CRM: Herausforderungen in der Praxis IV Übersicht

Transcription

Wirtschaftswissenschaftliche
Fakultät Ingolstadt
16.11.2011
CRM:
Herausforderungen
in der Praxis IV
Dr. Michael Semmler
Universum Group
Frankfurt am Main
1. Einleitung
2. Ergebnisse der Gruppenarbeit
„Optimaler Cut-Off““
Übersicht
3. Multi-Channel-Kampagnen-Management (Nachtrag)
3.1
Telefon-Kampagnen
3.2
Echte Multi-Channel-Kampagnen
4. Data Mining Anwendungen
4.1
Assoziations-Analysen
4.2
Sortiments-Analysen
4.3
Lieferzeit und Retouren
4.4
Auswahl-Retouren
4.5
Kunden-Rückgewinnung
4.6
Planungsmodell für Forderungsmanagement
5. Hausarbeit
6. Diverses
1
Einleitung
2
Vorlesungs-Programm „CRM: Herausforderungen in der Praxis“
Reporting-Systeme
26.10.
Datawarehouse, Kundenprofile, Scoring
09.11.
(Multi-Channel-)Kampagnen-Management
16.11.
Data Mining Anwendungen
Katholische Universität Eichstätt-Ingolstadt
Lehrstuhl für ABWL und Wirtschaftsinformatik
Dr. Michael Semmler
19.10.
Erörterung von praktischen Fragestellungen und Herausforderungen im
operativen 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
1. Einleitung
Übersicht
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
5. Hausarbeit
6. Diverses
1. Einleitung
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
Übersicht
5. Hausarbeit
6. Diverses
3.1
Telefon-Kampagnen
Scoring-Herausforderungen bei interaktiven CRM-Kampagnen
Outbound-Kampagnen
Gesprächsleitfaden bei jeder Aktion neu
Gesprächserfolg sofort messbar
Externe Störfaktoren
Dr. Michael Semmler
 Scoremodelle und Selektionen müssen täglich angepasst werden
Inbound-Kampagnen
Situative Kundenmerkmale sind wesentlich trennschärfer
(z.B. Sortimentsmix, Positionszahl, Bestellwert im Auftrag, Servicenutzung,...)
Skill des Agents wesentlich für den Erfolg
Gesprächserfolg sofort messbar
Echtzeit-Scoring und dynamische Anpassung des Regelwerks notwendig
Optimierung der Kapazitätsauslastung bei bester Erreichbarkeit
Sind die Grenzen des klassischen Scoring erreicht?
5
3.1
Telefon-Kampagnen
6
Automatisierung des „closed loop“
Prognose
Entscheidung
Dr. Michael Semmler
Analyse
Aktion
(Data Mining)
Response
3.1
Telefon-Kampagnen
7
Ziel und Prinzip des Dynamischen Echtzeit-Scoring
Anfrage
Anfrage mit
mit Kundenmerkmalen
Kundenmerkmalen
Dr. Michael Semmler
Dialog
Dialog
mitdem
dem
mit
Kunden
Kunden
Entscheidung
Entscheidung über
über
Kontakt
Kontakt bzw.
bzw. Angebot
Angebot
Dynamisches
Dynamisches
Prognosemodell
Prognosemodell
Rückmeldung
Rückmeldung des
des
Ergebnisses
Ergebnisses
Durch die schnelle Rückmeldung des Ergebnisses wird das Prognosemodell
ständig verbessert und nutzt dieses sofort für die nächste Entscheidung !
 Dynamische Optimierung  Dynamische Reaktion auf Veränderungen
3.1
Telefon-Kampagnen
8
Komponenten eines Telefon-Outbound-Kampagnen-Systems
Kundenkontakt
Dr. Michael Semmler
Data
ware
house
Dialer
Aktions-Manager
Vorselektion
Steuerung
Operatives Reporting
Speicherung der
Kampagnen-Ergebnisse
3.1
Grobe Vorselektion
Merkmale aus dem DWH
Dynamische Selektion „neuer“ Chargen
Dialer  Kundenkontakt
Rückfluss der Gesprächsergebnisse
Dynamische Optimierung des Modells
Speicherung der Historie dann im DWH
Telefon-Kampagnen
9
Optimierung der Outbound-Prozesse
Call Center
Versandhaus
OUTBOUND Control Center
Daten
Filter
Kundengruppen
Dr. Michael Semmler
Aktivierung
DWH
15.11.2012
Data
Mart
Neukunden
CallCenter
CallCenter
Dienstleister x
CallCenter
Kampagnen
ready OUTBOUND
remote
CallCenter
CallCenter
Dienstleister Y
CallCenter
Kampagne
Kampagne
ready OUTBOUND
remote
Sammelbesteller
CallCenter
Kampagne
OUTBOUND – Dynamisches Scoring-Modul
CallCenter
Dienstleister Z
ready OUTBOUND
remote
CallCenter
CallCenter
3.1
Telefon-Kampagnen
10
Herausforderungen an Telefon-Kampagnen-Reports
Neue Dimensionen

