CRM: Herausforderungen in der Praxis III...2 Katholische Universität Eichstätt-Ingolstadt Lehrstuhl für ABWL und Wirtschafts informatik Dr. Michael Semmler 1 Einleitung Vorlesungs-Programm

Dr. Michael Semmler

Universum GroupFrankfurt am Main

CRM:Herausforderungen

in der Praxis III

Wirtschaftswissenschaftliche Fakultät Ingolstadt

09.11.2012

Übersicht

1 Einleitung

2 Ergebnisse der Gruppenarbeit

„Entwicklung einer Scorekarte“

3 Kampagnen-Managment

3.1 Scoring-Modell

3.2 Kampagnen-Umsetzung

3.3 Cut-Off-Strategie

4 Kundenentwicklung und Kundenwert

5 Multi-Channel-Kampagnen-Managment

5.1 E-Mail-Kampagnen

5.2 Forderungsmanagement

5.3 Telefon-Kampagnen

5.4 Echte Multi-Channel-Kampagnen

6 Gruppenarbeit

7 Diverses

2K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

1 Einleitung

Vorlesungs-Programm „CRM: Herausforderungen in der Praxis“

19.10. Reporting-Systeme

26.10. Datawarehouse, Kundenprofile, Scoring

09.11. (Multi-Channel-)Kampagnen-Management

16.11. Data Mining Anwendungen

Erörterung von praktischen Fragestellungen und Herausforderungen imoperativen und analytischen CRM aus verschiedenen Blickwinkeln

Fokus liegt auf der Modellbildung, der Unvollständigkeit von Informationen, den Zielkonflikten und Heuristiken.

Fallstudien: Erarbeitung von Lösungsansätzen in Gruppenarbeit

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

5

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

Was ist eine Kampagne?

E-MailNewsletter

WerbekampagnePreiskampagneProdukteinführung

Telefon OutboundInbound

KatalogBriefKarteWarenprobe

VertragsangebotRechnung, MahnungEingangsbestätigungAbsageEntschuldigung

KundenbesuchThekenaufstellerDekoration

InteressentenNeukundenAufbaukundenStammkunden

GeburtstagJubiläumFeiertagWeihnachten

6K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

3 Kampagnen-Management

Kampagnen-Typen

Einstufig Katalog, Mailing

Mehrstufig Katalog mit Telefon-Nachfass

Impliziter Event-Trigger Verhaltensauffälligkeiten

Expliziter Event-Trigger Newsletter, after sales

Einmalig Geburtstags-Mailing

Dauerhaft SMS-Kampagne zu Klingelton

7

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Kampagnen-Arten

Ein-Kanal InitialesAngebot per E-Mail mit Nachfassaktion ebenfalls per E-Mail

Mehr-Kanal Initiales Mailing per Brief mit followup-Anruf vom Call Center

Inbound Cross-Selling Angebot im Bestell-Dialog

Outbound Aktives Telefonat mit Angebot eines Produktes

8K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Definition Kampagnenmanagement

Die Aufgabe des Kampagnenmanagements liegt darin,

dem richtigen Kunden,

das richtige Informations- und Leistungsangebot,

im richtigen Kommunikationsstil,

über den richtigen Kommunikationskanal,

zum richtigen Zeitpunkt zu vermitteln und

dadurch Erfolgsleistungen des Kunden bzw. des Kundenstamms (bei gegebenen Ressourcen) zu maximieren.

vgl. Hippner, Wilde: Grundlagen des CRM

9

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Der klassische durch Analysen gestützte Kampagnen-Prozess„Closed Loop“

Idee Analyse

(Data Mining)

Prognose

Entscheidung

Aktion

Response

Kampagnen-Reports, Analysen

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

11

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

3.1. Scoring-Modell

Scoring Analyse-Modell

Auswahl der Kunden Ende der Aktion

Daten des Kundenzum Selektionszeitpunkt

aus verschiedenen Datenquellen:Analysedaten

Werbeerfolg = ReaktionsquoteReaktionsdaten

Kunde reagiert / reagiert nicht

repräsentative Stichprobe aus Gesamtpotenzial = Lernstichprobe

Prognose des Verhaltenszum nächsten

Selektionszeitpunkt

Scoring-AnalyseWorin unterscheiden sich Reagierer und Nichtreagierer am

stärksten?

