. CRM-Symposium.. Aktuelle Trends im CRM Prof. Dr. Klaus D. Wilde Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt. &. Generation KM ext Best X Aktionsorientiertes KM Customer Data Integration Data Governance Semi- & unstructured Data On Demand Systeme IT-Infrastruktur Master Data Management SaaS SOA User Centered Design Customer Process Management Complex Event Processing CRM-Prozesse Search Engine Optimization Recommendation Engines E-Commerce Web Self Service Web. Process Mining Business Process Intelligence EPM Analytisches CRM BI. CPM Adaptive Business Intelligence Realtime Dynamic Modeling Optimization Engines Location Intelligence Mobile BI
. &. Generation KM ext Best X Aktionsorientiertes KM Customer Data Integration Semi- & unstructured Data Data Governance On Demand Systeme IT-Infrastruktur Master Data Management SaaS SOA User Centered Design Customer Process Management Complex Event Processing CRM-Prozesse Search Engine Optimization Recommendation Engines E-Commerce Web Self Service Web. Process Mining Business Process Intelligence EPM Analytisches CRM BI. CPM Adaptive Business Intelligence Realtime Dynamic Modeling Optimization Engines Location Intelligence Mobile BI Anforderung Eine Datenbasis ist qualitativ hochwertig, wenn die enthaltenen Daten für einen angestrebten Einsatzzweck geeignet sind. Einsatzzweck Ableitung Anforderungen Mail Kampagne zur eukundengewinnung Formulierung Regeln Korrekte Kundenadressen Messung Qualitätsniveau Juran, J.M.; Godfrey, B. (): Juran's Quality Handbook,. Aufl., ew York u. a., S.. PLZ = fünfstellig, numerisch Adresse = aktuell % korrekte Kundenadressen
Folgen von Datenqualitätsproblemen Kundenfokus: Kundenbeschwerden und Kundenunzufriedenheit Vertrauensverlust des Kunden gegenüber dem Anbieter Entgangener Ertrag durch falsche Zielgruppen Unternehmensfokus: Zusätzliche Kosten durch Prüfung und Korrektur Unzureichende Prozessunterstützung Fehlerhafte Entscheidungsgrundlagen Zusätzliche Kosten und entgangene Erträge Bestandteile von DQM-Projekten Reaktive Maßnahmen Daten sind bereits erfasst achlaufende Korrektur von Daten Proaktive Maßnahmen Vermeidung von Fehlern bei der zukünftigen Erfassung, Verarbeitung oder utzung von Daten
Systematisches DQM DQM-Basis Strategische DQM-Ebene IT-System Designverbesserung IT-System Designanalyse Planung Taktischer DQM-Prozess Messung Operativer DQM-Prozess Verbesserung Analyse Organisation Personal Prozesse Aktuelle Ansätze Master Data Management: Zentrale Verwaltung von konsistenten und harmonisierten Stammdaten oder Referenzdaten Vermeidung von Redundanzen Customer Data Integration: Zusammenführung und Pflege eines konsistenten und vollständigen Bildes der Kunden Übergreifend über alle Anwendungen, Datenbanken und Vertriebswegen Data Governance: Einrichtung eines Gremiums für die Verwaltung der Daten Bestimmung der Verantwortlichkeiten für Stammdaten Einführung von allgemein verbindlichen Datennormen und Richtlinien
. &. Generation KM ext Best X Aktionsorientiertes KM Customer Data Integration Data Governance Semi- & unstructured Data On Demand Systeme IT-Infrastruktur Master Data Management SaaS SOA User Centered Design Customer Process Management Complex Event Processing CRM-Prozesse Search Engine Optimization Recommendation Engines E-Commerce Web Self Service Web. Process Mining Business Process Intelligence EPM Analytisches CRM BI. CPM Adaptive Business Intelligence Realtime Dynamic Modeling Optimization Engines Location Intelligence Mobile BI Adaptive Business Intelligence Analytisches CRM der. Generation Data Mining Prognose Aktion Response ETL Adaption KW KW KW KW KW KW
Adaptive Business Intelligence Analytisches CRM der. Generation Data Mining Prognose Optimierung Aktion Response Adaption ETL : : : : : : Michalewicz, Z.; Schmidt, M.; Michalewicz, M.; Chiriac, C. (): Adaptive Business Intelligence, Berlin, Heidelberg, ew York, S. ff. Adaptive Business Intelligence Analytisches CRM der. Generation Echtzeit und Aktionszeit Wert Ereignis Erfassung Verarbeitung Reaktion Aktionszeit Zeit Daten- Latenz ETL Analyse- Latenz Adaption Prognosemodelle Entscheidungs- Latenz Optimization Engines In Anlehnung an: Martin, W. (): Dynamische Optimierung von Kundenkontakten in Echtzeit, White Paper, Annecy, S. f.
