04.02.2003Analytisches CRM1 Analytical Customer Relationship Management (aCRM) Referenten: Christian...

04.02.2003 Analytisches CRM 1

Analytical Customer Relationship Management (aCRM)

Referenten:Christian Ludt und Michael SchmidtBetreuerin: Elisabeth Thieser, SAP

Seminar CRM & SRM, WS 2002/2003Universität des SaarlandesFB 6.2 InformatikLehrstuhl für Datenbanken und InformationssystemeProf. Dr.-Ing. Gerhard WeikumDr.-Ing. Ralf Schenkel


Gliederung Einführung OLAP Kundenanalyse Customer-Lifetime-Value Fazit


Einordnung aCRM


Ziel des Analytical CRM Gewinnung neuer betriebswirtschaftlich

relevanter Informationen Unterstützung im operativem und

strategischen Bereich Analysieren vorhandener

Kundenbeziehungen Analysieren und prognostizieren von

Kundenverhalten Stabile Kundenbeziehung


Closed-Loop Szenario

Planned Actionsand

Campaigns

Customer Feedback/Learning

Customer Knowledge

AnalyticalResults


Einsatzbereiche Analytical CRM

Marketing Vertrieb Service Kunden Produkte Interaktionen


Bestandteile des aCRM OLAP Data-Mining


OLAP Definition:

On-Line Analytical Processing (OLAP) is a category of software technology that enables analysts, managers and executives to gain insight into data through fast, consistent, interactive access to a wide variety of possible views of information that has been transformed from raw data to reflect the real dimensionality of the enterprise as understood by the user.

Voraussetzung: Data Warehouse


FASMI Anforderungen an OLAP Fast Analysis Shared Multidimensional Information


2D-Datensicht


3D Datensicht


Operationen im OLAP

Roll-up

Drill-down

Dice / Slice

Pivot


Operationen im OLAP

Roll-up


Operationen im OLAP

Drill-down


Operationen im OLAP

Dice / Slice


Operationen im OLAP

Pivot


OLAP im Marketing Früher (ohne OLAP):

Marketing Kampagne durch Gießkannenprinzip

Rücklaufquote ist gering

Heute (mit OLAP): Marketing Kampagne wird gezielt

angewendet Bei geringerem Aufwand kann eine höhere Rücklaufquote erzielt werden


RFM-Analyse Recency Frequency Monetary

Eigenschaften Basiert auf betriebswirtschaftlichen Annahmen Scoring Methode Häufig Verwendung Einsatz im Marketing Praktische Umsetzung auf verschieden Arten

möglich


RFM-Analyse


Beispiel Gaststätte

„Lebendes Inventar“ ist der beste Kunde

„Lebendes Inventar“ 5 x Woche

„Stammgast“ 1 x Woche

„Student“ 1 x Monat

Recency 5 3 2

Frequency 5 3 2

Monetary 2 4 5


Problem RFM

„Lebendes Inventar“ 5 x Woche

„Stammgast“ 1 x Woche

„Student“ 1 x Monat

Recency 4 3 5

Frequency 5 3 2

Monetary 2 4 5

Student ist der beste Kunde


Kundenanalyse Kundenverhaltensanalyse Kundenwertanalyse


Kundenverhaltensanalyse Kaufverhalten Abwanderungsverhalten Zufriedenheit Loyalität


Beispiel zur Motivation

Produkt Gewinn

Babynahrung 300

Windeln 250

Suppe 100

Bier 50

Bier muß weg

Produkt Gewinn

Babynahrung 300

Windeln 50

Suppe 100

Zusammenhang zwischen Bier und Windeln


Ziel Basierend auf historische Daten

unbekannte Muster entdecken Dazu dienen Data Mining-Methoden


Data Mining Prozeß zur Aufdeckung

nutzbringender und aussagekräftiger Muster, Profile und Trends(Definition nach Jesus Mena)


Data Mining-Methoden Entscheidungsbäume Clustering Assoziationsanalyse


Entscheidungsbäume Werden vor allem eingesetzt, um

herauszufinden, welches Verhaltensprofil besonders oft zum Verlust eines Kunden geführt hat Gegenmaßnahmen bei gefährdeten

Kunden einleiten


Bsp: EntscheidungsbaumOutlook Temperature Humidity Windy PlaySunny Hot High False NoSunny Hot High True NoOvercast Hot High False YesRainy Mild High False YesRainy Cool Normal False YesRainy Cool Normal True NoOvercast Cool Normal True YesSunny Mild High False NoSunny Cool Normal False YesRainy Mild Normal False YesSunny Mild Normal True YesOvercast Mild High True YesOvercast Hot Normal False YesRainy Mild High True No


Clustering Dient vor allem der

Kundensegmentierung Datensätze einer Gruppe

möglichst ähnlich, Datensätze verschiedener Gruppen möglichst unterschiedlich hinsichtlich ihrer Merkmalsausprägungen Ermitteln typischer Verhaltensprofile


Bsp: Zusammenfassen von Kunden

anhand Demographie (Durchschnittsalter, Geschlecht, Familienstand), Kaufverhalten, etc. in homogene Gruppen


Assoziationsanalyse Dient zum Ermitteln, welche

Produkte in der Regel zusammen gekauft werden

Einsatz Warenkorb - Analyse

Ziel Cross-Selling


Assoziations-Regeln Regeln der FormIf A und B und ... und X gekauft Then Y gekauft

Anzahl der Elemente in der Bedingung abhängig vom Unternehmen / von den Produkten


Bsp: Bei Hardware:

Beim Kauf eines PC‘s wird dem Kunden gezielt ein geeigneter Drucker angeboten (If A Then B)

Im Supermarkt: Entsprechendes Anordnen mehrerer

Waren(If A und B und ... und X Then Y)


Assoziationsanalyse in mySAP [Sie] dient dazu, Regelmäßigkeiten [...]

bei geschäftlichen Vorgängen zu finden und entsprechende Regeln zu formulieren. Die Regeln werden [...] auf historischen Daten (Auftragsdaten) ermittelt. Die ermittelten Assoziationsregeln können angezeigt und ins CRM exportiert werden.