0

2

4

12K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

3.1. Scoring-Modell

Zeitversatz zwischen Lernphase und Modell-Einsatz

t1 t2

t3

Zeitraum für Kunden-Merkmale Performance-Zeitraum

Entscheidungs-Zeitpunkt

Modell-Entwicklung - Lernphase

Einsatz des Prognose-Modells

13

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler 0

5

10

15

20

25

Res

po

nse

qu

ote

in

%

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Anteil Kunden, sortiert nach Scorewert

3.1. Scoring-Modell

Ergebnis der Scoring-Analyse ist die optimale Sortierung der Kunden nach erwarteter Response

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

15

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

3.2. Kampagnen-Durchführung

25

2008

JuniMaiMärz

14

Febr.Jan.Dez.

2726

2009

242312 2221201918171615

Apr.

1311100908070605040302015251

AV

17.12. 29.12. 02.02.

24.04.AV April

SPK/ZL12.06.SPK

24.04.SPK

12.03.AL März

06.02.SPK

16.01.SPK

15.05.AL Mai

Ab 17.12.HK 1

17.04.Sommersaison

WM-Typ

MC-B.29.06.02.06.

ab17.12.SPK

HK

MK29.05.Juni

30.04.Mai

27.03.April

27.02.März

12.06.AV Juni

02.01.Januar

18.05.04.05.30.03.16.03.02.03.

30.01.Februar

Pfingsten (31.05.)Fasching (23.02.) Ostern (12.04.)

Ab 22.12.HK Midi

27.02.SPK

25

2008

JuniMaiMärz

14

Febr.Jan.Dez.

2726

2009

242312 2221201918171615

Apr.

1311100908070605040302015251

AV

17.12. 29.12. 02.02.

24.04.AV April

SPK/ZL12.06.SPK

24.04.SPK

12.03.AL März

06.02.SPK

16.01.SPK

15.05.AL Mai

Ab 17.12.HK 1

17.04.Sommersaison

WM-Typ

MC-B.29.06.02.06.

ab17.12.SPK

HK

MK29.05.Juni

30.04.Mai

27.03.April

27.02.März

12.06.AV Juni

02.01.Januar

18.05.04.05.30.03.16.03.02.03.

30.01.Februar

Pfingsten (31.05.)Pfingsten (31.05.)Fasching (23.02.)Fasching (23.02.) Ostern (12.04.)Ostern (12.04.)

Ab 22.12.HK Midi

27.02.SPK

Grobübersicht Kampagnen-Plan

16K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

Dynamische Data Marts

Kampagnen-ManagementTools


Operatives CRM (Abläufe/Tools für CRM-Kampagnen)

ETL-Tool

Adressen

DWHDaten

Tabelle mit Kunden-Informationen für Analyse

Ergebnis: Score-Regelwerk

Analyse mit Tools und eigenen Algorithmen

ETL-Tool

DWHDaten

GUIScoring

StichprobenCutOff-Entscheidung

TestsZielgruppenbildung

Tabelle mit Kunden-Informationen für Selektion

Data Mart für CRM

Lettershop

Integration

Data Mining Tools

17

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

Merkmale

Merkmals-Auswahl

Parametrisierung

Dynamische Merkmalsschicht für Analyse und Selektion

Vorteile: minimaler Speicherplatzbedarf, dynamisches Bezugsdatum


Dynamische Merkmalsschicht flexible Daten-Extraktion für dieScoring-Analyse

18K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

Flexible Definition von Regeln mit

einem GUI


GUI-unterstützte Abbildung des Regelwerks

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

20K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

-2

0

2

4

6

8

10

12

14

16D

ecku

ng

sbei

trag

pro

Kat

alo

g

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Anteil Kunden, sortiert nach Scorewert

• Durch Bewertung der Scoreklassen erhält man eine Prognose des DB nach Werbekostenpro eingesetztem Katalog

• Die DB-optimale Entscheidung liegt bei der Auflage, wo der Nullpunkt geschnitten wird.

