Analytisches CRM im Dialogmarketing

Transkript

1 Analytisches CRM im Dialogmarketing Von Marco Denzl und Hauke Friedrich, gkk DialogGroup, München Das Dialogmarketing ist eine dynamische und interaktive Form der Marktbearbeitung. Im Gegensatz zu klassischen Marketing-Ansätzen, wie herkömmliche Anzeigen-werbung oder Werbespots, basiert das Dialogmarketing auf einer Interaktion zwischen Verkäufer und dem (potentiellen) Kunden. Deshalb hat gerade im Dialogmarketing die analytische Komponente des CRM eine besondere Bedeutung. Gezielt auf spezielle Kunden- oder Interessentengruppen zugeschnittene Kampagnen erfordern eine systematische Auswahl von Kontakten. Der Erfolg im Dialogmarketing basiert daher auf einer möglichst genauen Kenntnis darüber, welche (potentiellen) Kunden für ein Produkt in Frage kommen. Die Aufgabe des analytischen Customer Relationship Management (acrm) ist, diese Potenziale zu identifizieren. Die Ansprache der richtigen Zielgruppe im geeigneten Kontext wird durch eine zielgerichtete Analyse von Interessenten- und Kundendaten ermöglicht. Dazu existieren eine Vielzahl von statistischen und mathematischen Methoden zur Modellierung und Segmentierung. Von essentieller Bedeutung im Rahmen von Kampagnen zur Kündigungsprävention ist beispielsweise, auch wirklich den Teil der Bestandskunden anzusprechen, der tatsächlich mit erhöhter Wahrscheinlichkeit ein bestehendes Vertragsverhältnis demnächst beenden wird. Ziele und Anwendungsgebiete Der Einsatz analytischer Verfahren im Dialogmarketing rechtfertigt sich durch eine gesteigerte Effizienz im Leadmanagement-Prozess. Die Steuerung von Marketingkampagnen auf der Grundlage statistischer Analysen ermöglicht eine optimale Ausschöpfung des Marketingbudgets. Die Ansprache aller Kontakte aus der Marketingdatenbank ist auf Basis der Analyse-Ergebnisse nicht mehr erforderlich. Mit geringeren Ausgaben für eine Kampagne können bessere Ergebnisse erzielt werden. Beispielsweise muss im Rahmen einer Telemarketingaktion bei gezielter Selektion ein geringeres Adressvolumen bearbeitet werden, um den gleichen Response zu generieren.

2 Durch Verdichtung vorhandener Kunden- oder Respondierer-Daten zu Profilen und Affinitätsmodellen werden die den größten Erfolg versprechenden Kontakte für Kampagnen ausgewählt. Affinitätsmodelle liefern Scorewerte, die beispielsweise die Kauf- oder Response-Wahrscheinlich von potenziellen Kampagnen-Teilnehmern vorhersagen. Aus Profilanalysen lassen sich ebenfalls Selektionskriterien ableiten. Es werden Einzelmerkmale erkannt, die besonders gut geeignet sind, die Spreu vom Weizen zu trennen. Zusätzlich eignen sich Profilanalysen besonders gut dazu, Kunden- und Interessenten-Bestände zu beschreiben oder einzelne Kundensegmente bzw. Interessentengruppen zu vergleichen. Das klassische Anwendungsgebiet von Scoring-Modellen im Marketing ist sicherlich die Neukundengewinnung. Sowohl die Bewertung von eigenen Interessentenbeständen als auch die Bewertung von gemieteten Fremdadressen ist möglich. Für bestimmte Produkte besonders gut geeignete Kontakte können in beiden Fällen identifiziert werden. Auch im Rahmen von Cross- und Up-Selling- Aktivitäten können Kundenscores hervorragend eingesetzt werden. Hier können mit dieser Methode Kunden bestimmt werden, die speziell dafür geeignet sind, für weitere Produkte des eigenen Produkt-Portfolios beworben zu werden. Das Ziel ist letztendlich immer, das Marketing und schließlich den Vertrieb mit der bestmöglichen Qualität von Leads zu versorgen. Seite 2 von 2

