Der Einsatz von Business Intelligence im CRM- Umfeld (analytisches CRM)

Transkript

1 Der Einsatz von Business Intelligence im CRM- Umfeld (analytisches CRM) Mario Dini Stefan Haltmeier Seminar ecrm, Departement für Informationssysteme, Universität Fribourg, Schweiz Eingereicht bei Prof. Dr. A. Meier und Darius Zumstein Abstract In dieser Arbeit wird zuerst auf den analytischen Teil des Customer Relationship Managements eingegangen und dann werden die dazugehörenden Datenanalyseinstrumente OLAP und Data Mining erklärt, welche als Hauptinstrumente von Business Intelligence- Systemen gelten. In einem zweiten Schritt soll die Begriffsdefinition des Schlagworts Business Intelligence (BI) im Vergleich zum acrm gemacht werden. Im zweiten Teil dieser Arbeit wird anhand eines praktischen Beispiels ein möglicher Lösungsansatz eines BI-Systems im CRM-Umfeld aufgezeigt werden, welcher in Zusammenarbeit mit Marionnaud- Parfümerien und dem IT Beratungsunternehmen Elca Informatik AG durchgeführt wurde.

2 Inhaltsverzeichnis......II Abbildungsverzeichnis. III Theoretischer Teil Einleitung Analytisches Customer Relationship Management Kundendaten Kundenkarte Integration der Daten Data Warehouse Datenanalyse OLAP Online Analytical Processing Data Mining 6 3. Business Intelligence Definition Analytisches CRM und Business Intelligence Architektur eins BI-Systems Anwendungsbereich von BI Software 11 Praktischer Teil Business Intelligence in der Praxis Kundenpflege im Fokus Der Business Intelligence Markt Best Practice Business Intelligence im Einsatz bei Marionnaud Das Unternehmen Ansprüche des Kunden Projektabwicklung und Betrieb Erfahrungen Schlussbetrachtung 17 Literaturverzeichnis IV II

3 Abbildungsverzeichnis Abbildung 1: acrm und der Customer Lifecycle 2 Abbildung 2: Slice and Dice nach Produkt, Region, Zeit Abbildung 3: Data Mining Anwendungen nach Lusti..7 Abbildung 4: Facetten von BI...9 Abbildung 5: BI-Ordnungsrahmen..10 Abbildung 6: Der Business Intelligence Markt Abbildung 7: IT-Landscape bei Marionnaud..16 III

4 Theoretischer Teil 1. Einleitung Business Intelligence und Customer Relationship Management sind nicht mehr nur unter IT-Spezialisten bekannte Ausdrücke, auch im Firmenalltag nutzen immer mehr Arbeitnehmer deren Vorteile und begegnen den Problemen dieser Ansätze. Diese Arbeit hat zum Ziel, das analytische CRM und Business Intelligence zu erläutern und anhand einer Case Study die Implementierung eines BI Systems im Detailhandel aufzuzeigen. Die Case Study wurde in Zusammenarbeit mit Marionnaud-Parfümerien und dem IT Beratungsunternehmen Elca Informatik AG durchgeführt, und die Autoren bedanken sich herzlich für die Kooperation. Während den Recherchen und dem Literaturstudium hat sich gezeigt, dass vor allem im Bereich Business Intelligence noch sehr viele verschiedene Auffassungen und Definitionsansätze bestehen, währenddem das analytische CRM in der Literatur weniger kontrovers diskutiert wird. Um dem Schnittpunkt zwischen Business Intelligence und analytischem CRM Rechnung zu tragen, haben die Autoren einen Definitionsvorschlag für Business Intelligence im CRM erarbeitet. 1

5 2. Analytisches Customer Relationship Management Durch die systematische Aufzeichnung von Kundendaten und Kundenreaktionen und deren Auswertung werden die kundenbezogenen Geschäftsprozesse optimiert. Durch die Rückführung der ausgewerteten Daten wird das CRM zu einem lernenden System (Hippner 2006, S. 364). Dabei wird der ganze Customer Lifecycle abgedeckt. Abbildung 1: acrm und der Customer Lifecycle (Stahlbock/Lessmann 2003, S. 7) In Abbildung 1 ist mit dem Customer Lifecycle eines der wichtigsten Konstrukte des CRM abgebildet. Es wird aufgezeigt wie die Instrumente OLAP und Data Mining beim Kundenmanagement helfen können. 2.1 Kundendaten Die Informationen über Kunden sind die Grundlage für die weiteren Schritte im analytischen CRM; deswegen ist ihrer Erhebung auch besondere Sorgfalt zu widmen. Es lassen sich intern an den Customer Touch Points anfallende oder extern zugekaufte Kundendaten unterscheiden (Hippner 2006, S. 365). Dazu kommen historische Kundendaten, also vergangenheitsbezogene Daten über früheres Verhalten von Kunden. Da sich die Bedürfnisse der einzelnen Unternehmungen stark unterscheiden, kann nicht allgemein definiert wer- 2

