CRM: Herausforderungen in der Praxis II

Größe: px
Ab Seite anzeigen:

Download "CRM: Herausforderungen in der Praxis II"

Transkript

1 Wirtschaftswissenschaftliche Fakultät Ingolstadt CRM: Herausforderungen in der Praxis II Universum Group Frankfurt am Main Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses

2 1 Einleitung 2 Vorlesungs-Programm CRM: Herausforderungen in der Praxis Reporting-Systeme Datawarehouse, Kundenprofile, Scoring (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 Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses

3 Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses 3 Datawarehouse Das Datawarehouse steuert alle CRM-Prozesse 5 Einkauf Nutzer Planungsprozess Controlling Vertrieb Analyse, Reporting Adressen Datawarehouse Call-Center Internet Logistik Service Operative Systeme Werbemittel- Selektion analytisches und operatives CRM

4 3 Datawarehouse Datawarehouse (1.) 6 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 3 Datawarehouse Datawarehouse (2.) Abbildung aller Prozesse 7 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

5 3 Datawarehouse Rolle des Datawarehouse 8 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) 3 Datawarehouse Vom granularen Datawarehouse zu Kunden-Merkmalen 9 Beispiele für Merkmale Alter Adresse bekannt seit x Monaten Letztmals bestellt vor x Monaten Erstmals bestellt vor x Monaten Bestellwert in den letzten x Monaten Bestellwert aus Sortiment y in den letzten x Monaten Bestellwert-Anteil der Sortiments-Gruppe y an Gesamt in den letzten x Monaten Retourenquote im Sortiment y in den letzten x Monaten Anzahl Werbemittelerhalte des Typs y seit der letzten Bestellung aus Typ y Lieferzeit in Tagen Retourenlaufzeit in Tagen Anteil Zahlungen am maximalen Saldo der letzten x Monate

6 3 Datawarehouse Datawarehouse-Architektur für BI-Anwendungen 1 (R)OLAP-Tools Data Mining Adhoc-SQL OLAP-Cubes Datamarts Merkmalsschicht Denormalisierungen Granulares Datwarehouse (ODS-Schicht) 3 Datawarehouse Dynamische Merkmalsschicht 11 Dynamische Merkmalsschicht Merkmale Vorteile: minimaler Speicherplatzbedarf, dynamisches Bezugsdatum Parametrisierung Merkmals- Auswahl

7 Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses 4 Kundenprofil Zielgruppe Kundenprofile 13 Wir beschreiben Kunden anhand ihrer Merkmale Durch Merkmalsverteilungen bilden wir das Kunden-Profil einer Kundengruppe Zwei oder mehrere Kundengruppen vergleichen wir anhand ihrer Kunden- Profile Frage: In welchen Merkmalen und in welcher Intensität unterscheiden sich die Kundengruppen? Beispiel: 1. Internet Solo = Kunden, die nur im Marktplatz bestellt haben 2. Print Solo = Kunden, die nur in den Bestellwegen telefonisch/schriftlich bestellt haben. 3. Mischkunden = Kunden, die in allen Kanälen bestellt haben

8 4 Kundenprofil Zielgruppe Alter 14 Mischkunden haben den größten Anteil in der Altersklasse der jährigen, sind somit durchschnittlich jünger als Printkunden aber älter als Internetkunden. Anteil in Prozent <= 2 J J J J J J. > 7 J. Altersklasse Internet solo Misch Print solo 4 Kundenprofil Zielgruppe Geschlecht 15 Mischkunden haben einen höheren Frauenanteil als Internetkunden, er ist jedoch niedriger als bei Printkunden. Anteil in Prozent männlich weiblich Geschlecht Internet solo Misch Print solo

9 4 Kundenprofil Zielgruppe Ortsgröße 16 Mischkunden leben, ähnlich wie Print-kunden, häufiger in kleineren Orten mit bis zu 2 Tsd. Einwohnern. Bei Internetkunden ist der Anteil, der in größeren Orten lebt, etwas höher. Anteil in Prozent < 5 Tsd. 5-2 Tsd. 2-5 Tsd. 5-2 Tsd. >2 Tsd. Ortsgröße Internet solo Misch Print solo 4 Kundenprofil Zielgruppe Kaufkraft im Gebäude 17 Mischkunden verfügen wie Internet- und Printkunden größtenteils über eine mittlere Kaufkraft. Bei Internetkunden gibt es etwas mehr höhere Kaufkraft, bei Printkunden etwas mehr niedrige Kaufkraft. Anteil in Prozent niedrig mittel hoch Kaufkraft Internet solo Misch Print solo

10 4 Kundenprofil Zielgruppe Haus-Charakter 18 Mischkunden leben überwiegend in 1-2 Familien-Häusern, etwas seltener als Printkunden, aber häufiger als Internetkunden, die dafür etwas öfter in Mehrfamilien-Häusern leben. (Korrelation zur Ortsgröße) Anteil in Prozent Fam.- Haus Doppelhaus Mehrfam- Haus Haustyp Wohnblock Wohn- Hochhaus Internet solo Misch Print solo Sonstige 4 Kundenprofil Zielgruppe Adresse bekannt seit Jahren 19 Mischkunden sind größtenteils seit über zehn Jahren bekannt, etwas kürzer als Printkunden. Dagegen sind Internetkunden überwiegend seit weniger als fünf Jahren bekannt. Anteil in Prozent <= 5 Jahre 6-1 Jahre Jahre >15 Jahre Adresse seit Jahren Internet solo Misch Print solo

11 4 Kundenprofil Zielgruppe 2 Wichtig: Über welchen Zeitraum werden die Kundengruppen definiert? In welchem Zeitraum werden die Merkmale gemessen? 1. Deskriptiver Ansatz: Worin unterscheiden sich die Zielgruppen? Zielgruppe und Merkmale werden im gleichen Zeitraum gemessen 2. Explorativer prognostischer Ansatz: Welche Merkmalsausprägungen sprechen dafür, dass ein Kunde einer bestimmten Zielgruppe zuzuordnen ist? Die Zielgruppen werden über Kriterien in einem Zeitraum definiert Die Merkmale werden im historischen Zeitraum vor der Zielgruppen- Definition gemessen Zunächst verfolgen wir den deskriptiven Ansatz! 4 Kundenprofil Zielgruppe Telefon-Permission 21 Mischkunden haben häufiger eine Telefon- Permission gegeben als Internetkunden, allerdings seltener als Printkunden. Anteil in Prozent nein ja EZAT Internet solo Misch Print solo

12 4 Kundenprofil Zielgruppe -Adresse und Newsletter-Permission 22 Bei nahezu allen Mischkunden ist, wie bei Internetkunden, eine e- Mail-Adresse bekannt. Sie haben häufiger eine Newsletter-Permission gegeben als Internetkunden und Printkunden. Anteil in Prozent Mail-Adresse bekannt Mail-Adresse mit Permission Internet solo Misch Print solo 4 Kundenprofil Zielgruppe Kundenqualität 23 Mischkunden haben den größten Anteil an Top- Kunden und Guten Kunden. In den schlechteren Kundengruppen überwiegt der Anteil der Printkunden. Internetkunden haben den größten Anteil an Neukunden und Inaktiven. Anteil in Prozent EB Neu EB Top EB Gut EB Gefaehrdet Kundengruppe EB Mittel EB Kritisch EB Inaktiv SB Nichtprof is Internet solo Misch Print solo

13 4 Kundenprofil Zielgruppe Anteil Beschwerden 24 Mischkunden haben einen größeren Anteil Kunden in allen Beschwerde-Kategorien als Internetkunden und Printkunden. Anteil in Prozent Liefernachfrage Ware sonst Konto Sonstiges Beschwerden Internet solo Misch Print solo 4 Kundenprofil Zielgruppe Bestellkanal 25 Mischbesteller haben den größten Anteil Bestellungen über den Bestellkanal Internet. Etwas weniger als Internetkunden. Printkunden haben telefonisch den größten Anteil Bestellungen. Tautologie? Anteil in Prozent Telefonisch Schriftlich Internet Bestellweg Internet solo Misch Print solo