Adaptive Business Intelligence Analytisches CRM der. Generation Response Quote (%) Response-Verlauf. Generation Ø. Generation Ø Breakeven Zeit. Wo.. Wo.. Wo.. Wo.. Wo.. Wo. Adaptive Business Intelligence Praxisbeispiel Modell : Callcenter Prognose Adaption Response Modell : Callcenter : : : : :... Zeit Modell : Callcenter Prognose Adaption Response Modell : Callcenter In Anlehnung an: Martin, W. (): Dynamische Optimierung von Kundenkontakten in Echtzeit, White Paper, Annecy, S..
. &. Generation KM ext Best X Aktionsorientiertes KM Customer Data Integration Data Governance Semi- & unstructured Data On Demand Systeme IT-Infrastruktur Master Data Management SaaS SOA User Centered Design Customer Process Management Complex Event Processing CRM-Prozesse Search Engine Optimization Recommendation Engines E-Commerce Web Self Service Web. Process Mining Business Process Intelligence EPM Analytisches CRM BI. CPM Adaptive Business Intelligence Realtime Dynamic Modeling Optimization Engines Location Intelligence Mobile BI Entwicklung Innovationen. Generation KM Ressourcenmanagement. Generation KM Affinitätsmanagement. Generation KM. Generation KM Zielgruppenmanagement er er Zeit
Die. &. Generation Zielgruppenmanagement Bereich A Bereich B Bereich C Kampagnen A, A,, A n Kampagnen B, B,, B n Kampagnen C, C,, C n Einhaltung zeitlicher Mindestabstände zwischen den Kampagnen beim einzelnen Kunden. Kundenpool Kernproblem: Keine Koordination der Zielgruppen Überhöhter Werbedruck bei bei interessanten Kunden Ungenützte Chancen bei bei normalen Kunden Kernproblem: Unabhängige Planung der Kampagnenmanager Rückwärtsorientierung des s Blockierung zukünftiger Kampagnen Ungünstiger Ansprachezeitpunkt durch geblockte Ausführung Die. &. Generation (Kurzfristige) Optimierung auf Kampagnenebene Kunde Kampagnen Resultat: Suboptimale Kundenallokation Kampagnen Kunde Resultat: Suboptimale Kampagnenallokation (Kurzfristige) Optimierung auf Kundenebene
g j g gj gj gj g j j j g gj g Zeilen-/Spalten- Zeilen-/Spalten- Restriktionen Restriktionen bei bei Belegung Belegung i.o. i.o. J J J Die. Generation Setze Kundenkontakte so ein, dass die Wirkung über alle Kunden und alle Kampagnen im Planungshorizont unter Einhaltung aller Ressourcenbegrenzungen maximiert wird. Ressourcenbegrenzungen sind: Ansprechbare Kunden Ansprechbarkeit der Kunden Kampagnenauflage Kampagnenbudget Kanalkapazitäten Die. Generation Kampagnenkontakte auf Kundengruppen Kundensegmentierung Kundengruppenkontakte auf Einzelkunden Einzelkundenkontakte auf Zeitperioden Max E Restriktionen = e gj x gj g j Start Max (e (e ij ) ij ) > J Ende Start ord ord (J (J + + i ) i ) e ij ij + Auswahl max (j + (j i ) i ) J i i Kampagnenauflage Maximalzahl Kundenkontakte Kampagnenreichweite max. % Kampagnenbudget x x x A K c x B Ende Auswahl Max (e (e ij ) ij ) J x ij = ij Zeilen-/Spalten-Restriktionen anpassen e ij = ij + Ji + J i Auswahl min min (t) (t) mit mit s s = jt jt Sperrmatrix i.o. i.o. x ijt = ijt J + + i + i = J + i j i j i i t t = t t + + t t max (t) (t) mit mit s = jt jt x ij positiv ganzzahlig x gj und ganzzahlig Clusteranalyse Optimization Engine Optimization Engine Optimization Engine
Die. Generation. Generation KM Scoresumme:. Generation KM Scoresumme: Kampagne Kampagne Kunde Kunde. Generation KM Scoresumme: Kampagne Kunde. &. Generation KM ext Best X Aktionsorientiertes KM Customer Data Integration Data Governance Semi- & unstructured Data On Demand Systeme IT-Infrastruktur Master Data Management SaaS SOA User Centered Design Customer Process Management Complex Event Processing CRM-Prozesse Search Engine Optimization Recommendation Engines E-Commerce Web Self Service Web. Process Mining Business Process Intelligence EPM Analytisches CRM BI. CPM Adaptive Business Intelligence Realtime Dynamic Modeling Optimization Engines Location Intelligence Mobile BI