Datawarehouse Der Motor des CRM bei Quelle

Transkript

1 Datawarehouse Der Motor des CRM bei Quelle QUELLE AG Database Management Jakobinenstr Fürth Tel , Fax: Mail: 1

2 Datawarehouse Wissensgenerierung OLAP-Analyse, Informationssysteme Adhoc-Analysen, Data Mining Scoring Response-Prognose Optimale Werbemittel-Streuung Kampagnen-Management Weitere Scoring-Anwendungen für CRM-Kampagnen Adress- und Datennutzung im Konzern 2

3 Versandumsatz der Karstadt Quelle AG ca. 8 Mrd. EUR Quelle AG ist mit 24 Tochtergesellschaften in über 25 Ländern international vertreten Umsatz ca. 4,6 Mrd. EUR In Deutschland: ca. 10 Mio. aktive Kunden, Hauptkatalog über 12 Mio. Auflage, über 25 Spezialkataloge 4 Vertriebswege (Einzelbesteller, Sammelbsteller, Shops, Technik Center) Über Produkte im Angebot Bestellsysteme: Call Center, IVR, Internet, schriftlich, Bestellcounter Täglich bis zu 180 Tsd. Pakete Marktführer im Internet, über 1 Mrd. EUR Nachfrage (2003) 3

4 Database Management Das Datawarehouse integriert die wesentlichen Prozesse Produkt- Management Werbemittel- Streuung Vertrieb Analytisches CRM MIS Controlling Datawarehouse Operatives CRM Call-Center Internet Reklamation Sammlung, Konsolidierung und Speicherung der Daten aus allen kundenbezogenen Transaktionen Bereitstellung von zielgerichteten Informationen für die Steuerung der CRM-Prozesse 4

5 Datawarehouse - Inhalt und Struktur Kunde Soziodemographie Herkunft Microgeographie Kundenstatus Vertriebsweg Kontakt schriftlich Call Center Internet Reklamation Kundenkarte Bewerbung Bestellung Lieferung Retoure Zahlung Reklamation Sortiment über Artikel mit beschreibenden Merkmalen (Preis, Modizität, Marke, Stil,.) Werbemittel Hauptkataloge Shops Spezialkataloge Sonderkataloge Kunden- und Artikel-Stammdaten Verhaltensdaten auf granularer Ebene Historische Sichten (Journalisierung der statischen Daten) 5

6 Database Management Datawarehouse und Data Mining bilden die Basis für Wissensgenerierung und Umsetzung von CRM-Kampagnen Wissensgenerierung CRM-Kampagnen MIS / OLAP Data-Mart für CRM Score- Regelwerk Reports Kundenbewertung / Scoring Data Mining Adhoc-Analysen Data Mining Kunden-Merkmale Granulares Datawarehouse 6

7 Wissensgenerierung Beispiele (1) OLAP-Würfel mit - Dimensionen: Kundengruppe Sortiment Werbemittel Zeit - Kennzahlen: Aufträge, Nachfrage, Kreditablehnungen, Lieferumsatz, Retouren, Wareneinsatz, Werbekosten, Deckungsbeitrag,... Reporting, Analyse von Zeitreihen, Werbewirkung, ABC-Analysen, Kundenentwicklung Basis für Planungsprozess 7

8 Wissensgenerierung Beispiele (2) ROLAP-Analyse-Tools - Tiefergehende Analysen pro Artikel auf Werbemittel-Ebene (Renner- Analysen, Retouren-Analysen, etc.) - Werbeerfolgkontrolle auf Zielgruppen-Ebene - Controlling Werbekampagnen, Kundenbewertungssysteme - Kredit-Risiko-Analysen nach Kunde, Sortiment, Zahlungsart - Kunden-Wert-Analysen - Kundengruppen-Modelle (Wiederbestell-Verhalten, Cross-Buying, etc.) 8

