x Entscheidungsbaumverfahren x x Regressionsanalyse x x x Support Vector Machine x Clusteranalyse x Self Organizing Maps x x Assoziationsanalyse x Sequenzanalyse x Zeitreihenanalyse x x multidimensionale Skalierung x Faktorenanalyse x 4 Data Mining Anwendungen Beispiele 23 Kundenprofile à Vergleich von Verteilungen Kundensegmentierung à Clusteranalysen Kunden-Wert-Analysen à Scoring, Regression Kunden-Entwicklungs-Modelle à Markov-Modelle Allokation: Zielgruppe Werbemittel Sortiment à Optimierungsmodelle Verbundkaufanalysen à Assoziationsanalyse, Sequenzanalysen Identifikation von Kundenverärgerung à Regressionsanalyse Identifikation von Kredit-Risiko-Faktoren, Betrugs-Mustererkennung à Clusteranalysen Wirkungssanalysen von Prozess-Veränderungen (Bestellung, Lieferung, Retoure, Zahlung, Kulanz) à Regressionsanalyse

13 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 4.1 Assoziations-Analysen 25 Ziel der Assoziationsanalyse ist die Herleitung von Regeln, wie z.b. Warengruppe A und Warengruppe B werden häufig gemeinsam gekauft oder Wenn Warengruppe A gekauft wird, dann wird auch überdurchschnittlich B gekauft Kennzahlen: Support: relative Häufigkeit der Beispiele, in denen die Regel anwendbar ist. Konfidenz: relative Häufigkeit der Beispiele, in denen die Regel richtig ist. Lift: Der Lift gibt an, wie hoch der Konfidenzwert für die Regel den Erwartungswert übertrifft à generelle Bedeutung einer Regel.

14 4.1 Assoziations-Analysen 26 Assoziationsregel Aà B Support: Für welchen Anteil aller Bestellungen gilt die Regel A àb bzw. Bà A? Zur Berechnung wird die Anzahl der Bestellungen, in denen beide Warengruppen vorkommen, durch die Anzahl aller Bestellungen geteilt. H(A und B) / H Konfidenz (AàB): Für welchen Anteil der Bestellungen, in denen A vorkommt, kommt auch B vor? Zur Berechnung der Konfidenz wird die Anzahl aller Bestellungen mit A und B durch die Anzahl der Bestellungen, die A enthalten, geteilt H(A und B) / H(A) Lift: Um wieviel häufiger kaufen A-Käufer auch B im Vergleich zu allen Käufern? H(A und B) / [H(A) * H(B)] 4.1 Assoziations-Analysen Verbundkauf Einkaufsbereiche 27 Assoziationsanalyse Einkaufsbereiche Konfidenz Zusammenhänge zw. Einkaufsbereichen der ED 1-8 Hinrichtung Rückrichtung Lift-Maß Anz. Besteller 025 PM Kuechen <==> 026 PM Weisse Ware 52,9 1,0 3, PM Unterhaltungselek <==> 024 PM Kommunikationssys 12,5 25,1 2, PM DOB Stamm <==> 002 PM DOB Shops 34,5 75,3 2, PM DOB Shops <==> 003 PM Sonderkataloge 18,0 34,0 2, PM Kinderkonfektion <==> 016 PM Hartwaren I 25,3 23,5 2, PM Hartwaren I <==> 023 PM Unterhaltungselek 20,8 25,1 2, PM Moebel <==> 025 PM Kuechen 0,6 24,5 2, PM DOB Stamm <==> 003 PM Sonderkataloge 14,5 59,7 2, PM Sonderkataloge <==> 004 PM Waesche 61,6 13,8 2, PM Kinderkonfektion <==> 008 PM Schuhe 39,9 19,6 1, PM DOB Shops <==> 008 PM Schuhe 39,5 25,5 1, PM Sonderkataloge <==> 008 PM Schuhe 39,3 13,4 1, PM DOB Shops <==> 005 PM DOB Aktionen 38,3 25,3 1, PM DOB Stamm <==> 005 PM DOB Aktionen 37,6 54,2 1, PM DOB Shops <==> 004 PM Waesche 57,8 24,5 1, PM Schuhe <==> 011 PM Sportbekleidung/S 25,8 37,5 1, PM Sonderkataloge <==> 011 PM Sportbekleidung/S 24,9 12,4 1, PM DOB Shops <==> 011 PM Sportbekleidung/S 24,7 23,1 1, PM DOB Shops <==> 007 PM Kinderkonfektion 17,4 22,8 1, PM Herrenkonfektion <==> 011 PM Sportbekleidung/S 24,1 50,8 1,

