Bestandskundenmanagement Wo drückt bei Ihnen der Schuh?

Transkript

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

2 Alexander P. ROTH Persönliches 1967 geboren, verheiratet, 2 Kinder Golf, Fußball, Fotografieren Stationen Universität Augsburg Diplom-Wirtschaftsmathematik Quelle Fürth, Wissenschaftlicher Mitarbeiter SAS, DWH, Scorings, große Datenmengen, Numerik Quelle Bank, Entrium, ING DiBa, Leiter Kundenmanagement DWH, MIS, Scorings, DB-Konsolidierung Neckermann Frankfurt, Bereichsleiter Database Management, OFK Abtlg. Adressen, Analyse, Selektion, SB-Steuerung, WEK arvato direct services München, Mitglied der GL DWH, Kampagnen, Analysen best-reactions Burgthann, Geschäftsführer CRM, BI Alle Rechte vorbehalten Seite 2

3 Unsere Themen, Ihre Chancen Kundenbindung statt Abwanderung der Kunden zu wenig Neukunden, Bestandskunden wandern ab wertorientierte Kundenstruktur Risiken und Chancen im Kundenbestand erkennen Cross- und UpSelling, Zahlungsverhalten Außendienst-Unterstützung/-Steuerung Ihre individuellen Anforderungen Umsetzung kundenspezifischer Anforderungen Software-Entwicklung, strategische Planungen Effiziente Kampagnen, optimierte Werbekosten Profiling, Segmentierung, Data Mining Scoring, Vertriebssteuerung, Kundenwerte Strategische und fachliche Perfektion im Business CRM, DWH, Business Intelligence Adress-, Kontakt- und Daten-Management Alle Rechte vorbehalten Seite 3

4 Unsere Geschäftsbereiche best-reactions CRM BI Analytics IT- Services Zielgruppen, Segmentierungen Datenanalysen, Mining, Scoring Kampagnen, Reporting DataWareHouse, Data Marts Adressen, Kontakte, Daten Strategie, Architektur Datenintegration, Prozesse Portale, Schnittstellen SAP Modulberatung, ABAP Software-Entwicklung, JAVA Alle Rechte vorbehalten Seite 4

5 Wer sind wir? Rechtsform GmbH Gründung 17. August 2007 Handelsregister 23. August 2007 Gesellschafter Alexander P. ROTH Dr. Rafael O. HORENIAN Handelsregister Amtsgericht Nürnberg HRB Dr. Rafael O. HORENIAN Alexander P. ROTH UST-ID DE IT-Services Software-Entwicklung Portale CRM Customer Intelligence Analytics Database Marketing Wo andere ins Stocken geraten, finden wir die richtige Lösung für Sie. Alle Rechte vorbehalten Seite 5

6 Unsere Locations Standorte Burgthann Konstanz Projekt-Auswahl national: Baden Baden Bamberg Bayreuth Duisburg Frankfurt/M. Gütersloh Köln München Nürnberg Ratingen Stuttgart Wiesloch Projekt-Auswahl international: Bukarest (Rumänien) Kreuzlingen (Schweiz) Santiago (Chile) Timisoara (Rumänien) Zürich (Schweiz) Alle Rechte vorbehalten Seite 6

7 Bestandskundenmanagement - Erfahrungen aus einer fachlich-strategischen Sichtweise Alle Rechte vorbehalten Seite 7

8 Database-Information KUNDENBINDUNG Begriffsabgrenzungen Interessenten Fremdlisten Neukunden- Werbung Neu- Kunden Response Kunden Bestands- Kunden Abspringer Cross-/Up- Selling Fraud Churn Ex-Kunden Rück- Gewinnung Alle Rechte vorbehalten Seite 8

9 Wo drückt bei Ihnen der Schuh? Kündigungen Zielgruppenbestimmung Kundenbindung Falsche Kunden Werbekosten Risiko Effizienz Response Schnelllebigkeit Unternehmenserfolg Kampagnen-Steuerung 9 Alle Rechte vorbehalten Seite 9

10 Haben Sie das auch schon gehört? Wir sehen den Wald vor lauter Bäumen nicht. Wir wissen nicht, wo wir stehen. Das operative Geschäft überrollt uns eh schon. Wir haben nicht die notwendigen Ressourcen. Wir haben viele Insellösungen. Wir können nicht alles, vieles ist für uns neu. usw Wie können das nicht realistisch bewerten? Alle Rechte vorbehalten Seite 10

11 System Wie... Prozess Konzept Was... Produkt-Mix Strategie Ja, es ist komplex Unternehmensstrategie CRM-Strategie Produkt Management Wertorientierte Kunden Service-Mix Vertriebssteuerung Database Management Planung/ Zielsetzung Kommunik.- Mix Kanal Mix Database Management CRM Prozesse Akquisition Bedürfnisermittlung Beratung / Verkauf Kundenbetreuung Produktabwicklung Kontakt Management Kampagnen Management Database Marketing Multikanal Management Risiko Management Wen... Warum... Wie... Wann... Womit... Alle Rechte vorbehalten Seite 11