6 den, was für Kundendaten gespeichert werden sollten. Grundsätzlich lassen sich nach Hippner (2006, S. 368) aber folgende Kategorien einteilen: Identifikationsdaten: Adress- und Kontaktdaten. Deskriptionsdaten: Eigenheiten der Kunden (z.b. Daten zur Demo-, Sozio- und Psychographie). Transaktionsdaten: Bisheriges Kauf- und Konsumverhalten. Kommunikationsdaten: Daten über die Kommunikation zwischen Kunde und Unternehmen (Anfragen, Angebote, Beschwerden) Kundenkarte Für den Detailhandel besonders wichtig ist die Kundenkarte. Damit kann am Point of Sale die Transaktion zwischen dem Kunden und dem Geschäft aufgezeichnet und die daraus entstehenden Daten gespeichert werden. Im Detailhandel kommuniziert der Kunde selten direkt mit einer Führungskraft des Unternehmens, es wird generell weniger kommuniziert als in einem B2B-Verhältnis. Gerade deshalb ist die Kundenkarte für Unternehmungen wie Marionnaud unerlässlich. Die Kundenkarte ist nach Walter/Schmidt (Walter/Schmidt 2004, S. 39f.) für folgende Ziele nützlich: Marktforschung: Die Einkäufe der Kunden können registriert und analysiert werden, dies gibt Aufschluss über die individuellen Bedürfnisse der Kunden und ermöglicht somit eine gezielte Befriedigung. Individualisierte Kundenansprache: Die Reduzierung von Streuverlusten bei Werbekampagnen spielt eine grosse Rolle und ermöglicht erhebliche Einsparungen. Das richtige Angebot sollte zur richtigen Zeit zum richtigen Kunden gelangen. Differenzierung vom Wettbewerb: In einem Markt mit vergleichbaren bzw. austauschbaren Gütern kann die Kundenkarte eine Service Leistung darstellen, die dabei hilft, sich von der Konkurrenz zu unterscheiden. Cross Selling, Kundentreue, Kundenbindung. Der Parfümerie- und Pflegeproduktmarkt ist sehr umkämpft, und die Produkte sind komplett austauschbar. Oft werden in der gleichen Einkaufsstrasse von mehreren Geschäften die gleichen Produkte angeboten. Neben anderen Faktoren bietet die Kundenkarte bzw. die Analyse der Kundendaten eine gute Möglichkeit sich zu differenzieren. 3

7 2.2 Integration der Daten Um eine Analyse zu ermöglichen, welche nützliche Erkenntnisse über den Kunden liefert, ist es unabdingbar, die anfallenden und gesammelten Daten aus den verschiedenen Unternehmensbereichen zusammenzuführen (Hippner 2006, S. 368). Die Integration der Kunden- und Marktforschungsdaten, welche unterschiedliche Aggregationsniveaus besitzen, geschieht durch das Data Matching. Dabei werden die externen mit den internen Daten abgeglichen. Vor allem die soziographischen und demographischen Informationen der Marktforschungsunternehmen sind ja auch in den Kundendatensätzen vorhanden. Die Ergebnisse der Marktforschung können auf die Kundenebene übertragen werden (Hippner 2006, S. 369). Um die Kundendaten abteilungsübergreifend verfügbar zu machen, wird ein integriertes CRM System benötigt. Bestehende Insellösungen werden zusammengeführt und die Daten zentral gespeichert. Dies ermöglicht eine ganzheitliche Sicht auf die Kundendaten und die Unterstützung von Kundenprozessen über die Abteilungsgrenzen von Service, Marketing und Vertrieb (Hippner 2006, S. 369) Data Warehouse Um die Zusammenführung der Daten zu ermöglichen und Analyseinstrumente einsetzen zu können, ist die Einführung von Data Warehousing empfehlenswert. Bei einem Data Warehouse handelt es sich um eine bereichsübergreifende analytische Datenbank, in welcher die operativen Daten gesammelt, strukturiert und verdichtet werden (Lusti 2002, S. 132). Hauptziel des Data Warehouse im CRM ist die Entscheidungsunterstützung (u.a. Hippner 2006, S. 396; Lusti 2002, S. 130). Das Data Warehouse ermöglicht eine präzise und gezielte Kundenanalyse und damit effizienteres Einsetzen der Marketingressourcen (Hippner 2006, S. 370). Ein Data Mart ist eine spezialisierte Datenbank, die meistens top-down aus einem Data Warehouse abgeleitet wurde. Der Data Mart erhält die Daten, die z.b. von einer bestimmten Arbeitgruppe benötigt werden, vom zentralen Data Warehouse zur Verfügung gestellt. Durch diese Extraktion der benötigten Daten ist es möglich, die Datenanalyse schnell und effizient durchzuführen (Lusti 2002, S. 135ff.). 4