Call-Center

Agenten-Gruppe
Dr. Michael Semmler
Neue Kennzahlen

Anzahl erreichte Kunden

Gesprächsergebnisse

Kundenreaktionen

Kurz- und mittelfristiger Erfolg

Wechselwirkung zu anderen Aktionen
Es gibt
operative Reports zur Steuerung von Dialern, Call-Centern und Agents und zur
Entscheidungsunterstützung über Abbruch der Aktion
Kampagnen-Erfolgs-Reports, die Erkenntnisse für den Gesamterfolg und die
Wechselwirkungen zu anderen Parallel-Aktionen liefern
3.1
Telefon-Kampagnen
Dr. Michael Semmler
Dashboard
11
Dr. Michael Semmler
Dr. Michael Semmler
3.1
3.1
Telefon-Kampagnen
Telefon-Kampagnen
Qualitätsreport
12
Dashboard
13
3.1
Telefon-Kampagnen
14
Vorteile der Echtzeit-Prognose im Outbound
• Variable Steuerung des Cut-Off und der Mengen pro Call-Center und Standort
• Einstellung von Kontrollgruppen  permanente Effizienzmessung
• Nichtumwerbungsgruppen bestimmen
• Ausgereiftes Kampagnen-Reporting
• Kampagnenübergreifende Steuerung
Dr. Michael Semmler
• Für alle Kampagnen werden simultan die jeweils besten Adressen
aus dem Datawarehouse selektiert
• Reduktion der Überquotierung und optimale Nutzung des Gesamtpotenzials !
=> Signifikante Erfolgssteigerung und optimierte
Prozess-Steuerung durch dynamische Selektion
3.1
Telefon-Kampagnen
15
Dynamisches Echtzeit-Scoring im Inbound
Bestell- und Service Dialog
Inbound
Dr. Michael Semmler
JA!
Historische
Daten aus
DWH
Dynamisches
Score-Modul
Situative
Daten aus
Dialog
Inbound-Aktionen an
verschiedenen
Aufsetzpunkten
 Anfrage
 Entscheidung über Angebot
 Rückfluss des Gesprächsergebnisses und
dynamische Optimierung des Prognosemodells
Data
ware
house
Vollautomatisierte Prozesse !!
1. Einleitung
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
Übersicht
5. Hausarbeit
6. Diverses
3.2
Überblick Automatisierungspotenziale
 Telefon-Outbound-Kampagnen
 Telefon-Inbound-Kampagnen
 Mehrstufige Telefon-Kampagnen  Integration In- und Outbound
 Mehrstufige Print-Telefon-Kampagnen
 Telefonischer Nachfass (Outbound)
Dr. Michael Semmler
 Werbemittel-Erhaltsinformation im Inbound  Trigger
 E-Mail-Kampagnen
 Ähnliche Automatisierung von den Rahmenbedingungen her möglich
 Optimierung eher von „Anzahl E-Mail pro Kunde“ als „Kosten“
 Integration von Print- und e-Mail-Kampagnen

