Analytisches CRM und Data Mining Magische Zahlen für das Marketing Computerwoche Initiative CRM 2009 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Mitglied im CRM Expertenrat
Beginnen wir mit einer Definition Customer Intelligence, auch Kundenanalytik oder analytisches CRM genannt, umfasst das systematische Aufzeichnen und Auswerten von Kundenkontakten und Kundenreaktionen. Ziele sind die kontinuierliche Optimierung der kundenbezogenen Geschäftsprozesse und die nachhaltigen Steigerung des Kundenwertes in allen Phasen des Kundenlebenszyklus. Gegenstand von Customer Intelligence sind interne und externe Kundendaten. Sie können sowohl in strukturierter wie auch unstrukturierter Form vorliegen... Die Analyse erfolgt analog der Analyse mittels Business Intelligence. Das umfasst Standard- und adhoc-reporting, OLAP, statistische Verfahren und Data Mining, aber neuerdings auch Text Mining und Textanalyse, also auch Such- und linguistische Verfahren. [1] [1] Dr. Wolfgang Martin und Prof. Dr. Andreas Seufert, IBI 2 Copyright 2009 SARL Martin
Magische Zahlen für das Marketing Business-Trends: Customer Intelligence IT-Trends: Auf die Service-Orientierung kommt es an Data Mining Trends: Entwickeln und Nutzen prädiktiver Modelle 3 Copyright 2009 SARL Martin
Customer Intelligence Kunden-Lebenszyklus Kundenwert Kunden- Wachstum Kunden- Akquise Kunden- Bindung 360 Kundensicht Zeit Interaktionsdaten - Angebote - Ergebnisse - Kontext - Click streams - Notizen Beschreibende Daten - Attribute - Charakteristiken - Selbstangaben - Demographie Verhaltensdaten - Bestellungen - Transaktionen - Zahlungshistorie - Verweildauer Kundencharakteristik - Meinungen - Vorlieben - Bedürfnisse & Wünsche 4 Copyright 2009 SARL Martin
Customer Intelligence Check 2008 Mit dem Customer Intelligence Check wollten wir den Status Quo und die Trends im deutschsprachigen Markt untersuchen, wie Customer Intelligence hier eingesetzt und gelebt wird und was die Trends sind. 5 Copyright 2009 SARL Martin
Ergebnisse Strategie Bedeutung von Customer Intelligence nach Phase im Customer Life Cycle Neukundengewinnung weniger 24% 9% 13% 27% Kundenentwicklung/ Erhöhung des Kundenwertes Kundenbindung 27% Vermeidung von Kundenverlusten Kundenrückgewinnung weniger 6 Copyright 2009 SARL Martin
Ergebnisse Prozesse/Organisation Sponsor für Customer Intelligence 8% 6% 16% 16% 50% 30% Ja nein ni cht kl ar geregel t 54% 20% Geschäftsführung/ Vorstand Leiter Vertrieb Leiter Marketing Leiter IT (CIO) Sonst i ge 7 Copyright 2009 SARL Martin
Ergebnisse Prozesse/Organisation Informationelle Grundlage von Customer Intelligence Kundendaten integriert 7% 11% trifft zu/ eher zu weder-noch 82% trifft nicht zu/ eher nicht zu aber nur bei 51% sind unstrukturierte Daten integriert nur 49% nutzen externe Adressen gar nur jeweils 26% demographische oder soziographische Daten. erst 24% der Befragten nutzen Daten aus dem Web Der Schatz, der in den Kundendaten steckt, ist heute nur zu einem kleinen Teil gehoben! 8 Copyright 2009 SARL Martin
Ergebnisse Technologie Technologieeinsatz im Rahmen von Customer Intelligence Data Warehouse 100,00% Sonstige 75,00% Standardreporting 50,00% Web 2.0 25,00% 0,00% Ad-Hoc Reporting Text Mining OLAP St at ist ische Verfahren Data Mining 9 Copyright 2009 SARL Martin