14 4 Kundenprofil Zielgruppe Absolute Bestellwerte pro Kunde 26 Mischkunden haben die höchsten absoluten Bestellwerte pro Adresse. Dabei entfällt der größte Teil auf das Textil-Sortiment, wie auch bei Printkunden. Internetkunden haben dagegen die höchsten Werte im Technik- Sortiment. Internet solo Misch Print solo Gesamt Sortiment Internet solo Misch Print solo Textil Technik Hartwaren Werbemittelart Internet solo Misch Print solo Hauptkatalog Zwischenlisten Textil-SK Hartwaren-SK Internet Achtung: Mischkunden sind schon per Definition besser als Solo-Kunden! 4 Kundenprofil Zielgruppe Zielgruppen-Definitionen 27 Experten-Definition über Kriterien z.b. Altersklassen, Ein-Mehrfach-Besteller, Bestellwert-Klassen, Sortiments- Besteller, Kanal-Besteller Beschreibung der Zielgruppen über andere Merkmale Standard-Merkmal-Set Herleitung eines Kundenbilds für Werbung, Kundenansprache, Call-Center, Kunden-Segmentierung (Cluster-Analyse) Cluster-Analyse in einem Datenraum (z.b. homogenes Kaufverhalten) Beschreibung der Zielgruppen (s.o.) Identifikation neuer Kunden-Segmente für Spezial-Kataloge, Differenzierung von Kampagnen-Content Problem: Eindeutige Klassifikation der Kunden in die Kundensegmente Wichtig: Diese Zielgruppen-Definitionen sind nicht als ausschließliches Selektions-Kriterium für Kampagnen geeignet.

15 Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses 5 Scoring Zielsetzungen 29 Maximierung des Deckungsbeitrags einer Direkt-Marketing-Kampagne (Katalog) Selektion der Kunden, die den höchsten Deckungsbeitrag pro Katalog bringen Entwicklung eines Prognosemodells auf Kunden-Ebene, das die Wahrscheinlichkeit für einen Kauf aus dem Katalog liefert Maximierung des Deckungsbeitrags der Aufträge von Neukunden, die per Rechnung zahlen möchten Entscheidung über Annahme des Rechnungskaufs vs. Angebot von Vorauskasse oder anderer sicherer Zahlungsarten Entwicklung eines Prognosemodells auf Kunden-Ebene, das die Wahrscheinlichkeit für die korrekte Zahlung des Erstauftrags liefert

16 5 Scoring Rahmenbedingungen 3 Zeit: Daten Wann wird die Entscheidung über den Werbemittel-Erhalt bzw. über den Kredit getroffen? Wie ist der Kauf aus dem Katalog definiert, in welchem Zeitraum wird gemessen Wann gilt eine Rechnung als nicht bezahlt? Welche Daten können für die Entscheidung verwendet werden? Gibt es technische oder rechtliche Beschränkungen für die Datenverfügbarkeit? Methode Wie können solche Prognose-Modelle entwickelt werden? Nach welchen Gütemaßen wollen wir die Prognose-Modelle bewerten? Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses

17 5.1. Scoring Analyse-Modell Scoring wandelt Kundendaten in die Prognose von Kundenverhalten 32 Scoring ist ein analytisches Prognose- und Punkte- Bewertungsverfahren, das die Wahrscheinlichkeit berechnet, mit der jeder einzelne Kunde ein bestimmtes zukünftiges Verhalten zeigen wird: Produkte kaufen, Dienstleistungen nutzen, Zahlungsverpflichtungen nachkommen, bestellte Ware nicht retournieren, usw Scoring Analyse-Modell 33 Für Scoring werden also explorative prognostische Kundenprofile benötigt 1. Deskriptiver Ansatz: Worin unterscheiden sich die Zielgruppen? Zielgruppe und Merkmale werden im gleichen Zeitraum gemessen 2. Explorativer prognostischer Ansatz: Welche Merkmalsausprägungen sprechen dafür, dass ein Kunde einer bestimmten Zielgruppe zuzuordnen ist? Die Zielgruppen werden über Kriterien in einem Zeitraum definiert Die Merkmale werden im historischen Zeitraum vor der Zielgruppen- Definition gemessen

18 5.1. Scoring Analyse-Modell 34 repräsentative Stichprobe aus Gesamtpotenzial = Lernstichprobe Auswahl der Kunden Kunde reagiert / reagiert nicht Ende der Aktion Daten des Kunden zum Selektionszeitpunkt aus verschiedenen Datenquellen: Analysedaten Werbeerfolg = Reaktionsquote Reaktionsdaten 4 2 Scoring-Analyse Worin unterscheiden sich Reagierer und Nichtreagierer am stärksten? Prognose des Verhaltens zum nächsten Selektionszeitpunkt 5.1. Scoring Analyse-Modell Zeitversatz zwischen Lernphase und Modell-Einsatz 35 Modell-Entwicklung - Lernphase Zeitraum für Kunden-Merkmale t 1 t 2 Performance- Zeitraum Einsatz des Prognose-Modells t 3 Entscheidungs- Zeitpunkt

19 5.1. Scoring Analyse-Modell Dynamische Merkmalsschicht flexible Daten-Extraktion für die Scoring-Analyse 36 Dynamische Merkmalsschicht Merkmale Vorteile: minimaler Speicherplatzbedarf, dynamisches Bezugsdatum Parametrisierung Merkmals- Auswahl Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses

20 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 38 Reaktionsquote Anzahl Bestellungen in den letzten 24 Monaten QB BH,24M-M,VA=V Je mehr bisherige Bestellungen desto höher die Response Kumulierter Anteil Auf diese Weise werden meist 1e von Merkmalen untersucht <= 1 <= 4 <= 6 <= 8 > 8 Durchschnitt 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 39 Letztmals bestellt vor QL Monaten LB,L141,MAX,3M,VA=V aus Listentyp Möbelkatalog 6 <= 8 <= 17 5 <= 21 > 21 Reaktionsquote Kumulierter Anteil Durchschnitt

21 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 4 Letzte Anforderung QL LAL,L141,MAX,3M aus Listentyp Möbelkatalog vor Monaten 6 <= 3 5 > 3 Reaktionsquote Kumulierter Anteil Durchschnitt 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 41 Lieferumsatz aus Hauptkatalog in den letzten 24 Monaten QL LU,LC HK,24M-M,VA=G 8 7 <= 4 <= 8 <= 25 6 > 25 Reaktionsquote Kumulierter Anteil Durchschnitt

22 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 42 Anzahl Lieferpositionen aus Garten/Heimwerker in den letzten 12 Monaten QL LP,L1121,12M-M,VA=G 6 5 > Reaktionsquote Kumulierter Anteil Durchschnitt 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 43 Bestellwert in den letzten 24 Monaten aus Spezialkatalogen im Konzern HEHW BW/H,EC=NQ,WM=S,24M-M 6 <= 3 <= 5 5 <= 2 > 2 Reaktionsquote Kumulierter Anteil Durchschnitt

23 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 44 Letztmals bestellt QZ vor LB,QC x Monaten HH,MAX,3M,VA=V aus Sortiment Haushalt Reaktionsquote 5 4,5 4 3,5 3 2,5 2 1,5 1, Kumulierter Anteil <= 2 <= 8 <= 19 > 19 Durchschnitt 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 45 Lieferumsatz aus Herrenoberbekleidung in den letzten QZ LU,QC HOB,24M-M,VA=G 24 Monaten 8 7 <= 3 <= 14 <= 35 6 > 35 Reaktionsquote Kumulierter Anteil Durchschnitt

24 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 46 Letztmals bestellt QW vor LB,WC x Monaten HARTW,MAX,3M,VA=G aus Sortiment Hartwaren 4,5 <= 16 4 <= 21 3,5 > 21 Reaktionsquote 3 2,5 2 1,5 1, Kumulierter Anteil Durchschnitt 5.2. Entwicklung des Scoring-Modells Beispiel für ein trennscharfes Merkmal 47 QP ALTER Alter KOPFADRESSE in Jahren IN JAHREN Reaktionsquote 4,5 4 3,5 3 2,5 2 1,5 1, Kumulierter Anteil <= 34 <= 41 <= 48 <= 59 > 59 Durchschnitt