8 2.3 Datenanalyse Die Aufgabe der Datenanalyse ist die Beantwortung von spezifischen Fragen. Der Standartfall einer Datenanalyse ist ein so genanntes Top-down-Problem. Man sucht in der Datenbank nach Informationen, welche eine Hypothese stützen oder widerlegen. Die Analyse beschränkt sich somit auf das Suchen und Zusammenfassen von Kriterien, die in der Fragestellung enthalten sind (Neckel/Knobloch 2005, S. 78f.). Dazu geeignet sind OLAP Tools. Im Fallbeispiel von Marionnaud könnte dies die Frage sein: Wer hat Chanel Allure Sport und ein Hautpflegeprodukt gekauft? Die Antwort auf diese Frage könnte die Hypothese stützen, dass besonders viele Kunden, welche Chanel Allure Sport kaufen auch Hautpflegeprodukten nicht abgeneigt sind. Bei einem Bottom-up-Problem weiss man jedoch nicht so genau, nach welchen Kriterien man in den Daten sucht. Die Fragestellung ist ungenau, und es herrschen keine Begrenzungen durch konkrete Annahmen, was die Suche deutlich komplexer gestaltet. Man versucht ein betriebliches Problem anhand von Regelmässigkeiten, Zusammenhängen oder Mustern in den Datensätzen zu lösen (Neckel/Knobloch 2005, S. 81). Für Marionnaud wäre es beispielsweise interessant zu wissen, welche Produkte besonders oft zusammen verkauft werden, um diese auch am POS so zu präsentieren. Um dies herauszufinden, eignen sich Data Mining Methoden, welche in Kapitel näher beschrieben werden OLAP Online Analytical Processing Nebst traditioneller Statistik und Datenbankabfragen ist auch das OLAP den Analyseinstrumenten zur Hypothesenverifikation zuzurechnen. OLAP-Werkzeuge greifen auf das Data Warehouse zu, oder sind Bestandteil davon (Neckel/Knobloch 2005, S. 79). Die Navigation im multidimensionalen Datenraum ist das Hauptmerkmal von OLAP. Dabei wird ein Hypercube erstellt, der die gefragten Daten, im Falle von drei Dimensionen in einem Würfel darstellt. Im Fallbeispiel kann der Umsatz als Kennzahl nach den Dimensionen Region, Produkt und Zeit analysiert werden (Neckel/Knobloch 2005, S. 79). Mit OLAP Tools können schnelle und genaue Abfragen aus grossen Datenbanken gemacht werden. Gegenüber einer SQL-Abfrage, welche bei einer grossen Datenbank Stunden dauern kann, sind die Resultate bei einer OLAP-Anfrage innert Sekunden verfügbar (Berry/Linoff 1997, S. 387ff.). Das Problem bei OLAP ist das Erstellen des Datencubes. Diese Arbeit kann Tage oder Wochen dauern (Berry/Linoff 1997, S. 389). 5