BusinessTrends: Customer Intelligence Check Unternehmen sehen mehr Investitionsbedarf in Kundenanalytik Hohe Bedeutung von Customer Intelligence, insbesondere als Wettbewerbsvorteil 76% der Befragten wollen in 2008/09 mehr in Customer Intelligence investieren Der Markt ist noch jung: Es gibt deutliche Verbesserungspotentiale in der Organisation und im Nutzen von Technologie Fazit für Nutzer: Die Organisation von und der Technologieeinsatz für Customer Intelligence zeigt noch hohe Verbesserungspotentiale. Erfreulich ist die relativ hohe Investitionsbereitschaft in Customer Intelligence, so dass die hohe Bedeutung, die in Customer Intelligence gesehen wird, mittelfristig auch in quantifizierbaren Nutzen umgesetzt werden kann. Fazit für Anbieter: Customer Intelligence hat viel Potential für die existierenden BI-Anbieter und auch für innovative Neueinsteiger in diesen Markt. Der Markt ist noch weit offen insbesondere beim adhoc-reporting und beim Erschließen von Webdaten. Marktfelder wie Text Mining und Web 2.0 Analytik sind noch gar nicht etabliert. Fazit 10 Copyright 2009 SARL Martin
Magische Zahlen für das Marketing Business-Trends: Customer Intelligence IT-Trends: Auf die Service-Orientierung kommt es an Data Mining Trends: Entwickeln und Nutzen prädiktiver Modelle 11 Copyright 2009 SARL Martin
Intelligente Prozesse kollaborativer Geschäftsprozess Composite/Mashed Application (Web) Services Integrationsdrehscheibe (ESB) Regel Maschine prädiktive Modelle Datenintegration Analytik Externe Daten Operative Daten Data Warehouse Dynamischer Datenzugriff 12 Copyright 2009 SARL Martin
Service-Modelle in einer SOA Portal - Multikanal Kollaborativer Geschäftsprozess Informations- Services Analytische Services Rules Services Operative Services Kollaborative Services Entwicklungs- Services Data Integration Plattform Services Repository Enterprise Service & Service Data Bus Drittanbieter- Services (SaaS) Applikations- Services Zugriffs- Services IT Management- Services Infrastruktur-Services Web- Daten Externe Daten Data Warehouse Unstrukturierte Daten Operationale Daten 13 Copyright 2009 SARL Martin
WWW als Datenquelle für CRM Events als Auslöser (neue Marktspieler, neue Produkte, Kampagnen, Neuigkeiten, etc) WWW Soziale Medien (Blogs, Wikis, Podcasts, Foren, Newsgroups, Second Life, Search, Tagging, etc) Teilnehmer (Unternehmen, Kunden, Konsumenten, Presse, Organisationen, Parteien, Institute etc) 14 Copyright 2009 SARL Martin
Services für Echtzeit-Analytik Erschliessen des www Kontinuums Web Service Datenintegration Crawler/Parser Web Services WWW Jede Information im www kann über einen Web Service in einer SOA analog SaaS genutzt werden. Prozesse können durch Echtzeit-Web Informationen intelligent werden. 15 Copyright 2009 SARL Martin
IT-Trends: SOA und Analytik Prozesse stehen im Fokus des Unternehmens Mittels SOA werden Prozesse agil und industrialisiert Mittels SOA wird Analytik in Prozesse eingebettet Mittels SOA kommt Analytik an jeden Arbeitsplatz Mittels SOA werden kollaborative Services (Mensch zu System; Mensch zu Mensch) in Prozesse eingebettet Analytik ist nicht mehr auf ein Data Warehouse beschränkt Fazit 16 Copyright 2009 SARL Martin
Magische Zahlen für das Marketing Business-Trends: Customer Intelligence IT-Trends: Auf die Service-Orientierung kommt es an Data Mining Trends: Entwickeln und Nutzen prädiktiver Modelle 17 Copyright 2009 SARL Martin
