CRM: Herausforderungen in der Praxis I

Transkript

1 Wirtschaftswissenschaftliche Fakultät Ingolstadt CRM: Herausforderungen in der Praxis I Universum Group Frankfurt am Main Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses

2 Zur Person 2 Studium Mathematik/Wirtschaftswissenschaften mit Schwerpunkt Statistik Promotion zum Dr. rer. pol. in Statistik und Ökonometrie Über 20 Jahre Erfahrung im Database Marketing, Kampagnenmanagement und CRM im Versandhandel (Quelle, Neckermann) Geschäftsführer Producta Daten-Service ein Unternehmen der Universum Group, Frankfurt Fokus Dienstleistungen Forderungs-Bewertung und -Monitoring Risiko-Management (Kreditscoring, Zahlungsgarantie) Datawarehousing für Banken, Inkasso-Unternehmen Business Intelligence, Kampagnen-Steuerung im Finanzbereich 1 Einleitung 3 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

3 1 Einleitung 4 Prüfungsmodalitäten Diskussion und Präsentation von Cases 70% Hausarbeit (1 Woche Bearbeitungszeit) Ausgabe Abgabe % Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses

4 2 Prozesse im (Versand-) Handel Kernprozesse und Systeme 6 Supply Chain Management Warenwirtschaftssystem Lieferant Einkauf/ Beschaffung Angebotserstellung Kunden- Management Kataloge Web-Shop Kunde Werbemittel- Erstellung Datawarehouse CRM Kundenbuchhaltung 2 Prozesse im (Versand-) Handel kundenrelevante Detail-Prozesse 7 Lieferant After Sale Beschwerden Zahlung Forderungsbestand Sortiment Kunde Retoure Werbemittel Bestellung Kreditprüfung Nachfrage Lieferung

5 2 Prozesse im (Versand-) Handel Das Datawarehouse steuert alle CRM-Prozesse 8 Einkauf Nutzer Planungsprozess Controlling Vertrieb Analyse, Reporting Adressen Datawarehouse Call-Center Internet Logistik Service Operative Systeme Werbemittel- Selektion analytisches und operatives CRM 2 Prozesse im (Versand-) Handel Marketing-Datawarehouse (1.0) im Versandhandel 9 Kunde Soziodemographie Herkunft Microgeographie Kundenstatus Vertriebsweg Service Bestellweg Lieferadresse Terminlieferung Ratenzahlung Kundenkarte Kunden- und Artikel-Stammdaten Verhaltensdaten auf granularer Ebene Historische Sichten (Journalisierung der statischen Daten) Bewerbung Bewerbung Bestellung Bestellung Lieferung Lieferung Retoure Retoure Zahlung Zahlung Reklamation Reklamation Sortiment alle Artikel mit beschreibenden Merkmalen (Preis, Modizität, Marke, Stil,.) Werbemittel Hauptkataloge Shops Spezialkataloge Sonderkataloge

6 2 Prozesse im (Versand-) Handel Datawarehouse 10 Rolle des Datawarehouse Konsolidierte Datensammlung aus den heterogenen transaktionsorientierten operativen Systemen Übergreifende Sicht auf die Kunden und die Prozesse Abfrageorientiert, teilweise Aggregate Datenverknüpfung über mehrere operative Prozesse möglich Historische Sichtweisen Standard-Berichtswesen Analyse- und Reportng-Systeme Data Mining-Analysen Kampagnen-Management (Analyse, Duchführung, Bewertung) Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses

7 12 Reporting-Systeme lassen sich gliedern in Standard-Berichte feste Vorgaben von Dimensionen und Kennzahlen periodische Aktualisierung Ist-Plan-VJ-Vergleiche meist leicht und für viele Benutzer verständlich Online-Analyse (R)OLAP-Systeme Datamarts (relational oder multidimensional) vorverdichtete Aggregationen Abfrage durch Benutzer konfiguriert OLAP-Systeme bieten leicht bedienbare Navigationsfunktionen (drill down, slice and dice) Interessante Analyse-Ausschnitte können zu Standard-Berichten werden Komplexität von Dimensionen und Kennzahlen und Auswertungstechniken sind eingeschränkt adhoc-analysen (z.b. Data Mining) müssen direkt im Datawarehouse möglich sein 13 Rahmenbedingungen bei der Entwickung von Reporting-Systemen Welche Fragen soll der Report beantworten? Welche Entscheidungen sollen damit unterstützt werden? Welcher Prozess soll kontrolliert werden? Reales Modell Datenmodell Kennzahlen (Interpretation, Aggregierbarkeit, Dimensionalität) Dimensionen (Hierarchien, Auswertungstiefe) Datenverfügbarkeit Aktualität User

8 Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses 15 Lieferant After Sale Beschwerden Zahlung Forderungsbestand Sortiment Kunde Retoure Werbemittel Bestellung Kreditprüfung Nachfrage Lieferung

9 16 Tages-Reporting Bestelleingang Tsd. St. Tsd. St. Tsd. St. % % Tag Datum VJ Plan Ist Plan VJ Mo ,8 180,9 175,0-3,2 101,7 kumuliert 86,8 180,9 175,0-3,2 101,7 Di ,4 100,0 87,7-12,3 18,0 kumuliert 161,1 280,9 262,8-6,4 63,1 Mi ,6 77,5 83,0 7,0-35,5 kumuliert 289,7 358,4 345,7-3,5 19,3 Do ,0 67,2 73,5 9,5-0,6 kumuliert 363,7 425,5 419,2-1,5 15,3 Fr ,9 66,3 77,8 17,2 16,2 kumuliert 430,6 491,8 497,0 1,0 15,4 Sa ,0 0,0 0,0 kumuliert 430,6 491,8 497,0 1,0 15,4 Mo ,1 151,5 165,0 8,9 44,6 kumuliert* 544,7 643,4 662,0 2,9 21,5 Di ,7 85,1 93,3 9,6-19,4 kumuliert 660,4 728,5 755,2 3,7 14,4 Mi ,4 75,6 76,5 1,2 1,5 kumuliert 735,8 804,1 831,7 3,4 13,0 Do ,0 68,2 71,9 5,4 26,2 kumuliert 792,7 872,3 903,6 3,6 14,0 Fr ,3 64,0 70,0 9,3 31,3 kumuliert 846,0 936,3 973,6 4,0 15,1 Klassischer Report Hier: verbuchter Bestelleingang, d.h. nach Kreditprüfung und sonstigen vorgelagerten Prozessen Granularität abhängig von operativen Systemen Kalender-Problem beim VJ-Vergleich Kumulierte Wochenend-Information Aussagekraft? 17 Tages-Reporting Nachfrage (TEUR) Mio Mio Mio % % Tag Datum VJ Plan Ist Plan VJ Mo ,6 29,0 24,9-14,1 135,9 kumuliert 10,6 29,0 24,9-14,1 135,9 Di ,4 15,8 11,9-24,8 26,2 kumuliert 20,0 44,8 36,8-17,9 84,1 Mi ,6 12,1 11,9-1,5-35,7 kumuliert 38,5 56,9 48,7-14,4 26,4 Do ,8 10,5 10,2-3,1-5,8 kumuliert 49,3 67,4 58,9-12,6 19,4 Fr ,0 10,2 10,4 2,0 3,7 kumuliert 59,4 77,6 69,3-10,7 16,7 Sa ,0 0,0 0,0 kumuliert 59,4 77,6 69,3-10,7 16,7 Mo ,6 24,0 22,9-4,8 23,1 kumuliert* 77,9 101,6 92,2-9,3 18,3 Di ,3 13,3 13,6 2,1-25,8 kumuliert 96,2 114,9 105,7-8,0 9,9 Mi ,3 11,8 10,9-7,4-2,9 kumuliert 107,5 126,7 116,7-7,9 8,5 Do ,3 10,7 9,8-8,2 4,8 kumuliert 116,8 137,4 126,5-8,0 8,3 Fr ,3 9,9 10,0 1,0 19,7 kumuliert 125,2 147,3 136,5-7,4 9,0 Klassischer Report Gleiche Logik wie beim Bestelleingang Erklärungsansätze für unterschiedliche Entwicklung von Bestelleingang und Nachfrage fehlen