Cross-Selling im Warenkorb

Verhinderung von Warenkorb-Abbrechern

Betrugsverhinderung
17
3.2
18
Mehrere Kanäle machen noch kein Multi-Channel –
Beobachtungen aus dem Stationär- und Versandhandel
 E-Commerce als getrennte Organisationseinheit
 Fokussierung im E-commerce auf
 Technologie (WEB-Shop, Suchmaschine, Affiliate Marketing, Recommendation)
 Warenangebot (Preisoptimierung, Verknappung)
 Kampagne (Newsletter als Abo, abgefragte Interessen, one-to-one)
Dr. Michael Semmler
 Kein echtes Kampagnen-Management im E-Commerce
 Content-orientiert
 fehlender Closed Loop
 Keine Fokussierung auf Kunde (Life-Cycle, Kundenqualität, Verhaltensprognose)
 Konkurrenz zwischen den Kanälen
 Getrennte Datenwelten
 Erkannter aber nicht antizipierter Widerspruch:
getrenntes Kunden- und Kampagnen-Management, aber streng einheitliche
Markenführung
3.2
19
Was macht echtes Multi-Channel aus?
 Kanal-übergreifende Kundenbearbeitung = Customer Lifecycle Management:
Entwicklung des Kundenbestands, Analyse der verschiedenen Lebenszyklen nach
Kundentypen, Analyse der Kundenbindung, Churn, Rückgewinnung, etc.
 Kanal-übergreifende Kampagnen-Planung und –Steuerung
 Fokus Kundenorientierung in allen Kanälen
 life-cycle-orientiertes one-to-one im WEB
Dr. Michael Semmler
 ganzheitliches Kundenbild in allen Kundendialogen
 Direkt-Marketing-(Push)-Kampagnen zur Erhöhung der Aktivquote absolut
notwendig!  Aktivierungs-Print-Werbemittel sind kein Tabu für E-Commerce-Kunden
sondern notwendige Maßnahmen!
 Direkt-Marketing-Know-How ist das Asset, das im Zeitalter des E-Commerce den
entscheidenden Vorsprung verschaffen kann.
Nur mit einer konsequenten Kunden-Fokussierung
können aus Aktionen echte Multi-Channel-Kampagnen werden
3.2
20
Herausforderungen bei der Umsetzung von Multi-Channel-Kampagnen –
Erfahrungen aus der Praxis
Datenverfügbarkeit

Meist kein Problem, wenn alle Informationen in einem zentralen Datawarehouse
konsolidiert werden
Dr. Michael Semmler
Permission, Durchführbarkeit

Für Telefon- und E-Mail-Aktionen ist das Einverständnis des Kunden notwendig

Telefonaktionen werden durch Optimierungs-Regelwerke in sich gesteuert
(Erreichbarkeit, Rückrufaktionen, Anrufbeantworter, falsche Telefonnummern)

Wie werden nicht erreichte Kunden bei Telefonaktionen oder Bounces im E-MailBereich wieder in den Kampagnenprozess zurückgeschleust?
3.2
21
Herausforderungen bei der Umsetzung von Multi-Channel-Kampagnen –
Erfahrungen aus der Praxis
Entscheidungszeitpunkt

Durch unterschiedliche Vorlaufzeiten sind die Entscheidungszeitpunkte von Print-,
Telefon- und E-Mail unterschiedlich

Wie wird die Aktualität der Inhalte bei Telefon- und E-Mail- in Kombination mit PrintAktionen noch gehalten?
Dr. Michael Semmler
Prognostizierbarkeit

Welche Erkenntnisse aus welcher Vergleichsaktion werden als Basis für die Prognose
des Kampagnen-Erfolgs auf Kundenebene herangezogen

Wie werden Wechselwirkungen zwischen Aktionen in der Vergangenheit modelliert?
1. Einleitung
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
Übersicht
5. Hausarbeit
6. Diverses
4
Dr. Michael Semmler
Ziele