3.3. Cut-Off-Strategie

Die Scoring-Modelle liefern eine optimale Entscheidungsgrundlage

Cut-Off

21

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Das Kernproblem in der Cut-Off-Steuerung (Print-Kampagne)

Scoring-Analyse

Score-Perf.-Report

Plan/Einschätzung

Werbekosten

Selektion

und Cut-OffCut-Off-Simulation

Plan / Ist

KundenstrukturAuswirkungen

Seiten / Umfeld

Plan/Einschätzung

DB-Satz

Score-Perf.-Report

1.Planung

2.Selektion

Package-

Bildung

Restriktionen der Post

Werbekosten, Nachfrage abh. vom Package

22K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r3.3. Cut-Off-Strategie

Planungsprämissen

• Planungsgrundlage ist in der Regel ist der Vorjahres-Katalog

• Wie hoch ist der Investitionsbetrag in einen neuen Kunden (DB pro Besteller nach Werbekosten ? (Lifetime-Value-Auswertungen, aktuelle Strategie: DB-Sicherung oder Kundenwachstum)

• Welche Verbundeffekte hat der Katalog auf andere Print-Werbemittel oder den Marktplatz Internet ?

• Sind Nachfrageproduktivitätsveränderungen aufgrund eines angepassten Sortiments zu erwarten?

• Welche Nachfrage-Poduktivitätssteigerungen sind aufgrund einer optimierten Verkaufsförderung zu erwarten ?

• Allgemeiner Trendfaktor (Konjunktur, Konkurrenz)

• Package-Umfeld des Katalogs

• Kosten, Seiten-Umfang, DB-Sätze

• Kundenbestandsentwicklung

23

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Beispiel

Auf Basis der Planungsprämissen ergibt sich eine Plan-Auflage von 2,9 Mio.

24K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r3.3. Cut-Off-Strategie

Planungsgrundlage: Nachfrage pro Erhalter vom Vorjahr

Planungsprämissen bilden um die Vorjahreskurve (Nachfrage pro Erhalter) einen „Planungskorridor“

25

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Steuerungskriterium der Auflage: DB pro Erhalter

Planungsprämissen bilden um die Vorjahreskurve (DB pro Erhalter) einen „Planungskorridor“. Auch die resultierende Bewerbungsquote liegt in einem Korridor.

26K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Ausblick: DB-optimale Auflagenverteilung für Hauptaussendungund Nachversand

Beim Nachversand wird grundsätzlich zwischen Doppelerhaltern und Neu-Qualifizierten differenziert. Bei den Doppelerhaltern wird geschätzt, welcher Nachfrage-Anteil nur auf den Nachversand zurückzuführen ist.

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

28K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Prämissen Kundengruppen-Modell

Einfache Definition der Kundengruppen (Transparenz)

Saisonale Eingruppierung (Universalversand)

Möglichst wenige Kundenwanderungsbewegungen (Übergänge von Saison zu Saison)

Trennschärfe der Kundengruppen (große Unterschiede in den Kundengruppen bezüglich Aktivquote und Bestellwert)

Stabilität der Aktivquote und des Bestellwertes pro Kunde in jeder Kundengruppe im Zeitablauf

Prognose-Tauglichkeit

ceteris paribus Prognose aus Kundenbestand (mittelfristig, langfristig)

Simulation Kundenentwicklung bei Variation unterschiedlicher Marketingkonzepte

Überprüfen von Vertriebs-Zielen

Basismodell für Customer-Lifetime-Value-Prognose

29

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


ein klassisches Kundengruppenmodell

Wanderung durch Aktivität in Saison 5Kundengruppe Beschreibung 4 3 2 1 (Bestellung)

1 Neukunden erster Kauf in der letzten Saison x 0 0 0 Neukunden

2 Topkunden Kauf in jeder, der 4 letzten Saisons x x x x Topkunden

3 Stamm 1 Kauf in jeder, der 3 letzten Saisons x x x 0 Stamm 1

4 Stamm 2 Kauf in jeder, der 2 letzten Saisons x x 0 - Stamm 2

5 Mittlere Kauf in der letzten Saison, nicht Neukunde x 0 - - Mittlere

6 Gefährdete Kauf in der vorletzten Saison 0 x - - Gefährdete

7 Kritische Kauf zuletzt vor 3 Saisons 0 0 x - Kritische

8 Inaktive Kauf zuletzt vor 4 Saisons 0 0 0 x Inaktive

Wanderung, falls keine Aktivität in Saison 5Kundengruppe Beschreibung 4 3 2 1 (keine Bestellung)

