Analytical Customer Relationship Management (aCRM)

1
Analytical Customer Relationship Management (aCRM)

• Referenten
• Christian Ludt und Michael Schmidt
• Betreuerin Elisabeth Thieser, SAP
• Seminar CRM SRM, WS 2002/2003
• Universität des Saarlandes
• FB 6.2 Informatik
• Lehrstuhl für Datenbanken und Informationssysteme
• Prof. Dr.-Ing. Gerhard Weikum
• Dr.-Ing. Ralf Schenkel

2
Gliederung

• Einführung
• OLAP
• Kundenanalyse
• Customer-Lifetime-Value
• Fazit

3
Einordnung aCRM
4
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

5
Closed-Loop Szenario
Customer Knowledge
Customer Feedback/Learning
AnalyticalResults
Planned ActionsandCampaigns
6
Einsatzbereiche Analytical CRM

• Marketing
• Vertrieb
• Service
• Kunden
• Produkte
• Interaktionen

7
Bestandteile des aCRM

• OLAP
• Data-Mining

8
Gliederung

• Einführung
• OLAP
• Kundenanalyse
• Customer-Lifetime-Value
• Fazit

9
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

10
FASMI Anforderungen an OLAP

• Fast
• Analysis
• Shared
• Multidimensional
• Information

11
2D-Datensicht
12
3D Datensicht
13
Operationen im OLAP

• Roll-up
• Drill-down
• Dice / Slice
• Pivot

14
Operationen im OLAP

• Roll-up

15
Operationen im OLAP

• Drill-down

16
Operationen im OLAP

• Dice / Slice

17
Operationen im OLAP

• Pivot

18
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

19
RFM-Analyse

• Recency
• Frequency
• Monetary
• Eigenschaften
• Basiert auf betriebswirtschaftlichen Annahmen
• Scoring Methode
• Häufig Verwendung
• Einsatz im Marketing
• Praktische Umsetzung auf verschieden Arten
  möglich

20
RFM-Analyse
21
Beispiel Gaststätte
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

• ? Lebendes Inventar ist der beste Kunde

22
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
23
Gliederung

• Einführung
• OLAP
• Kundenanalyse
• Customer-Lifetime-Value
• Fazit

24
Kundenanalyse

• Kundenverhaltensanalyse
• Kundenwertanalyse

25
Kundenverhaltensanalyse

• Kaufverhalten
• Abwanderungsverhalten
• Zufriedenheit
• Loyalität

26
Beispiel zur Motivation
? Bier muß weg
? Zusammenhang zwischen Bier und Windeln
27
Ziel

• Basierend auf historische Daten unbekannte Muster
  entdecken
• Dazu dienen Data Mining-Methoden

28
Data Mining

• Prozeß zur Aufdeckung nutzbringender und
  aussagekräftiger Muster, Profile und
  Trends(Definition nach Jesus Mena)

29
Data Mining-Methoden

• Entscheidungsbäume
• Clustering
• Assoziationsanalyse

30
Entscheidungsbäume

• Werden vor allem eingesetzt, um herauszufinden,
  welches Verhaltensprofil besonders oft zum
  Verlust eines Kunden geführt hat
• ? Gegenmaßnahmen bei gefährdeten Kunden einleiten

31
Bsp Entscheidungsbaum
32
Bsp Entscheidungsbaum
33
Clustering

• Dient vor allem der Kundensegmentierung
• Datensätze einer Gruppe möglichst ähnlich,
  Datensätze verschiedener Gruppen möglichst
  unterschiedlich hinsichtlich ihrer
  Merkmalsausprägungen
• Ermitteln typischer Verhaltensprofile

34
Bsp

• Zusammenfassen von Kunden anhand Demographie
  (Durchschnittsalter, Geschlecht, Familienstand),
  Kaufverhalten, etc. in homogene Gruppen

35
Assoziationsanalyse

• Dient zum Ermitteln, welche Produkte in der Regel
  zusammen gekauft werden
• Einsatz
• Warenkorb - Analyse
• Ziel
• Cross-Selling

36
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

37
Bsp

• Bei Hardware
• Beim Kauf eines PCs 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)

38
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.

39
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

40
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).

41
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

42
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
• AssoziationsregelWenn 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

43
Kundenanalyse

• Kundenverhaltensanalyse
• Kundenwertanalyse

44
Kundenwertanalyse

• Ziel
• Ermitteln des Werts eines einzelnen Kunden oder
  ganzer Kundensegmente für das Unternehmen
• Analysen
• Kundenprofitabilitätsanalyse
• ABC-Analyse
• Customer-Lifetime-Value-Analyse

45
Kundenprofitabilitätsanalyse

• Einfachste Analyse Differenz zwischen Erlös und
  Kosten pro Kunde
• Detaillierter Kundendeckungsbeitragsanalyse
• Einbeziehen verschiedener Erlösarten, Produkt-
  und Vertriebskosten

46
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

47
Gliederung

• Einführung
• OLAP
• Kundenanalyse
• Customer-Lifetime-Value
• Fazit

48
Customer-Lifetime-Analyse

• Dient der Bewertung eines Kunden
• Bezieht sich auf den gesamten Kundenlebenszyklus
• Häufig verwendete Methode

49
Kundenwert im CLTV

• Quantitative Größen
• Akquisitionskosten
• Umsatz
• Zuordenbare Einzelkosten
• Qualitative Größen
• Weiterempfehlungs-Potential
• Up/Cross-Selling-Potential

50
Kundenlebenszyklus im CLTV

• 6 Phasen
• Kennenlernphase
• Startphase
• Penetrationsphase
• Reifephase
• Krisenphase
• Trennungsphase

51
Berechnung des CLTV
52
Beispiel Gaststätte
53
Beispiel SAP
54
Gliederung

• Einführung
• OLAP
• Kundenanalyse
• Customer-Lifetime-Value
• Fazit

55
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

56
FRAGEN??