25 5.2. Entwicklung des Scoring-Modells Toolunterstützung bei der Variablen-Bewertung und -Auswahl (SAS EM) Entwicklung des Scoring-Modells Methoden 49 Eingesetzte Methoden Diskriminanzanalyse (Logistische) Regression Allgemeine Nichtlineare Regressionsmodelle Entscheidungsbaum-Verfahren (CART, CHAID) Neuronale Netze Auswahl der Variablen Stepwise-Methoden Variablen-Reduktion durch Faktorenanalyse

26 5.2. Entwicklung des Scoring-Modells Der Scorewert ist die optimale Kombination aller Merkmale Responsequote in % % 2% 3% 4% 5% 6% 7% 8% 9% 1% Anteil Kunden, sortiert nach Scorewert 5.2. Entwicklung des Scoring-Modells Toolunterstützung bei der Modell-Auswahl (SAS EM) 51

27 5.2. Entwicklung des Scoring-Modells Die Scorekarte 52 Merkmal Ausprägung Score Merkmal Ausprägung Score Anzahl Bestellungen in den letzten <= 1 15 Bestellwert in den letzten 24 Monaten <= Monaten <= 4 44 aus Werbemittel Spezialkatalog <= 5 33 <= 6 45 im Konzern <= 2 43 <= 8 5 > 2 53 > 8 54 Letztmals bestellt vor max. 3 Monaten <= 8 51 Letztmals bestellt vor max. 3 Monaten <= 2 44 aus Listentyp Möbelkatalog <= aus Haushalt <= 8 41 <= 21 3 <= 19 2 > > unbek. 15 unbek. 15 Letzte Anforderung vor max. 3 Monaten <= 3 58 Lieferumsatz in den letzten 24 Monaten <= 3 15 aus Listentyp Möbelkatalog unbek. 15 aus Herrenbekleidung <= <= > Lieferumsatz in den letzten 24 Monaten <= 4 15 Letztmals bestellt vor max. 3 Monaten <= aus Listentyp-Cluster Hauptkatalog <= 8 19 aus GfK-Warencluster Hartwaren <= bei Quelle <= > > unbek. 15 Anzahl Lieferpositionen in den letzten <= 15 Alter des Kunden <= Monaten aus Listentyp > 34 <= Garten/Heimwerker bei <= <= > unbek Entwicklung des Scoring-Modells Die Scorekarte 53 Jeder Kunde wird hinsichtlich festgelegter Merkmale bewertet. Für jede Merkmals-Ausprägung gibt es einen Punktwert. Die Summe aller Merkmals-Bepunktungen ist der Score. Der Score ist ein Indiz für die Response-Wahrscheinlichkeit des Kunden auf den Katalog. Je höher der Score, desto größer die Reaktionswahrscheinlichkeit auf den Katalog. Die in den Score eingehenden Merkmale sind individuell für jeden Katalog auf Basis der Datenanalyse zusammengestellt Die Bepunktung/Gewichtung der ausgewählten Merkmale ist Ergebnis einer multivariaten statistischen Analyse

28 5.2. Entwicklung des Scoring-Modells Klassische Score-Merkmale (Response-Prognose) 54 Recency = Aktualität der letzten Bestellung Frequency = Bestellhäufigkeit Monetary Ratio = Bestellwert pro Bestellung Diese RFM-Merkmale werden differenziert nach Zeitraum, Sortiment, Werbemittel Daneben kommen noch Merkmale wie Bestellwert-Anteile pro Sortiment, Werbemittel Retourenverhalten Reklamationsverhalten Soziodemographie Externe Informationen (Microgeographie) zum Einsatz 5.2. Entwicklung des Scoring-Modells Zwischenruf: Fast automatisiertes Scoring 55 In einem schon seit vielen Jahren auf dem Markt agierenden klassischen Versandhaus Schmidt-Moden wird nun endlich ein Datawarehouse installiert. Es wird mit Hilfe der besten Berater und den neuesten Technologien entwickelt. Aus allen operativen Systemen werden mit hoher Datenqualität alle verfügbaren Informationen gesammelt. Im mehrschichtigen Datenmodell sind für alle Anwendungen benutzerfreundlich schon alle Datamarts entwickelt. Auch an den Einsatz von Scoring oder ähnlichen Methoden ist gedacht. Man hat hier schon eine große Tabelle, die täglich aktualisiert wird, als Merkmalsschicht realisiert. Diese enthält alle typischen Score-Merkmale, wie Alter Adresse bekannt seit x Monaten Letztmals bestellt vor x Monaten Erstmals bestellt vor x Monaten Bestellwert in den letzen x Monaten, x=1,2,3, Bestellwert aus Sortiment y in den letzten x Monaten, x=1,2,3, Bestellwert aus Werbemittel z in den letzten x Monaten, x=1,2,3, etc.

29 5.2. Entwicklung des Scoring-Modells Zwischenruf: Fast automatisiertes Scoring 56 Der Werbeplan von Schmidt-Moden ist im wesentlichen geprägt durch regelmäßige monatliche Kataloge. Der erste und siebte Katalog im Jan bzw. Juli können als Hauptkatalog mit Vollsortiment bezeichnet werden. Alle anderen haben ihren saisonspezifischen Charakter, z.b. Oster- und Weihnachtskatalog, Sommerkatalog aber auch Reste- oder Abverkaufskatalog. Mit dem Ziel, die Latenzzeiten zu minimieren und den gesamten Scoring-Prozess zu beschleunigen bzw. den Kampagnen-Prozess zu automatisieren, wird folgende Vorgehensweise gewählt. 1. Aussendung des Katalogs 1 2. Nach 2 Wochen liegen hinreichend viele Responses vor 3. Über Nacht wird ein Scoring-Entwicklungs-Prozess gestartet Alle notwendigen Informationen liegen ja auf der Merkmals-Tabelle aktualisiert vor. 4. Innerhalb weniger Stunden ist ein neues Scoring-Modell fertig. 5. Dies wird dann sofort für die Selektion des Katalogs 2 eingesetzt, der dann gut 2 Wochen später (Produktions- und Postlaufzeiten) bei den optimal ausgewählten Kunden liegt. 6. Dann weiter mit Schritt 2 (siehe Graphik auf der nächsten Seite) 5.2. Entwicklung des Scoring-Modells Zwischenruf: Fast automatisiertes Scoring 57 Nehmen Sie Stellung zu dieser Vorgehensweise und gehen Sie auf die wesentlichen Faktoren (Ziel, Merkmals-Tabelle, zeitlicher Ablauf) ein! Abgrenzung: Der Werbeplan (Zeit und Content) und die Scoring-Methode sind vorgegeben und nicht Gegenstand der Erörterung. Katalog 1 Analyse- und Lernphase + Selektion Katalog 2 Katalog 3 Katalog 4 Katalog 5 Katalog 6 Analyse- und Lernphase + Selektion Analyse- und Lernphase + Selektion...

30 Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses 5.3. Anwendung der Scoring-Methode 59 Werbe-Scoring Optimierung der Werbemittel-Streuung für alle Kataloge Kredit-Scoring Reduktion der Zahlungsausfälle Retouren-Scoring Prognose der Retouren-Quote und DB-optimale Werbemittel-Ausstattung Prognose Internet-Affinität Steuerung der Multi-Channel-Kampagnen Prognose Telefon-Response Optimierung von Call-Center In-/Outbound-Aktionen Verhinderung Warenkorb-Abbrecher Kündigungs-Prävention

31 5.3. Anwendung der Scoring-Methode 6 Grobübersicht Kampagnen-Plan WM-Typ 28 Dez Jan Febr März Apr. Mai Juni HK Ab HK 1 Ab HK Midi Sommersaison MK 2.1. Januar 3.1. Februar März April 3.4. Mai Juni SPK/ZL AV MC-B. ab SPK SPK SPK SPK AL März SPK AL Mai AV April SPK AV Juni 2.6. Fasching (23.2.) Ostern (12.4.) Pfingsten (31.5.) Anwendung der Scoring-Methode Kredit-Scoring (Application-Scoring) 61 Merkmale Adressdaten Bestellweg, Bestellwert, Zahlungsart Risikosortiment Externe Auskunftei-Informationen, externe Scores Steuerung der Bonitätsprüfung Risiko-Segmente (Kundenart, Zahlungsart, Bestellweg) Application-Score Cut-Off-Steuerung Externe Auskünfte in Grauzone Limitvergabe