15 4.1 Assoziations-Analysen Verbundkauf Möbel- und Technik - Warengruppen 28 Konfidenz Beziehungen zwischen Möbel- und Technik-EA Hinrichtung Rückrichtung Lift EA 184 Klein- und Bueromoebel <==> EA 070 Beleuchtung 4,3 7,7 3,9 EA 078 Kuechen/Esszeilen/ Bad <==> EA 070 Beleuchtung 4,2 9,3 3,8 EA 075 Schlafmoebel, Matratzen <==> EA 070 Beleuchtung 3,9 6,3 3,5 EA 015 Wohnmoebel <==> EA 070 Beleuchtung 3,2 8,7 3,0 EA 113 Matratzen <==> EA 070 Beleuchtung 3,0 1,7 2,7 EA 184 Klein- und Bueromoebel <==> EA 076 PC/Software 3,3 5,2 2,6 EA 184 Klein- und Bueromoebel <==> EA 086 Fernseher 3,3 5,2 2,6 EA 078 Kuechen/Esszeilen/ Bad <==> EA 063 Herde/Oefen 3,3 6,4 2,6 EA 078 Kuechen/Esszeilen/ Bad <==> EA 144 Einbau 3,4 6,1 2,5 EA 015 Wohnmoebel <==> EA 086 Fernseher 2,9 6,8 2,3 EA 075 Schlafmoebel, Matratzen <==> EA 086 Fernseher 2,9 4,1 2,3 EA 113 Matratzen <==> EA 086 Fernseher 2,7 1,4 2,2 EA 184 Klein- und Bueromoebel <==> EA 068 Audio/Hifi 2,2 4,2 2,1 Lesebeispiel: Wohnmöbel-Besteller kaufen 3 mal so oft Beleuchtung wie der durchschnittliche EB. Umgekehrt kaufen auch Besteller von Beleuchtung 3 mal so häufig Wohnmöbel wie der Durchschnitt. 3,2% aller Besteller von Wohnmöbeln kaufen auch Beleuchtung. 8,7% aller Besteller von Beleuchtung kaufen auch Wohnmöbel. 4.1 Assoziations-Analysen Sortiments-Positionierung über Assoziation 29 Die folgende Tabelle gibt für einen Katalog die LIFT-Maße an: Lesebeispiel: Ein Liftmaß von 2,6 zwischen Herren- und Damen-Bademoden-Bestellern bedeutet, dass die Kunden von D-Bademode 2,6 mal häufiger H-Bademode kaufen als der durchschnittliche Kunde. Das Liftmaß misst den Sortimentszusammenhang zweier unterschiedlicher Sortimente. Je höher das Lift-Maß, desto höher der Sortimentszusammenhang. Ein Sortimentszusammenhang ist dann gegeben, wenn das LIFT-Maß größer als 1 ist.

16 4.1 Assoziations-Analysen Sortiments-Positionierung über Assoziation (multidimensionale Skalierung) 30 Positionierung der Branchen im zwei-dimensionalen Raum auf Basis der inversen LIFT-Maße: Pfeile geben die momentane Sortimentsreihen-Folge an 4.1 Assoziations-Analysen Sortiments-Positionierung über Assoziation (multidimensionale Skalierung) 31 Positionierung der Branchen Raum auf Basis der inversen LIFT-Maße: Pfeile geben eine alternative Reihenfolge der Sortimente an

17 4.1 Assoziations-Analysen 32 Probleme bei der Assoziationsanalyse Datenverfügbarkeit auf Einzel-Positions-Ebene Verbund-Ebene Auftrag oder Zeitraum oder Kunde Ergebnis stark abhängig von der Anzahl der Warengruppen Ergebnis abhängig von Grundgesamtheit (Katalog, Zeitraum, Sortiments- Hierarchie, Kundengruppe) Homogenität der Warengruppen Artikel Artikel Regeln Unübersichtliche Anzahl von Regeln à schwierige Interpretation Prognostizierbarkeit der Regeln Verbundkauf abhängig von Artikel-Präsentation 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses

18 4.2 Sortiments-Analysen 34 Positionierung der Sortimente nach Neukunden-Attraktivität und Neukunden-Haltbarkeit HOB, Wäsche oder DOB generieren im Print vergleichsweise viele Neukunden mit einem niedrigen Folge- DB. Im Gegensatz hierzu hat Multimedia vergleichsweise wenige Neukunden mit einem hohen Folge-DB. 4.2 Sortiments-Analysen Positionierung über Cluster-Analyse 35 Clusterung der DOB-Käufer und Visualisierung im 2 dimensionalen Raum niedrig Basic Cluster 1 Young Preis hoch -1,00 alt Cluster 5 Classic Cluster 4 Feminin -1,00 Alter Cluster 3 Cluster 2 Modern jung Größe des Kreises = Nachfrage des Kundenclusters

