Kundenwertanalyse Kernprozesse des CRM

Transkript

1 Kundenwertanalyse Kernprozesse des CRM Übergreifende Prozesse Kundenwertanalyse Kundensegmentierung Kundencharakterisierung Strategische Zielsetzung Strategische Analyse Vision Umfeldanalyse Ressourcenanalyse SWOT- Analyse Strategische Konzeption Strategie Entwicklung Strategie Umsetzung Maßnahmenspezifische Prozesse Zielgruppenanalyse Cross-Selling- Analyse Analytische CRM-Prozesse Abwanderungsanalyse Kundenrisikoanalyse Operative CRM-Prozesse Strategisches Controlling Ergebnis Controlling Prozess Controlling Strategischer CRM-Prozess Marketing -Prozesse Sales-Prozesse Leistungserstellung Service-Prozesse Kampagne Lead Opportunity Angebot Auftrag Feedback Support

2 Kundenwertanalyse Business Understanding 326 Der Kundenwert als zentrale Steuerungsgröße des CRM Steuerung aller CRM-Maßnahmen auf Basis des Wertbeitrags von Kundenbeziehungen Transformation oder Demarketing von Kundenbeziehungen mit negativem Wertbeitrag Fokussierung auf Kundenbeziehungen mit hohem Wertbeitrag Selektive Investitionen in Kundenbeziehungen abhängig vom Wertbeitrag Bewertung aller CRM-Maßnahmen hinsichtlich der Auswirkung auf den Kundenwert. Kenntnis der individuellen bzw. segmentspezifischen Kundenwerte ist Voraussetzung für die Konzeption individueller bzw. segmentspezifischer Marketing-, Vertriebs- und Servicekonzepte.

3 Kundenwertanalyse Business Understanding 327 Ansätze zur Kundenwert-Messung ABC-Analyse nach Umsatz kumulierter Umsatzanteil (%) 100 Umsatzbezogene ABC-Analyse Beschreibung Retrospektive, eindimensionale Kundenbetrachtung. Kunden werden nach ihrem in der Vergangenheit erzielten Umsatz bewertet und in mehrere Segmente eingeteilt. A B C kum. Anteil am Kundenstamm (%) Typische Handlungsanweisungen: A-Kunden müssen unbedingt gebunden werden. B-Kunden sollten gehalten und entwickelt werden. Bei C-Kunden ist Abwanderung tolerierbar.

4 Kundenwertanalyse Business Understanding Ansätze zur Kundenwert-Messung ABC-Analyse nach Umsatz Rapp, R. (2000): Customer Relationship Management, Frankfurt, S

5 Kundenwertanalyse Business Understanding 329 Ansätze zur Kundenwert-Messung ABC-Analyse nach Deckungsbeitrag Kunden-Bruttoerlöse pro Periode - kundenbezogene Erlösschmälerungen = Kunden-Nettoerlöse pro Periode - Kosten der vom Kunden bezogenen Produkte = Kunden-Deckungsbeitrag I - Kundenbezogene Auftragskosten (z.b. Prozesskosten für Installation, Versand) = Kunden-Deckungsbeitrag II - Kundenbezogene Marketing- und Sales-Kosten (z.b. Prozesskosten für Lead und Opportunity) - Sonstige kundenbezogene Prozesskosten (z.b. für Retouren- und Service-Prozesse) = Kunden-Deckungsbeitrag III In Anlehnung an Bruhn, M./Homburg, C. (Hrsg.): Handbuch Kundenbindungsmanagement, Wiesbaden, S. 338.

6 Kundenwertanalyse Business Understanding 330 Ansätze zur Kundenwert-Messung Statischer und dynamischer Kundenwert

7 Kundenwertanalyse Business Understanding Ansätze zur Kundenwert-Messung Dynamischer Kundenwert Kundenbeziehungs-Lebenszyklus Kunden-Lebenszyklus Beziehungsintensität Zeit Deckungsbeitrag Break- Even Geburt des Kindes Hausbau Berufsleben Sparen auf Ruhestand Kredite abgezahlt Ruhestand Alter der Kunden 331 Anbahnungsphase Sozialisationsphase Abstinenzphase Gefährdungsphase Wachstumsphase Kündigungsphase Revitalisierungsphase Gefährdungsphase Reifephase Jugendkonto Gefährdungsphase Degenerationsphase

