Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Diplomarbeiten
„Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotenzials“
„Datengestützte Validierung vonCustomer-Lifetime-Konzepten“
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
Agenda
1) WEKA-MEDIA-Verlage
2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung
2.1 Modell Neukunden: Kundenpotenzial-Achse
2.2 Modell Bestandskunden: Kundenpotenzial-Portfolio
3) Ziel der zweiten Arbeit: Kumuliertes produktbezogenes Kundenpotenzial
3.1 kurzfristiges Erfolgspotenzial
3.2 langfristiges Erfolgspotenzial
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
TURNUS-VerlagWEKA BaufachverlageWEKA Management FachverlageWEKA Fachverlage für technische Führungskräfte
Profi-Know-How für Informationstechnologie und Telekommunikation;Schwerpunkte: IT-Projekte planen und managen, Netzwerke, Datenbanken, Programmierlösungen, E-Business, Datenschutz, IT-Security;Produkte: Loseblattwerke
Grundwerk + ca. 4 Aktualisierungslieferungen (AL‘s) / Jahruntersuchte Kundengruppe: „Administratoren“
Betreuung: Uwe Steinlein (Manager Customer Research)
WEKA-MEDIA-Verlage
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
1.
Agenda
1) WEKA-MEDIA-Verlage
2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung:
2.1 Modell Neukunden: Kundenpotenzial-Achse
2.2 Modell Bestandskunden: Kundenpotenzial-Portfolio
3) Ziel der zweiten Arbeit: Kumuliertes produktbezogenes Kundenpotenzial
3.1 kurzfristiges Erfolgspotenzial
3.2 langfristiges Erfolgspotenzial
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
Modell: Kundenpotenzial-Achse / -Portfolio
Ermittlung Kundenscore:Block 1: Neukunden
Ziel: Neukunden einen Wert („Kundenscore“) zuordnen, der sie auf einer Achse positioniert → Position bestimmt das Entwicklungs-Potenzial zum Gold-Kunden
„Kundenscore“: Gewichtung verschiedener Variablen, die bei der Erfassung des Kunden in die Datenbank aufgenommen werden.
„Mit welcher Wahrscheinlichkeit wird dieser Kunde Gold-Kunde?“
Block 2: Bestandskunden
Ziel: Bestandskunden einen Wert („Kundenscore“) zuordnen, der sie in einem Kundenpotenzial-Portfolio positioniert→ Position bestimmt Strategie!
„Kundenscore“: Gewichtung verschiedener Variablen, die bei der Erfassung des Kunden in die Datenbank aufgenommen werden, als auch Variablen, die ein Kunde während seiner „Lebenszeit“ bei WEKA „schafft“
„Hat das momentane Kundenportfolio (unentdecktes) ‚Potenzial‘?“
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.
3322110))""(1
)""(ln( iiii
i xxxGoldkundeYp
GoldkundeYpββββ +++=
=−=
„estimate“=
Betawertfür Variable 1
Ausprägungder Variable 1z.B.: Variable1 = x1„Funktion des Ansprechpartners“mit der Ausprägungx11= „Management“
Betawert der Variable 2
)( 332211011
iii xxxe ββββ +++−+Wahrscheinlichkeit für „Goldkunde“: =
„Blechkunde“
Betawerte in der logistischen Regression
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.1
Modell: Kundenpotenzial-Achse
Score-Vergabe:Ergebnisse aus der logistischen Regression:Wahrscheinlichkeit für jeden Neukunden, ein Gold-Kunde zu werden.Bildung der Einzelscores über die Betawertez.B. Multiplikation mit 100, um Unterschiede deutlicher aufzuzeigen. Grenze für potenzielle Gold-Kunden:
Intervalle bilden, die Intensität der Werbung festlegen (z.B. Intervall 50-100: mäßige allgemeine Werbung,800-1000: starke, personenbezogene Werbung, ...)Grenzwert festsetzen, ab dem ein Kunde überhaupt beworben wird.
Beispiel:
Kunde ‚12345‘: Funktion A + Branche B + ...