9 Prämissen Kundengruppen-Modell Database Management Einfache Definition der Kundengruppen (Transparenz) Saisonale Eingruppierung (Universalversand) Möglichst wenige Kundenwanderungsbewegungen (Übergänge von Saison zu Saison) Trennschärfe der Kundengruppen (große Unterschiede in den Kundengruppen bezüglich Aktivquote und Bestellwert) Stabilität der Aktivquote und des Bestellwertes pro Kunde in jeder Kundengruppe im Zeitablauf Prognose-Tauglichkeit ceteris paribus Prognose aus Kundenbestand (mittelfristig, langfristig) Simulation Kundenentwicklung bei Variation unterschiedlicher Marketingkonzepte Überprüfen von Vertriebs-Zielen Basismodell für Customer-Lifetime-Value-Prognose 9

10 Das EB-Kundengruppenmodell Einzelbesteller Aktivität in Saison Wanderung aktiv inaktiv 1 EB Neukunden der Vorsaison x EB Topkunden x x x x EB Gute Kunden 3 EB Aufbaukunden 6 Monate x x EB Stammkunden 6 Monate Stamm 1 x x x EB Stammkunden 6 Monate Stamm 2 x x EB Stammkunden 6 Monate - Mittel x EB Gefaehrdete Kunden - 7 EB Aufbaukunden 12 Monate 0 x EB Stammkunden 12 Monate 0 x EB Kritische Kunden 9 EB Stammkunden 18 Monate 0 0 x EB Stammkunden 24 Monate x EB Stammkunden 30 Monate x 1 x = aktiv, 0 = nicht aktiv, - = unberücksichtigt Daneben gibt es noch Wanderungen in andere Kundenarten (SB 01, AM,..) 10

11 Wissensgenerierung Beispiele (3) Adhoc-Analysen mit SQL und Statistik-Tools - Kundenprofile - Sortimentsprofile - Verbundkauf-Analysen - Allokation; Zielgruppe Werbemittel Sortiment - Kunden-Entwicklungs-Modelle - Identifikation von Kredit-Risiko-Faktoren, Betrugs-Mustererkennung,... - Qualitäts-Monitoring der Prozesse (Bestellen, Liefern, Zahlen) - Wirkungssanalysen von Prozess-Veränderungen - Identifikation von Kundenverärgerung

12 Database Management Datawarehouse und Data Mining bilden die Basis für Wissensgenerierung und Umsetzung von CRM-Kampagnen Wissensgenerierung CRM-Kampagnen MIS / OLAP Data-Mart für CRM Score- Regelwerk Reports Kundenbewertung / Scoring Data Mining Adhoc-Analysen Data Mining Kunden-Merkmale Granulares Datawarehouse 12

13 Scoring wandelt Kundendaten in die Prognose von Kundenverhalten 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. 13

14 Database Management Response-Prognose (Analyse-Ansatz) Einsatz einer Lernstichprobe für einen Katalog Selektionszeitpunkt Kunde bestellt (nicht) n. ca. 6 Wochen Data Warehouse Werbeerfolg Scoring-Analyse 14

15 Database Management Kunden mit über 150 DM Bestellwert reagieren überdurchschnittlich hoch Responsequote Beispiel für ein trennscharfes Merkmal Tausende von Merkmalen werden überprüft Durch Kombination und Gewichtung aller trennscharfen Merkmale entsteht ein Score Durch den Score werden die Kunden optimal getrennt (je höher der Score, desto höher die Response 15

16 Database Management Der Scorewert ist die optimale Kombination aller Merkmale Responsequote % 20% 30% 40% 50% 60% 70% 80% 90% 100% Anteil Kunden, sortiert nach Scorewert 16

17 Klassische Score-Merkmale (Response-Prognose) Recency = Aktualität der letzten Bestellung Frequency = Bestellhäufigkeit Monetary Ratio = Bestellwert pro Bestellung Alle Merkmale differenziert nach Zeitraum, Sortiment, Werbemittel Bestellwert-Anteile pro Sortiment, Werbemittel Retourenverhalten Reklamationsverhalten Soziodemographie Externe Informationen (microdialog) 17

18 Database Management Die Scoring-Prognose bietet die optimale Entscheidungsgrundlage Deckungsbeitrag pro Katalog % 20% 30% 40% 50% 60% 70% 80% 90% 100% Anteil Kunden, sortiert nach Scorewert Durch Bewertung der Scoreklassen erhält man eine Prognose des DB nach Werbekosten pro eingesetztem Katalog Die DB-optimale Entscheidung liegt bei der Auflage, wo der Nullpunkt geschnitten wird. Je nach Risiko-Einschätzung kann auch der Cut-Off verschoben werden Die Kunden werden aber immer nach der Score-Sortierung (beste zuerst) beworben 18