32 5.3. Anwendung der Scoring-Methode Kredit-Scoring (Application-Scoring) Application Scoring EB - Barzahler 62 Merkmal Ausprägung Punkte Merkmal Ausprägung Punkte Alter <= Telefonangabe ja 52 <= nein 38 <= Durchschnitt 47 <= <= Bestellwert Risikosortiment 1 <= 66 <= <= 18 4 <= > > 61 7 Durchschnitt 65 Durchschnitt 53 Bestellwert Risikosortiment 2 <= 58 Bestellwert gesamt <= <= 6 46 <= 39 7 > 6 38 <= Durchschnitt 56 <= <= Postleitgebiet <= 1 43 <= <= 2 39 <= <= 3 41 <= <= 4 38 <= <= 5 39 > <= 6 42 Durchschnitt 65 <= 7 47 <= 8 51 Auskunftei-Score <= 5 86 > 8 45 <= Durchschnitt 42 <= <= Auskunftei-Score2 <= 5 7 <= <= <= > <= Durchschnitt 76 <= <= > Durchschnitt Anwendung der Scoring-Methode Bonitätsprüfungs-Regelbaum 63 Bestellung Filter Konto seit, Black-List Risikosegmentierung nach Kanal, Zahlart und Sortiment Cut-Off Application Score1 Auftragsdaten (Variablen, Score) grün Cut-Off Limit- Steuerung Score2 grün rot Fraud- Filter/Score Sichere Zahlart Auftragsdaten + externe Auskunftei- Informationen analog für alle Risiko-Segmente

33 Bonitätsprüfung Bestellungen unter der Lupe 64 Kundenindividueller Entscheidungsbaum 34,8 Cut-Off d.h. bis zu welchem Risiko ist Rechnungskauf wirtschaftlich oder wird die Zahlungsgarantie übernommen Beispiel 21,5 17,7 differenzierte Risikostrategien und Entscheidungsregeln 13,8 1,4 6,6 4,8 4, 2,6 2,2 1,,5 I II III IV V VI VII VIII IX X XI XII Ablehnung Annahme Sichere Zahlarten Limitmanagement 65 Bonitätsprüfungs-Strategie Grundgesamtheit Anfragen (ohne Dubletten) ausländische Adressen ungültige Adressen (96,3%) (3,5%) 63 (,2%) 22.2 (69,1%) Anahme 22.2 (69,1 %) Limitüberschreitung Negativmerkmale fehlende Identifizierung Ablehnung Score 2.68 (6,5%) (8,2%) (4,%) (8,3%) Ablehnung (3,9 %)

34 5.3. Anwendung der Scoring-Methode Kredit-Scoring (Behaviour-Scoring) 66 Merkmale Salden, Zahlungen, Mahnungen Umsätze je Risikosortiment Ratenverpflichtungen Fälligkeitsstrukturen Trendvariablen Basis für die Steuerung von Autorisierung von Folgeaufträgen Limitanpassung Mahn-Rhythmus Beitreibungs-Aktivitäten (Meist differenzierte Scoring-Systeme für jede Anwendung) 5.3. Anwendung der Scoring-Methode Kredit-Scoring (Behaviour-Scoring) 67 Behaviour Scoring Scorekarte ">6 Monate nach Kontoeröffnung - in Mahnung" Merkmal Ausprägung Punkte Merkmal Ausprägung Punkte Geschlecht männlich 21 Anzahl Mahnstufe 4 <= 72 Rest 28 <= 1 61 <= 5 41 Auskunftei-Score <= 61 > 5 21 <= > Valuta-Gesamtbetrag <= 5 <= Haushaltsgröße <= 1 21 <= > 1 32 <= > Nationalität bekannt 28 unbekannt 21 Alter <= 3 <= Saldo laufender Monat <= <= <= <= <= <= 5 39 <= <= <= > <= <= Adresse intern belastet <= 55 <= <= 1 39 <= > 1 21 > Kontenalter in Monaten <= Anzahl Zahlungen <= 21 <= aktueller Monate > 3 <= <= <= > 14 85

35 5.3. Anwendung der Scoring-Methode Retouren-Scoring 68 Merkmale Historische Retourenquoten Sortiments-Schwerpunkte Zahlungsverhalten Basis für Kunden-Typologien DB-optimale Werbemittelstreuung Black-Lists (Hochretournierer) Kundenansprache Retouren-Incentive-Programme 5.3. Anwendung der Scoring-Methode Retouren-Scoring - Trennschärfe 69 Retourenwertquote aus Versand-Bestellungen der letzten 48 Monate Ant. Hochret <= <= 4 <= 6 <= 8 <= 1 <= 12 <= 14 <= 17 <= 2 <= 23 <= 27 <= 31 <= 36 <= 41 <= 46 <= 52 <= 59 > 59 Durchschnitt Kumulierter Anteil

36 Übersicht 1 Einleitung 2 Ergebnisse der Gruppenarbeit Herausforderung Rechnungskauf 3 Datawarehouse 4 Kundenprofil Zielgruppe 5 Scoring 5.1. Scoring Analyse-Modell 5.2. Entwicklung des Scoring-Modells 5.3. Anwendung der Scoring-Methode 5.4. Prozess-Schritte bei der Scoring-Analyse 6 Gruppenarbeit 7 Diverses 5.4. Prozess-Schritte bei der Scoring-Analyse Definition der Grundgesamtheit (Sicherung des Analyse-Datenbestands (Lern-Stichprobe)) 71 Katalog-Scoring Alle Erhalter eines Werbemittels Teilsegmente Besteller, Mehrfachbesteller aus Sortiment/Werbemitteltyp Interessenten, Neukunden, Stammkunden Kredit-Scoring Neukunden, Antragsteller Teilsegmente Barzahler, Ratenzahler Bestellkanal, Bestellwert Retouren-Scoring Besteller

37 5.4. Prozess-Schritte bei der Scoring-Analyse Definition der Zielvariable 72 Katalog-Scoring Bestellung aus Katalog, Bestellwert > x Zeitraum der Bestellungen Kredit-Scoring Mahnstufe > x, Mahnbetrag > y Inkassoabgabe Retouren-Scoring Retoure, Voll- / Teilretoure Erhöhung der Trennschärfe durch Definiton von indifferenten Kunden (Beispiel: Gut = ohne Mahnung, Schlecht = Inkasso, Indifferent = mit Mahnung) Üblich ist eine Schichtung der Stichproben nach gut und schlecht 5.4. Prozess-Schritte bei der Scoring-Analyse Auswahl der Prognose-Merkmale 73 Bildung von kombinierten, abgeleiteten Merkmalen Hohe Interkorrelationen Dynamik der Merkmale (Neue Werbemittel-Typen, Veränderung des contents, Internet-Wachstum, Sortiments-Klassifikationen) Stabilität der Merkmale Prognosefähigkeit Datenqualität (Missing values, Ausreißer) Skalierung der Merkmale Stepwise-Algorithmen zu Variablen-Auswahl

Datawarehouse Der Motor des CRM bei Quelle

Datawarehouse Der Motor des CRM bei Quelle Datawarehouse Der Motor des CRM bei Quelle QUELLE AG Database Management Jakobinenstr. 5-7 90762 Fürth Tel. 0911 1422594, Fax: 0911 1432594 Mail: michael.semmler@quelle.de 1 Datawarehouse Wissensgenerierung

Mehr

CRM: Herausforderungen in der Praxis III

CRM: Herausforderungen in der Praxis III Wirtschaftswissenschaftliche Fakultät Ingolstadt 21.11.2014 CRM: Herausforderungen in der Praxis III Universum Group Frankfurt am Main 1 Einleitung 2 Ergebnisse der Gruppenarbeit Entwicklung einer Scorekarte

Mehr

CRM: Herausforderungen in der Praxis III

CRM: Herausforderungen in der Praxis III Wirtschaftswissenschaftliche Fakultät Ingolstadt 09.11.2012 CRM: Herausforderungen in der Praxis III Universum Group Frankfurt am Main 1 Einleitung 2 Ergebnisse der Gruppenarbeit Entwicklung einer Scorekarte

Mehr

Bestandskundenmanagement Wo drückt bei Ihnen der Schuh?