10 18 Tages-Reporting Umsatz (TEUR) Mio Mio Mio % % Tag Datum VJ Plan Ist Plan VJ Mo ,7 13,1 10,2-22,5 16,9 kumuliert 8,7 13,1 10,2-22,5 16,9 Di ,7 9,1 13,1 43,7 51,5 kumuliert 17,4 22,3 23,3 4,7 34,2 Mi ,2 10,9 9,2-15,5-24,5 kumuliert 29,6 33,2 32,6-2,0 10,0 Do ,9 10,0 6,4-36,3-35,9 kumuliert 39,5 43,2 38,9-9,9-1,5 Fr ,8 9,8 7,7-21,0-12,1 kumuliert 48,3 53,0 46,7-12,0-3,5 Sa ,0 0,0 0,0 kumuliert 48,3 53,0 46,7-12,0-3,5 Mo ,9 13,9 6,9-50,6-57,0 kumuliert* 64,3 66,9 53,5-20,0-16,7 Di ,5 8,9 11,5 28,6 35,9 kumuliert 72,7 75,8 65,0-14,3-10,6 Mi ,3 11,3 7,7-31,5-6,7 kumuliert 81,0 87,1 72,7-16,5-10,2 Do ,9 10,8 8,8-18,6 27,9 kumuliert 87,9 97,9 81,5-16,7-7,2 Fr ,3 12,6 8,0-36,7-4,1 kumuliert 96,2 110,5 89,5-19,0-7,0 Klassischer Report Umsatz setzt sich aus Lieferwert und Retourenwert zusammen Sichtweise Rechnungswesen/Controlling Kein Zusammenhang zwischen Bestelleingang und Umsatz Zeit-Dimension orientiert an Buchungslogik. Aussagekraft? Nutzer? 19 Versuch einer Erklärung durch Überleitung Jedoch kein Wirkungszusammenhang Retourenquote falsch Tage aufgelaufen Monat Ist Plan Vorjahr Abw. Abw. Plan Prognose Vorjahr Plan Vorjahr % % Prognose zu VJ % Nachfrage (Vertrieb) 136,5 147,3 125,2-7% 9% 278,6 307,5 262,8 17,0% Umsatzverluste -7,1-7,0 1% -14,7 0,0 ######## -5,5 Veränd. Nachsendebestand/Übrige -6,6 0,8-960% -0,7 Veränderung Puffer 0,1-3,4 7,8-104% -98% -2,7 14,0 Warenausgang %zu Nachfrage 90% 98% 101% 97% 99% Dienstleistungsums. (KSP, Vsd.spesen, etc.) 9,9 8,3 7,8 20% 27% 15,7 14,5 Rabatte/Sonstiges -5,5-4,5-1,4 22% 287% -8,5-3,0 Fakturierte Leistung Vsd. (brutto) 127,3 147,7 133,2-14% -4% 277,7 272,9 Retouren -38,4-33,2-37,0 16% 4% -72,6-64,7 Retourenquote (Wert) 30% 22% 28% 26% 24% Bruttoumsatz Stammgeschäft Versand 88,9 114,5 96,2-22% -8% 205,1 208,2 MwSt. -14,2-18,3-15,4-22% -8% -32,7-33,2 Nettoumsatz Stammgeschäft Versand 74,7 96,2 80,8-22% -8% 172,4 190,7 174,9 9,0%