Der Data Mining-Prozeß Datenexploration operative Systeme Dynamische Data Marts VSAM SAP DB2 Oracle Mikrogeographische Daten DW Datenintegration Modellbildung Echtzeit PMML Web Services Demo- und soziographische Daten 18 Copyright 2009 SARL Martin Web-Daten Neu Modellnutzung Menschen und/oder Prozesse Modell- Management
Modell-Bildung und Nutzung Dynamische Data Marts Automatisches Tuning Modell-Bildung Selbstlernende adaptive prädiktive Modelle Echtzeit PMML Web Services Echtzeit Nutzung Modell-Nutzung Menschen und/oder Prozesse Der DM-Prozess sollte auch SOA-basiert sein. 19 Copyright 2009 SARL Martin
Ereignis-orientierte Kundenansprache Entscheidung im Moment des (geplanten) Kundenkontaktes Anfrage mit Kundenmerkmalen Anfrage mit Kundenmerkmalen Dialog mit dem Kunden Entscheidung Entscheidung über über Kontakt Kontakt // Angebot Angebot Rückmeldung Rückmeldung des des Ergebnisses Ergebnisses Dynamisches Prognosemodell Dynamisierung des Prognosemodells Dynamische Selektion der individuell affinsten Kunden durch kontinuierliches Lernen Dynamische Optimierung Dynamische Reaktion auf Veränderungen 20 Copyright 2009 SARL Martin
Data Mining Herausforderungen komplexe Daten-Typen Nutzen von Domänen-Expertise/Wissen verteiltes Data Mining verborgene zeitliche Aspekte in den Daten Integration von Daten-Vorbereitung und Data Mining Automatische Daten-Vorbereitung Datenintegration Automatisches Tuning 21 Copyright 2009 SARL Martin
Strukturierte Modelle im Data Mining Die folgende Liste zeigt einige der wichtigeren und augenblicklich interessanten Vorhersage-Modelle im Data Mining. Lineare Modelle (oft regularisiert) Generalisierte additive Modelle Hot Neuronale Netze Bäume, Random Forests und Boosted Tree Modelle Support-Vektor und Kern-Maschinen Hot 22 Copyright 2009 SARL Martin
Textanalytik Definition: Textanalytik ist eine neue Klasse von Analytik, die linguistische Verfahren mit Suchmaschinen, Text Mining, Data Mining und Algorithmen des maschinellen Lernens verbindet. Textanalytik ist sowohl Technologie als auch Prozess zur Wissensentdeckung in kombinierten strukturierten/unstrukturierten Daten. Ziel von Textanalytik ist es, das Wissen über den Kunden, sein Agieren und seine sozialen Netze in allen Kanälen kontinuierlich umzusetzen, um den Kundenwert kontinuierlich zu steigern. 23 Copyright 2009 SARL Martin
Blog Tracking and Clustering Aufgabe von Textanalytik ist es in einem ersten Schritt, Entitäten (beispielsweise Namen, Daten, Orte, Bedingungen) und ihre Attribute sowie die Beziehungen, Konzepte und Stimmungen zwischen Entitäten trennscharf zu identifizieren. Beispiel: Automatische Stimmungsanalysen mittels Blog-Monitoring In einem zweiten Schritt lassen sich auf diesen Strukturen Klassifikationen aufbauen und visualisieren. Beispiel: Blog-Verlinkungen (Netzwerk) analysieren und identifizieren von Super- Seedern 24 Copyright 2009 SARL Martin
Analytisches CRM und Data Mining Agilität und Analytik trennen Gewinner von Verlierern im Business. Agilität schafft Reaktivität, Analytik schafft Proaktivität. Textanalytik ist die neue Klasse von Analytik, besonders zur Nutzung der Web 2.0 Quellen. SOA-basierte Prozesse schaffen die Voraussetzungen für eine geeignete Nutzung von Web 2.0 Services und Textanalytik im CRM. White Paper zu Analytik und BPM/SOA: kostenfreier Download auf www.wolfgang-martin-team.net Kontakt: wolfgang.martin@wolfgang-martin-team.net 25 Copyright 2009 SARL Martin