Bestandskundenmanagement Wo drückt bei Ihnen der Schuh? Bestandskundenmanagement Wo drückt bei Ihnen der Schuh? best-reactions GmbH Hirschberger Straße 33 D 90559 Burgthann Alle Rechte vorbehalten HRB 23679, Amtsgericht Nürnberg Geschäftsführer Alexander P.

Mehr

Echzeitinformationen auf dem Prüfstand

Echzeitinformationen auf dem Prüfstand Echzeitinformationen auf dem Prüfstand Einsatz im CRM-Umfeld QUELLE AG, Data Warehouse Entwicklung & Projekte Jakobinenstr. 5-7 90762 Fürth Tel. +49 (0)911 14-22084 Mail: gernot.schreib@quelle.de 1 I.

Mehr

CRM: Herausforderungen in der Praxis IV

CRM: Herausforderungen in der Praxis IV Wirtschaftswissenschaftliche Fakultät Ingolstadt 05.12.2014 CRM: Herausforderungen in der Praxis IV Universum Group Frankfurt am Main 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off"

Mehr

Mundt Direkt. ib Scoring

Mundt Direkt. ib Scoring ib Scoring Unser B2B-Scoring: Einzigartig viele Merkmale. Deutlich höhere Response. Unternehmen, die mit Mundt Direkt scoren, erzielen deutlich höhere Response-Werte. Haben Sie mit Scoring andere Erfahrungen

Mehr

CRM: Herausforderungen in der Praxis IV

CRM: Herausforderungen in der Praxis IV Wirtschaftswissenschaftliche Fakultät Ingolstadt 16.11.2011 CRM: Herausforderungen in der Praxis IV Universum Group Frankfurt am Main 1. Einleitung 2. Ergebnisse der Gruppenarbeit Übersicht Optimaler Cut-Off

Mehr

Commercial Banking Übung 1 Kreditscoring

Commercial Banking Übung 1 Kreditscoring Commercial Banking Übung Kreditscoring Dr. Peter Raupach raupach@wiwi.uni-frankfurt.de Sprechzeit Dienstag 6-7:00 Uhr Raum 603 B Kreditscoring Gliederung Grundanliegen Das Sample Modellspezifikation Diskriminanzanalyse

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Response-Analysen im Database Marketing der Bertelsmann Buch AG mit SAS

Response-Analysen im Database Marketing der Bertelsmann Buch AG mit SAS Response-Analysen im Database Marketing der Bertelsmann Buch AG mit SAS Meinert Mellows - Michael Nachtigäller DER CLUB Bertelsmann Database Marketing Der Club in der Bertelsmann Buch AG Bertelsmann AG

Mehr

Neukundenkampagnen unter der Lupe. Tolle Erstkaufrate Und dann?

Neukundenkampagnen unter der Lupe. Tolle Erstkaufrate Und dann? Neukundenkampagnen unter der Lupe Tolle Erstkaufrate Und dann? Key-Facts Seit 1999 unabhängiger Lösungsanbieter im Database Dialogmarketing Begleitet datengetriebene Marketingprozesse v.a. hinsichtlich

Mehr

Risiko und Liquidität

Risiko und Liquidität Risiko und Liquidität Verlieren Sie Geld mit Ihren Prozessen? Frankfurt, 27.10.2011 Agenda Unternehmen Wer wir sind Risiko- und Forderunsmanagement Mit Risiken erfolgreich umgehen Die richtigen Informationen

Mehr

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr.

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr. Mining the Web Analyse von Benutzerpfaden und Nutzertypen im Internet Dr. Frank Säuberlich Business Unit CRM Solutions SAS Deutschland Agenda 1. Einleitung: Der Lebenszyklus eines e-kunden Begriffsdefinition

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung Next Best Product Kundenspezifische Produktangebote in einer Multichannel Umgebung - Mag. Thomas Schierer - Erste Bank der oesterreichischen Sparkassen AG Agenda Erste Bank Allgemeine Information CRM in

Mehr

CRM: Herausforderungen in der Praxis I

CRM: Herausforderungen in der Praxis I Wirtschaftswissenschaftliche Fakultät Ingolstadt 16.10.2015 CRM: Herausforderungen in der Praxis I Universum Group Frankfurt am Main Übersicht 1 Einleitung 2 Prozesse im (Versand-)Handel / E-commerce 3.2.

Mehr

Retourenoptimierung bei Otto Ein datenanalytischer Ansatz in Zusammenarbeit mit Blue Yonder

Retourenoptimierung bei Otto Ein datenanalytischer Ansatz in Zusammenarbeit mit Blue Yonder Retourenoptimierung bei Otto Ein datenanalytischer Ansatz in Zusammenarbeit mit Blue Yonder Customer Analytics Day Frankfurt, 26.02.2013 Otto (GmbH & Co KG) Alexander Pompös Das vielfältige Portfolio der

Mehr

Web Mining effektive Analyse des Nutzer- Verhaltens im Internet

Web Mining effektive Analyse des Nutzer- Verhaltens im Internet Web Mining effektive Analyse des Nutzer- Verhaltens im Internet Dr. Frank Säuberlich Business Unit e-intelligence SAS Deutschland Agenda 1. Begriffsdefinition e-intelligence: Systemdimension Angebotsdimension

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

Diplomarbeiten. Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotenzials

Diplomarbeiten. Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotenzials Diplomarbeiten - Möglichkeiten zur Bestimmung des Kundenpotenzials Datengestützte Validierung von Customer-Lifetime-Konzepten Agenda 1) WEKA-MEDIA-Verlage 2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung

Mehr

Kundenwertorientierte strategische Segmentierung in der gesetzlichen Krankenversicherung

Kundenwertorientierte strategische Segmentierung in der gesetzlichen Krankenversicherung Anja Maria Rittner Kundenwertorientierte strategische Segmentierung in der gesetzlichen Krankenversicherung Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis A. Einleitung 1 I. Kundenverständnis als zentrale

Mehr

Keine Macht dem Betrug

Keine Macht dem Betrug Keine Macht dem Betrug Maßnahmen für sicheren Umsatz im E-Commerce E-Commerce-Tag in Berlin, 04. Juni 2013 Folie 1 Boniversum Wissen schafft Fairplay.» Die Creditreform Boniversum GmbH ist ein Tochterunternehmen

Mehr

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

riskkv Scorenalyse riskkv Scoring Seite 1 von 9 riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

Risikomanagement Schützen Sie sich vor Zahlungsstörungen! Risk Management Minimizing payment defaults!

Risikomanagement Schützen Sie sich vor Zahlungsstörungen! Risk Management Minimizing payment defaults! Risikomanagement Schützen Sie sich vor Zahlungsstörungen! Risk Management Minimizing payment defaults! Warum Risikomanagement? HÄNDLER wünscht: Preiswerte & sichere Zahlverfahren KUNDE wünscht: Preiswerte

Mehr

Datenqualitätsmanagement im Customer Relationship Management

Datenqualitätsmanagement im Customer Relationship Management Wolfgang Leußer Datenqualitätsmanagement im Customer Relationship Management Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XVII XIX XXI

Mehr

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen in

Mehr

Customer Risk Management. Dr. Klaus-Peter Huber Leiter BI Services

Customer Risk Management. Dr. Klaus-Peter Huber Leiter BI Services Customer Risk Management Dr. Klaus-Peter Huber Leiter BI Services Aber: Gewonnener Umsatz ist nicht bekommener Umsatz Praxisbeispiel: Buch & Elektronik e-shop Viel Umsatz kommt nicht an 15.589 14.254 Man

Mehr

Data-Mining im Customer-Relationship-Management

Data-Mining im Customer-Relationship-Management Data-Mining im Customer-Relationship-Management Yaniv Schwerin 05.06.2007 Übersicht 1 Einleitung und Motivation Motivation CRM-Ansatz 2 Data-Mining im Unternehmen Betrachtung der Daten Customer Lifecycle

Mehr

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein Alles für den Kunden Analyse von Kundendaten Katrin Plickert, Heiko Hartenstein Zum Verständnis 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 2 Quelle: Heilmann, Kempner, Baars: Business and Competitive

Mehr

TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb. TNS Infratest Applied Marketing Science

TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb. TNS Infratest Applied Marketing Science TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb 1 TNS EX A MINE GeoCheck Warum GeoCheck für Sie interessant ist Mikrogeographische Informationen werden