9 Die wichtigsten Navigationsfunktionen in einem Hypercube sind Drill Down/Roll-Up, Slice and Dice, Rotate und OLAP Join. Diese Termini beschreiben die Änderung der Aggregationsstufe, das Herausschneiden von Teilen des Würfels, das Drehen zur Abbildung 2: Slice and Dice nach Produkt, Region, Zeit. Kemper/Mehana/Unger 2006, S. 98. Veränderung der Perspektive und das Verknüpfen der Kennzahlen durch mathematische Operationen (Neckel/Knobloch 2005, S. 80). In Abbildung 2 wird mit Silce eine der gängigsten OLAP-Funktion gezeigt. Mit einer solchen OLAP-Abfrage ist es beispielsweise möglich herauszufinden, ob ein bestimmtes Parfüm in einer Region an einem bestimmten Tag besser verkauft wurde. Eine Warenkorbanalyse kann danach Auskunft geben, ob noch weitere Produkte diesem Muster unterliegen. So entstehen neue Informationen und neue Möglichkeiten diese Informationen zu nutzen Data Mining Data Mining oder Knowledge Discovery in Databases ist definiert als Entdeckung gültiger, neuer, potentiell nützlicher und verständlicher Muster in Datenbeständen (Neckel/Knobloch 2005, S. 80). Auch die wortwörtliche Übersetzung aus dem Englischen gibt Hinweis auf die Definition, to mine bedeutet schürfen, eine Anspielung auf den Bergbau. 6

10 Die Data Mining-Verfahren sind also explorative, datengetriebene Analysemethoden. Die Methoden im engeren Sinn umfassen die Regelinduktion und neuronale Netze. Unter Regelinduktion versteht man die Induktion von Entscheidungsbäumen aus einer Datengesamtheit (Lusti 2002, S. 260ff.). Klasse Aufgabe Anwendung Methodenbeispiel Klassifikation Individuen bereits existierenden Klassen zuordnen Bonitätsbeurteilung Regelinduktion Neuronale Netze Vorhersage Kontinuierliche zukünftige Werte aus unabhängigen Variabeln berechnen Bonitätsbeurteilung Kaufwahrscheinlichkeiten Neuronale Netze Regression Clustering Gruppen aufgrund von Ähnlichkeiten zwischen Individuen identifizieren Werbeadressaten einteilen Neuronale Netze Clusteranalyse Assoziation Abhängigkeiten entdecken und quantifizieren Marktkorbanalyse Statistische Zusammenhangsanalyse Text/Web Mining Textmuster suchen Information Retrieval Suchalgorithmen Abbildung 3: Data Mining Anwendungen nach Lusti (2002, S. 262) Für Marionnaud könnte die Frage lauten: Was zeichnet unseren typischen Kunden aus? Der Entscheidungsbaum besteht aus einer hierarchisch verknüpften Menge von Regeln, deren schrittweise Abarbeitung die Frage beantwortet (Lusti 2002, S. 266ff.). Neuronale Netze arbeiten deutlich komplexer, jedoch auf das gleiche Ziel hinaus. Wie in Abbildung 3 dargestellt ist die Klassifikation eine von fünf verschiedenen Anwendungsklassen des Data Mining. Weiter dazu gehören Vorhersage, Clustering, Assoziation und Text/Web Mining. Beim Clusterverfahren werden Segmente, Gruppen oder Klassen gebildet, die möglichst homogen sind, sich allerdings signifikant von den anderen unterscheiden. Das bekannteste Verfahren dazu, ist der K-Means-Algorithmus. Ein sich wiederholender Prozess, bei dem Datenobjekte durch ein Ähnlichkeitsmass zu Cluster zugeordnet werden (Gluchowski/Gabriel/Dittma 2008, S. 196 f.). Eine scharfe Trennung von datengetriebenen und hypothesengetriebenen Problemen ist in der Praxis nicht zu finden. Es gibt keine vollkommen hypothesefreien Fragestellungen, zumal es wenig sinnvoll wäre, nach Mustern zu suchen, welche gar keinen Zusammenhang mit der Unternehmenstätigkeit haben (Neckel/Knobloch 2005, S. 83). 7