Betawert: 1,1190 0,3211Score: 112 + 32 + ... = 144
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.1
Modell: Kundenpotenzial-Portfolio
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.2
gering
hoch
Kundenscore
gering hochDB - Index
Strategie: Kunden gewinnen
Strategie: Kunden halten
⇓„abschöpfen“
Strategie: Kunden ausbauen
⇓Investieren
Strategie: Kunden nicht direkt bearbeiten
„Bronze-Kunden“: Kunden
gewinnen
„abschöpfen“
⇓
Strategie: Kunden nicht direkt bearbeiten
gering
hoch
Kundenscore
gering
hoch
Kundenscore
gering hochDB - Indexgering hochDB - Index
„Silber-Kunden“
„Blech-Kunden“ „Gold-Kunden“
gering
hoch
Kundenscore
gering
hoch
Kundenscore
gering hochDB - Indexgering hochDB - Index
Strategie: Kunden gewinnen
Strategie: Kunden halten
⇓„abschöpfen“
Strategie: Kunden ausbauen
⇓Investieren
Strategie: Kunden nicht direkt bearbeiten
„Bronze-Kunden“: Kunden
gewinnen
„abschöpfen“
⇓
Strategie: Kunden nicht direkt bearbeiten
gering
hoch
Kundenscore
gering
hoch
Kundenscore
gering hochDB - Indexgering hochDB - Indexgering hochDB - Indexgering hochDB - Index
„Silber-Kunden“
„Blech-Kunden“ „Gold-Kunden“
Modell: Kundenpotenzial-Portfolio
Kundenpotenzial definiert durch:
1) Dimension: Deckungsbeitrags-Index
2) Dimension: KundenscoreVariable 1: Funktion des Ansprechpartners → Betawerte
Variable 2: Jahr der letzten Bestellung → Betawerte
Variable 3: Quotient → Intervallbildung
Variable 4: Potenzial-Faktor: Grenze bezüglich Produktprogramm
⇒ „Malus“, der „Gold-“ von „Silber-Kunden“ unterscheidet
→ Bewertungsmatrix
Kunden aller itragesDeckungsbe des MaximumKunden eines itragDeckungsbe x itragsindeDeckungsbe =
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.2
Modell: Kundenpotenzial-Portfolio
Variable 1: Funktion des Ansprechpartners Variable 2: Jahr der letzten Bestellung → Betawerte
Variable 3: Quotient→ Intervallbildung
Variable 4: Potenzial-Faktor: Grenze bezüglich Produktprogramm → Bewertungsmatrix
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
0,0000,91010,01-10,9111Funktion H
...
0,0520,000116,89-2,9614Funktion G
0,0000,85240,03-10,9468Funktion F
0,0000,89420,02-10,9322Funktion E
6,826<0,000115,421,9208Funktion D
0,3210,11622,47-1,1351Funktion C
24,378<0,000129,733,1937Funktion B
3,053<0,000122,801,1160Funktion AOdd
Pr > Chi Square
Wald Chi-SquareEstimateParameter
0,0000,91010,01-10,9111Funktion H
...
0,0520,000116,89-2,9614Funktion G
0,0000,85240,03-10,9468Funktion F
0,0000,89420,02-10,9322Funktion E
6,826<0,000115,421,9208Funktion D
0,3210,11622,47-1,1351Funktion C
24,378<0,000129,733,1937Funktion B
3,053<0,000122,801,1160Funktion AOdd
Pr > Chi Square
Wald Chi-SquareEstimateParameter
-700-600-500-400-3004
-800+0+200+300+5003
-900+100+700+800+1.1002
-1.000-100+600+1.000+1.3001
-1.100-200+400+900+1.2000
anz_akt
43210
anz_inak
-700-600-500-400-3004
-800+0+200+300+5003
-900+100+700+800+1.1002
-1.000-100+600+1.000+1.3001
-1.100-200+400+900+1.2000
VariableA
43210
Variable B
-700-600-500-400-3004
-800+0+200+300+5003
-900+100+700+800+1.1002
-1.000-100+600+1.000+1.3001
-1.100-200+400+900+1.2000
anz_akt
43210
anz_inak
-700-600-500-400-3004
-800+0+200+300+5003
-900+100+700+800+1.1002
-1.000-100+600+1.000+1.3001
-1.100-200+400+900+1.2000
VariableA
43210
Variable B
154quot10 <<
Bedingung
260quot1154 <≤
366quot1260 <≤
quot1366 ≤
-500
Score-Wert
+500
+1.000
+1.500
154quot10 <<
Bedingung
260quot1154 <≤
366quot1260 <≤
quot1366 ≤
154quot10 << 154quot10 <<
Bedingung
260quot1154 <≤ 260quot1154 <≤
366quot1260 <≤ 366quot1260 <≤
quot1366 ≤ quot1366 ≤
-500
Score-Wert
+500
+1.000
+1.500
154quot10 << 154quot10 <<
Bedingung