1 Neukunden erster Kauf in der letzten Saison x 0 0 0 Neukunden

2 Topkunden Kauf in jeder, der 4 letzten Saisons x x x x Topkunden

3 Stamm 1 Kauf in jeder, der 3 letzten Saisons x x x 0 Stamm 1

4 Stamm 2 Kauf in jeder, der 2 letzten Saisons x x 0 - Stamm 2

5 Mittlere Kauf in der letzten Saison, nicht Neukunde x 0 - - Mittlere

6 Gefährdete Kauf in der vorletzten Saison 0 x - - Gefährdete

7 Kritische Kauf zuletzt vor 3 Saisons 0 0 x - Kritische

8 Inaktive Kauf zuletzt vor 4 Saisons 0 0 0 x Inaktive

Bestellstruktur in 4 Saisons

Bestellstruktur in 4 Saisons

30K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

165‘

34‘

32‘

30‘

54‘

41‘

38‘

77‘

70‘

31‘

32‘

49‘

60‘

68‘

75‘

308‘

199‘

62‘

95‘

115‘

101‘

80‘

128‘

383‘

261‘

210‘

181‘

511‘

471‘

692‘

1163‘

13‘

12‘

10‘

16‘

12‘

19‘

15‘

50‘

11‘

14‘

12‘

31‘

17‘

40‘

37‘

243‘

60%

Beste 20%

KundenAnfang S1

Nicht

Bestellt

60% bestellen

S1 S2 S3 S4 S5

45%

74%

24%

44%

55%

75%

17%

30%

43%

53%

48%

61%

67%

80%

8%

16%

22%

29%

29%

39%

40%

50%

37%

47%

47%

60%

52%

63%

66%

79%

692‘

60%

511‘

44%

577‘

50%

433‘

37%

Hohe Dynamik in der Kundenqualität ! von den 1,163 Mio besten Kunden (Top 20%) haben nach 4 Saisons nur noch 433 Tsd eine vergleichbar hohe Qualität 63% Schwund Top-Qualität ist nur durch Reaktivierungund Neukundengewinnung langfristig zu sichern


31

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Die kurzfristige Prognose zum Saison-Ende

Planung bzw. Vorjahreswerte pro Kundengruppe

pro Monat kumulierte Aktivquote und Bestellwert pro Besteller

pro MonatAktivquote und Bestellwert pro Besteller für bisherige Nichtbesteler

Ergebnis

monatliche VJ- und Plan-Ist-Vergleiche je Kundengruppe

Prognose der Folgemonate

Abschätzung der Nachfrage-Chancen und –Risiken für die Rest-Saison

Anpassung des Kampagnen-Plans

32K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Beispiel saisonale Kundengruppen-Planung

Adr. Best. AQ NF NF/Best NF/Adr. NF NF/Best NF/Adr. NF NF/Best NF/Adr.in Tsd. in Tsd. in Mio. in € in € in Mio. in € in € in Mio. in € in €

EB NK Vorsaison 777 182 23,4% 57 311,75 72,95 29,5 281,59 37,94 27,2 246,53 35,00 0,9% -5,6% -1,9% -1,7% 2,2% -4,8%EB AK6 175 74 42,2% 25 340,95 143,84 11,8 301,95 67,64 13,3 261,62 76,20 -2,2% -5,8% -10,4% -2,9% 2,4% -4,1%EB AK12 465 56 12,0% 14 247,64 29,62 6,4 214,21 13,75 7,4 221,73 15,87 0,7% -12,0% -7,0% -2,0% -4,5% -18,0%EB Top 855 646 75,5% 242 374,05 282,49 65,4 251,07 76,48 176,2 309,43 206,01 0,2% -4,7% -4,5% 0,1% -1,8% -1,7%EB Stamm1 332 199 60,0% 65 324,07 194,46 21,3 256,90 64,07 43,3 264,73 130,40 -1,2% -3,0% -4,9% -1,9% 1,3% -1,8%EB Stamm2 291 159 54,6% 48 301,41 164,63 14,4 232,72 49,52 33,5 254,53 115,11 -0,4% -3,9% -4,6% -2,0% -0,2% -3,8%EB Mittel 744 329 44,3% 92 280,56 124,23 29,4 227,17 39,56 63,0 239,25 84,67 -0,6% -4,2% -5,5% -2,3% -0,4% -5,3%EB SK12 832 293 35,3% 76 260,71 91,96 22,7 201,82 27,31 53,8 230,16 64,65 2,1% -7,4% -1,6% -0,2% -3,6% -4,2%EB SK18 1.043 164 15,7% 41 250,28 39,37 15,2 207,80 14,58 25,9 224,74 24,79 0,4% -7,7% -5,1% -1,6% -2,3% -11,1%EB SK24 2)

