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 2009 S.A.R.L. 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 2009 S.A.R.L. Martin
Kundenwert Customer Intelligence Kunden-Lebenszyklus Kunden- Akquise Kunden- Wachstum 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 2009 S.A.R.L. Martin
Customer Intelligence Check 2008 Die Ergebnisse in Stichworten: 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, ganz besonders bei mittelgroßen Unternehmen Fazit 5 2009 S.A.R.L. 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 6 2009 S.A.R.L. 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 7 2009 S.A.R.L. Martin
Entwicklungs- Services IT Management- Services Service-Modelle in einer SOA Portal - Multikanal Kollaborativer Geschäftsprozess Informations- Services Analytische Services Rules Services Operative Services Kollaborative Services Data Integration Plattform Services Repository Enterprise Service & Service Data Bus Drittanbieter- Services (SaaS) Applikations- Services Zugriffs- Services Infrastruktur-Services Web- Daten Externe Daten Data Warehouse Unstrukturierte Daten Operationale Daten 8 2009 S.A.R.L. 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) 9 2009 S.A.R.L. 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. 10 2009 S.A.R.L. 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 11 2009 S.A.R.L. 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 12 2009 S.A.R.L. Martin
Datenintegration Der Data Mining-Prozeß Datenexploration operative Systeme VSAM SAP DB2 Oracle DW Dynamische Data Marts Modellbildung Mikrogeographische Daten Echtzeit PMML Web Services Demo- und soziographische Daten 13 2009 S.A.R.L. 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. 14 2009 S.A.R.L. Martin
Ereignis-orientierte Kundenansprache Entscheidung im Moment des (geplanten) Kundenkontaktes Anfrage mit Kundenmerkmalen Dialog mit dem Kunden Entscheidung über Kontakt / Angebot Rückmeldung des Ergebnisses Dynamisches Prognosemodell Dynamisierung des Prognosemodells Dynamische Selektion der individuell affinsten Kunden durch kontinuierliches Lernen Dynamische Optimierung Dynamische Reaktion auf Veränderungen 15 2009 S.A.R.L. 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 16 2009 S.A.R.L. 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 Neuronale Netze Bäume, Random Forests und Boosted Tree Modelle Support-Vektor und Kern-Maschinen Hot Hot 17 2009 S.A.R.L. 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. 18 2009 S.A.R.L. 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. 19 2009 S.A.R.L. Martin 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
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 20 2009 S.A.R.L. Martin