11 20 Verbesserung der Retourenquote durch die Kennzahl erwartete Retouren Zeit-Dimension des Umsatzes nun aber unspezifiziert. Tage aufgelaufen Monat Ist Plan Vorjahr Abw. Abw. Plan Prognose Vorjahr Plan Vorjahr % % Prognose zu VJ % Nachfrage (Vertrieb) 136,5 147,3 125,2-7% 9% 278,6 307,5 262,8 17,0% Umsatzverluste -7,1-7,0 1% -14,7 0,0 ######## -5,5 Veränd. Nachsendebestand/Übrige -6,6 0,8-960% -0,7 Veränderung Puffer 0,1-3,4 7,8-104% -98% -2,7 14,0 Warenausgang %zu Nachfrage 90% 98% 101% 97% 99% Dienstleistungsums. (KSP, Vsd.spesen, etc.) 9,9 8,3 7,8 20% 27% 15,7 14,5 Rabatte/Sonstiges -5,5-4,5-1,4 22% 287% -8,5-3,0 Fakturierte Leistung Vsd. (brutto) 127,3 147,7 133,2-14% -4% 277,7 272,9 Erwartete Retouren d. Periode -35,4-38,2-32,0-7% 11% -72,6-64,7 Retourenquote (Wert) 28% 26% 24% 26% 24% Bruttoumsatz Stammgeschäft Versand 91,9 109,5 101,2-16% -9% 205,1 208,2 MwSt. -14,0-16,7-15,4-16% -9% -31,2-31,8 Nettoumsatz Stammgeschäft Versand 77,9 92,8 85,7-16% -9% 173,9 190,7 176,4 8,1% 21 Lösungsansätze: Zeit-Dimension eindeutig definieren hier: Bestell-Zeitpunkt Wenn exakte Messwerte benötigt werden, dann sind Aussagen über den Gesamtprozess Bestellen Liefern Retournieren nur ex-post z.b. für den Bestellzeitpunkt vor x Tagen möglich Zur Bewertung der aktuellen Nachfrage sind Prognosequoten für Lieferung und Retouren notwendig Aussagen für aktuelle Periode möglich. Standard-Berichte sollten zwar einfach verständlich sein, aber zur Vermeidung von Fehlinterpretationen muss die Wirklichkeit hinreichend genau abgebildet werden Anforderung an DWH-Datenmodell: Eindeutige Zuordnung von Bestellung, Lieferung und Retoure auf Transaktionsebene

13 24 Artikel-Nr Woche Nachfrage Sofort- Nachsendunausganquote Waren- Retouren- Retouren Lieferung % % % % % % % % % % % Einfacher Bericht als Basis für Bestandsprognose Retouren gelangen wieder in den Warenkreislauf zurück Um eine optimale Bestandsführung zu gewährleisten ist neben der Nachfrage- auch eine Retourenprognose notwendig Die falsch gemessene Retourenquote wie hier im Beispiel ist dafür unbrauchbar 25 Artikel-Nr Woche Nachfrage Sofort- Lieferung Retouren Nachsendung Warenausgang Retourenquote % % % % % % % % % % % % % % % % % % % % Die großen Schwankungen in der Retourenquote resultieren aus der falschen Betrachtungsweise Retouren einer Woche sind auf den Warenausgang der gleichen Periode bezogen. Zeitverzug wird ignoriert. Lösung: eindeutige Zuordnung von Retouren zum Warenausgang und Berechnung der Retourenquote mit diesem Zeitbezug

14 26 Artikel-Nr Woche Nachfrage Retouren Warenausgang falsche Retourenquote richtige Retourenquote % 23% % 24% % 24% % 24% % 28% % 23% % 19% % 17% % 29% % 29% % 16% % 28% % 22% % 25% % 29% % 19% % 24% % 29% % 27% % 27% Durch die Korrektur der Berechnungslogik ist die Retourenquote der ersten Wochen für eine Prognose verwendbar Das gleiche gilt für den Warenausgang, der auch zeitversetzt, bedingt durch Terminlieferungen und Nachsendungen, verläuft. Notwendige Voraussetzung für DWH- Datenmodell: eindeutige Zuordnung von Lieferung und Retoure auf Transaktionsebene 27 Retouren-Infosystem