Ermitteln von Klassifikationen und Ähnlichkeiten

Analyse von Zusammenhängen

Erkennung von Trends und Strukturen

Erstellen von Prognosen
Unterstützung der Data-Mining-Techniken durch Statistik

Vorgehensmodelle

Technologien, Optimierungsmodelle, Algorithmen

Vorschalten einer explorativen Daten-Analyse

Reduktion des Datenaufwands beim Data-Mining
durch Stichprobenverfahren

Sensitivitäts- und Stabilitäts-Analysen
23
4
24
Data-Mining-Methoden und ihre Anwendungsgebiete
Dr. Michael Semmler
Neuronale Netze
Diskriminanzanalyse
Entscheidungsbaumverfahren
Regressionsanalyse
Support Vector Machine
Clusteranalyse
Self Organizing Maps
Assoziationsanalyse
Sequenzanalyse
Zeitreihenanalyse
multidimensionale Skalierung
Faktorenanalyse
4
Klassifikation Segmentierung
x
x
x
x
x
x
x
x
Prognose
x
x
x
x
Abhängigkeit
Darstellung
x
x
x
x
x
x
x
x
Beispiele
 Kundenprofile  Vergleich von Verteilungen
 Kundensegmentierung  Clusteranalysen
 Kunden-Wert-Analysen  Scoring, Regression
 Kunden-Entwicklungs-Modelle  Markov-Modelle
 Allokation: Zielgruppe – Werbemittel – Sortiment  Optimierungsmodelle
Dr. Michael Semmler
 Verbundkaufanalysen  Assoziationsanalyse, Sequenzanalysen
 Identifikation von Kundenverärgerung  Regressionsanalyse
 Identifikation von Kredit-Risiko-Faktoren, Betrugs-Mustererkennung 
Clusteranalysen
 Wirkungssanalysen von Prozess-Veränderungen
(Bestellung, Lieferung, Retoure, Zahlung, Kulanz)  Regressionsanalyse
25
1. Einleitung
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
Übersicht
5. Hausarbeit
6. Diverses
4.1
27
Ziel der Assoziationsanalyse ist die Herleitung von Regeln, wie z.B.

Warengruppe A und Warengruppe B werden häufig gemeinsam gekauft oder

Wenn Warengruppe A gekauft wird, dann wird auch überdurchschnittlich B
gekauft
Dr. Michael Semmler
Kennzahlen:

Support:
relative Häufigkeit der Beispiele, in denen die Regel anwendbar ist.

Konfidenz:
relative Häufigkeit der Beispiele, in denen die Regel richtig ist.

Lift:
Der Lift gibt an, wie hoch der Konfidenzwert für die Regel den Erwartungswert
übertrifft  generelle Bedeutung einer Regel.
4.1
28
Dr. Michael Semmler
Assoziationsregel A B

Support:
Für welchen Anteil aller Bestellungen gilt die Regel A B? Zur Berechnung
wird die Anzahl der Bestellungen, in denen beide Warengruppen vorkommen,
durch die Anzahl aller Bestellungen geteilt.
H(A und B) / H

Konfidenz (AB):
Für welchen Anteil der Bestellungen, in denen A vorkommt, kommt auch B
vor? Zur Berechnung der Konfidenz wird die Anzahl aller Bestellungen mit A
und B durch die Anzahl der Bestellungen, die B enthalten, geteilt
H(A und B) / H(B)

Lift:
Um wieviel häufiger kaufen B-Käufer auch A im Vergleich zu allen Käufern?