11 Data Mining-Anwendungen können über die ganze Spanne des Customer Lifecycle benützt werden (siehe auch Abbildung 1, S. 1). Es können Werbeadressaten anhand der Ähnlichkeit mit bestehenden Kunden ausgewählt werden. Bestehende Kunden können mit Cross/Up-Selling-Kampagnen dazu bewegt werden, mehr/andere Produkte zu kaufen. Auch in der Customer Recovery-Phase können Data Mining-Techniken eingesetzt werden. Die Churn Rate-Modelle sagen die Wahrscheinlichkeit voraus, dass ein Kunde seine Beziehung zum Unternehmen beendet (Berry/Linoff 2000, S. 72ff.). 3. Business Intelligence 3.1 Definition Business Intelligence (BI) als Schlagwort der Stunde ist vielschichtig definiert. Der Ursprung von BI kann in den ersten Gehversuchen der IT-basierten Managementunterstützung gesehen werden. Vor über 20 Jahren wurden die Management Support Systems als the use of computers and related information technologies to support managers (Scott Morton 1983, S. 5) definiert. Schon damals hatte Scott Morton in Zusammenarbeit mit Rockart (1983, S. 10) eine erstaunliche Voraussage gemacht, bei der sie executive databases beschreiben, die der Unterstützung des Managements dienen. Diese Datenbanken verfügen sowohl über externe, wie auch interne Daten und es können analytic processes angewendet werden. Obwohl der BI Begriff erst Mitte der 1990er Jahre von der Gartner Group ins Spiel gebracht wurde, kommt der Gedanke von Scott Morton/Rockart dem weiten BI Verständnis von heute doch sehr nahe. Die Gartner Group definierte Business Intelligence wie folgt: Data analysis, reporting, and query tools can help business users wade through a sea of data to synthesize valuable information from it today these tools collectively fall into a category called Business Intelligence (Anandarajan/Srinivasan/Anandarajan 2004, S. 19). Ein Business Intelligence System wird von Negash/Gray (2003, S. 3190) folgendermassen definiert: BI systems combine data gathering, data storage and knowledge management with analytical tools to present complex and competitive to planners and decision makers. Kemper / Mehanna / Unger (2006, S. 8) definieren Business Intelligence als integrierter, unternehmensspezifischer, IT basierter Gesamtansatz zur betrieblichen Entscheidungsunterstützung. 8

12 Kemper/Mehanna/Unger (2006, S. 2ff.) differenzieren bei der Begriffsdefinition zwischen engem, weiten und analyseorientiertem BI Verständnis. In Abbildung 4 sieht man, dass das analytische CRM als Anwendung und in der Datenauswertung aufgeführt wird. Abbildung 4: Facetten von BI (Kemper/Mehanna/Unger 2006, S. 4) 3.2 Analytisches CRM und Business Intelligence Um das analytische CRM und BI als Einheit zu verstehen, hilft das analyseorientierte BI Verständnis. Es definiert BI als sämtliche Anwendungen, bei denen der Entscheider direkt mit dem System arbeitet und Zugriff auf die interaktive Benutzungsoberfläche hat. Dazu gehören unter anderen OLAP und Data Mining (Kemper/Mehanna/Unger 2006, S. 4). Eine CRM spezifische, eigene Definition von BI könnte wie folgt lauten: Business Intelligence im CRM Umfeld ist zu verstehen als Anwendung von Analyseinstrumenten an den integrierten Kundendaten, der individuellen und bedarfsgerechten Aufbereitung und Darstellung der Ergebnisse sowie der Ableitung von entscheidungsunterstützenden Informationen für das Kundenmanagement. 9

13 Die Definition des analytischen CRM und die abgeleitete Definition von BI sind sich sehr ähnlich. Mit Blick auf das Verständnis eines BI Systems von Negash/Gray (2003, S. 3190) decken sich die Definitionen von acrm und BI. Das analytische CRM ist jedoch als BI Anwendungssystem zu verstehen, welches einen Teil des Business Intelligence-Gesamtansatzes abbildet. In Abbildung 5 sind die Komponenten des analytischen CRM in einer unternehmensweiten BI-Architektur rot hervorgehoben. Abbildung 5: BI Ordnungsrahmen, Kemper/Mehanna/Unger 2006, S Architektur eines BI Systems Das BI System benötigt Grundsätzlich dieselben Komponenten wie das analytische CRM. Daten müssen aus interner oder externer Quelle zugeführt und zentral gespeichert werden. Die Daten werden danach Analysiert und ausgewertet. Die Resultate benutzergerecht dargestellt und in den operationellen Prozess eingebunden. 10