16 30 Nachfrage- und Umsatz werden im Versandhandel durch Werbemittel induziert Viele Reports enthalten deshalb auch die Dimension Werbemittel Werbemittel lassen sich nicht in das zeitliche Korsett von Monat und Jahr eingliedern Werbemittel haben eine Laufzeit, die im Kampagnen-Plan abhängig von den Kundenbedürfnissen, Markt-Rahmenbedingungen und technischen Restriktionen, festgelegt wird Werbemittel bilden sowohl eine Aktions- wie auch Reaktions-Dimensionen, was zu zusätzlichen Problemen in der Aufbereitung und bei der Interpretation führen kann. 31 Grobübersicht Kampagnen-Plan WM-Typ Dez Jan Febr März Apr. Mai Juni HK Ab HK 1 Ab HK Midi Sommersaison MK Januar Februar März April Mai Juni SPK/ZL AV MC-B. ab SPK SPK SPK SPK AL März SPK AL Mai AV April SPK AV Juni Fasching (23.02.) Ostern (12.04.) Pfingsten (31.05.)

17 32 Werbemittel-Report Mai kumuliert Saisonbeginn Werbemittel Nachfage Umsatz Ist VJ %VJ Ist VJ %VJ Gesamt ,0% ,2% Hauptkatalog ,3% ,9% Sonderlisten ,8% ,5% Jan ,8% ,3% Feb ,9% ,3% März ,2% ,3% April ,7% ,6% Mai ,7% ,0% Juni Marktplatz ,7% ,7% Spezialkataloge ,2% ,3% Meine Größe ,8% ,9% You ,1% ,6% Beste Jahre ,1% ,6% Men Fashion ,9% ,2% Heimwerker ,2% ,4% Garten ,2% ,2% Küchen ,4% ,7% Möbel ,6% ,7% Mailings ,0% ,5% M ,4% ,0% M ,2% ,0% M ,0% ,0% M ,5% ,2% M ,5% ,3% M Gesamt-Saison ,9% ,6% Rest ,8% ,5% Typischer Werbemittel-Report Hier: Reaktionssicht Marktplatz = Webshop wird in einem Multi-Channel- Versandhandel typischerweise auch als Reaktions-Werbemittel modelliert. Probleme: Vorjahres-Vergleichbarkeit der einzelnen Werbemittel besser Planabweichung Gesamt lässt sich nicht vollständig nach Werbemittel aufreißen Durch zeitliche Beschränkung auf kumuliert Saison wird die Gesamtsicht auf das einzelne Werbemittel nicht möglich 33 OLAP-Beispiel

18 34 Aktionssicht auf die Werbemittel Versuch einer Überleitung von Aktions- und Reaktionssicht Probleme: Nicht aggregierbare Kennzahl Erhalter, Werbemittel ohne Aktion Werbemittel-Report Mai kumuliert Saisonbeginn Werbemittel Anzahl Werbekosten Nachfrage pro Nachfage Erhalter Erhalter Ist VJ %VJ Gesamt , ,0% Hauptkatalog , ,3% Sonderlisten , ,8% Jan , ,8% Feb , ,9% März , ,2% April , ,7% Mai , ,7% Juni Marktplatz ,7% Spezialkataloge , ,2% Meine Größe , ,8% You , ,1% Beste Jahre , ,1% Men Fashion , ,9% Heimwerker , ,2% Garten , ,2% Küchen , ,4% Möbel , ,6% Mailings , ,0% M , ,4% M , ,2% M , ,0% M , ,5% M , ,5% M , Gesamt-Saison ,9% Rest ,8% 35 Werbemittel-Report Hauptkatalog Mai kumuliert Werbemittel-Laufzeit Kundenqualität Anzahl Werbekosten Nachfrage pro Nachfage Umsatz DB I DB II DB II Erhalter Erhalter pro Erh. Gesamt , ,27 Score , ,46 Score , ,09 Score , ,92 Score , ,04 Score , ,82 Score , ,78 Score , ,59 Score , ,02 Score , ,11 Score , ,92 Kampagnen-Reports Immer bezogen auf eine Kampagne Die Laufzeit ist unabhängig von Standard-Kalenderstrukturen wichtige Dimension Kundenqualität (z.b. Score) Basis für Cut-Off -Entscheidung Während der Laufzeit Hochrechnung der Kennzahlen notwendig