Mehr

Database Marketing ein Überblick: 12 Schritte zur erfolgreichen Kundenansprache

Database Marketing ein Überblick: 12 Schritte zur erfolgreichen Kundenansprache Database Marketing ein Überblick: 12 Schritte zur erfolgreichen Kundenansprache Andrea Ahlemeyer-Stubbe Geschäftsführende Gesellschafterin antz21 GmbH Past President ENBIS Vice President ECDM Lehrbeauftragte

Mehr

Inhaltsverzeichnis. Abbildungsverzeichnis...III. 1 Management Summary... 1. 2 Einleitung... 5. 3 Vorgehensweise und Methodik... 6

Inhaltsverzeichnis. Abbildungsverzeichnis...III. 1 Management Summary... 1. 2 Einleitung... 5. 3 Vorgehensweise und Methodik... 6 I Inhaltsverzeichnis Abbildungsverzeichnis...III 1 Management Summary... 1 2 Einleitung... 5 3 Vorgehensweise und Methodik... 6 3.1 Sekundärerhebung...6 3.2 Primärerhebung...14 3.2.1 Design der empirischen

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Maßnahmen für sicheren Umsatz im E-Commerce. E-Commerce-Tag Nürnberg, 27. November 2013. 2012 Boniversum. Folie 1

Maßnahmen für sicheren Umsatz im E-Commerce. E-Commerce-Tag Nürnberg, 27. November 2013. 2012 Boniversum. Folie 1 Maßnahmen für sicheren Umsatz im E-Commerce E-Commerce-Tag Nürnberg, 27. November 2013 Folie 1 Boniversum Wissen schafft Fairplay.» Die Creditreform Boniversum GmbH ist ein Tochterunternehmen der Creditreform

Mehr

Multi-Kanal-Steuerung im Privatkundengeschäft der Landesbank Baden-Württemberg. Ermittlung onlinebanking-affiner Kunden

Multi-Kanal-Steuerung im Privatkundengeschäft der Landesbank Baden-Württemberg. Ermittlung onlinebanking-affiner Kunden Multi-Kanal-Steuerung im Privatkundengeschäft der Ermittlung onlinebanking-affiner Kunden 7. KSFE in Potsdam Freitag, 21. Februar 2003 Elke Kasper, LBBW Gliederung 1 Multi-Kanal-Steuerung der (LBBW) 2

Mehr

Stellschrauben im epayment - richtig einsetzen für mehr Effizienz

Stellschrauben im epayment - richtig einsetzen für mehr Effizienz Stellschrauben im epayment - richtig einsetzen für mehr Effizienz Die ausschlaggebenden Parameter für eine effiziente Zahlungsabwicklung im Online-Shop ERFOLG BRAUCHT DIE PASSENDEN INSTRUMENTE 2009 EXPERCASH

Mehr

Vorwort des betreuenden Herausgebers (Berndt)... 3. A. Strategieprozess und aufsichtsrechtliche Anforderungen (Bastek-Margon)... 7

Vorwort des betreuenden Herausgebers (Berndt)... 3. A. Strategieprozess und aufsichtsrechtliche Anforderungen (Bastek-Margon)... 7 INHALTSÜBERSICHT Inhaltsübersicht Vorwort des betreuenden Herausgebers (Berndt)... 3 A. Strategieprozess und aufsichtsrechtliche Anforderungen (Bastek-Margon)... 7 B. Umwelt- und Unternehmensanalyse zur

Mehr

5 Zusammenhangsmaße, Korrelation und Regression

5 Zusammenhangsmaße, Korrelation und Regression 5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer

Mehr

Industrie & Wirtschaft. Unsere Business-Lösungen

Industrie & Wirtschaft. Unsere Business-Lösungen Industrie & Wirtschaft Unsere Business-Lösungen Unsere Business-Lösungen für Industrie und Wirtschaft Wir sprechen Ihre Sprache! Auch wenn die Wirtschaft boomt: Als Unternehmer bekommt man nichts geschenkt,

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

CRM: Herausforderungen in der Praxis I

CRM: Herausforderungen in der Praxis I Wirtschaftswissenschaftliche Fakultät Ingolstadt 21.10.2011 CRM: Herausforderungen in der Praxis I Universum Group Frankfurt am Main Übersicht 1 Einleitung 2 Prozesse im (Versand-) Handel 3.5. Forderungs-Management-Reports

Mehr

Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K.

Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K. badger Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K. Die www.bawagpskfonds.at neue Bank. Die neue BAWAG. www.bawagpsk.com Montag, 25. Februar 2013 BAWAG P.S.K. EINE BANK

Mehr

Betrugs-/Bonitätsprüfung - Extern vs. Intern

Betrugs-/Bonitätsprüfung - Extern vs. Intern Betrugs-/Bonitätsprüfung - Extern vs. Intern Warum Risikomanagement zum Kerngeschäft gehört? München, 20. März 2015 Stefan Schetter Senior Manager Stefan.Schetter@SHS-VIVEON.com Vorstellung Zur Person

Mehr

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle ??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Mehr

Automatisierte Warenbeschaffung. bei Heine, einem Multi Channel Retailer

Automatisierte Warenbeschaffung. bei Heine, einem Multi Channel Retailer Automatisierte Warenbeschaffung bei Heine, einem Multi Channel Retailer Themen Perfekte Bestellvorschläge für das Warenwirtschaftssystem Exakte Berechnung der Retourenquote Optimierung der Logistikkosten

Mehr

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol CRM Customer Relationship Management Gliederung Entwicklung und Einführung von Bezugspunkte und CRM - Systeme Veränderte Rahmenbedingungen Entwicklung CRM - Systeme» Deregulierung verstärkt internationalen

Mehr

Staatsbürgerschaft oder Geburtsland?

Staatsbürgerschaft oder Geburtsland? Max-Planck-Institut für Bildungsforschung Staatsbürgerschaft oder Geburtsland? Unterschiedliche Operationalisierungen und ihre Implikationen für Aussagen zur Bildungsbeteiligung verschiedener Zuwanderergruppen

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

Business Analytics im E-Commerce

Business Analytics im E-Commerce Business Analytics im E-Commerce Kunde, Kontext und sein Verhalten verstehen für personalisierte Kundenansprache Janusz Michalewicz CEO Über die Firma Crehler Erstellung von Onlineshops Analyse von Transaktionsdaten

Mehr

Sehr gute Kunden sehr gut behandeln. Wie Sie erfolgreich eine segmentierte, dynamische Kundenansprache realisieren

Sehr gute Kunden sehr gut behandeln. Wie Sie erfolgreich eine segmentierte, dynamische Kundenansprache realisieren Sehr gute Kunden sehr gut behandeln Wie Sie erfolgreich eine segmentierte, dynamische Kundenansprache realisieren Key-Facts Seit 1999 unabhängiger Lösungsanbieter im Database Dialogmarketing Begleitet

Mehr

Neukunden gewinnen, Bestandskunden binden

Neukunden gewinnen, Bestandskunden binden Wissen, was bewegt Neukunden gewinnen, Bestandskunden binden mit strategischem Online Marketing Fakten Silver Media Gründung: 2007 Größe: 36 Mitarbeiter Standort: Fürth Leistungen: Leadgenerierung, E-Mail

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

Mehr

GLOBAL PERMISSION & CONSENT MANAGEMENT OVERVIEW OF THE

GLOBAL PERMISSION & CONSENT MANAGEMENT OVERVIEW OF THE GLOBAL PERMISSION & CONSENT MANAGEMENT OVERVIEW OF THE Suite Herausforderung Die Kundendaten sind heute ein wesentlicher Wertebeitrag in vielen Unternehmen. Sie zu pflegen und entsprechend im rechtlich

Mehr

Mehr Erfolg im Kampagnenmanagement durch Uplift-Modelling

Mehr Erfolg im Kampagnenmanagement durch Uplift-Modelling Mehr Erfolg im Kampagnenmanagement durch Uplift-Modelling Herkömmliche Marketingkampagnen Vorgehensweise: Je nach Kampagnenart erfolgt die Selektion der Kunden anhand bestimmter Kriterien (z.b. Alter,