14 Das BI Portal ist eine anwenderfreundliche Benutzerschnittstelle, also eine Softwarelösung, auf die per WWW oder Desktop zugegriffen werden kann. Dieses Portal integriert die Analyseinstrumente und Visualisierungsmöglichkeiten wie z.b. Ad-Hoc Reports oder Dashboards. Unter Wissensmanagement versteht man das Sammeln und Speichern des betrieblichen Wissens im Unternehmen, um dieses den Mitarbeitern verfügbar zu machen (Kemper/Mehanna/Unger 2006, S. 127f.). Hier lässt sich ein Übergang zum operativen CRM herstellen. Es bietet sich nämlich die Möglichkeit von best practice -Lösungen. Denkbar wäre eine Standardisierung z.b. bei der Customer Recovery -Phase. Wird bei der Datenanalyse vermehrt das gleiche Muster festgestellt (z.b. das Verhalten kurz vor der freiwilligen Beendigung der Kundenbeziehung im Rahmen einer Churn-Analyse), kann ein bewährter Prozess (z.b. Direct Mailing mit Rabattangebot) als Standard festgelegt und bei allen Kunden mit diesem Verhalten eingesetzt werden. Dieses Vorgehen ist in der Telekommunikationsbranche bereits üblich (Berry/Linoff 2000, S. 318). Wünschenswert wäre ein Ausbau auf andere CRM-Bereiche, damit die Erkenntnisse aus der Datenanalyse, sofern möglich, in betriebliches Wissen umgewandelt und damit im operativen CRM als best practice verfügbar gemacht werden können. 3.4 Anwendungsbereich von BI Software Im Unternehmensalltag wird unter Business Intelligence auch die End User Software Applikation verstanden, die es dem Arbeitnehmer ermöglicht zu sehen, was die Daten in der Datenbank aussagen. Durch Visualisierung, Reports und Charts werden die ausgewerteten Daten ansprechend präsentiert, damit sich der User nicht mit unübersichtlichen Zahlenbergen herumschlagen muss. In der Fallstudie Marionnaud in Zusammenarbeit mit ELCA und Business Objects wird in dieser Arbeit auf die Möglichkeiten von Business Objects BI Software eingegangen. 11

15 Praktischer Teil 4. Business Intelligence in der Praxis 4. 1 Kundenpflege im Fokus Der ständig härtere Wettbewerb in fast allen Branchen und die sich laufend ändernden Kundenerwartungen zwingen Unternehmen dazu, sich verstärkt mit dem Kundenmanagement auseinanderzusetzen. Demnach ist es kein Wunder, dass sich nicht nur Grossunternehmen, sondern auch KMU-Betriebe mit strategischen CRM-Lösungen beschäftigen. (Meister 2007, S.58) Im Kapitel 4 wird auf eine Success Story eines mittelständigen Unternehmens eingegangen. Dass die Kundenpflege von vielen Unternehmen hoch priorisiert wird, zeigt einer im Mai 2006 von Business Week Research Services publizierter Bericht ( Seizing the BI Opportunity ). Im Rahmen dieser Studie wurden über 350 Führungskräfte amerikanischer Unternehmen u.a. nach ihren persönlichen Zielen befragt. Die Antworten zeigen, dass die Optimierung des Kundendienstes wie auch die Stabilisierung der Kundenbeziehungen von zentraler Wichtigkeit sind. ( Business Week Research Service 2006, S. 5f.) Um diesen Anforderungen gerecht zu werden, genügt es nicht, sich auf eine technische Lösung zu beschränken. Vielmehr muss das CRM als strategisches Prinzip der Unternehmensführung betrachtet werden, damit sich das Unternehmen optimal an sich ändernde Kundenbedürfnisse und gewohnheiten anpassen kann. Daher ist neben dem operativen CRM eine analytische Komponente (acrm) zur Auswertung der Kauf- und Kundendaten unabdingbar und somit integrierter Bestandteil eines strategischen CRM-Systems. (Meister 2007, S.58) Von den befragten 350 Führungskräften sagten mehr als 50% aus, dass sie bereits Business Intelligence-Systeme in ihrem Unternehmen einsetzen, u.a. im Bereich des Kundendienstes wie auch als Supportinstrument für das Marketing und den Verkauf. Die wachsende Nachfrage, die Globalisierung, der Outsourcing-Trend und die zunehmende Komplexität der Produkte und Services zwingen die Unternehmen dazu, BI & analytische Instrumente im Unternehmen einzusetzen. (Business Week Research Service 2006, S. 3) Vor dem Hintergrund dieser vier Trends steht jedes Unternehmen zudem in einer erweiterten Wertschöpfungskette mit seinen Kunden, Partnern, und anderen Stakeholdern. Dies 12