19 36 Beispiel: Kampagnen-Report Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses

20 38 Lieferant After Sale Beschwerden Zahlung Forderungsbestand Sortiment Kunde Retoure Werbemittel Bestellung Kreditprüfung Nachfrage Lieferung 39 Tages-Report 17. Okt Sortiment LCD TV Artikel Preis Min.-Preis Anzahl Nachfrage Conversion Preis-Rang Konkurrent clicks Stück rate % % % % % % % % % % % % % % % Ziel: Bereitstellen Performance-Daten pro Artikel im Internet zu schnellen Anpassung des Angebotspreises Konkurrenzpreis durch externe Web-Scanner Hier: einfache Berichtsdarstellung hohe Anforderungen an Funktionalität (Sortierung, ABC-Analyse, ) Problem: hohe Volatilität in den Daten, deshalb Kumulationen über größere Zeiträume nicht interpretierbar Verbesserungspotenzial durch automatisierte Data-Mining- Methoden

21 40 Tages-Report 25. Nov Sortiment LCD TV Artikel Preis Min.-Preis Nachfrage Anzahl Anteil Nachfrage Internet- Preis-Rang Konkurrent Wert Neukunden Nekunden Gesamt Anteil % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % Weitere Performance-Daten: Nachfrage, Neukunden, kanalübergreifende Performance Problem: schnelle Verfügbarkeit der Daten WEB-Reporting online (kurze Aktualisierungs-Rhythmen) Kennzahlen Nachfrage oder Neukunden werden nur 1x täglich berechnet Noch längerer Zeitversatz für die Kennzahlen Umsatz oder Deckungsbeitrag. Diese müssen über Prognosefaktoren (abh. von Sortiment und Spanne) integriert werden Performance-Reporting -Aktion Aussendungen Bounces Bounce-rate opener open-rate clicker click-rate click-through rate Newsletter ,5% ,1% ,7% 0,6% Katalog-Anforderer ,3% 94 43,3% 15 16,0% 6,9% Katalog-Nachfass ,9% ,8% ,0% 4,0% Merkzettel ,2% ,6% ,4% 9,1% Warenkorbabbrecher ,5% ,3% ,2% 4,3% Channel-Shift ,1% ,8% ,6% 5,7% after sales Internet ,1% ,6% ,5% 3,5% Newsletter ,8% ,9% ,9% 1,7% Kampagnen-Report im E-Commerce Zusätzliche Kennzahlen im Vergleich zu Werbemittel-Reports