8 Kundenwertanalyse Business Understanding 332 Ansätze zur Kundenwert-Messung Customer Lifetime Value CLV e a a T t t T e a... t 0 1 t i 1 i 1 i i T e t = (erwartete) Einzahlungen aus der Geschäftsbeziehung in Periode t a t = (erwartete) Auszahlungen aus der Geschäftsbeziehung in der Periode t i = Kalkulationszinssatz t = Periode (t = 0, 1, 2,..., T) T = Dauer der Geschäftsbeziehung e a e e a T Welche Einnahmen- und Ausgabenentwicklungen können erwartet werden? Welcher Kalkulationszinsfuß ist anzusetzen? Welche Dauer der Kundenbeziehung kann unterstellt werden? Wie kann das Relationspotential quantifiziert werden? Homburg, C.; Daum, D. (1998): Das Management der Kundenstruktur als Controllingherausforderung, in: Reinecke, S.; Tomczak, T.; Dittrich, S. (Hrsg.): Marketingcontrolling, St. Gallen, S. 139.

9 Kundenwertanalyse Data Understanding 333 Basisdaten für die Berechnung des CLV Kundendaten Identifikationsdaten Deskriptionsdaten Transaktionsdaten Identifikation i.e.s. Adresse und Kontakt Kundenprofil Soziografie Kaufhistorie Kontakthistorie Produktnutzung Demografie Haushaltsstruktur Ansprache Psychografie Mikrogeografie Reaktion Soziale Vernetzung Kundeninitiierte Kontakte

10 Kundenwertanalyse Data Preparation 334 Kundensegmentierung Berechnung segmentspezifischer Kundenwerte oder Verhaltensparameter Wichtige Segmentierungskriterien: Kundenbeziehungslebenszyklus, Kaufhistorie, Alterskohorten Kalkulationszinssatz Interner Zinsfuß aus der Investitionsplanung WACC (Weighted Average Cost of Capital) Branchentypische ROI oder Eigenkapitalrendite Zahlungsströme Einnahmen und Ausgaben je Kunde und Periode nach Kundensegmenten Basis: Kundendeckungsbeitragsrechnung und Prozesskostenrechnung Kundenwanderungen Wanderungswahrscheinlichkeiten zwischen Kundensegmenten Kundenbeziehungsdauer Oft Limitierung auf Betrachtung von 2-10 Jahren

11 Kundenwertanalyse Data Preparation Zahlungsströme - Beispiel Blattberg, R.C. et al (2008): Database Marketing Analyzing and Managing Customers, New York, S. 147 f. 335

12 Kundenwertanalyse Modeling 336 Retention-Modell zur Berechnung des CLV CLV CLV e e 0 0 a a 0 0 t 1 e a (1 i) e a i 1 1 r t r t Konstante Einnahmen und Ausgaben pro Periode Konstante Abwanderungswahrscheinlichkeit (r=retention rate) Keine Rückgewinnung abgewanderter Kunden

13 Kundenwertanalyse Modeling 337 Migration-Modell zur Berechnung des CLV im Versandhandel Recency, Frequency, Monetary Value als Determinanten des Kundenwertes (RFM) Kundenwertberechnung auf Basis einer Recency-Segmentierung (Recency Cells) Kundenwanderungen zwischen Recency Cells Netto-Cash-Flows in t=1 bis 4 Eberling, G. (2002): Kundenwertmanagement, Wiesbaden, S. 404 f.

14 Kundenwertanalyse Modeling 338 Migration-Modell zur Berechnung des CLV bei der Deutschen Bank Kundensegmentierung nach Einkommen, Vermögen, Profitabilität (intern verfügbar) Differenzierung des Kundenverhaltens nach Kaufhistorie und Altersstufen (Kohorten) Blache, R.; Hahn, J. (2002): Die Jagd nach Top-Kunden, in: Acquisa, Nr. 10, S. 34

15 Kundenwertanalyse Modeling 339 Investitionssensitives Migration-Modell zur Berechnung des CLV Einnahmenüberschüsse in den Kundensegmenten abhängig von CRM-Maßnahmen Wanderungen zwischen den Kundensegmenten abhängig von CRM-Maßnahmen Kundensegmentierung Investitionssensitives Migrations-Modell Marktvolumen Erobern Ausbauen Verteidigen Beobachten Halten Marktanteil Jaeck, H.F.T. (2011): Wertorientiertes Management von Kundenbeziehungen, Verlag Dr. Kovac, Hamburg.