19 4.2 Sortiments-Analysen Preisanalyse für D-Strickwaren, D-T-Shirts, D-Blusen 36 Welche Produktivitäts-Kennzahlen (Nachfrage und DB pro Werbeflächeneinheit cm2) ergeben sich differenziert nach Preisklassen? Bei Strickwaren sinken Nachfrage und DB-Produktivitäten mit steigender Preisklasse, bei Blusen ist der Effekt schwächer, bei T-Shirts sind alle Preisklassen gleich produktiv. 4.2 Sortiments-Analysen Artikeldichte bei DOB und HOB 37 Welche Nachfrage-Produktivitäten haben Doppel-Seiten differenziert nach Artikel-Dichte? Höchste Produktivitäten pro Doppelseite werden in der DOB bei Doppelseiten mit 5-6 Artikeln erzielt. In der HakA scheint die optimale Artikel-Dichte pro Doppelseite bei 9-10 Artikeln zu liegen.

20 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 4.3 Lieferzeit und Retouren Index >21 Lieferzeit in Tagen Index 100: durchschnittliche Retourenquote im Sortiment DOB Wäsche Herrenkonfektion Kinderkonfektion Schuhe Sportbekleidung/Schuhe

21 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 4.4 Auswahl-Retouren Analyse-Ansatz 41 Sortimentsgruppe: Textil, Branche, Warengruppe Kundengruppe: Alter, Kundenqualität, Basiskennzahlen Stücknachfrage Auswahlquote = Anteil der Mehrfachpositionen innerhalb eines Bildes in einem Auftrag an der Gesamt-Stücknachfrage Ziele: Größen-Auswahl = Auswahl-Anteil nur bezogen auf unterschiedliche Größen innerhalb eines Bildes in einem Auftrag Farb-Auswahl = Auswahl-Anteil nur bezogen auf unterschiedliche Farben innerhalb eines Bildes im Auftrag Korrelation der Auswahl mit der Retourenquote Darstellung der Ergebnisse in unterschiedlichen Sortiments- und Kunden- Dimensionen

22 4.4 Auswahl-Retouren Größen- und Farb-Auswahl 42 Die Farbauswahl ist bei HaKa am höchsten, bei Kiko, Wäsche und Schuhe sehr niedrig Auswahl-Typen DOB FS 02 20,0% 18,0% 16,0% 14,0% 12,0% 10,0% 8,0% 6,0% 4,0% 2,0% 0,0% DOB Haka Kiko Wäsche Schuhe Sport Gesamt Größe Farbe 4.4 Auswahl-Retouren Auswahlquote vs. Retouren 43 Eine Korrelation zwischen Auswahl- und Retourenquote ist vorhanden bei HaKa, Kiko und Sport (hohe Auswahl, wenig Retouren) bei Wäsche und Schuhe (sonstige Effekte höher als Auswahl) Auswahl- und Retourenquote DOB FS 02 20,0% 50,0% 18,0% 45,0% 16,0% 40,0% 14,0% 12,0% 10,0% 8,0% 6,0% 4,0% 2,0% 0,0% DOB Haka Kiko Wäsche Schuhe Sport Gesamt Auswahl Retouren 35,0% 30,0% 25,0% 20,0% 15,0% 10,0% 5,0% 0,0%

23 4.4 Auswahl-Retouren Größen- und Farb-Auswahl 44 Die Größen-Auswahl nimmt mit steigendem Alter eher ab als die Farbauswahl, diese bleibt im wesentlichen konstant Auswahl-Typen Alter FS 02 18,0% 16,0% 14,0% 12,0% 10,0% 8,0% 6,0% 4,0% 2,0% 0,0% <=20 <=30 <=40 <=50 <=60 <=70 > 70 Größe Farbe 4.4 Auswahl-Retouren Auswahlquote vs. Retouren 45 Starke Korrelation zwischen Auswahl- und Retourenquote, bei älteren Kunden nimmt die Retourenquote stärker ab als die Auswahlquote (mehrere Farben von einem Artikel werden gezielt gekauft) Auswahl- und Retourenquote Alter FS 02 18,0% 50,0% 16,0% 45,0% 14,0% 40,0% 12,0% 10,0% 8,0% 6,0% 4,0% 2,0% 0,0% <=20 <=30 <=40 <=50 <=60 <=70 > 70 Auswahl Retouren 35,0% 30,0% 25,0% 20,0% 15,0% 10,0% 5,0% 0,0%