260quot1154 <≤ 260quot1154 <≤
366quot1260 <≤ 366quot1260 <≤
quot1366 ≤ quot1366 ≤
2.2
Ergebnis: Kundenpotenzial-Portfolio
Deckungsbeitrags-Index
Kun
dens
core
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.2
Ergebnis: Kundenpotenzial-Portfolio
„Blech-Kunden“:Unrentabelste und unattraktivste Kundengruppe
geringes Entwicklungspotenzial
geringer Deckungsbeitrags-Index
→ Deinvestitionsstrategie
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.2
Ergebnis: Kundenpotenzial-Portfolio
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.2
„Bronze-Kunden“:„Start-up‘s“, meist Neukunden
hohes Entwicklungspotenzial
geringer Deckungsbeitrags-Index
→ Einzelfallüberprüfung: Selektionsstrategie
Ergebnis: Kundenpotenzial-Portfolio
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.2
„Silber-Kunden“:„Stars“
hohes Entwicklungspotenzial
hoher Deckungsbeitrags-Index
→ Investitionsstrategie
Ergebnis: Kundenpotenzial-Portfolio
Ansätze zur Kundenbewertung im CRM Daniela Stöckler, Nadine Wachter
2.2
„Gold-Kunden“:„Cash-Cows“
geringes Entwicklungspotenzial
hoher Deckungsbeitrags-Index
→ Abschöpfungsstrategie
Diplomarbeiten
„Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotentials“
„Datengestützte Validierung vonCustomer-Lifetime-Konzepten“
Agenda
1) WEKA-MEDIA-Verlage
2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung
2.1 Modell Neukunden: Kundenpotenzial-Achse
2.2 Modell Bestandskunden: Kundenpotenzial-Portfolio
3) Ziel der zweiten Arbeit: Kumuliertes produktbezogenes Kundenpotenzial
3.1 kurzfristiges Erfolgspotenzial
3.2 langfristiges Erfolgspotenzial
Umorientierung: Statt einzelnen Produkten stehen Kundenbeziehungen im Mittelpunkt von Unternehmen (products come and go, but customers remain)
In vielen Fällen sorgt ein kleiner Teil der Kunden für einen Großteil des Umsatzes (20/80-Prinzip)
Verwendung des beschränkten Marketing-Budgets nach dem Gießkannenprinzip nicht sinnvoll
Konsequenz: Konzentration auf wichtige Kunden zur Steigerung derEffizienz
Wie identifiziert man wichtige Kunden? => Kundenwertanalysen
Problemstellung
3.
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
hoch
niedrig
Kum
ulie
rte
Wah
rsch
einl
ichk
eit
für d
ie B
este
llung
ein
es G
W´s
nied
rig Erwartete Anzahl Aktualisierungslieferungen,falls ein Grundwerk bestellt wird ho
ch
???
Strategie: individuelle Bewerbung
???
Strategie: Jahres-Abonnements verkaufen
Star-Kunden
Strategie: Kunden bewerben
Poor Dogs
Strategie: Kunden nicht regelmäßig bewerben
Zielsetzung der Diplomarbeit
3.
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
Vorgehensweise I (y-Achse)
Beschränkung auf die wichtigsten Produkte im Geschäftsbereich
Berechnung der Kaufwahrscheinlichkeiten für die Grundwerkemittels EntscheidungsbaumverfahrenZielvariable: Bestellung von Produkt X
Zuweisung eines Score-Wertes für jede Wahrscheinlichkeit
Aggregation der so gewonnenen Score-Werte unter Berücksichtigung der unterschiedlichen Bedeutung der Produkte
Ergebnis: Score-Wert für jeden (potenziellen) Kunden
3.1
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
Bestellwahrscheinlichkeit für Produkt A
T E1: 2,0% 2,0%0: 98,0% 98,0%
T E1: 25,0% 23,0%0: 75,0% 77,0%
T E1: 1,0% 1,0%0: 99,0% 99,0%
T E1: 8,5% 10,0%0: 91,5% 90,0%
T E1: 37,0% 31,5%0: 63,0% 68,5%
T E1: 10,5% 11,5%0: 89,5% 88,5%
T E1: 0,5% 0,5%0: 99,5% 99,5%
T E1: 64,0% 50,5%0: 36,0% 49,5%
T E1: 30,0% 26,5%0: 70,0% 73,5%
T E1: 4,0% 6,5%0: 96,0% 93,5%
T E1: 25,5% 22,0%0: 74,5% 78,0%
a b
BES_LxM
Z_AKTABO
<y >=y
T E1: 1,4% 1,0%0: 98,6% 99,0%
T E1: 0,4% 0,4%0: 99,6% 99,6%
UMS_LxM
a b
ANZ_WAMx
<y >=y
a b
UMS_LxM
Funktion
... ...