H(A und B) / [H(A) * H(B)]
4.1
29
Verbundkauf Einkaufsbereiche
Dr. Michael Semmler
Assoziationsanalyse Einkaufsbereiche
Zusammenhänge zw. Einkaufsbereichen der ED 1-8
025 PM Kuechen <==> 026 PM Weisse Ware
023 PM Unterhaltungselek <==> 024 PM Kommunikationssys
001 PM DOB Stamm <==> 002 PM DOB Shops
002 PM DOB Shops <==> 003 PM Sonderkataloge
007 PM Kinderkonfektion <==> 016 PM Hartwaren I
016 PM Hartwaren I <==> 023 PM Unterhaltungselek
015 PM Moebel <==> 025 PM Kuechen
001 PM DOB Stamm <==> 003 PM Sonderkataloge
003 PM Sonderkataloge <==> 004 PM Waesche
007 PM Kinderkonfektion <==> 008 PM Schuhe
002 PM DOB Shops <==> 008 PM Schuhe
003 PM Sonderkataloge <==> 008 PM Schuhe
002 PM DOB Shops <==> 005 PM DOB Aktionen
001 PM DOB Stamm <==> 005 PM DOB Aktionen
002 PM DOB Shops <==> 004 PM Waesche
008 PM Schuhe <==> 011 PM Sportbekleidung/S
003 PM Sonderkataloge <==> 011 PM Sportbekleidung/S
002 PM DOB Shops <==> 011 PM Sportbekleidung/S
002 PM DOB Shops <==> 007 PM Kinderkonfektion
006 PM Herrenkonfektion <==> 011 PM Sportbekleidung/S
Konfidenz
Hinrichtung Rückrichtung Lift-Maß Anz. Besteller
52,9
1,0
3,3
7.320
12,5
25,1
2,7
54.710
34,5
75,3
2,6
482.470
18,0
34,0
2,5
115.520
25,3
23,5
2,3
123.390
20,8
25,1
2,3
109.540
0,6
24,5
2,2
3.390
14,5
59,7
2,0
202.690
61,6
13,8
2,0
209.190
39,9
19,6
1,9
194.730
39,5
25,5
1,9
253.250
39,3
13,4
1,9
133.500
38,3
25,3
1,9
245.420
37,6
54,2
1,9
525.160
57,8
24,5
1,8
370.310
25,8
37,5
1,8
255.850
24,9
12,4
1,7
84.480
24,7
23,1
1,7
157.950
17,4
22,8
1,7
111.330
24,1
50,8
1,7
346.840
4.1
30
Verbundkauf Möbel- und Technik - Warengruppen
Konfidenz
Hinrichtung Rückrichtung Lift
4,3
7,7
3,9
4,2
9,3
3,8
3,9
6,3
3,5
3,2
8,7
3,0
3,0
1,7
2,7
3,3
5,2
2,6
3,3
5,2
2,6
3,3
6,4
2,6
3,4
6,1
2,5
2,9
6,8
2,3
2,9
4,1
2,3
2,7
1,4
2,2
2,2
4,2
2,1
Dr. Michael Semmler
Beziehungen zwischen Möbel- und Technik-EA
EA 184
EA 078
EA 075
EA 015
EA 113
EA 184
EA 184
EA 078
EA 078
EA 015
EA 075
EA 113
EA 184
Klein- und Bueromoebel <==> EA 070 Beleuchtung
Kuechen/Esszeilen/ Bad <==> EA 070 Beleuchtung
Schlafmoebel, Matratzen <==> EA 070 Beleuchtung
Wohnmoebel <==> EA 070 Beleuchtung
Matratzen <==> EA 070 Beleuchtung
Klein- und Bueromoebel <==> EA 076 PC/Software
Klein- und Bueromoebel <==> EA 086 Fernseher
Kuechen/Esszeilen/ Bad <==> EA 063 Herde/Oefen
Kuechen/Esszeilen/ Bad <==> EA 144 Einbau
Wohnmoebel <==> EA 086 Fernseher
Schlafmoebel, Matratzen <==> EA 086 Fernseher