16 führt dazu, dass das Kundenbeziehungsmanagement über die Unternehmensgrenzen hinweg noch komplexer wird. 4.2 Business Intelligence-Markt Das steigende Interesse nach BI-Lösungen hat in den letzten zwei Jahren eine regelrechte Konsolidierungswelle im BI-Sektor ausgelöst. Die drei grössten BI Software-Hersteller Hyperion, Business Objects und Cognos wurden oder sind im Moment daran, von drei der weltweit grössten Software-Unternehmen Oracle, SAP und IBM akquiriert zu werden. IBM Abbildung 6: Der Business Intelligence Markt (Quelle: Abbildung 6 zeigt die momentane Situation im BI-Markt, welcher stark von den grossen Software-Häusern dominiert wird. IBM beispielsweise hat für die Übernahme des drittgrössten BI-Anbieters Cognos satte fünf Milliarden US$ gezahlt. Bis heute besitzt jedoch kein Anbieter mehr als 20% Marktanteil im BI-Markt. 13

17 Jedoch gibt es auch zahlreiche kleine Anbieter, welche sich im hart umkämpften Markt beweisen können. (Ferguson 2008, S. 24) 5. Best Practice Business Intelligence im Einsatz bei Marionnaud 5.1 Das Unternehmen Seit 2002 ist Marionnaud (marionnaud.ch) in der Schweiz präsent und durch die Übernahmen von Alrodo und der Parfümerie Principale auch kontinuierlich gewachsen. Marionnaud Schweiz gehört zur Marionnaud- Gruppe, welche 1984 in Frankreich gegründet wurde. Marionnaud ist die grösste Einzelhandelskette im selektiven europäischen Parfummarkt. Mit ihren 110 Geschäften in der ganzen Schweiz und einem Marktanteil von 20% hat sich Marionnaud in den letzten Jahren als Marktführer etabliert. Zur erklärten Philosophie von Marionnaud gehört neben einem exzellenten Preis/Leistungsverhältnis auch die persönliche und kompetente Betreuung der Kundschaft. Dazu kommt ein Vollsortiment, welches um die 10'000 Artikel umfasst; darunter natürlich prestigeträchtige Markenartikel wie Estée Lauder, Sisley, La Prairie, Lancôme, Guerlain, Shiseido oder Chanel. Neben den zahlreichen Produkten bietet Marionnaud auch bestimmte Services an, wie z.b. Skin Care, professionelles Make-up oder einen Beauty Service. Einen besonderen Service bietet die Marionnaud-Treuekarte, die in sämtlichen Geschäften im In- und Ausland gültig ist und von ca. 75% der Kundschaft benutzt wird. Mit dieser Karte lassen sich bei jedem Einkauf Treuepunkte sammeln, welche dann im Marionnaud- Sortiment eingelöst werden können. Verkaufskanäle sind neben den genannten 110 Filialen auch die Katalogbestellung und Bestellung über das Internet. (Business Objects 2007) 5.2 Ansprüche des Kunden Das den stetige Wachstum und der dadurch entstehende Mangel an aussagekräftigen Informationen auf fast allen operationellen Ebenen führte dazu, dass man sich bei Marionnaud für eine Business Intelligence-Umgebung entschied, welche in die bestehende IT Landscape integriert werden konnte. 14