3 Auch im Rahmen der Vorbeugung von Kündigungen bestehender Vertragsverhältnisse kommen analytische Methoden zum Einsatz (z.b. Abonnenten, Versicherungsnehmer). Hier können Affinitätsmodelle Unterstützung geben, um neu gewonnene Kunden nicht gleich wieder zu verlieren oder langjährige Kunden weiterhin zu binden. Akut kündigungsgefährdete Bestandskunden können ermittelt und gezielt für spezielle Kundenbindungsmaßnahmen selektiert werden. Ebenfalls eine Verbesserung der Kampagnenergebnisse wird durch differenzierte Ansprache von Interessenten- bzw. Kundengruppen erreicht. Durch Clusterverfahren werden heterogene Kundenoder Interessenten-Segmente voneinander getrennt. Die Kontakte innerhalb eines Segments sind hingegen möglichst homogen. Diese Gruppen können dann ihren jeweiligen Bedürfnissen entsprechend individuell betreut werden. Methoden und Beispiele Für die Umsetzung von optimierten Kampagnen-Selektionen auf Basis fundierter statistischer Analysen benötigt man natürlich Spezialisten mit dem entsprechenden Know-how. Die geeignete Statistikund Modellierungs-Software einzusetzen ist hier ebenfalls eine Grundvoraussetzung. Die gkk DialogGroup GmbH setzt dabei auf verschiedene Produkte und bietet somit eine breite Palette an statistischen Methoden der Modellierung. In Abhängigkeit der Art der Basisdaten und Definition des Zielwertes kann das geeignete Verfahren ausgesucht werden. Es kann beispielsweise zwischen logistischen und allgemeinen linearen Regressionsverfahren gewählt werden. Unterschiedliche Varianten zur Berechnung von Entscheidungsbäumen und Entscheidungslisten stehen ebenfalls zur Verfügung. Wie funktionieren Affinitätsmodelle eigentlich? Das Grundprinzip des Predictive Modelling besteht darin, die Merkmale aufzudecken, in denen sich die Zielgruppe von der gesamten Datenbasis signifikant unterscheidet. Ist eine Eroberungskampagne für ein bestimmtes Produkt geplant, werden die Bestandskunden dieses Produkts als Zielgruppe ausgewählt. Diese werden beispielsweise dem gesamten Kunden- oder Interessenten-Bestand, also den potenziellen Adressen für Kampagnen, des Unternehmens gegenübergestellt. Das Ergebnis der Modellierung sind Regeln zur Identifizierung von Adressen innerhalb der Potenzialmenge, die der Zielgruppe besonders ähnlich sind. Für jeden Datensatz aus der Datenbasis wird eine Wahrscheinlichkeit berechnet mit der die Person zum Kunden werden kann. Dieser Scorewert kann z.b. in Form eines Punktewertes (1 bis 9), einer Ampel oder Schulnote angegeben werden. Für diese Adressen mit besonders hohen Scorewerten besteht bei Marketingmaßnahmen zu dem Produkt eine überdurchschnittlich hohe Aussicht auf Erfolg. Seite 3 von 3

4 Voraussetzung für gut funktionierende Affinitätsmodelle ist das Vorhandensein von ausreichenden Informationen zu den analysierten Adressdatensätzen. Je größer die Informationstiefe ist (Kundendaten, Vertragsdaten, Personendaten, Angaben zum Produktinteresse, usw.), desto größer ist in der Regel die Trennkraft von Modellen. Wichtig ist außerdem, dass die im Rahmen der Modellerstellung verwendeten Merkmale auch für alle später mit den Scorewerten anzureichernden Adressdaten bekannt sind. In der Praxis hat sich das Predictive Modelling auch bei der Bereitstellung von Leads eines gkk- Kunden an seine Handelsvertretungen bewährt. Die gkk DialogGroup GmbH unterstützte bei der Erstellung eines Affintätsmodells zur Filterung geeigneter Datensätze, die nachgelagert durch die Handelsorganisation umgewandelt werden. Diese Methode, verwandt mit den klassischen Entscheidungsbäumen, bietet ein zusätzlichen Mehrwert. Es werden klare, allgemein verständliche Regeln zur Auswahl der besten Datensätze bereitgestellt. Das äußerst positive Ergebnis in diesem Praxisfall war, dass die Anzahl der an die Handelsorganisation weitergeleiteten Leads bei nahezu gleich bleibender Anzahl von Verkäufen reduziert werden konnte. Durch derartige qualitative Maßnahmen können massive Effizienz-Steigerungen bei der Bearbeitung von Leads erzielt werden. Zudem haben solche qualitativen Ansätze immer eine Akzeptanz-Steigerung in den verarbeitenden Abteilungen zur Folge. Zielgruppen für Vorhersagemodelle können nicht nur positiv definiert werden. Eine Vergleichsgruppe für den Kundenbestand können auch die Kündigungen von (unbefristeten) Vertragsverhältnissen sein. In diesem Fall konnten mit Hilfe eines Modells besonders kündigungsgefährdete Bestandskunden identifiziert werden. Diese wurden rechtzeitig erkannt und mit besonderen Maßnahmen zur Kundenbindung betreut. Diese Variante ist bei Abonnenten von Verlagen oder Versicherungskunden besonders interessant. Zur weiteren Optimierung des Leadmanagement- und Kundenbindungsprozesses folgen nach Durchführung erster Kampagnen Reagierer- oder Käuferanalysen. Es werden zusätzliche Scoremodelle mit den Respondierern oder Käufern aus bereits durchführten Marketingaktionen als Zielgruppe erstellt. Bei der Selektion von Teilnehmern weiterer Kampagnen werden die allgemeinen Modelle zur Produktaffinität und die Reagierer-Modelle in Kombination eingesetzt. Diese Vorgehensweise führt zu einer weiteren Verbesserung der Kampagnen-Ergebnisse. Seite 4 von 4