24 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 4.5 Kunden-Rückgewinnung Modellierung:Überfälligkeit 47 Welcher der folgenden Kunden hat eine höhere Abwanderungswahrscheinlichkeit? Kunde A Monate Kunde B Folgerungen: 2 0,5 0,5 2 0,5 0,5 2 Betrachtungszeitpunkt Monate Der durchschnittlicher Bestellabstand für Kunden A und Kunden B ist identisch (1 Monat), damit auch die Überfälligkeit. Aber: Kunde A und Kunde B haben unterschiedliche Abwanderungswahrscheinlichkeiten => Einbeziehung der Streuung kundenindividueller Kaufabstände in das Prognosemodell

25 4.5 Kunden-Rückgewinnung Von der Überfälligkeit zur Prognose der Abwanderungs-Wahrscheinlichkeit 48 Grundlage zur Berechnung einer kundenindividuellen Abwanderungswahrscheinlichkeit ist die Überfälligkeit eines Kunden: Ist der Abstand zur letzten Bestellung größer als der durchschnittliche Bestellabstand eines Kunden? Verbesserung der Modellierung Über die Anwendung einer geeigneten (praxisbewährten) statistischen Verteilungsfunktion kann aus den Parametern Überfälligkeit, Mittelwert und Streuung der Bestellabstände für jeden Kunden eine individuelle Abwanderungswahrscheinlichkeit ermittelt werden. Verbesserung der Modellierung Zur Verbesserung der Prognosegüte sollen neben der Überfälligkeit in einem multivariaten Ansatz weitere abwanderungsrelevante Daten (v. a. Merkmale zur Kundenverärgerung) berücksichtigt werden. 4.5 Kunden-Rückgewinnung Analyse-Ansatz 49 Entscheidungszeitpunkt = Kunden sind überfällig: Bestellzeitpunkt liegt am aktuellen Tag über dem durchschnittlichen Mittel. Kunde hat seit mindestens 2 Monaten nicht bestellt. Betrachtung der letzten 30 Monate mit mindestens 3 zur Berechnung des durchschnittlichen Mittels Modellierung Zielvariable: Kunde ist abgewandert, wenn er ab Überfälligkeit in den nächsten 1,5 Jahren nicht bestellt. Methode: Scoring-Analye

26 4.5 Kunden-Rückgewinnung aktueller Bestellabstand zur letzten Bestellung in Tagen 50 Abwanderungsquote in % kumulierter Anteil in % < 135 < 211 < 266 < 356 < 471 < 568 >=568 Durchschnitt 4.5 Kunden-Rückgewinnung durchschnittlicher Bestellabstand in Tagen (30 Monate) Abwanderungsquote in % kumulierter Anteil in % < 16 < 36 < 50 < 70 < 96 >=96 Durchschnitt

27 4.5 Kunden-Rückgewinnung Bestellvarianz in Tagen (30 Monate) Abwanderungsquote in % kumulierter Anteil in % < 500 < 1000 < 7739 < >=36444 Durchschnitt 4.5 Kunden-Rückgewinnung Erste Bestellung vor Monaten 53 Abwanderungsquote in % kumulierter Anteil in % < 30 < 53 < 60 < 64 >=64 Durchschnitt

28 4.5 Kunden-Rückgewinnung aktueller Behaviourscore Abwanderungsquote in % kumulierter Anteil in % < 436 < 468 < 578 >=578 Durchschnitt 4.5 Kunden-Rückgewinnung Ergebnis 55 Der aktuelle Bestellabstand ist ein Top-Prediktor für die Abwanderung eines Kunden. Die Berücksichtigung des bisherigen mittleren Bestellabstandes und der Bestellvarianz verbessert die Prognose noch einmal deutlich. Die Länge der Kundenbeziehung und aktuelle Kontodaten führen zu einer besseren Trennung. Die weiteren gesammelten abwanderungsrelevanter Merkmale prognostizieren zumeist in die richtige Richtung, sind aber häufig zu schwach besetzt oder mit aufgenommenen Variablen bereits hoch korreliert. Sie sind somit eher für eine sehr kurzfristige Kundenansprache zu nutzen. Prognoseergebnis: Sehr gute Prognose, bei den 20% höchsten Scorewerten liegt die Ausfallwahrscheinlichkeit bei 82%