724 79 11,0% 20 246,51 27,07 7,7 207,34 10,62 11,9 223,93 16,45 1,3% -11,3% 0,9% -0,5% -5,6% -9,9%

Gesamt ohne NK incl. reakt.aus SK24

6.237 2.181 35,0% 679 311,35 108,89 223,8 240,34 35,88 455,3 264,13 73,01 0,5% -5,6% -4,3% 0,4% 1,2% 2,5%

EB NK Saison 589 589 100,0% 175 297,07 297,07 109,0 264,78 185,02 66,0 284,58 112,05 24,6% 24,6% 10,1% 10,1%EB reakt. aus SK 24 32 7 220,32 2,7 183,41 4,3 206,22 -9,7% -5,6%

Summe NK Saison 621 *) 182,0 293,13 111,7 261,97 70,3 278,07 22,8% 9,4%

Gesamt incl. NK 6.826 2.770 40,6% 854,1 308,32 125,13 332,8 247,83 48,75 521,3 266,55 76,37 0,1% -0,3% -0,1% -0,4% 3,3% 2,2%

Vgl. GESAMT zu Plan

AQin

%-Pkt.

NFBin %

NFAin %

Nachfrage Gesamt davon Marktplatz davon Print

Gesamt

Kundengruppe

Ist FS 200901.01.09 bis 30.06.09

Vgl. GESAMT zu Vorjahr

AQin

%-Pkt.

NFBin %

NFAin %

33

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Das Markov-Modell für die Mehrjahres-Entwicklungsprognose

SaisonPeriode

Berechnung der Zustandsverteilung nach n Perioden

Relative Häufigkeiten der Übergänge (bei EB i.d.R. Aktivquoten) einer Saison oder Durchschnitt mehrerer Saisons Matrix A

Übergangswahrscheinlichkeit

Kundengruppe, Verteilung der Kunden poZustand, Zustandsverteilungen

Mit Hilfe des Markov-Modells kann die Kundenbestandsentwicklung und somit eine Nachfrage-Entwicklung

bei alternativen Neukundenstrategienbei alternativen Aktivquoten

prognostiziert werden Bewertung des Kundenportfolios

on

on pApAAAp

34K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Die Customer-Lifetime-Value-Prognose

Gegeben sei ein kalkulatorischer Zinsfuß e und eine Kundensegmentierung

dann lässt sich der Customer-Lifetime-Value errechnen mit

dAeIdAeVCLVn

i

inn 11

0

1)( )1(1

Für einen Kunden wird mit einem mittelfristigen Prognoseverfahren(z.B. Scoring) die Zugehörigkeit zu einer Kundengruppein einer Anfangsperiode prognostiziert und dann mit Hilfe der o.g. Formel der CLV berechnet.

ktorZustandsvederppp k ),...,( 1

ichkeitenahrscheinlÜbergangswderMatrixdieA

VektorDBderseiddd

kk

k

),...,( 1

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

36K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

5 Multi-Channel-Kampagnen

Methodische Diskussionen über Selektionsmodelle

Zielgruppen

Alter

Sortimentskäufer

Kanal-spezifisches Kaufverhalten

selten Customer-Life-Cycle

Kundengruppen-Modelle

Customer-Life-Cycle

Kundenwert (ex post Definition)

Hochretournierer, Kostentreiber, Bonität

Optimale Kampagnensteuerung

Prognose des Werbeerfolgs pro Kunde und pro Aktion

Zielgruppen als Segmentierungskriterium und/oder zur Content-Differenzierung

37

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Herausforderungen an die Reporting-Systeme

Klassische Reporting-Systeme

Messbarkeit der Kennzahlen (Aufträge, Nachfrage, Umsatz, Deckungsbeitrag,…) wird durch Datawarehouse sichergestellt