3.1
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
Bestellwahrscheinlichkeit für Produkt B
T E1: 1,5% 1,5%0: 98,5% 98,5%
T E1: 19,7% 23,2%0: 80,3% 78,9%
T E1: 0,7% 0,8%0: 99,3% 99,2%
T E1: 34,1% 37,4%0: 65,9% 62,6%
T E1: 7,4% 8.7%0: 92,6% 90,8%
T E1: 5,1% 6,2%0: 94,9% 93,8%
T E1: 0,3% 0,3%0: 99,7% 99,7%
T E1: 3,6% 4,1%0: 96,4% 95,9%
T E1: 14,1% 15,2%0: 85,9% 84,8%
T E1: 2,2% 2,0%0: 97,8% 98,0%
T E1: 13,2% 17,9%0: 86,8% 82,1%
<y >=y
Di_LPOS
Z_AKTABO
<y >=y
T E1: 0,1% 0,1%0: 99,9% 99,9%
T E1: 1,2% 1,0%0: 98,8% 99,0%
UMS_AL
<y >=y
ANZ_WAMx
<y >=y
... ...
Funktion
UMS_AL
<y >=y
3.1
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
Aggregation der Bestellwahrscheinlichkeiten
Bestellwahrscheinlichkeiten für Kunde XProdukt A: 8,5% ⇒ 8,5 PunkteProdukt B: 14,1% ⇒ 14,1 Punkte
Bedeutung der ProdukteProdukt A: Priorität 1 ⇒ Faktor 1Produkt B: Priorität 2 ⇒ Faktor 0,5
Score-Wert des Kunden X
1 * 8,5 + 0,5 * 14,1 = 15,55 Punkte
⇒ kurzfristiges Erfolgspotenzial
3.1
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
Vorgehensweise II (x-Achse)
Unterscheidung zwischen Kunden (ehemalige und aktuelle) und Nicht-Kunden
Kunden werden anhand ihres bisherigen Kaufverhaltens beurteiltFür die Prognose der Nicht-Kunden erfolgt eine Modellbildung
Modell zur Prognose der Nicht-KundenZur Modellbildung werden inaktive Kunden herangezogenUnterscheidung der Kunden in zwei Gruppen:
• tendenziell viele Aktualisierungslieferungen (>=x)• tendenziell wenige Aktualisierungslieferungen (<x)
Identifikation der Gruppe mit vielen Aktualisierungslieferungen mittels Entscheidungsbaumverfahren
Ergebnis: Score-Wert für jeden (potenziellen) Kunden
3.2
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
Berechnung des Score-Wertes
Score-Wert für den Kunden X: ∅ AL-Anzahl * 10
(3 + 5) / 2 *10 = 40 Punkte
Score-Wert für den potenziellen Neukunden Y: Wahrscheinlichkeit, „viele“ Aktualisierungslieferungen zu kaufen
zum Beispiel: 17,3% = 17,3 Punkte
⇒ langfristiges Erfolgspotenzial
3.2
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
hoch
niedrig
Kum
ulie
rte
Wah
rsch
einl
ichk
eit
für d
ie B
este
llung
ein
es G
W´s
nied
rig Erwartete Anzahl Aktualisierungslieferungen,falls ein Grundwerk bestellt wird ho
ch
???
Strategie: individuelle Bewerbung
???
Strategie: Jahres-Abonnements verkaufen
Star-Kunden
Strategie: Kunden bewerben
Poor Dogs
Strategie: Kunden nicht regelmäßig bewerben
Strategieempfehlung
Datengestützte Validierung von Customer-Lifetime-Konzepten Marc Selic, Alexander Spatz
Noch Fragen???
Vielen Dank für Ihre Aufmerksamkeit