Optimierung von Direct Marketing-Kampagnen im Fundraising dank Data Mining

Größe: px

Ab Seite anzeigen:

Download "Optimierung von Direct Marketing-Kampagnen im Fundraising dank Data Mining"

Axel Frei
vor 8 Jahren
Abrufe

1 1.22 Optimierung von Direct Marketing-Kampagnen im Fundraising dank Data Mining Raphael Hess WWF Schweiz 28. Oktober

2 Agenda Worum es geht! Data Mining 2 2

3 WWF Worldwide 1961 Gründungsjahr +5,000 Mitarbeiter +100 in über 100 Ländern auf 5 Kontinenten +5,000,000 Supporter Der WWF will der weltweiten Naturzerstörung Einhalt gebieten und eine Zukunft gestalten, in der die Menschen im Einklang mit der Natur leben. 3

der weltweiten Naturzerstörung Einhalt gebieten und eine Zukunft

4 WWF Schweiz 98% Bekanntheitsgrad 180 Mitarbeiter 40 Mio. Einnahmen Supporter Der WWF setzt sich weltweit ein für:.. die Erhaltung der biologischen Vielfalt,.. die nachhaltige Nutzung natürlicher Ressourcen,.. die Eindämmung von Umweltverschmutzung und schädlichem Konsumverhalten. 4

. die Erhaltung der biologischen Vielfalt,.

5 Alpenbild Nur für Präsentation Nicht ins PDF/Handout Meager meadowhabitat Meager meadowhabitat, near Sent, Grisons Image No: Yannick Andrea / WWF-Switzerland 5

meadowhabitat, near Sent, Grisons 11.06.

6 Agenda Worum es geht! Data Mining Menu «mise en place» Appetizer Hauptgang Nachspeise 6 6

7 «mise en place» Daten verstanden und aufbereitet Data Mining Infrastruktur aufgebaut Datenschutz geregelt in Data Mining Goals übersetzt Business Goals formuliert Business Understanding erarbeitet 7

geregelt in Data Mining Goals übersetzt Business

8 Agenda Worum es geht! Data Mining Menu «mise en place» Appetizer Retourenmanagement Hauptgang Nachspeise 8 8

9 1 st Level Segmentation Juristische Personen Major Donors Interessenten Erwachsene Ehemalige Kinder & Jugendliche 9

10 2nd Level Segmentation: Retourenmanagement Value A + A B + B Erwachsene C + C Bindung 10

11 Agenda Worum es geht! Data Mining Menu «mise en place» Appetizer Retourenmanagement Hauptgang Spendenmailings Nachspeise 11 11

12 Mailing-Versand optimieren Anzahl Personen Interessenten, Ehemalige Höherer ROI Erwachsene Privatpersonen Zufriedene Kunden Geringere Umweltbelastung Spender Mitglieder Fans Anzahl Mailings im Jahr

Kunden Geringere Umweltbelastung Spender Mitglieder Fans 1 2 3 4

13 Modellierung: Lernen aus der Vergangenheit Training Mailing A t1 Vor Versand Indikatoren Rule Induction t2 Reaktion auf Mail Response: ja/nein Validierung Vorhersage Mailing B Indikatoren Model? Response- Wahrscheinlichkeit Response: ja/nein 13

Mail Response: ja/nein Validierung Vorhersage Mailing B

14 Modellierungstyp: Entscheidungsbaum Wenige Responder Viele Responder 14

15 Der vollständige Entscheidungsbaum m 15 Kaum Responder Fast nur Responder

16 Vorhersage Anwendung des Modells auf neue Daten Anzahl Adressen hoch < Vorhergesagte Response-Wahrscheinlichkeit > tief 16

17 Vorhersage Anwendung des Modells auf neue Daten hoch < Vorhergesagte Response-Wahrscheinlichkeit > tief 17

18 Model Performance Gains Chart 6:100 90:50 65:20 50:10 50:50 hoch < Adressen sortiert nach vorhergesager Response-Wahrscheinlichkeit > tief 18

19 Model Performance Finanziell hoch < Adressen sortiert nach vorhergesager Response-Wahrscheinlichkeit > tief 19

20 Festlegen der Auflage 1 Gewinnmaximierung 97% der Einnahmen 104% des Gewinns 79% der Kosten hoch < Adressen sortiert nach vorhergesager Response-Wahrscheinlichkeit > tief 20

21 Festlegen der Auflage 2 Return on Investment 91% der Einnahmen 100% des Gewinns 59% der Kosten hoch < Adressen sortiert nach vorhergesager Response-Wahrscheinlichkeit > tief 21

22 Festlegen der Auflage 3 Rotation ROI Pro Perzentil immer oft selten nie Kumuliert hoch < Adressen sortiert nach vorhergesager Response-Wahrscheinlichkeit > tief 22

23 Summary

24 Agenda Worum es geht! Data Mining Menu «mise en place» Appetizer Retourenmanagement Hauptgang Spendenmailings Nachspeise 24 24

25 Wofür der WWF den IBM SPSS Modeler sonst noch einsetzt Modellierungen für Cross-/Upselling Ad hoc Analysen vor Strategieentscheiden Wiederkehrende Analysen Cockpit Alle Produkte und Aktionen Datenqualität 25

26 Erfolge Vom Bauchgefühl zum Wissen Organisationelle Transformation umgesetzt Mehr Wirkung pro Spendenfranken Return on Investment erhöht Diverse Marketing-Massnahmen ausgelöst 26

27 Zukunft Rotation optimieren Online/Offline-Mix 27

28 Thank you! 28

29 The Zurich hub will focus on financial services and public sector analytics. Fraud, financial, brand and reputation and traffic management will be focus areas. In Budapest, IBM will focus on recruiting students for careers in analytics. Applied mathematics will be applied to infrastructure, transportation and logistics at ELTE University. Vienna will be devoted to analytics for supply chains, smart grids, cities and planning. IBM, Oktober

Ähnliche Dokumente

DIE HOTZ-GRUPPE INTEGRIERTE KOMMUNIKATIONSLEISTUNGEN

DIE HOTZ-GRUPPE INTEGRIERTE KOMMUNIKATIONSLEISTUNGEN ÜBER UNS MARKO TIMAR BERUFLICHE STATIONEN MANAGING DIRECTOR SCHWERPUNKTE Web-Strategien E-Commerce Digital Media Consulting Usability / Accessibility