Mehr

Entscheidungsbaumverfahren

Entscheidungsbaumverfahren Entscheidungsbaumverfahren Allgemeine Beschreibung Der Entscheidungsbaum ist die Darstellung einer Entscheidungsregel, anhand derer Objekte in Klassen eingeteilt werden. Die Klassifizierung erfolgt durch

Mehr

Aktuelle Trends im Überblick: der Markt und der Kunde 2013 Neue Konsumenten hat das Land

Aktuelle Trends im Überblick: der Markt und der Kunde 2013 Neue Konsumenten hat das Land Aktuelle Trends im Überblick: der Markt und der Kunde 2013 Neue Konsumenten hat das Land München, IDG CRM Initiative 2008 Dr. Wolfgang Martin Analyst, Mitglied im CRM-Expertenrat und Research Advisor am

Mehr

Integriertes Risikomanagement. Conversion Optimierung

Integriertes Risikomanagement. Conversion Optimierung Integriertes Risikomanagement Conversion Optimierung München, 28. März 2012 arvato ist Teil des globalen Bertelsmann-Netzwerks Der internationalste Medienkonzern der Welt. Mitarbeiter: 104.419* Umsatz:

Mehr

Planung und Messung der Datenqualität in Data-Warehouse-Systemen

Planung und Messung der Datenqualität in Data-Warehouse-Systemen Planung und Messung der Datenqualität in Data-Warehouse-Systemen DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung der Würde eines

Mehr

Christoph Puls. Zielorientiertes Management. von Logistikdienstleistungen in. Netzwerken kooperierender. Unternehmen

Christoph Puls. Zielorientiertes Management. von Logistikdienstleistungen in. Netzwerken kooperierender. Unternehmen Christoph Puls Zielorientiertes Management von Logistikdienstleistungen in Netzwerken kooperierender Unternehmen Verlag Dr. Kovac Hamburg 2014 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

Mehr

Höhere Conversion mehr Umsatz:

Höhere Conversion mehr Umsatz: Höhere Conversion mehr Umsatz: Warum es sich lohnt Ihre Kunden kennen zu lernen München, 25. Februar 2014 Muna Hassaballah Senior Consultant CRM Muna.Hassaballah@SHS-VIVEON.com inkl. Vorstellung zweier

Mehr

Kreditscoring zur Klassifikation von Kreditnehmern. Variablenübersicht des Datensatzes "Kreditscoring zur Klassifikation von Kreditnehmern"

Kreditscoring zur Klassifikation von Kreditnehmern. Variablenübersicht des Datensatzes Kreditscoring zur Klassifikation von Kreditnehmern Ergänzung zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Kreditscoring zur Klassifikation von Kreditnehmern Beschreibung des Datensatzes Die Vergabe von Privatkrediten wird von der Bonität der

Mehr

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner Agenda Universitätsrechenzentrum Heidelberg Data Mining SAS Mining Challenge Einführung in 14. November 2003 Hussein Waly URZ Heidelberg Hussein.Waly@urz.uni-heidelberg.de SAS Mining Challenge Generelle

Mehr

GGB KAP KundendatenAnalyseProgramm bank21-vertriebszyklus wirkungsvoll nutzen. bank21 mit Wirkung nutzen

GGB KAP KundendatenAnalyseProgramm bank21-vertriebszyklus wirkungsvoll nutzen. bank21 mit Wirkung nutzen GGB KAP KundendatenAnalyseProgramm bank21-vertriebszyklus wirkungsvoll nutzen Datenqualität optimieren, Betreuungseinheiten bilden, Kundensegmentierung umsetzen, Bedarfsfeldplanung, Geschäftsfeld-Bewertung

Mehr

Denise Rtihl. Koordination im. Kampagnenmanagement. Verlag Dr. Kovac

Denise Rtihl. Koordination im. Kampagnenmanagement. Verlag Dr. Kovac Denise Rtihl Koordination im Kampagnenmanagement Verlag Dr. Kovac Hamburg 2014 Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XIV XVI XVII 1 Einleitung 1 1.1 Problemstellung und Zielsetzung

Mehr

26. GIL Jahrestagung

26. GIL Jahrestagung GeorgAugustUniversität Göttingen 26. GIL Jahrestagung Einsatz von künstlichen Neuronalen Netzen im Informationsmanagement der Land und Ernährungswirtschaft: Ein empirischer Methodenvergleich Holger Schulze,

Mehr

SCHUFA für Handelsunternehmen. Chancen steigern, Risiken minimieren

SCHUFA für Handelsunternehmen. Chancen steigern, Risiken minimieren SCHUFA für Handelsunternehmen Chancen steigern, Risiken minimieren Adresse Bonität Monitoring Professionelles Risikomanagement für Handelsunternehmen Seit mehr als 80 Jahren sind wir der führende Dienstleister

Mehr

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting.

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Schober Group Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Mag. (FH) Alexandra Vetrovsky-Brychta Wien, 23.10.2012 Mehr IQ für Ihre Kundendaten Seite 2 Agenda Themen

Mehr

Praxisbeispiele E-Mail Marketing im. Kunden-Lifecycle. SOM, Zürich, 13.4.2016

Praxisbeispiele E-Mail Marketing im. Kunden-Lifecycle. SOM, Zürich, 13.4.2016 Praxisbeispiele E-Mail Marketing im Kunden-Lifecycle SOM, Zürich, 13.4.2016 Das Mayoris Lösungs-Portfolio Keine Kampagne ohne Story! Eine gute Geschichte besteht aus - einer Überraschung, - einem Konflikt,

Mehr

Scoring: Kaufwahrscheinlichkeiten ermitteln und gezielt Umsätze steigern

Scoring: Kaufwahrscheinlichkeiten ermitteln und gezielt Umsätze steigern whitepaper Scoring: Kaufwahrscheinlichkeiten ermitteln und gezielt Umsätze steigern INHALT S. 1. Was ist Scoring? 2 2. Fallstudie: Response-Scoring 3 3. Wirtschaftlich Arbeiten mit D&B Business Scoring

Mehr

Effizientes Risikomanagement für den deutschen ecommerce-markt - Bonitätsinformationen in Echtzeit

Effizientes Risikomanagement für den deutschen ecommerce-markt - Bonitätsinformationen in Echtzeit 1. acommerce Team Networking Treffen Wien, 17. Oktober 2013 Effizientes Risikomanagement für den deutschen ecommerce-markt - Bonitätsinformationen in Echtzeit 1 Starke Gesellschafter Euler Hermes Deutschland

Mehr

Zielgruppen-Steckbrief

Zielgruppen-Steckbrief Zielgruppen-Steckbrief Zielgruppen-Steckbrief Warum? Die herausragenden Merkmale Ihrer Kunden auf einen Blick! Sie erhalten verlässliche Einblicke wer Ihre Kunden sind! wie das Konsumverhalten Ihrer Kunden

Mehr

Schober Targeting System ecommerce

Schober Targeting System ecommerce Schober Targeting System ecommerce Crossmediale, systematische Marktbearbeitung Vom einzelnen Baustein bis zur Gesamtstrategie Modulare Lösungen sofort einsetzbar IST IHR INFORMATIONS- MANAGEMENT UP to

Mehr

Inhaltsverzeichnis. Iron Werther. Business Intelligence

Inhaltsverzeichnis. Iron Werther. Business Intelligence Inhaltsverzeichnis Iron Werther Business Intelligence Komplexe SQL-Abfragen am Beispiel eines Online-Shops. Inkl. Testdatenbank mit über zwei Millionen Datensätzen ISBN (Buch): 978-3-446-43580-3 ISBN (E-Book):

Mehr

ERFAHRUNG GIBT SICHERHEIT CREDITREFORM KUNDENREPORT 2010/2011

ERFAHRUNG GIBT SICHERHEIT CREDITREFORM KUNDENREPORT 2010/2011 ERFAHRUNG GIBT SICHERHEIT CREDITREFORM KUNDENREPORT 2010/2011 MARKETING SERVICES Axel Bergmann, Uwe Klaholz, Heiko Syska (v. l.) VERSATEL AG Mit Scoring auf Erfolgskurs Ausgangssituation und Zielsetzung

Mehr

Der gläserne Mensch. Der gläserne Mensch Nutzen oder Gefahr. Kunden erkennen Kunden gewinnen