29 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses 4.6 Bewertung von NPL-Portfolios beteiligte Parteien Non Performing Loans = inkassofähige Forderungen Ziele des Verkäufers Entlastung von Risiko-Aktiva Erhöhung Liquidität Reduktion von Komplexität strategische Partnerschaft Ziele des Käufers: Kapital-Investition Maximale Wirtschaftlichkeit der Investition Kapazitätsauslastung beim Servicer Servicer (=Inkasso-Institut): Dienstleister und Informations-Lieferant Portfolio-Bewertung: Kompetente Beratung des Käufers, aber auch neutrale Rolle zwischen den Parteien möglich

30 4.6 Bewertung von NPL-Portfolios Die NPL-Bewertung ist ein wesentlicher Teil des gesamten Ankaufprozesses, aber nicht zu verwechseln mit der Preisfindung Vorbereitung, Ausschreibung Bewertung Due Dilligence Preisfindung bindendes Angebot Vertragsverhandlungen Operative Umsetzung 4.6 Bewertung von NPL-Portfolios Welchen Wert haben nun NPL-Forderungen? Der Wert eines NPL-Portfolios für einen definierten Zeitraum (=Bewertungs- Horizont) ist die Summe aller Zahlungseingänge des Schuldners abzüglich der für die Beitreibung entstehenden Kosten Der Servicer trägt i.d.r. die Kosten der Beitreibung und erhält dafür die verrechneten Geldeingänge auf diese Kosten bzw. noch andere Provisionen. à der Wert eines NPL-Portfolios für einen definierten Zeitraum (=Bewertungs- Horizont) die Summe aller Zahlungseingänge des Schuldners, die auf die Haupt- und Nebenforderungen des Verkäufers verrechnet werden

31 4.6 Bewertung von NPL-Portfolios Bewertungsmethode Cash-Flow-Zeitreihe Periode: Betrachtungszeitraum: cash-flows: Monat 36, 48, 60 Monate Geldeingänge./. Kosten Discounted Cash-Flow-Modell interner Zinssatz: Finanzierungszins + Risiko % p.a. Wert bestimmende Faktoren Höhe der zukünftigen Rückflüsse (Geldeingang./. Kosten) zeitliche Struktur der Rückflüsse ( Geldeingangs-Treppe ) Risiko-Zinssatz Prognose der Rückfluss-Struktur über historische Kennzahlen des Portfolios oder Ergebnisse eines Vergleichs-Portfolios 4.6 Bewertung von NPL-Portfolios Beispiel cash flow Zeitreihe Geldeingang Inkasso Geldeingang Hauptforderung Kosten Inkasso

32 4.6 Bewertung von NPL-Portfolios Beispiel Rückflusskurven Rückfluss Gesamt Geldeingang Inkasso Geldeingang Hauptforderung Kosten Inkasso 4.6 Bewertung von NPL-Portfolios Je länger der Bewertungs-Horizont, desto größer der Einfluss des Zinssatz Gesamt-Rückfluss monatliche Cash-Flows Discounted Cash-Flows

33 4.6 Bewertung von NPL-Portfolios Abhängigkeit von der Größenklasse 65% 60% 55% 50% < % 40% 35% % 25% 20% 15% 10% 5% 0% > Bewertung von NPL-Portfolios Abhängigkeit vom Alter des Schuldners 40% 35% Je älter die Schuldner desto besser ist die Beitreibung 30% > 50 Jahre 25% Jahre Jahre 20% 15% 10% 5% 0% < 30 Jahre

34 4.6 Bewertung von NPL-Portfolios Durch Scoring erhalten wir eine sehr trennscharfe und damit optimale Prognose des Beitreibungserfolgs kumulierte Beitreibungsquote je Scoreklasse 80 Prognose Beitreibungsquote in % % beste 10% 20% 30% 40% 50% 60% 70% 80% 90% schlechteste 100% Schuldner nach Score sortiert Übersicht 1. Einleitung 2. Ergebnisse der Gruppenarbeit Optimaler Cut-Off" 3. Multi-Channel-Kampagnen-Management (Nachtrag) 3.1 Telefon-Kampagnen 3.2 Echte Multi-Channel-Kampagnen 4. Data Mining Anwendungen 4.1 Assoziations-Analysen 4.2 Sortiments-Analysen 4.3 Lieferzeit und Retouren 4.4 Auswahl-Retouren 4.5 Kunden-Rückgewinnung 4.6 Bewertung von NPL-Portfolios 5. Hausarbeit 6. Diverses

35 Kontaktdaten: 68 Geschäftsführer Producta Daten-Service GmbH Hugo-Junkers-Str Frankfurt am Main Tel.: +49 (0) Mobil: +49 (0) michael.semmler@universum-group.de