Zeitbezug der Kennzahlen meist transaktions- und nicht wirkungsbezogen

Dimensionen auf Basis von Eigenschaften der Objekte (Region, Vertriebsweg, Produktklasse,…) zum Zeitpunkt der Kennzahlen-Ermittlung

Zeitdimensionen meist aus buchhalterischer Sicht (Monat, Geschäftsjahr)

Kampagnen-Reports

Kunden-Dimension (= Teilnehmer oder Kandidation einer Aktion zum Zeitpunkt des Entscheidung)

Vollständigkeit der Aktionsdaten (Fremdadressen), Kosten

Zeit-Dimension (Laufzeit der Kampagne)

Kennzahlen wirkungsbezogen auf die Kampagne (Beispiel: Umsatz aus Aufträgen der Kampagne)

Nicht aggregierbare Kennzahlen: Response, Aufträge pro Sortiment

Dynamische Kundenstammdaten

Multichannel-Reaktion

Prognose der Performance von Nicht-Teilnehmern

38K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Der klassische Kampagnen-Management-Prozess hat sich bei Print-Kampagnen in der Praxis bewährt

Der klassische Kampagnen-Management-Prozess (Closed Loop)

Data-Mining Prognose Entscheidung Umsetzung Response Erfolgskontrolle, Analyse

wurde für Print-Kampagnen entwickelt und hat sich in der Praxis bewährt.

Die Anzahl der Aktionen ist nahezu unbeschränkt

In Katalogen lässt sich ein breites Angebot transportieren

Die Response lässt sich relativ einfach messen

Die Aktionen lassen sich sehr gut kontrollieren (Wiederholbarkeit, Test- und Vergleichsgruppen)

Die Haltbarkeit der Aktion ist relativ hoch

Der Reaktionszeitraum ist dafür aber relativ lang

Die Aktualität ist relativ schlecht wegen der langen Vorlaufzeiten

Der Kampagnen-Prozess ist relativ starr (dynamische Anpassung während der Kampagne nicht möglich)

39

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Die Kanäle bzw. Kampagnentypen erfüllen die Kriterien sehr unterschiedlich

Telefon E-Mail Print persönlichAnzahl der Aktionen + ++ +++ +Breite des Angebots + ++ +++ +Konmplexität des Inhalts + + ++ +++Aktualität +++ ++ + +++Haltbarkeit + + +++ ++W irkung +++ + ++ +++Response-Zeitraum +++ +++ + +++Dynamik +++ +++ + +++W iederholbarkeit + ++ +++ +Response-Messbarkeit ++ ++ +++ +

40K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Der Kampagnen-Management-Prozess wird noch komplexer bei

DauerkampagnenGeburtstagNeukundenbegrüßung…

Event-getriebenen Aktionenafter saleNachfasswerbung Vertragsbeendigung…

Operativ ausgelösten KundenkontaktenRechnungMahnungLieferverschiebung, -absage…

Inbound-AktionenTelefonrecommendationcross selling…

41

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Neue Herausforderungen an das Datawarehouse (2.0)

Kataloganfrager

Direktwerbung

WEB-Surfverhalten

E-Mail-Kampagnen

Outbound-Call

Neu/Aufbaukunden

Topkunden

Bestellkanal

Bestand

Lieferfähigkeit

Rabatt

Lieferservice

Bonitätsprüfung

Cross-Selling

Termin-Vereinbarung

Termin-Änderung

Paket-Tracking

Beschwerden

Care-Call

Retourengrund

Zahlungs-konditionen

Mahnprozesse

Forderungs-bestand

Inkasso

Reklamation

Garantie

Kulanzen

Care-Call

Interesse

Bewerbung

Liefern

Bestellen Retournieren

Zahlen

After Sales

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

43

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Eine E-Mail ist eine Aktion aber nicht immer eine Kampagne

Bestellbestätigung, E-Post, … in Echtzeit, Textinformation sachlich, nach festen Regeln gesteuert operative E-Mail, Kampagne?