Matratzen <==> EA 086 Fernseher
Klein- und Bueromoebel <==> EA 068 Audio/Hifi
Lesebeispiel: Wohnmöbel-Besteller kaufen 3 mal so oft Beleuchtung wie der durchschnittliche EB.
Umgekehrt kaufen auch Besteller von Beleuchtung 3 mal so häufig Wohnmöbel wie der Durchschnitt. 3,2%
aller Besteller von Wohnmöbeln kaufen auch Beleuchtung. 8,7% aller Besteller von Beleuchtung kaufen
auch Wohnmöbel.
4.1
31
Vergleich von zwei Marken
Dr. Michael Semmler
LINKS
6-HaKa Grosskonfektion
8-Kinder-Sortimente,
26-Gesundheit
3-DOB-Grosskonfektion
2-DOB-Standard
22-Schmuck
26-Gesundheit
13-Haustextilien
10-Schuhe
11-Lederwaren
22-Schmuck
4-DOB Rest
4-DOB Rest
RECHTS
5-HaKa Standard
10-Schuhe
22-Schmuck
10-Schuhe
2-DOB-Standard
1-DOB-Shirts etc.
11-Lederwaren
1-DOB-Shirts etc.
11-Lederwaren
11-Lederwaren
12-Heimtextilien
10-Schuhe
22-Schmuck
10-Schuhe
1-DOB-Shirts etc.
25-Sportartikel
2-DOB-Standard
RANG
Vergleich
0
5
0
7
7
3
-2
7
-1
-6
5
-6
14
5
11
9
1
6
2
RANG
Marke 1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
RANG
Marke 2
1
7
3
11
12
9
5
15
8
4
16
6
27
19
26
25
18
24
21
LIFT
LIFT
Marke 1 Marke 2
2,35
2,09
1,97
1,97
1,96
1,95
1,93
1,90
1,89
1,86
1,85
1,84
1,82
1,81
1,80
1,79
1,79
1,78
1,76
2,11
1,80
1,92
1,71
1,71
1,72
1,82
1,70
1,73
1,90
1,68
1,81
1,61
1,68
1,62
1,62
1,68
1,62
1,65
4.1
32
Sortiments-Positionierung über Assoziation
Dr. Michael Semmler
Die folgende Tabelle gibt für den Hauptkatalog die LIFT-Maße an:
Lesebeispiel: Ein Liftmaß von 2,6 zwischen Herren- und Damen-Bademoden-Bestellern bedeutet,
dass die Kunden von D-Bademode 2,6 mal häufiger H-Bademode kaufen als der durchschnittliche
Kunde.
Das Liftmaß misst den Sortimentszusammenhang zweier unterschiedlicher Sortimente. Je höher das
Lift-Maß, desto höher der Sortimentszusammenhang. Ein Sortimentszusammenhang ist dann
gegeben, wenn das LIFT-Maß größer als 1 ist.
4.1
Sortiments-Positionierung über Assoziation (multidimensionale Skalierung)
Dr. Michael Semmler
Positionierung der Branchen im zwei-dimensionalen Raum auf Basis der
inversen LIFT-Maße: Pfeile geben die momentane Sortimentsreihen-Folge an
33
4.1
34
Sortiments-Positionierung über Assoziation (multidimensionale Skalierung)
Dr. Michael Semmler
Positionierung der Branchen Raum auf Basis der inversen LIFT-Maße: Pfeile
geben eine alternative Reihenfolge der Sortimente an
4.1
Dr. Michael Semmler
Probleme bei der Assoziationsanalyse