16 Kundenwertanalyse Modeling 340 Investitionssensitives Migration-Modell zur Berechnung des CLV Investitionssensitive Segmentdeckungsbeiträge Erobern Ausbauen Verteidigen DB I 2.400, , , , , , , ,00 800,00 600,00 400,00 200,00 0,00 0,00 10,00 20,00 30,00 40,00 50,00 Besprechungen 0,00 20,00 40,00 60,00 Besprechungen Jaeck, H.F.T. (2011): Wertorientiertes Management von Kundenbeziehungen, Verlag Dr. Kovac, Hamburg. 0,00 20,00 40,00 60,00 Besprechungen DB I nach ADBUDG empirischer DB I

17 Kundenwertanalyse Modeling 341 Investitionssensitives Migration-Modell zur Berechnung des CLV Investitionssensitive Wanderungswahrscheinlichkeiten Jaeck, H.F.T. (2011): Wertorientiertes Management von Kundenbeziehungen, Verlag Dr. Kovac, Hamburg.

18 Kundenwertanalyse Modeling 342 Modellierung des Referenzpotentials Quantifizierung des Referenzpotentials Monetarisierung des Referenzpotentials Gesonderte Berechnung nach Kundensegmenten Helm, S. (2003): Kundenempfehlungen als Baustein des Kundenwerts, erscheint in: Hippner, H.; Wilde, K.D. (Hrsg.): Grundlagen des CRM, Wiesbaden.

19 Kundenwertanalyse Evaluation 343 Langer Zeithorizont bei der Ermittlung empirischer Kundenwerte: prospektive Evaluation nicht sinnvoll anwendbar. Alternative Evaluations-Konzepte Evaluation anhand kurzfristiger Teilkundenwerte (z.b. 6 Monate, 1 Jahr) Retrospektive Evaluation anhand abgeschlossener/ fortgeschrittener Kundenbeziehungen (Zeitstabilität der Modellierung?) Prämissen-Kontrolle statt Ergebnis-Evaluation (Überwachung der Modellparameter, z.b. Konversionsraten, Kauffrequenzen, Kaufvolumina etc.) Grenzen der Kundenwertprognose

20 Kundenwertanalyse Deployment 344 Bereitstellung und Nutzung in CRM-Prozessen Kundenwert für jeden Kunden als Merkmal im DWH hinterlegt Regelmäßige Aktualisierung des Kundenwerts für jeden Kunden Gesonderte Wertung hinsichtlich Transaktions-, Referenz- und Informationspotential Reporting und Monitoring von CRM-Prozessen nach Kundenwert-Klassen Differenzierte Ausgestaltung von CRM-Prozessen nach Kundenwert Gezielte CRM-Aktionen bei massiver Kundenwert-Veränderung Nutzung in weiterführenden Analysen

21 Kundenwertanalyse Deployment 345 Kundenwertbasiertes Customer Relationship Management Reaktive Steuerung des CRM Proaktive Steuerung des CRM Monitoring/Reporting der CLV-Treiber Kundengewinnungskosten Kundenbetreuungskosten Kundendeckungsbeitrag Kundengewinnungsrate Kundenwanderungen Kundenabwanderungsrate Differenziert nach Kundensegmenten Kundenbeziehungs-Lebenszyklus Kampagnenzielgruppen => Ganzheitliche, zukunftsorientierte Bewertung aller durchgeführten CRM-Aktionen und -Prozesse CLV als kundenspezifisches Investitionslimit CLV-abhängige Differenzierung von CRM-Prozessen Gezielte Akquisition CLV-starker Neukunden Gezielte Rückgewinnung CLV-starker Abwanderer (gesonderter Second Lifetime Value (SLTV) ) Break-Even-Analyse von CRM-Maßnahmen Return on Investment von CRM-Maßnahmen CRM-Budgetierung nach Kundenbeziehung-Lebenszyklus und Kundensegmenten => Ganzheitliche, zukunftsorientierte Bewertung aller geplanten CRM-Aktionen und -Prozesse

22 Übersicht 1 Grundlagen des CRM 2 IT-Systeme im CRM 2.1 Kundendaten im CRM 2.2 Operatives CRM 2.3 Analytisches CRM IT-Systeme im analytischen CRM Kernprozesse im analytischen CRM Kundenwertanalyse Kundensegmentierung Kundencharakterisierung Zielgruppenanalyse Cross-Selling-Analyse Abwanderungsanalyse Kundenrisikoanalyse 2.4 Integration von ocrm und acrm 3 Management von Kundenbeziehungen

23 Kundensegmentierung Kernprozesse des CRM Übergreifende Prozesse Kundenwertanalyse Kundensegmentierung Kundencharakterisierung Strategische Zielsetzung Strategische Analyse Vision Umfeldanalyse Ressourcenanalyse SWOT- Analyse Strategische Konzeption Strategie Entwicklung Strategie Umsetzung Maßnahmenspezifische Prozesse Zielgruppenanalyse Cross-Selling- Analyse Analytische CRM-Prozesse Abwanderungsanalyse Kundenrisikoanalyse Operative CRM-Prozesse Strategisches Controlling Ergebnis Controlling Prozess Controlling Strategischer CRM-Prozess Marketing -Prozesse Sales-Prozesse Leistungserstellung Service-Prozesse Kampagne Lead Opportunity Angebot Auftrag Feedback Support

24 Kundensegmentierung Business Understanding 348 Kundengruppen mit unterschiedlichem Transaktions- und Kommunikationsverhalten und unterschiedlichen Kundenwerten erfordern eine differenzierte Ausgestaltung von Angeboten und CRM-Prozessen. Differenzierte Bearbeitung verschiedener Kundengruppen oder Fokussierung auf bestimmte Kundengruppen. Kundenwanderungen zwischen den verschiedenen Kundengruppen erfordern Anpassung von Angeboten und CRM-Prozessen. Unterschiedliche Segmentierungen im operativen und strategischen CRM Grobsegmentierung im strategischen CRM (3-5 Kundensegmente untergliedert nach Kundenbeziehungs-Lebenszyklus) Feinsegmentierung im operativen CRM (u.u. >100 Kundensegmente, verschiedene Kundensegmentierungen für verschiedene Anwendungsfelder)

25 Kundensegmentierung Data Understanding 349 Basisdaten für die Berechnung des CLV Kundendaten Identifikationsdaten Deskriptionsdaten Transaktionsdaten Identifikation i.e.s. Adresse und Kontakt Kundenprofil Soziografie Kaufhistorie Kontakthistorie Produktnutzung Demografie Haushaltsstruktur Ansprache Psychografie Mikrogeografie Reaktion Soziale Vernetzung Kundeninitiierte Kontakte

26 Kundensegmentierung Data Preparation 350 Auswahl der Segmentierungsmerkmale bestimmt das abgebildete Verhalten Datenaufbereitung für Clusteranalyse und KNN Normierung oder z-transformation der Merkmale zur Verhinderung einer implizite Gewichtung (keine Maßstabsinvarianz der meisten Proximitätsmaße) Manuelle Vorauswahl oder Faktorenanalyse der Ursprungsmerkmale zur Verhinderung einer impliziten Gewichtung verschiedener Verhaltensdimensionen (mehrere korrelierte Merkmale zur Beschreibung eines Verhaltensaspekt erhöhen dessen Einfluss auf die Proximität) Bevorzugte Nutzung von Merkmalen mit hoher Verfügbarkeit

27 Kundensegmentierung Modeling 351 Methoden Clusteranalyse Künstliche Neuronale Netze (Self Organizing Maps SOM) Unterscheidung nach Erkenntniszielen Kundensegmentierung nach vorgegebenen Verhaltensdimensionen (Kommunikationsverhalten, Kaufverhalten, Kundenwert, ) Aufdeckung natürlicher Kundensegmente Unterscheidung nach Anwendungsfeldern Generelle Kundensegmentierungen (z.b. strategische Kundentypen) Anwendungsspezifische Kundensegmentierungen (z.b. Kündiger-Typen)

28 Kundensegmentierung 352 Beispiel Kaufverhaltensorientierte Kundensegmentierung einer Bank

29 Kundensegmentierung Evaluation 353 Differenzierte Profile der Kundensegmente hinsichtlich nutzungsrelevanter Segmentierungsmerkmale (z.b. Kauf- und Kommunikationsverhalten) Deskriptionsmerkmale (z.b. Kundenwert, Lebensstil, Mediennutzung, ) Größe der Kundensegmente Zeitstabilität der Kundensegmente Verhaltensrelevanz der Kundensegmente

30 Kundensegmentierung Deployment 354 Bereitstellung und Nutzung in CRM-Prozessen Segmentzugehörigkeit für jeden Kunden als Merkmal im DWH hinterlegt Regelmäßige Aktualisierung der Segmentzuordnung für jeden Kunden Profile der Kundensegmente als Metadaten im Repository Segmentspezifisches Reporting und Monitoring von CRM-Prozessen Differenzierte Ausgestaltung von CRM-Prozessen nach Kundensegmenten Gezielte CRM-Aktionen für Kundensegmentwechsler (z.b. für Wechsel Nesthocker DINK (Double Income No Kids) volles Nest ) Nutzung in weiterführenden Analysen

31 Übersicht 1 Grundlagen des CRM 2 IT-Systeme im CRM 2.1 Kundendaten im CRM 2.2 Operatives CRM 2.3 Analytisches CRM IT-Systeme im analytischen CRM Kernprozesse im analytischen CRM Kundenwertanalyse Kundensegmentierung Kundencharakterisierung Zielgruppenanalyse Cross-Selling-Analyse Abwanderungsanalyse Kundenrisikoanalyse 2.4 Integration von ocrm und acrm 3 Management von Kundenbeziehungen

32 Kundencharakterisierung Kernprozesse des CRM Übergreifende Prozesse Kundenwertanalyse Kundensegmentierung Kundencharakterisierung Strategische Zielsetzung Strategische Analyse Vision Umfeldanalyse Ressourcenanalyse SWOT- Analyse Strategische Konzeption Strategie Entwicklung Strategie Umsetzung Maßnahmenspezifische Prozesse Zielgruppenanalyse Cross-Selling- Analyse Analytische CRM-Prozesse Abwanderungsanalyse Kundenrisikoanalyse Operative CRM-Prozesse Strategisches Controlling Ergebnis Controlling Prozess Controlling Strategischer CRM-Prozess Marketing -Prozesse Sales-Prozesse Leistungserstellung Service-Prozesse Kampagne Lead Opportunity Angebot Auftrag Feedback Support

33 Kundencharakterisierung Business Understanding 357 Planung von CRM-Maßnahmen für Kunden mit bestimmten Charakteristika, die ganz oder teilweise unbekannt sind, z.b. Geschäftsbeziehung zu Wettbewerbern sensible Demografie (Einkommen, Vermögen, Risikobereitschaft, ) Wahrscheinlichkeitsaussagen über unbekannte Kundencharakteristika, z.b. Produktaffinitäten Kanalaffinitäten Beziehung zu Wettbewerbern Zugehörigkeit zu Kundensegmenten

34 Kundencharakterisierung Business Understanding 358 Daten-Matching Daten-Fusion Name Vorname PLZ Ort Straße HNr. Kunde seit Umsatz 2011 Meyer Josefine Oberdorf Kirchstr ,7 Müller Georg Musterstadt Hauptstr ,73 Name Vorname PLZ Ort Straße HNr. BamS Abo Meyer Josefine Oberdorf Kirchstr. 3 ja Müller Georg Musterstadt Hauptstr. 15 nein

35 Kundencharakterisierung Data Understanding 359 Kundendaten Identifikationsdaten Deskriptionsdaten Transaktionsdaten Identifikation i.e.s. Adresse und Kontakt Kundenprofil Soziografie Kaufhistorie Kontakthistorie Produktnutzung Demografie Haushaltsstruktur Ansprache Psychografie Mikrogeografie Soziale Vernetzung Reaktion Kundeninitiierte Kontakte

36 Kundencharakterisierung Data Preparation 360 Daten-Matching Direkte Anreicherung aus externen Quellen, wenn dort Identifikationsdaten verfügbar. Überprüfung und Korrektur von Identifikationsdaten, z.b. Plausibilitätsprüfung ( Gültige PLZ, Hausnummer, gültige Domain bei -Adresse, ) Externe Validierung (Post- und -Adressen, Telefonnummern, etc.) Bereinigung von Rückläufern und Bounces Daten-Fusion Indirekte Anreicherung aus anonymen externen Quellen über gemeinsame Merkmale. Identifikation gemeinsamer Datenfelder in Kundendatenbank und externer Quelle. Abgleich von Skalierung und Erhebungssystematik. Überprüfung der Relevanz und Vollständigkeit der gemeinsamen Datenfelder.

37 Kundencharakterisierung Modeling 361 Daten-Matching Verknüpfung verschiedener kundenbezogener Datenbestände über gemeinsame Primärschlüsselsysteme (Kundenummer, Telefonnummer, -Adresse etc.) Adressabgleich (Name, Anschrift, etc.) Probleme beim Adressabgleich Unterschiedliche Schreibweisen: Markovicova/ Marcovitschova, Sibylle/Sybille, Meier/Meyer/Mayr, Dellingerweg/ Dellinger Weg Tippfehler: Dellingerweg 7/ Dettingerweg 6 Wortumstellungen: Immobilienbüro Mayr/ Meier Immobilien Abkürzungen und Akronyme: GfK/ Gesellschaft für Konsumforschung Durchführung des Adressabgleichs Automatisierter Abgleich mit fehlertoleranten Abgleichalgorithmen Manuelle Nachbearbeitung ohne/ mit Kundenkontaktierung Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; Zugriff am ; Zugriff am

38 Kundencharakterisierung Modeling 362 Daten-Matching Anforderungen an Vergleichsalgorithmen Effektivität: Hohe Qualität der erkannten Übereinstimmungen Precision = tp/(tp+fp) Recall = tp/(tp+fn) Zuverlässigkeit erkannter Treffer Ausschöpfung der möglichen Treffer Effizienz: Anstieg der Verarbeitungszeit mit wachsender Adressenzahl Zielkonflikte beim Adressenabgleich Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; Zugriff am ; Zugriff am

39 Kundencharakterisierung Modeling 363 Daten-Matching Grobablauf fehlertoleranten Vergleichsalgorithmen Partitionierung der Fremddatei in Partitionen ähnlicher Datensätze Paarvergleich mit allen Datensätzen interessanter Partitionen der Fremddatei Berechnung einer Ähnlichkeitsmaßzahl für alle Paare Auswahl des Paars mit maximaler Ähnlichkeitsmaßzahl Annahme der Übereinstimmung, wenn Ähnlichkeitsmaßzahl > Schwellenwert Partitionierung Blocking: Bestimmung eines Blockschlüssel aus den Datensatz-Attributen, z.b. erster Buchstabe des Nachnamens + Geschlecht. Clustering: Vollständiger Paarvergleich mit einfachem (schnellem) Ähnlichkeitsmaß. Darauf aufbauend Clusterbildung Sorted Neighborhood: Schlüssel aus Datensatz-Attributen Sortierung nach Schlüssel-Werten Paarvergleich nur wenn maximal n Datensätze Abstand in der sortierten Reihenfolge Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; Zugriff am ; Zugriff am ; Thor, A. (2010): Datenintegration, Vorlesung an der Universität Leipzig, WS 2010/11

40 Kundencharakterisierung Modeling 364 Daten-Matching Ähnlichkeitsmaße Spezifische Ähnlichkeitsmaße für verschiedene Attribute (Name, Vorname, Alter, Geldbeträge, Straßen, Orte, PLZ, Hausnummern, Zeichenketten etc.) Ähnlichkeitsmaß wird aus den Ähnlichkeitsmaßen der einzelnen Attribute zusammengeführt Ähnlichkeitsmaße für Zeichenketten Edit-basierte Ähnlichkeitsmaße: Zeichenweiser Vergleich zweier Zeichenketten Levenshtein-Distanz: Anzahl der zur Überführung erforderlichen Edit-Operationen (insert, delete, replace) SOUNDEX-Maß: Erster Buchstabe gefolgt von Codes für die nächsten drei Konsonanten, wobei ähnliche Konsonanten den gleichen Code erhalten (B und P erhalten 1, V und B erhalten 0 ). Beachtet Lautähnlichkeiten. Etc. Token-basierte Ähnlichkeitsmaße: Vergleich übereinstimmender Teilketten oder Worte Jaccard-Ähnlichkeit: Anzahl gemeinsame Token in Vergleich zu allen Token beider Zeichenketten q-gram-ähnlichkeit: Anzahl gemeinsamer Token der Länge q. Etc. Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; Zugriff am ; Zugriff am ; Thor, A. (2010): Datenintegration, Vorlesung an der Universität Leipzig, WS 2010/11

41 Kundencharakterisierung Modeling 365 Daten-Matching Beispiel für gefundene Ähnlichkeiten (0-100 %) Mueller Moebel GmbH Möbelmüller GmbH: 94 % Sponheimstraße 12 Sponheimerstraße 12: 97 % Sponheimstraße 12 Sponheimerstraße 21: 91 % Bauamt Wuntorf (Bauveralt.) Bauverwaltung Bauamt Wundorf: 86 % Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; Zugriff am ; Zugriff am

42 Kundencharakterisierung Modeling Daten-Fusion Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, Schloss Hirschberg. 366

43 Kundencharakterisierung Modeling Daten-Fusion 367

44 Kundencharakterisierung Modeling 368 Daten-Fusion Methoden zur Modellbildung Prognose- und Klassifikationsmethoden des Data Mining (Klassifikations- und Regressionsbäume, Regressionsanalyse, Künstliche Neuronale Netze, etc.) Segmentierungsmethoden (z.b. k Nearest Neighbour) Link-Variable: wichtig ist Inhaltlicher Zusammenhang mit den zu fusionierenden Merkmalen. Soziodemografie Produktnutzung Nutzungssituation etc. Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, Schloss Hirschberg.

45 Kundencharakterisierung Evaluation 369 Daten-Matching Precision und Recall anhand validierter Testfälle Unterschiedliche Gewichtung von false-positive und false-negative je nach intendierter Anwendung. Daten-Fusion Kreuzvalidierung mit Kalibrierungs- und Teststichprobe hinsichtlich Trefferquote/ Prognosefehler der fusionierten Merkmale Häufigkeits-Verteilung der fusionierten Merkmale in der Kalibrierungs- und Teststichprobe Korrelationen der fusionierten Merkmale in der Kalibrierungs- und Teststichprobe Überprüfung von Overfitting und Generalisierungsfähigkeit Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, Schloss Hirschberg.

46 Kundencharakterisierung Deployment 370 Bereitstellung und Nutzung in CRM-Prozessen Fusionierte Merkmale für jeden Kunden als Merkmal im DWH hinterlegt Regelmäßige Aktualisierung für jeden Kunden Direkte Nutzung zur Kundenansprache Indirekte Nutzung in weiterführenden Analysen, z.b. Churn Prediction: Welche Kunden sind kündigungsgefährdet? (interne Daten+ Kundenbindungsstudie) Cross-/ Up-Selling (interne Daten + Gesamtmarktverhalten) Customer Lifetime Value (z.b. Transaktionswert aus internen Daten, Loyalität aus Marktforschungs-Studie) Neuproduktaffinität: Welche Kunden sind für ein neues Produkt besonders affin? (interne Daten+ Neuproduktnutzung aus Marktforschungsstudie) Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, Schloss Hirschberg.

47 Kundencharakterisierung Beispiel - Kundencharakterisierung bezüglich Wettbewerbsbindung 371 Problemstellung Datenanreicherung der Kundendatenbank aus Finanzmarkt-Panel Gesucht: Kunden mit Rechtsschutz-Versicherung bei Wettbewerber Daten Kundendatenbank Finanzmarkt-Panel Methoden Scoring-Modell ableiten aus den Daten des Finanzmarkt-Panels Scoring-Modell anwenden auf Kundendatenbank

48 Kundencharakterisierung Beispiel - Kundencharakterisierung bezüglich Wettbewerbsbindung 372