Newsletter Keine Vorselektion kundenindividuelle Content-Steuerung Massenkampagne könnte auch als operative E-Mail abgewickelt werden

Direct-Mail Vorselektierte Erhalter oder event-getriggert Ganzheitliche Kundensicht zielgruppenspezifischer Content mehrstufige Aktionen, Anstoßkette, Multichannel-Verknüpfung klassische E-Mail-Kampagne

44K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Die Komponenten eines E-Mail-Kampagnen-Systems

Datawarehouse

AdressenAnalyse,

Prognose, Selektion

Content-Management

E-Mail-Versand

Tracking/Reporting

WEB-Server

Bouncing

Permission-Management

Werbe-Agentur

45

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

46K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r


Prognose der Internet-Affinität – verwendete Variablen

Nachfragewert Hauptkatalog l. 18 Monate

Nachfragewert Internet l. 24 Monate

Bestellmenge Internet l. 12 Monate

Konto seit in Monaten

Alter jüngste Person im HH

Letztmals bestellt vor Mon. (max. 30)

Bestellwert l. 18 Mon.

Bestellwert schriftlich l. 6 Mon.

Liefermenge Internet letzte 12 Mon.

Lieferpos. Kommweg mit Kontakt l. 12 Mon.

Nachfragepos. telefonisch l. 18 Mon., Versandart gesamt

Kundenstatus (N,R,K,I,U)

E-Mail-Adresse vorhanden

Anzahl Clicks l. 9 Monate

Anzahl Logins l. 12 Monate

47

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Trennkraft des Internet-Affinitäts-Scores

Anteil Marktplatz-Besteller an Bestellern gesamt

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

90,00

100,00

0 10 20 30 40 50 60 70 80 90 100

Kumulierter Anteil

Ant

eil i

n %

1234567891011121314Durchschnitt

48K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

0

10

20

30

40

<= 20 J. 21 - 30 J. 31 - 40 J. 41 - 50 J. 51 -60 J. 61 - 70 J. > 70 J.

Altersklasse

Ante

il in

Pro

zent

stark affin weniger affin nicht affin


Internet-Affinität nach Alter

49

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

Geburtstag

• Betreff:

n Herzlichen Glückwunsch zum Geburtstag!

n Antwortadresse:

• [email protected]

• Angezeigter Absendername:

n QUELLE Geburtstagspost

• Zielgruppe:

• Alle Geburtstagskinder mit E-Mail und Permission

• Auflage:

• ca. 7000 täglich


50K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

rAftersale

• Betreff:

• Waren Sie zufrieden?

• Antwortadresse:



n QUELLE Service

• Zielgruppe:

• Besteller der letzten 30 Tage

• Auflage:

• ca. 3000 täglich

• Selektion:

• Lieferzeitpunkt in den letzten 14 Tagen

• Bei mehreren Bestellungen im Zeitraum, jüngste

• Bestellung Bei mehreren Artikeln über 25 Euro,

• teuerster Artikel, keine Erotikartikel

• E-Mail-Adresse auch ohne Permission

• Eigene Möbel-Version

• mind. 30 Tage Nicht-Erhalt dieser Kampagne

• Besonderheit:

• 2 Versionen (1 Version mit 5 unterschiedlichen

Kundenindividuell

51

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

NachfassSpezialkatalog

• Betreff:

n Spezialkatalog-spezifisch

n Antwortadresse:



n QUELLE News

• Zielgruppen :

• Erhalter Spezialkatalog plus über nächstbeste unter Cut-Off,Besteller Sonderangebote raus

52K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

Kulanz

Betreff:QUELLE hat ein Überraschungsgeschenk für Sie!Antwortadresse: [email protected] Absendername: QUELLE ServiceZielgruppen - 7 Versionen:Reklamationsgründe: Beschädigt, Lieferzeitprobleme, Material, Nachsendung, Passform, Artikelverwechslung, UnbekanntAuflage:ca. 20.000 monatlichAdressselektion:

nach Retourenverhalten und Nachsendequote (über 40%, bes. bei

Mode); Empfänger der letzen 6 Monaten werden raus gehalten,

2 Versionen: EB, SB 01/04 und Profis

53

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler


Herausforderungen an E-Mail-Kampagnen-Reports

Neue Dimensionen

Mailing-Varianten

Kundengruppe (Internet-Bezug)

Komplexere Teststrukturen, dynamische Anpassung des Contents

Gewinnungsweg der E-Mail-Adresse

Neue Kennzahlen

Anzahl Bounces, Bounce-Rate

Öffner; Öffnungs-Rate

Click-Rate

Click-Through-Rate

Conversion-Rate

Da E-Mail-Aktionen eine kürzere Laufzeit, die Kampagnen dynamischer aufgebaut, und die Reaktionszeit kürzer ist, werden erhöhte Anforderungen an die schnelle Verfügbarkeit von Informationen, die leichte Lesbarkeit bis zur automatisierten Entscheidungsunterstützung gestellt