19 Database Management Closed-Loop Scoring-Analyse Ist-Auswertung Cut-Off- Auswertung Cut-Off-Simulation Selektion und Cut-Off Auswirkungen Seiten / Umfeld Aktuelle Kundenstruktur Vertrieb Einkauf Controlling Werbeetat Plan/Einschätzung Werbekosten Plan/Einschätzung DB-Satz 19

20 Kampagnen-Management Abbildung der Entscheidungsregeln ohne IT-Aufwand Schnelle Reaktionsmöglichkeit Simulation neuer Strategien Test alternativer Strategien Konsistenz der Entscheidungen an allen Coustomer-Touch-Points und in allen Prozessen Reporting-Systeme Analytische Optimierung der Regelwerke durch Data Mining 20

21 Database Management CRM-Konzept (Technologie) Operative Systeme Datawarehouse Data Marts Call-Center Customer Care Bonitätsprüfung Internet Business Intelligence OLAP-Analyse Data Mining Kundenbewertung Selektionen / Kampagnen Business Rules Management Lettershop / Personalisierung Vermarktung/ Kooperationen 21

22 Database Management CRM-Controlling Ideen Scoring Data Mining Einsatz der Scoring-Systeme CRM-Maßnahmen Erfolgskontrolle Soll-Ist-Vergleiche Kampagnen-Reports Closed-Loop: Eingesetzte Scoring-Systeme werden regelmäßig überprüft Neue Marketing-Konzepte bzw. alternative Strategien werden getestet Das Gelernte hat Einfluss auf zukünftige Entscheidungen 22

23 Anwendung der Scoring-Methode - Beispiele Optimierung der Werbemittel-Streuung für alle Kataloge Hauptkataloge, Spezialkataloge Monatliche Aktivierungsaktionen, Reaktivierungs-Mailings Kombinationen von Werbemitteln Retouren-Scoring Kredit-Scoring Kundenbewertung für CRM-Kampagnen Kundenloyalitäts-Prognose Cross-Selling-Affinität Inbound-Verkauf von Fremd-Produkten und Dienstleistungen Outbound-Aktionen -Kampagnen Neuer Ansatz: Dynamische Scoringsysteme für Cross-Selling und aktiver Verkauf 23

24 Database Management Kreditscoring - Bonitätsprüfung Neukunden Application-Scoring Adressdaten Bestellweg, Bestellwert, Zahlungsart Risikosortiment Externe Daten Auskunftei-Informationen Scores (z.b. Informa-Score) Steuerung der Bonitätsprüfung mit Kampagnen-Management Risiko-Segmente (Kundenart, Zahlungsart, Bestellweg) Application-Score Cut-Off-Steuerung Zusatz-Fragebogen Externe Auskünfte in Grauzone Limitvergabe 24

25 Database Management Verbesserung der Scoring-Prognose durch externe Informationen Index Deckungsbeitrag In der Grauzone wird die Trennschärfe durch externe Informationen verbessert % 10% 15% 20% 30% 40% 50% 60% 80% 100% Anteil Kunden, sortiert nach Scorewert 25

26 Kreditscoring - Bonitätsprüfung Stammkunden Monatl. Behaviour-Scoring Salden, Zahlungen, Mahnungen, Risikosortimente Ratenverpflichtungen Steuerung der Autorisierung mit Kampagnen-Managment Auftragswert Limit, Freibetrag Mahnstufe, Kontenstatus Behaviour-Score Zusatzauskunft Zahlungsanforderung Anzahlung 26

27 Aktuelle Herausforderungen des Risiko-Managements Zunehmende Verschuldung von Privatpersonen Sinkende Zahlungsmoral Zunehmende Anzahl von Betrugsfällen Steigender Anteil der Internet-Nutzer - zunehmende Anonymität, - Steuerung der Prozesse durch den Kunden Klassische Kreditprüfungsmaßnahmen ungeeignet zur Betrugsverhinderung Externe Informationen kein Allheilmittel Notwendig ist - die konsequente Anwendung von Data-Mining-Methoden, - Schnelligkeit, Flexiblität der Kreditprüfungssysteme 27

28 Integration von Marketing-, Retouren- und Kredit-Scores Werbemittelsteuerung Segmentierung nach Retouren-Prognose Segmentspezifische Cut-Off-Steuerung Werbeausschluss bei Kunden mit hohem Kredit-Risiko Raten- und Valuta-Angebot nur für Kunden mit niedrigem Kredit-Risiko Bonitätsprüfungssystem Imtegration von Marketing-Daten im Behaviour-Scoring Differenzierte Strategien nach Kundenart und Kundenqualität (Response- Prognose) Kundenwert Kunden-DB-Rechnung auf granularer Basis DB-Prognose auf Basis der drei Scoringsysteme 28

29 Database Management Die Customer-Lifetime-Value-Prognose (Markov-Modell) Gegeben sei ein Kundengruppenmodell Für einen Kunden wird zunächst mit einem mittelfristigen Prognoseverfahren (z.b. Scoring) der mittelfristig erreichbare Deckungsbeitrag cmv und die Zugehörigkeit zu einer Kundengruppe prognostiziert. A sei die Übergangsmatrix eines Kundengruppenmodells d der Vektor der Deckungsbeiträge je Kundengruppe e der kalkulatorischer Zinsfuß dann lässt sich der Customer-Lifetime-Value errechnen mit der Formel [ ] 1 1 I (1+ e) A d cmv CLV + 29

30 Anwendung der Scoring-Methode Optimierung der Werbemittel-Streuung für alle Kataloge Hauptkataloge, Spezialkataloge Monatliche Aktivierungsaktionen, Reaktivierungs-Mailings Kombinationen von Werbemitteln Retouren-Scoring Kredit-Scoring Kundenbewertung für CRM-Kampagnen Kundenloyalitäts-Prognose Cross-Selling-Affinität Inbound-Verkauf von Fremd-Produkten und Dienstleistungen Outbound-Aktionen -Kampagnen Neuer Ansatz: Dynamische Scoringsysteme für Cross-Selling und aktiver Verkauf 30

31 Quelle-Gruppen-Datawarehouse HHDB AMS UNIX HHDB Quelle/NVAG/ Karstadt Referenz MuP PH KQV Funktionen: Kundenbewertung Selektion Anbindung an CRM EL Mad Q-DWH 31

32 Anwendungen des Gruppen-Datawarehouse Betreuung Neukunden-Selektionen, Inaktiven-Optimierung, Profil-Analysen Madeleine, Mode und Preis, Peter Hahn, Elégance, Animal24, Foto Quelle Fritz Berger, Mercatura, La Source, Happy Size (in Planung), Walz (in Planung) Betreuung Stammkunden-Selektionen, adhoc-analysen, Nachkaufverhalten, Cross-Selling-Analysen Madeleine, Mode und Preis CRM-Kampagnen (Telemarketing), Informationssysteme (OLAP) Madeleine 32

33 Anwendungen des Gruppen-Datawarehouse Übergreifende Projekte Überschneidungs-Reporting und Analysen Positionierung Spezialversand Positionsgerechte Sortiments-Differenzierung Tests Adresstausch, Abzugseffekte Anwendungen für KarstadtQuelle-Versicherungen Neukundengewinnung Bestandsoptimierung Umfangreiche adhoc-analysen 33

34 Database Management Leistungsspektrum Database Management Beratung - Datawarehouse - Info-Systeme - Direkt-Marketing- Konzepte - Sortimentierung - Finanzmarketing Analysen - Werbescoring - Kreditscoring - Generische Scores - Loyalitätsmodelle - Cross-Selling - Planungs- und Selektionsunterstützung Technologie Oracle-DB HP-UNIX-Rechner Ca. 5 Terabyte Speicher EXPRESS OLAP DISCOVERER 9IAS-Portallösung PL-SQL SAS Eigenentwicklungen Kunden Quelle Versand Versender in der Quelle- Gruppe - Peter Hahn - Madeleine - Elegance - Mode und Preis - Animal 24 - Quelle Auslandsges. Neckermann Versand KarstadtQuelle Versicherungen Karstadt Warenhaus 34