Der gläserne Mensch. Der gläserne Mensch Nutzen oder Gefahr. Kunden erkennen Kunden gewinnen Der gläserne Mensch Kunden erkennen Kunden gewinnen 1 Beruflicher Werdegang und Kontakt Alexander Roth Diplom-Wirtschaftsmathematiker Leiter Database Marketing, Neckermann Versand AG Leiter Database Management,

Mehr

Kapitel 2: Einflussfaktoren auf die Logistik des Handels

Kapitel 2: Einflussfaktoren auf die Logistik des Handels Kapitel 2: Einflussfaktoren auf die Logistik des Handels Verständnisfragen: 1. Mit welchen Herausforderungen sind Logistikmanager zunehmend konfrontiert? - permanente Veränderungen des Unternehmensumfelds:

Mehr

E-Mail Personalisierung 2.0. Präsentation der XQueue GmbH auf der Swiss Online Marketing 2014 Zürich, den 10. April 2014

E-Mail Personalisierung 2.0. Präsentation der XQueue GmbH auf der Swiss Online Marketing 2014 Zürich, den 10. April 2014 E-Mail Personalisierung 2.0 Präsentation der XQueue GmbH auf der Swiss Online Marketing 2014 Zürich, den 10. April 2014 Unternehmensprofil Eckdaten Gründung: 2002 Standorte: Offenbach am Main, Freiburg

Mehr

FH-Mannheim. Studiengang Informatik SS2005 KDM. Prof. Dr. A.Schmücker-Schend. Data Mining Anwendungen. Übungsblatt 2 Aufgabe 3

FH-Mannheim. Studiengang Informatik SS2005 KDM. Prof. Dr. A.Schmücker-Schend. Data Mining Anwendungen. Übungsblatt 2 Aufgabe 3 FH-Mannheim Studiengang Informatik SS2005 KDM Prof. Dr. A.Schmücker-Schend Data Mining Anwendungen Übungsblatt 2 Aufgabe 3 Abgabe bis zum 12. Mai 2005 Gruppe 13 NAME MATRIKELNUMMER UNTERSCHRIFT Uli Ruffler

Mehr

Vom Kundenwert zum Unternehmenswert

Vom Kundenwert zum Unternehmenswert Zukunftsorientierte Analyse von Kundendaten Vom Kundenwert zum Unternehmenswert von Werner Maier Der Autor Dipl.-Ing. Werner Maier ist Geschäftsführender Gesellschafter der Wertsteigerungs-GmbH in Hamberg.

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Verborgene Schätze heben

Verborgene Schätze heben Verborgene Schätze heben Data Mining mit dem Microsoft SQL Server Martin Oesterer Leiter Vertrieb HMS Analytical Software GmbH Data Mining. Was ist eigentlich wichtig? Data Mining ist: die Extraktion von

Mehr

MENTION CONNECTOR SHOPWARE

MENTION CONNECTOR SHOPWARE MENTION CONNECTOR SHOPWARE mention connector ist ein Shopware Plugin, dass die Warenwirtschaft Mention vollständig an Ihre Shopware-Lösung anbindet. Vom Vertrieb über den Einkauf, bis zur Logistik: Das

Mehr

creditpass - Risk Management

creditpass - Risk Management creditpass - Risk Management Werkzeuge zur Bonitätsprüfung und epayment Manfred K. Wolff, Geschäftsführender Gesellschafter, telego! GmbH STUDIENGESELLSCHAFT FÜR MITTELSTANDSFRAGEN e.v. 19. November 21.

Mehr

Scenario Based Marketing Mehr als 200% Konversionsratensteigerung durch automatisiertes und personalisiertes Follow Up

Scenario Based Marketing Mehr als 200% Konversionsratensteigerung durch automatisiertes und personalisiertes Follow Up Scenario Based Marketing Mehr als 200% Konversionsratensteigerung durch automatisiertes und personalisiertes Follow Up Dipl. Ing. Mieke De Ketelaere Director Product Marketing Selligent GmbH Mieke.Deketelaere@selligent.com

Mehr

Risikoanalyse. 13. September 2007. Ing. Monika Böhm AMA

Risikoanalyse. 13. September 2007. Ing. Monika Böhm AMA Risikoanalyse 13. September 2007 Ing. Monika Böhm AMA Inhalt des Vortrags AMA Data Mining Datenmanagement Modellierung Scoring Optimierung Reports Auswahlverfahren Ergebnisse und Nutzen Aufgabenstellung

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Michael Trübestein. Real Estate Asset Management für institutionelle Investoren

Michael Trübestein. Real Estate Asset Management für institutionelle Investoren 770 Michael Trübestein Real Estate Asset Management für institutionelle Investoren Eine theoretische Konzeption und empirische Untersuchung aus Sicht institutioneller Investoren in Deutschland A261444

Mehr

Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten

Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten Datenqualität / Validierung Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien gerhard.svolba@sas.com Zusammenfassung

Mehr

Abbildungsverzeichnis...XVII Abkürzungsverzeichnis...XIX

Abbildungsverzeichnis...XVII Abkürzungsverzeichnis...XIX Inhaltsverzeichnis Abbildungsverzeichnis...XVII Abkürzungsverzeichnis...XIX 1 Einleitung und Grundlagen... 1 1.1 Problemstellung... 1 1.2 Ziele und Aufbau der Arbeit... 5 1.3 Begriffe und Grundlagen...

Mehr

Fragebogen zur Imagebroschüre

Fragebogen zur Imagebroschüre Fragebogen zur Imagebroschüre Zweck und Ziele Welchen Zweck hat Ihre Broschüre? Erstinformation über das Unternehmen, um langen mündlichen Vorstellungen vorzubeugen Überblick zur Struktur, Entwicklung

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

Mehr

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management KubiS 2008 Bonner Anwendertagung Kundenbindung durch Defection-Management "Identifizieren Sie Ihre abwanderungswilligen Kunden bevor sie weg sind" Thomas Starsetzki Geschäftsführer starsetzki@skopos.de

Mehr

Inhaltsverzeichnis. Geleitwort. Abkürzungsverzeichnis. Abbildungsverzeichnis. Tabellenverzeichnis. Einleitung 1

Inhaltsverzeichnis. Geleitwort. Abkürzungsverzeichnis. Abbildungsverzeichnis. Tabellenverzeichnis. Einleitung 1 Geleitwort Vorwort Abkürzungsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis V VII XVII XIX XXI Einleitung 1 A. Wirtschaftswissenschaftlicher Hintergrund eines Bonusprogramms 7 I. Der Wandel vom

Mehr

Data Mining für die industrielle Praxis

Data Mining für die industrielle Praxis Data Mining für die industrielle Praxis von Ralf Otte, Viktor Otte, Volker Kaiser 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22465 0 Zu Leseprobe schnell und

Mehr

Risk-Management beim Rechnungskauf Erfahrungen eines Start Ups 24.03.2015

Risk-Management beim Rechnungskauf Erfahrungen eines Start Ups 24.03.2015 Risk-Management beim Rechnungskauf Erfahrungen eines Start Ups 24.03.2015 Agenda 1 2 SCHUFA Holding AG: Instrumente für den Rechnungskauf Risk-Management beim Rechnungskauf Erfahrungen eines Start Ups

Mehr

Business in Zeiten von Big Data

Business in Zeiten von Big Data Business in Zeiten von Big Data B2C B2B Sie wissen: Name, Produkt, Umsatz, Adresse Wir wissen: Weitere Konsumaffinitäten, Preisbewusster Mobilitätstyp, Wohnumfeld Sie wissen: Firmenname und Adresse Wir

Mehr

SEA für grosse Accounts

SEA für grosse Accounts SEA für grosse Accounts 1 Was sind grosse Accounts? Keine allgemeingültige Definition möglich, daher ein paar Indikationen: Ein Konto reicht nicht mehr aus Kunde aus dem Tourismusbereich hat 8 verschiedene

Mehr

Florian Frötscher und Demet Özçetin

Florian Frötscher und Demet Özçetin Statistische Tests in der Mehrsprachigkeitsforschung Aufgaben, Anforderungen, Probleme. Florian Frötscher und Demet Özçetin florian.froetscher@uni-hamburg.de SFB 538 Mehrsprachigkeit Max-Brauer-Allee 60

Mehr