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

55

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

Dataware

house

Adressen

Analyse Prognose

Content-Management

Regelwerke

Kampagnen-DurchführungReporting

RückläuferAdress-Ermittlung

Kunde

Kundenbuchhaltung


Die Komponenten des Forderungsmanagement-Prozesses

56K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

Daten

Bewegungen (Rechnungen, Retouren, Zahlungen, Gutschriften)

Salden, (Über-)Fälligkeitsstruktur,

Mahnungen, Stundungen

Methoden

Behavior-Scoring / Bestands-Scoring

Segmentierung nach Risiko-Gruppen

Zielvariable: mittelfristiges Zahlungsverhalten

Pre-collection Scoring

spezifischer Mahnscore, Grundgesamt Mahn-Kandidaten

Zielvariable: kurzfristige Zahlung/Reaktion auf Mahnung

Entscheidungs-Parameter

verkürzter Mahnrhythmus (Anzahl Aktionen)

Tonalität Mahntexte

zeitliche Verschiebung des Mahnrhythmus


Optimierung der Mahnsteuerung

57

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

21 T 35 T 14 T

Mahnung 2 Mahnung 3 Inkasso

höherer Schwellwert Mahngebühr 5 €

14 T 21 T 21 T 21 T 14 T

Zahlungs- Mahnung 1 Mahnung 2 Mahnung 3 Inkasso

erinnerung Mahngebühr 5 € Mahngebühr 5 € Mahngebühr 10 €

21 T 21 T

Mahnung 2 Inkasso

Mahngebühr 5 €

nie

drig

es

Ris

iko

hohes

Ris

iko

Rechnung

Precollection-Score

5.2 ForderungsmanagementDifferenzierung der Mahn-Strategie durch Pre-collection-Score

58K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

r

14 T 21 T 21 T 21 T 14 T

Zahlungs- Mahnung 1 Mahnung 2 Mahnung 3 Inkasso

erinnerung Mahngebühr 5 € Mahngebühr 5 € Mahngebühr 10 €

Überfällig 4 xxÜberfällig 3 xÜberfällig 2 x .Überfällig 1 x . .Fälligkeit x . . .

x Teilzahlung.

Rechnung

in Mahnstufe 1 zurück ?


Workflow-Prozess-Steuerungoptimale Wiedervorlage/Einsatzpunkt bei Teilzahlung

59

Kat

holis

che

Uni

vers

ität E

ichs

tätt-

Ingo

lsta

dtLe

hrst

uhl f

ür A

BW

L un

d W

irtsc

hafts

info

rmat

ikD

r. M

icha

el S

emm

ler

Datawarehouse

Abbildung aller Prozesse

Wirkungsbezogene Auswertungsmöglichkeiten

Anreicherung durch Bonitäts-Auskünfte

Content

Layout, Text, zielgruppengerecht

Brieftexte

Eskalation

Decision Engine

Flexible Regelwerke

Champion-Challenger-Tests

Methoden

Data-Mining-Analysen zur zielgerechten Kundensegmentierung


Erfolgsfaktoren für optimales Forderungsmanagement

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

Übersicht

1 Einleitung




3.1 Scoring-Modell









6 Gruppenarbeit

7 Diverses

62K

atho

lisch

e U

nive

rsitä

t Eic

hstä

tt-In

gols

tadt

Lehr

stuh

l für

AB

WL

und

Wirt

scha

ftsin

form

atik

Dr.

Mic

hael

Sem

mle

rKontaktdaten:

Dr. Michael SemmlerGeschäftsführer

Producta Daten-Service GmbH

Hugo-Junkers-Straße 3

60386 Frankfurt am Main

Tel.: +49 (0)69 – 420 91 100

Mobil: +49 (0)175 – 723 08 24

E-Mail: [email protected]

Documents

CRM: Herausforderungen in der Praxis III...2 Katholische Universität Eichstätt-Ingolstadt Lehrstuhl für ABWL und Wirtschafts informatik Dr. Michael Semmler 1 Einleitung Vorlesungs-Programm