22 42 -Performance-Reporting -Aktion Aussendungen Bestellungen conversion rate Bestell-wert Bestellwert/ Aussendung Anzahl Neukunden Anteil Neukunden Bestellwert Gesamt Ablehnung Kreditprüfung Internet- Anteil Newsletter ,9% ,01 20,1% 0 0,0% ,3% Katalog-Anforderer 234-0,0% 0 0,00 0,0% ,0% Katalog-Nachfass ,3% ,16 11,3% 1 3,7% ,2% Merkzettel ,4% ,60 3,5% 4 5,1% ,2% Warenkorbabbrecher ,7% ,39 4,2% 1 0,9% ,0% Channel-Shift ,8% ,22 4,8% 0 0,0% ,7% after sales Internet ,7% ,10 4,8% 0 0,0% ,1% Newsletter ,1% ,03 18,3% 3 2,8% ,4% Messbarkeits-Problem bei -Kampagnen: Die gibt nur einen Anstoß, die Reaktion findet im WEB oder per Telefon statt. klassische Methoden der Reaktionszuordnung führen auf andere Werbemittel Reaktion auf wird gemessen über Nachfrage der Erhalter in einer vordefinierten Laufzeit der Kampagne (sog. post orders) Beste Methode über Nullgruppen-Tests, aber teilw. zu komplex und aufwändig Anforderungen an das DWH-Datenmodell Integration von WEB-Verhalten, eindeutige Verknüpfung von Warenkorb zu den Transaktionen Nachfrage, Lieferung, Retoure, Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses

23 3.5. Forderungs-Management-Reports 44 Lieferant After Sale Beschwerden Zahlung Forderungsbestand Sortiment Kunde Retoure Werbemittel Bestellung Kreditprüfung Nachfrage Lieferung 3.5. Forderungs-Management-Reports 45 Kennzahlen aus Forderungs-Management Monat neue Forderungen Retouren Zahlungen Forderungsbestand Inkasso- Abgaben sonstige Buchungen (+/-) Dez. 07 Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Fragestellung: Inkasso-Quote und Retouren-Quote bezogen auf den Forderungsbestand?

24 3.5. Forderungs-Management-Reports 46 Portfolio-Cut Datenstand Monat Zahlungen Retouren Inkasso-Abgaben Sonstige Buchungen Rest-Saldo pro Monat % kumul. pro Monat % kumul. pro Monat % kumul. pro Monat % kumul. pro Monat % kumul ,55% ,76% ,75% ,43% ,50% ,00% ,42% ,16% ,79% ,63% ,89% ,52% ,76% ,09% ,74% ,98% ,55% ,36% ,25% ,86% ,15% ,56% ,65% ,44% ,20% ,24% ,57% ,85% ,64% ,70% ,78% ,58% ,98% ,77% ,89% ,07% ,58% ,10% ,90% ,34% ,36% ,59% ,15% ,00% ,90% ,54% 95 30,59% ,20% ,10% ,57% ,64% 2 30,59% ,24% ,22% ,31% ,71% 22 30,59% ,28% ,36% ,06% ,77% 0 30,59% ,30% ,41% ,94% ,81% 84 30,59% ,32% ,46% ,83% ,85% 0 30,59% ,34% ,49% ,72% Lösungsansatz: Pool-Cut-Analyse Anforderung an das DWH-Datenmodell: Abbildung des Buchungs-Regelwerks im Detail Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses

25 48 Lieferant After Sale Beschwerden Zahlung Forderungsbestand Sortiment Kunde Retoure Werbemittel Bestellung Kreditprüfung Nachfrage Lieferung 49 Kunden-relevante Kernprozesse Angebotsprozess: vom Markt zum Angebot Kunden/Vertriebsprozess: Kundenbedarf zu Kaufabschluss Kundenbestellprozess: Bestellung bis Lieferung Finance & Accounting Serviceprozess: vom Kundenanliegen zur Problemlösung Human Ressources Unterstützende Prozesse Supply Chain Infrastruktur / IT

26 50 Kundenbestellprozess: Bestellung bis Lieferung Bestellwunsch Prüfen und Ware Rechnung Paket Paket aufnehmen bestätigen bereitstellen schreiben packen zustellen Erreichbarkeit Gesprächsqualität Verfügbarkeit Qualität Bonitätsprüfung Produktionszeit Fehlerquote Laufzeit Zustellqualität 51 Berichte Dashboard Analysen Bis auf Vorgangsebene möglich Erreichbarkeit Kundenkontakt Warenverfügbarkeit Lieferzusage Bestellung Datawarehouse Transaktionssicht Zeitvorgabe eingehalten Warenbereitstellung Laufzeit Qualität Lieferprozess Liefernachfragen Retouren Kundenbeschwerden