5 Datenanforderungen Welche Voraussetzungen müssen nun in der CRM-Datenbank gegeben sein, damit analytisches CRM erfolgreich und zielgerichtet angewandt werden kann? Eine gut gepflegte, valide und umfangreiche Datenbasis ist die ideale Ausgangslage für analytische Auswertungen und ist Grundlage für die erfolgreiche Anwendung statistischer Methoden. Grundvoraussetzung ist, dass neben den standardmäßig erfassten Daten wie Anrede, Name, Anschrift oder Telefonnummern auch weiterführende Informationen in der Datenbank abgebildet werden (z.b. Geburtsdatum, Kontakthistorien, Kaufhistorien; Informationen zum Produktinteresse). Je umfangreicher diese Zusatzinformationen sind, desto aussagekräftiger fallen die Ergebnisse von Modellen und Segmentierungen zur gezielten Kundenansprache aus. Weiterführende Angaben zu Einkommen, Hobbys, Freizeitinteressen und Ähnliches sind besonders wertvolle Informationen, aber in der Regel schwierig zu erhalten. Wichtig an dieser Stelle, ist darauf zu achten, die richtige Balance zwischen einer möglichst großen Informationsdichte und der Bereitschaft der Marketingkontakte diese Informationen preiszugeben, zu finden. Das verfügbare Einkommen kann bei vielen Produkten ausschlaggebend dafür sein, dass potenzielle Käufer tatsächlich zu Kunden werden. Diese sensible Information wird aber häufig nur ungern offen gelegt. Seite 5 von 5

6 Eine Alternative, um an ähnlich bedeutsame Merkmale zu gelangen, kann der Zukauf oder die Anmietung von externen Daten sein. Über Geo-Codierung lassen sich über die Adressdaten des Kontaktes Informationen zuspielen, die über sehr kleinräumige geographische Einheiten vorliegen. Daten zur Kaufkraft, dem sozialen Status, dem Bildungsgrad oder dem Kraftfahrzeugbesitz sind teilweise bis auf Hausebene verfügbar. Auch Informationen zum Kaufverhalten im Online- oder Versandhandel können auf diese Art angereichert werden. Dabei handelt es sich nicht um Echtdaten der einzelnen Personen, aber die Qualität als Einflussgröße in statistischen Modellen ist oft vergleichbar. Als Fazit kann festgehalten werden, dass die Wirksamkeit des analytischen CRM umso größer ist, je detaillierter die Daten zu den Marketingkontakten sind. Auf Basis einer qualitativ hochwertigen und umfangreichen Datenbasis lassen sich auch die Ergebnisse von Dialog-Kampagnen besser messen und interpretieren. Zudem ist es notwendig erfahrene Partner auszuwählen, die in der Lage sind, geeignete analytische Methoden zu wählen und den CRM Fokus während der Analysen nicht zu verlieren. Ein gesamthaftes CRM- und Prozess- Verständnis ist von Vorteil, um die Erkenntnisse aus den Analysen in geeignete Strategien und Ansätze zur Kundengewinnung und Kundenbindung zu transportieren. Seite 6 von 6

7 Über ein Audit Ihrer Daten und CRM relevanter Prozesse ermitteln wir Ansätze für Ihr Unternehmen. Rufen Sie uns an. Weitere Informationen gerne von den Autoren Marco Denzl und Hauke Friedrich Tel oder über Seite 7 von 7