12 aber stückchenweise kommt man zum Erfolg Ein Beispiel Alle Rechte vorbehalten Seite 12

13 Kundenwert Beispiel Kundenlebenszyklus Akquise/ Startphase Penetration Krise Trennungsphase Kennenlernphase Ertragsphase Initiale Invest-Phase Basisumsatz Erneute Invest-Phase Zeit Interessentenanalysen Kampagnenoptimierung Prognosemodelle Kundenbindung Interessententypologien Cross-& Up-Selling Transaktionsanalysen Kundenrückgewinnung Marktpotenziale Kundentypologisierung Life-Cycle-Modellierung Standortanalysen Kundensegmentierung Churn-Management Kundenwertanalysen Frühwarnsysteme Loyalitätsmodelle Warenkorbanalysen Responseanalysen Kundenreaktivierung Alle Rechte vorbehalten Seite 13

14 Der Closed-Loop-Ansatz ist wichtige Grundlage Aus der Vergangenheit soll möglichst viel für künftige Aktionen gelernt werden. Analyse Voraussetzung hierfür sind geregelte Abläufe, von der Planung bis hin zur Ergebnis-Auswertung, und die IT-Struktur, die diesen Datenfluss ermöglicht. Durchbrochen wird diese Struktur meist dadurch, dass Ergebnisse nicht mehr den Aktionen/Kampagnen zugeordnet werden können. Lernen und Planung Ergebnis- Controlling Kundenkontakt Kampagnen- Selektion Alle Rechte vorbehalten Seite 14

15 Business Value Entwicklungs-Pfad Eine strukturierte, analytische Vorgehensweise erhöht den Business Value nachhaltig Praxis-Betrieb und iterativer Roll-Out 3 2 Datenaustausch zwischen Systemen Grundlegende Vorgehensweisen, Regelkreise definieren Automatisierte Systeme (z.b. Kampagnen-Mgt.) werden implementiert Erste Mehrwerte werden in den Daten/Abläufen und erkannt erkannt und und weiterverwendet weiterverwendet 1 Fundamente legen Kundeninformationen liegen liegen konsistent, korrekt korrekt, und strukturiert und vor (single vollständig point vor (single point of truth) Alle Rechte vorbehalten Seite 15

16 Das sieht teuer aus Für neue Schuhe ist nicht die richtige Zeit!!! Alle Rechte vorbehalten Seite 16

17 Die Daten - oft eine Herausforderung und ein erster Schritt Einkauf -daten Externe Daten DER Kontakt -daten single point of truth Produkt -daten Aktions -daten DataWareHouse Stamm -daten Finanzdaten Contr.- daten Historie Konsolidierte Datenbank Hohe Datenqualität Verfügbarkeit, Vollständigkeit Historie Alle Rechte vorbehalten Seite 17

18 CRM-Projekte sind aber eben KEINE reinen Daten-Themen Prozessunterstützung Prozess Daten Transaktionsdienste Applikation Schnittstellenbau System Der echte Mehrwert entsteht nicht durch die Datenübernahme an sich (technisches Problem), sondern durch deren Verwendung bei der Steuerung zentraler Prozesse des Unternehmens. CRM-Projekte sind hoch-integrativ. Alle Rechte vorbehalten Seite 18

19 Segmentierung, vielleicht ein zweiter Schritt Heterogener Kundenbestand mit verschiedenen und unbekannten Zielgruppen Identifikation homogener Segmente oder erster Zielgruppen Alle Rechte vorbehalten Seite 19

20 Warum segmentieren wir unseren Kundenbestand? technisch fachlich Homogenere Gruppen Trennschärfere Modelle Einfachere Modelle Geringere Fehler Dimensionsreduktion Kontaktstrategie Ausschöpfung Ertrag Reaktionsquote Kommunikation Unternehmensstrategie Alle Rechte vorbehalten Seite 20

21 %-Anteil Index Univariate Verteilungen 60% % 40% Häufigkeiten Indizes % % 10% 0% 73 33% 36% 26% 38 27% 26% 20% 20% 10% < 30 Jahre Jahre Jahre > 60 Jahre Alle Haushalte Kunden Index-Kunde Merkmals- Ausprägungen Grafische Betrachtung von Merkmalshäufigkeiten in verschiedenen Klassen am Beispiel Alter Alle Rechte vorbehalten Seite 21

22 Scoring, das Prinzip Klassifizierung durch Scores Score- Segmente A-Kunden B-/C-Kunden Sonstige Scores - Gesamtbestand ungescort Gesamtbestand gescort Alle Rechte vorbehalten Seite 22

23 Marginale Response-Wahrscheinlichkeit Kumulierter Empfängeranteil Cut-Off-Steuerung, eine fachliche Entscheidung 11 Empfänger Nicht-Empfänger 100% 10 90% 9 80% fache Response- Wahrscheinlichkeit Werden Klasse 1+2 gewählt, beläuft sich die Empfängermenge auf ca. 61% des Bestandes 70% 60% 50% 40% 30% 2 20% 1 10% Cut-Off Score-Klassen 0% Response-Wahrscheinlichkeits- Klasse von 1 bei zufälliger Empfängerauswahl Der Cut-Off wird nach Betrachtung der Scorewerte, eingeteilt z.b. in Dezentile, festgelegt. Alle Rechte vorbehalten Seite 23