27 52 Sortiment: Hartwaren Anzahl Positionen Information an Kunde Dauer Kreditprüfung lieferbar online % 18% 1-5 Tage % 20% > 5 Tage % 22% Gesamt % 20% Terminlieferung online % 27% 1-5 Tage % 29% > 5 Tage % 32% Gesamt % 29% Nachsendung mit Termin online % 25% 1-5 Tage % 27% > 5 Tage % 30% Gesamt % 30% Nachsendung ohne Termin online % 17% 1-5 Tage % 19% > 5 Tage % 21% Gesamt % 19% Gesamt online % 21% 1-5 Tage % 24% > 5 Tage % 27% Gesamt % 24% Fragestellung: Welchen Einfluss hat die Dauer der Kreditprüfung auf die Kundenzufriedenheit? Modellierung der Kundenverärgerung über Beschwerdequote und Retourenquote Transaktionsebene = Bestellposition Sortiment: Mode Information an Kunde Dauer Logistik Anzahl Positionen Beschwerdequote Retourenquote Beschwerdequote Retourenquote lieferbar 1 Tag % 29% 2-3 Tage % 32% > 3 Tage % 35% Gesamt % 31% Terminlieferung 1 Tag % 16% 2-3 Tage % 18% > 3 Tage % 20% Gesamt % 18% Nachsendung mit Termin 1 Tag % 14% 2-3 Tage % 15% > 3 Tage % 17% Gesamt % 15% Nachsendung ohne Termin 1 Tag % 20% 2-3 Tage % 22% > 3 Tage % 25% Gesamt % 23% Gesamt 1 Tag % 20% 2-3 Tage % 21% > 3 Tage % 25% Gesamt % 22% Fragestellung: Welchen Einfluss hat die Dauer der Logistik auf die Kundenzufriedenheit? Weitere Aufriss nach Logistik-Standort, Logistik-Partner, Direkt-Lieferant 53

28 54 Sortiment: Mode Information an Kunde: sofort lieferbar Anzahl Positionen Beschwerdequote Kreuzauswertung der beiden Prozesse Kreditprüfung und Logistik Herunterbrechen auf einzelne Beschwerdegründe erhöht die Aussagekraft Retourenquote Dauer Kreditprüfung Dauer Logistik Grund1 Grund n online 1 Tag % 13% 24% 2-3 Tage % 14% 27% > 3 Tage % 16% 29% Gesamt % 15% 27% 1-5 Tage 1 Tag % 14% 27% 2-3 Tage % 16% 29% > 3 Tage % 17% 32% Gesamt % 17% 31% > 5 Tage 1 Tag % 16% 29% 2-3 Tage % 17% 32% > 3 Tage % 19% 36% Gesamt % 17% 32% Gesamt 1 Tag % 15% 27% 2-3 Tage % 16% 30% > 3 Tage % 17% 32% Gesamt % 16% 30% 55 Neue Herausforderungen an das Datawarehouse (2.0) Bestellen Retournieren Zahlen Kataloganfrager Direktwerbung WEB-Surfverhalten -Kampagnen Outbound-Call Tel. Erreichbarkeit Gesprächsqualität Interesse Bewerbung Bestellkanal Bestand Lieferfähigkeit Rabatt Lieferservice Bonitätsprüfung Cross-Selling Termin- Vereinbarung Termin-Änderung Paket-Tracking Beschwerden Care-Call Liefern Retourengrund Zahlungskonditionen Mahnprozesse Forderungsbestand Inkasso Reklamation Garantie Kulanzen Care-Call After Sales

29 Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports 4 Gruppenarbeit 5 Diverses

30 Kontaktdaten: 58 Geschäftsführer Produkta Daten-Service GmbH Adam-Opel-Straße Frankfurt am Main Tel.: Mobil: