Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen

Transkript

1 Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen Vortrag für die Regionalgruppe München der Gesellschaft für Informatik O 2 (Germany) GmbH & Co. OHG Business Intelligence Center Udo Böhm

2 Intro: Alternative Titel des Vortrags Ursprünglich: Data-Mining für Customer Relationship Management (CRM) bei O 2 Eingereichter Titel: Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen Provokativer Vorschlag: Bekenntnisse eines Data-Mining-Häretikers Kompromiss: Warum erfolgreiches CRM mehr braucht als Data Mining Seite 2

3 Was es in diesem Vortrag nicht gibt.. 96% Bekanntheitsgrad von O 2 -.Vorstellung von O 2 -.eine weitere Data-Mining Erfolgsstory* -.ein Kochrezept für erfolgreiches CRM *siehe auch Parable of beer an diapers, Seite 3

4 Inhalt 1. Business Intelligence bei O 2 2. Data Mining Mythen 3. Modellerstellungsprozess bei BIC-CRM 4. Weg zum automatisierten CRM-Management Seite 4

5 Business Intelligence bei O 2

6 Service-Angebot des Business-Intelligence- Centers (BIC) Enterprise Data Warehouse A&U1 Unternehmensweites Berichtswesen Analysen Automatisiertes Kampagnen-Management Intelligente Steuerung von CRM-Prozessen Aufgabenbereich von BIC-CRM Seite 6

7 Unterstützung des Customer Relationship Management (CRM) durch Operatives CRM Kontakt Kampagnen Complaint Service Risk Prozesse Reporting Analysen Analytisches CRM Seite 7

8 CRM-Aktivitäten im Kunden-Lebenszyklus Wert Einführungs phase Wachstum- / Reife phase Abstiegsphase Welcome Programme Loyalty Arpu*-Up / Cost-Down Riskmanagement Regelkommunikation Kündigungsvermeidung Vertragsverlängerung Kündigungsrücknahme Zeit Kundenlebenszyklus *ARPU=Average Revenue per User Seite 8

9 Analytische Fragestellungen im CRM Segmentierung Profilanalyse Kundenprognose Mikrogeografie Prognose Simulation Seite 9

10 Wer ist der >>Kunde<<? Entitäts-Hierarchie für Privatkunden bei O 2 Hierarchie Beispielanwendung Adresse Coverage Planung 1 n Haushalt DSL Vermarktung 1 n Person Befragung / Mafo / Beschwerdebearbeitung 1 n Account / Vertragsinhaber 1 n Contract / Vertragsnutzer Mahnwesen. Tarifmigration Cross-/Up-Selling Seite 10

11 CRM-Data Mining Mythen Warum erfolgreiches analytisches CRM mehr braucht als Data Mining

12 Data Mining-Mythen* 1. Ich brauche mit DM keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebigen Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen *Auswahl, Aussagen beziehen sich auf Data-Mining im CRM-Bereich Seite 12

13 Data Mining: Unglückliche Begriffswahl? Mining suggeriert: Verhältnis Abraum:Ertrag = sehr hoch Seite 13

14 Besseres Analogon für Datenverarbeitung: Weingewinnung durch Veredlung Zunahme Aggregation Input des Prozesses Zunahme Abstraktion Experte / Knowledgebase Output des Prozesses Seite 14

15 Voraussetzung fürs Data Mining..Datenveredlung Interaktionen Transaktionen Stammdaten Externe Daten Zunahme Aggregation Log Aggregieren / Pseudonymisieren / Filtern / Bereinigen / Strukturieren Verdichten Ableitungen DWH Profiler Gesetzliche Vorschriften (Datenschutz,Telekommunikationsgesetz,.) Entscheidungsmodelle Entscheidungen / Aktionen / Interaktionen Metadaten Experten Datenveredlung Zunahme Abstraktion Data Mining Tools Output des Prozesses Data-Mining braucht vorverarbeitete Daten Seite 15

16 Beispiel für intelligente Datenveredlung: Neue Prediktoren für Prepay-Aufladungen Ziel: Aufladungen für Prepay-Verträge stimulieren Bisherige Prediktoren: Standardableitungen (Umsatz, Nutzung, vergangenes Aufladeverhalten ) Transaktionen haben mehr zu bieten: Restguthaben bei Aufladung (bis jetzt noch nicht verdichtet) Anstoß durch Marketingexperten: Untersuchung Assoziation Guthaben mit Aufladung Neue Prediktoren: z.b. Durchschnittliches Restguthaben bei Aufladung Weitere abgeleitete Merkmale: z.b. Verhältnis Restguthaben zu Aufladehöhe Seite 16

17 Data Mining Mythen und Gegenthesen 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen 1. Erfolgreiches Data-Mining im CRM ist ohne Interaktion mit Experten nicht möglich 2. Data Mining im CRM funktioniert nur auf intelligent veredelten Daten Seite 17

18 Anbieter von Data-Mining-Lösungen für CRM Viele Anbieter von sehr guten Data-Mining-Tools Seite 18

19 Anbieter für zielgerichtete Daten- Veredlung In diesembereich sind Anbieter,,Algorithmen,,Methoden,etc. rar Seite 19

20 Modellerstellungsprozess bei BIC-CRM

21 Data Mining Mythen - Teil 2 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen Seite 21

22 Was hilft hier? Tiefgehende Analyse der vorhandenen Information? Sie sind hier Wenn keine Erfahrungswerte vorliegen, nützt die beste Wissensverdichtung nichts Seite 22

23 Welche Maßnahme maximiert die Überlebenswahrscheinlichkeit? Zusätzliche Datengewinnung durch Testen Ø (Kontrollgruppe) Es muss Erfahrung gesammelt sein, damit eine Handlungsempfehlung gegeben werden kann Seite 23

24 Explizites Beispiel: Kündigungsvorhersage Data Mining Modelle liefern sehr gute Kündigungsprognosen. Doch wie Kündigungen verhindern? Verschiedene Maßnahmen wirken auf verschiedene Kundengruppen. Erkenntnis: Kündigungswahrscheinlichkeit selbst oft kein Prediktor für Wirkungsweise der Maßnahmen Seite 24

25 Datengewinnung durch Testen. <<Testdesign is 2.3 times Analysis >> (Chuck Gates*) Auftrag Auftraggeber Testdesign Testdurchführung Analyse Produktion/Umsetzung Selektion Kontakt Rollout Zeit Abzug der Profildaten Abzug der Reaktionsdaten Modell *Prof. emeritus Texas A&M Analysedatei Zielgruppenselektion Modellentwicklung Seite 25

26 Data Mining Mythen Teil 3 und Gegenthesen 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen 1. Erfolgreiches Data-Mining ist ohne Interaktion mit Experten nicht möglich 2. Data Mining funktioniert nur auf intelligent veredelten Daten 3. Intelligente Datengenerierung ist Basis für Data Mining Seite 26

27 Ein lebendes Fossil im Data Mining. die Scorecard, erfolgreich in ihrem Ökosystem RANK Variablen Familie Variable Klasse von bis Score Anteil Gut-Quote 1 PORTAL Anzahl Anmelkdungen zu o2online im % 1.7 % 1 Portal % 3.3 % % 4.5 % % 6.5 % % 6.5 % % 8.2 % % 10.3 % % 13.2 % 1 33 und mehr % 21.6 % 2 PACKS Vertrag hat Surf/ -Pack-Feature N 0 97 % 7.1 % 2 Y % 24.2 % 3 PORTAL Kunde hat den Portal N 0 46 % 3.3 % 3 Client benutzt Y % 11.3 % 4 USAGE Prozent CDR's ins nationale Festnetz % 3.5 % % 6.0 % % 7.0 % % 7.2 % % 8.5 % % 8.5 % % 8.3 % % 9.7 % % 9.7 % % 8.8 % 5 PORTAL Kunde hat sich über WEB N 0 53 % 3.8 % 5 in o2online eingeloggt Y % 12.0 % 6 USAGE Trendometer Usageskala GPRS-WAP 0 stark fallend 0 9 % 4.5 % 6 1 fallend 0 56 % 6.7 % 6 2 stagnierend % 9.1 % 6 3 steigend 33 8 % 11.2 % 6 >3 stark steigend 53 1 % 16.3 % 7 VALUE Prognose der CLTV-Klasse in den A 0 7 % 6.1 % 7 nächsten 24 Monaten B % 6.5 % 7 C % 6.7 % 7 D % 8.6 % 7 E 47 9 % 10.5 % 8 CLIENT Geschlecht Female 0 35 % 5.4 % 8 Male % 8.8 % 9 CONTRACT Mobile Number Portability Flag (Nummer N 0 91 % 7.2 % 9 wurde mitgebracht) Y 41 9 % 11.8 %.. Seite 27

28 Data Mining Mythen Teil4 und Gegenthesen 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen 1. Erfolgreiches Data-Mining im CRM ist ohne Interaktion mit Experten nicht möglich 2. Data Mining imcrm funktioniert nur auf intelligent veredelten Daten 3. Intelligente Datengenerierung ist notwendige Basis für Data Mining 4. Auch mit einfachen Algorithmen ist gutes Data Mining im CRM möglich Seite 28

29 Weg zum automatisierten CRM- Management

30 Herausforderungen in der Modellentwicklung Produktion / Umsetzung von Modellen Definition der Cut-Offs Responsequote DB je Kunde + 5 Ableitung des optimalen Cut-Offs über eine Wirtschaftlickeitsbetrachtung 5 % % 20 % kumulierter Anteil kumulierter Anteil hoher Score niedriger Score hoher Score niedriger Score Hinterlegung der Modelle in Metadaten automatisierte Skriptgenerierung automatisierte Ausführung der Skripte regelmäßige Überprüfung des Cut-Offs sowie des Modells - Änderung der Kundenbasis - saisonale Effekte - Marktdynamik (neuer Tarif ) Seite 30

31 Beispiel für Process-Intelligence 1. Next-Best-Activity (NBA) Kundenorientiertes CRM mit mehrdimensionaler Optimierung Seite 31

32 Beispiel für Prozessintelligenz : 2. Decision Engine Operative Systeme Datenbereinigung / -aggregation Datenveredelung zu entscheidungsrelevanten Merkmalen Lernen und Verstehen durch Simulation und Testing Operative Ausführung im Zielsystem Billing CRM Contacts Data Warehouse Datenveredelung Decision Engine analytische Modelle Handlungsempfehlungen Informationen Experten- Modelle Basis- Merkmale Champion Challenger 1 Challenger 2 Simulation Operatives Zielsystem Strategierouting Priorisierung Entscheidungsknoten Seite 32

33 Übersicht über CRM Applikationen bei BIC Zusammenspiel analytisches operatives CRM customer interaction interfaces Next Best Activity Process & customer intelligence Risk & Complaint Decision Engine planning & administration customer profile data mart data management customer analytics core data warehouse KPI s & reports Seite 33

34 Neue Herausforderungen für analytisches CRM bei O 2 Verkürzung der Zeit der Modellgenierung (Machine Learning, Realtime Decisioning,..) Optimiertes Testdesign (exploit & explore) Optimierung der CRM Knowledgebase Seite 34

35 Vielen Dank für Ihre Aufmerksamkeit! O 2 (Germany) GmbH & Co. OHG Business Intelligence Center Udo Böhm Udo.boehm@o2.com