24 Data Mining Methoden Entscheidungsbaum Zielgröße Klassifikationsmerkmal Inhaltliche Beschreibung der Zielgruppe bzw. Nicht-Zielgruppe Prognose der Gruppenzugehörigkeit Alle Rechte vorbehalten Seite 24

25 Alter Data Mining Methoden Diskriminanzanalyse Kundentyp Typ A Typ B Merkmale Kunden Kauffrequenz Falsch klassifizierter Kunde Analyse und Erklärung von Gruppenunterschieden Klassifizierung neuer Objekte Alle Rechte vorbehalten Seite 25

26 Einkommen Data Mining Methoden Clusteranalyse Cluster Kundentypen A B C Merkmale Kunden Kauffrequenz Bildung homogener Gruppen aus einem heterogenen Gesamtbestand anhand ihrer Ähnlichkeiten hinsichtlich verschiedener Merkmale Alle Rechte vorbehalten Seite 26

27 Data Mining Methoden Neuronale Netze Künstliche Intelligenz Gewichte und Schwell- Werte bestimmen Alter Einkommen Klassifikation Geschlecht Kaufverhalten Analyse der Zusammenhänge zwischen Variablen, Objekten und Merkmalen Klassifikation von Objekten Alle Rechte vorbehalten Seite 27

28 Gab es hier nicht viele Probleme, viele Zielgrößen? Kündigungen Kundenbindung Werbekosten Zielgruppenbestimmung Risiko Response Effizienz Kampagnen-Steuerung Falsche Kunden Alle Rechte vorbehalten Seite 28

29 Können DIE alles? Kündigungen Kundenbindung Segmentierung Werbekosten Zielgruppenbestimmung Risiko Kundenwert wahrscheinlich nicht! Oder würden Sie mit denen zum Tanzen gehen? Kampagnen-Steuerung Falsche Kunden Effizienz Response Alle Rechte vorbehalten Seite 29

30 Warum nicht? Zielgrößen sind oft stark voneinander abhängig, manchmal sogar gegenläufig Sie sind zeitlich stark verschoben Statistische und mathematische Fehler sind schwer zu berechnen Das Rauschen in den Daten nimmt stark zu Die Prognosegüte bezogen auf die einzelne Zielgröße nimmt ab Der Bestand scheint statisch zu sein Alle Rechte vorbehalten Seite 30

31 Aber sie sind hervorragend für beispielsweise Zur Steuerung von Werbemittelversionen Service-Angeboten Portfolio-Bewertungen Strategische Aktionen Kundenwanderungsmodelle Statistische Vorarbeiten Alle Rechte vorbehalten Seite 31

32 Ziehen Sie für jeden Zweck die richtigen Schuhe an! Alle Rechte vorbehalten Seite 32

33 Da fehlt doch noch was wie ist denn das mit der Messung eines Erfolgs??? Alle Rechte vorbehalten Seite 33

34 Reaktionsquote in % Erwünscht ist eine Reihenfolge der Kunden nach Ertrag % 20% 30% 40% 50% 60% 70% 80% 90% 100% Kumulierter Anteil der Kunden nach fallendem Score (=Ertrag) Alle Rechte vorbehalten Seite 34

35 Was messen wir denn? Umwandlungsquoten Reaktionsquoten Anzahl Kündiger Kaufsummen, Erträge Retouren Beschwerden Häufigkeiten (Kauf, ) Auflagen Was wollten wir denn erreichen? Reaktionsquote mindestens 0,5% (wann, wie gemessen,.) Was machen wir bei Abweichungen? was bei 0,49% was bei 0,20% was bei 0,62% Alle Rechte vorbehalten Seite 35

36 Reaktionsquote in % Und nun? % 20% 30% 40% 50% 60% 70% 80% 90% 100% Kumulierter Anteil der Kunden nach fallendem Score (=Ertrag) Alle Rechte vorbehalten Seite 36

37 Also Analysieren Sie stets das Vorgehen Definieren Sie im Vorfeld Ihre Erwartungen Definieren Sie Schwellwerte Legen Sie Handlungsweisen für Abweichungen fest Definieren Sie Ihre KPI s und analysieren Sie die relevanten Stellgrößen dazu Beachten Sie konkurrierende Ziele Alle Rechte vorbehalten Seite 37

38 Vielen Dank für Ihre Aufmerksamkeit! Office Burgthann +49 (0)9183 / Alexander P. ROTH +49 (0)171 / Dr. Rafael O. HORENIAN +49 (0)171 / info@best-reactions.de best-reactions GmbH Hirschberger Straße 33 D Burgthann Alle Rechte vorbehalten HRB 23679, Amtsgericht Nürnberg Geschäftsführer Alexander P. ROTH Dr. Rafael O. HORENIAN