18 Bis anhin wurden Analysen von Verkaufszahlen oder Daten zur Überwachung des Lagerbestandes manuell aus verschiedenen Datenquellen (ERP-System, CRM-System und AS400) gewonnen. Zudem wurden diese Reports in Excel gehalten, welches es zusätzlich erschwerte, die Reports up-to-date zu halten. Damit waren die nötigen Informationen zum Geschäftsverlauf oft zu spät und in unzureichender Detailtiefe verfügbar. Weiter bestand zudem der Wunsch nach detaillierten analytischen Auswertungen, zum Beispiel auf Filialebene über Kaufverhalten von Kundengruppen, Abverkäufen von Produkten sowie über Lagerbestände. Der Zugriff bzw. die Zugriffsrechte auf die Daten, Analysen und Berichte sollten zudem einfach über Endbenutzertools mit vielfältigem Funktionsumfang erfolgen. (ELCA 2008, S.1&2) 5.3 Projektabwicklung und Betrieb Für die Projektabwicklung wurde dem IT-Beratungsunternehmen ELCA Informatik AG ein enger Zeitplan von zehn Wochen gesetzt. Weitere Anforderungen an die ELCA AG waren, dass das existierende IT-System nach der Aufschaltung der neuen BI-Lösung im gleichen Rahmen weiter laufen konnte. Diese Anforderungen und der Wunsch nach akzeptablen Lizenzkosten für die BI-Lösung von Business Objects, akzeptablen Implementierungs- und Wartungskosten setzten dem Projekt einen ehrgeizigen Rahmen. Die gewählte Architektur erlaubt die Integration der Daten aus den drei verschiedenen Quellen; AS400, ERP Navision und aus dem sich extern befindenden CRM-System in Bordeaux. In Abbildung 2 ist die gewählte BI-Lösung dargestellt. Die Daten aus den drei Systemen werden gesammelt und fliessen in homogener Form in das Data Warehouse, (Microsoft SQL 2005) wo sie dann für die analytischen Anwendungen (Standard Reports, Ad-hoc Analysen) zur Verfügung stehen. Für die Datenanalyse wird Business Objects XI R2 eingesetzt und für die Standard Reports und Ad-hoc Analysen wird ein OLAP Analyseinstrument verwendet. Ein eigenständiges Data Mining Tool kommt im Moment noch nicht zum Einsatz. Wie bereits erwähnt, erfolgen 75% der Verkäufe mit der Marionnaud-Kundenkarte an i- dentifizierte Personen. Dadurch können nun Marketing und CRM-Kampagnen mit der 15

19 neuen Lösung von ELCA gezielter und massgeschneiderter auf die Kunden ausgerichtet werden. Durch die besseren Analysemöglichkeiten kann ständig neues Wissen über Kundenpräferenzen und -verhalten gewonnen werden Zudem ist durch die zentrale Speicherung der Kundendaten in der Schweiz die Qualität der Informationen gewährleistet. Neben zugeschnittenen Kundenanalysen lassen sich nun auch zahlreiche Reports auf Abbildung 7: IT-Landscape bei Marionnaud (Quelle: BO_Marionnaud_EN) Filialebene wie auch auf Unternehmensebene über Verkaufszahlen, Verkaufsfrequenzen, Jahresvergleiche, Lagerbestände etc. erstellen, welche man fürs Management zur Entscheidungsunterstützung verwenden kann. (Business Objects 2007) 5.3 Erfahrungen Dank der neuen BI-Plattform kann jetzt auf einem geschlossenen Geschäftsprozess aufgebaut werden, vom Einkauf, Marketing, beim Lagermanagement, von der Planung, Ausführung, Kontrolle bis hin zu Optimierung. In einem zweiten Schritt werden weitere Kompo- 16

20 nenten, zum Beispiel Informationen aus der Finanzbuchhaltung, integriert, um das Gesamtsystem noch aussagekräftiger zu machen. Durch die zwei iterativen Projektphasen und das Fokussieren auf die wichtigen Informationen konnte die Komplexität des Projekts reduziert und das Projekt erfolgreich umgesetzt werden. Wie von Anfang an geplant, wird diese in der Schweiz entwickelte Lösung nun auch in anderen Ländern, in denen Marionnaud-Filialen bestehen, ausgerollt. (ELCA 2008, S.1f.) 6. Schlussbetrachtung Durch den immer grösser werdenden Informationsfluss ist es für das Unternehmen von strategischer Bedeutung zur richtigen Zeit am richtigen Ort die benötigten Informationen zur Verfügung zu haben. Die Führungskräfte sind dadurch in der Lage ihre Entscheidungen auf eine solide Datenbasis zu stützen. Die zentrale Speicherung und Auswertung der anfallenden Informationen, erlauben es dem Unternehmen, dass die gesammelten Daten nicht ungenutzt und damit wertlos bleiben, sonder zur Optimierung beitragen. Wie man in der Case Study Marionnaud gesehen hat, ist es auch für KMU enorm wichtig sich mit dieser Problematik auseinander zu setzen. Das analytische CRM ist nur eine Möglichkeit mit Business Intelligence Software die Unternehmensperformance zu steigern. Es sollte angestrebt werden, die einzelnen BI Anwendungen zu integrieren, um damit eine umfassende elektronische Business Intelligence Landschaft zu kreieren. Wir ertrinken in Informationen, aber uns dürstet nach Wissen. John Naisbitt 17