Assoziationsanalyse in mySAP Folgende Einstellungen lassen sich

vornehmen: über Modellfelder wird festgelegt, welche

Vorgänge (Transaktionen) und welche Positionen betrachtet werden sollen

über Modellparameter wird u.a. festgelegt, in wieviel Prozent der Transaktionen mit der führenden Position (Produkt A) auch die abhängige Position (Produkt B bzw. C) enthalten sein muß, um eine gültige Regel aufzustellen


Assoziationsanalyse in mySAP Produktassoziationsregeln können in

ein SAP Customer Relationship Management-System (SAP CRM) exportiert werden und im Rahmen des Cross Selling als Produktvorschläge genutzt werden (Closed-Loop).


Unsicherheitsgrad der Regeln Zusätzlich zu dem If- und Then-

Part gibt es drei weitere Zahlen: Support (prozentualer Anteil an

gesamten Transaktionen) Confidence (Quotient aus Anzahl der

Transaktionen die im If- und Then-Part enthalten sind und der Anzahl der Transaktionen aus der If-Bedingung

Lift: Confidence / Expected Confidence


Bsp: Supermarkt habe 100.000 Transaktionen an den

Kassen, wobei 2.000 davon die Produkte A und B enthielten, darunter 800, die Produkt C enthielten

Assoziationsregel:Wenn A und B gekauft werden, dann wird auch C gekauft

Support: 800 bzw. 0,8% = 800/100.000 Confidence: 800/2.000 = 40% Produkt C tauche in insgesamt 5.000 Transaktionen

auf (Expected Confidence = 5.000/100.000 = 5%) Lift = 40%/5% = 8


Kundenanalyse Kundenverhaltensanalyse Kundenwertanalyse


Kundenwertanalyse Ziel:

Ermitteln des Werts eines einzelnen Kunden oder ganzer Kundensegmente für das Unternehmen

Analysen: Kundenprofitabilitätsanalyse ABC-Analyse Customer-Lifetime-Value-Analyse


Kundenprofitabilitätsanalyse Einfachste Analyse:

Differenz zwischen Erlös und Kosten pro Kunde

Detaillierter: Kundendeckungsbeitragsanalyse

Einbeziehen verschiedener Erlösarten, Produkt- und Vertriebskosten


ABC-Analyse Einteilen der Kunden auf Basis von

Profitabilitätsdaten in A-, B- oder C-Kunden

Dadurch läßt sich ermitteln, mit wieviel Prozent der Kunden wieviel Umsatz gemacht wird


Customer-Lifetime-Analyse

Dient der Bewertung eines Kunden Bezieht sich auf den gesamten

Kundenlebenszyklus Häufig verwendete Methode


Kundenwert im CLTV Quantitative Größen

Akquisitionskosten Umsatz Zuordenbare Einzelkosten

Qualitative Größen Weiterempfehlungs-Potential Up/Cross-Selling-Potential


Kundenlebenszyklus im CLTV 6 Phasen

Kennenlernphase Startphase Penetrationsphase Reifephase Krisenphase Trennungsphase


Berechnung des CLTV

FunktiongDiscountiniD

FunktionKundenwertiv

FunktionSurvivaliS

iDiviSCLTVT

i

)(

)(

)(

)()()(0


Beispiel GaststätteGasttyp: "lebendiges

Inventar"Stamm

GastStudent

Umsatz: 2.548,00 DM 509,60 DM 39,20DMNettoumsatz: 2.196,55 DM 439,31 DM 33,79 DM Kosten: 50% 50% 50%Deckungsbeitrag: 1.098,28 DM 219,66 DM 16,90 DMJ ährliche Fluktuation: 12% 12% 20%

1. J ahr: 1.098,28 DM 219,66 DM 16,90 DM2. J ahr: 966,48 DM 193,30 DM 13,52 DM3. J ahr: 850,50 DM 170,10 DM 10,81 DM4. J ahr: 748,44 DM 149,69 DM 6,92 DM5. J ahr: 658,63 DM 131,73 DM 5,53 DMSumme (CLTV) 4.322,34 DM 864,47 DM 53,68 DM


Beispiel SAP


Fazit Wichtig für die Gewinnung neuer

relevanter Informationen Für die Verwendung umfangreicher

Analysen ist Fachwissen erforderlich aCRM liefert NUR Information keine

Handlungsentscheidungen Der Erfolg von aCRM ist nur schwer

meßbar


FRAGEN??

04.02.2003Analytisches CRM1 Analytical Customer Relationship Management (aCRM) Referenten: Christian...

Documents

Transcript of 04.02.2003Analytisches CRM1 Analytical Customer Relationship Management (aCRM) Referenten: Christian...