Datenverfügbarkeit auf Einzel-Positions-Ebene

Verbund-Ebene Auftrag oder Zeitraum oder Kunde

Ergebnis stark abhängig von der Anzahl der Warengruppen

Ergebnis abhängig von Grundgesamtheit (Katalog, Zeitraum, SortimentsHierarchie, Kundengruppe)

Homogenität der Warengruppen

Artikel – Artikel – Regeln

Unübersichtliche Anzahl von Regeln  schwierige Interpretation

Prognostizierbarkeit der Regeln

Verbundkauf abhängig von Artikel-Präsentation
35
1. Einleitung
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
Übersicht
5. Hausarbeit
6. Diverses
4.2
Sortiments-Analysen
Dr. Michael Semmler
Positionierung der Sortimente nach Neukunden-Attraktivität
und Neukunden-Haltbarkeit
HOB, Wäsche oder DOB generieren im Print vergleichsweise viele Neukunden mit einem niedrigen
Folge- DB. Im Gegensatz hierzu hat Multimedia vergleichsweise wenige Neukunden mit einem
hohen Folge-DB.
37
4.2
38
Sortiments-Analysen
Positionierung über Cluster-Analyse
Clusterung der DOB-Käufer und Visualisierung im 2 dimensionalen Raum
niedrig
Basic
Cluster 1
Dr. Michael Semmler
Young
Cluster 3
Preis
-1,00
Cluster 2
Cluster 5
Classic
Cluster 4
Modern
Größe des
Kreises =
Nachfrage
des Kundenclusters
Feminin
hoch
-1,00
alt
4.2
Alter
jung
Sortiments-Analysen
Preisanalyse für D-Strickwaren, D-T-Shirts, D-Blusen
Dr. Michael Semmler
Welche Produktivitäts-Kennzahlen (Nachfrage und DB pro Werbeflächeneinheit cm2)
ergeben sich differenziert nach Preisklassen ?
Vor allem bei D-Strickwaren sinken Nachfrage und DB-Produktivitäten mit steigender Preisklasse.
39
4.2
40
Sortiments-Analysen
Artikeldichte bei DOB und HOB
Dr. Michael Semmler
Welche Nachfrage-Produktivitäten haben Doppel-Seiten differenziert
nach Artikel-Dichte ?
Höchste Produktivitäten pro Doppelseite werden in der DOB bei Doppelseiten mit 5-6 Artikeln erzielt. In
der HOB scheint die „optimale“ Artikel-Dichte pro Doppelseite bei 9-10 Artikeln zu liegen.
1. Einleitung
Übersicht
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
5. Hausarbeit
6. Diverses
4.3
42
135
130
125
120
Index
Dr. Michael Semmler
DOB
115
Wäsche
Herrenkonfektion
110
Kinderkonfektion
Schuhe
105
Sportbekleidung/Schuhe
100
95
90
0-3
4-7
8-14
15-21
>21
Lieferzeit in Tagen
Index 100: durchschnittliche Retourenquote im Sortiment
1. Einleitung
Übersicht
3. Multi-Channel-Kampagnen-Managment (Nachtrag)
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
5. Hausarbeit
6. Diverses
4.4
Auswahl-Retouren
44
Analyse-Ansatz

Sortimentsgruppe:
Textil, Branche, GfK-Warengruppe

Kundengruppe:
Alter, Kundenqualität,…

Basiskennzahlen
 Stücknachfrage
Dr. Michael Semmler
 Auswahlquote = Anteil der Mehrfachpositionen innerhalb eines Bildes in einem
Auftrag an der Gesamt-Stücknachfrage
 Größen-Auswahl = Auswahl-Anteil nur bezogen auf unterschiedliche Größen
innerhalb eines Bildes in einem Auftrag
 Farb-Auswahl = Auswahl-Anteil nur bezogen auf unterschiedliche Farben
innerhalb eines Bildes im Auftrag
Ziele:

Korrelation der Auswahl mit der Retourenquote

Darstellung der Ergebnisse in unterschiedlichen Sortiments- und KundenDimensionen
4.4
Auswahl-Retouren
45
Größen- und Farb-Auswahl
Die Farbauswahl ist bei HaKa am höchsten,
bei Kiko, Wäsche und Schuhe sehr niedrig
Auswahl-Typen DOB FS 02
20,0%
18,0%
16,0%
Dr. Michael Semmler
14,0%
12,0%
10,0%
8,0%
6,0%
4,0%
2,0%
0,0%
DOB
Haka
Kiko
Wäsche
Größe
Farbe
Schuhe
Sport
Gesamt
4.4
Auswahl-Retouren
46
Auswahlquote vs. Retouren
Eine Korrelation zwischen Auswahl- und Retourenquote ist vorhanden
bei HaKa, Kiko und Sport (hohe Auswahl, wenig Retouren)
bei Wäsche und Schuhe (sonstige Effekte höher als Auswahl)
Dr. Michael Semmler
Auswahl- und Retourenquote DOB FS 02
20,0%
50,0
18,0%
45,0
16,0%
40,0
14,0%
35,0
12,0%
30,0
10,0%
25,0
8,0%
20,0
6,0%
15,0
4,0%
10,0
2,0%
5,0
0,0
0,0%
DOB
Haka
Kiko
Wäsche
Auswahl
4.4
Schuhe
Sport
Gesamt
Retouren
Auswahl-Retouren
47
Größen- und Farb-Auswahl
Die Größen-Auswahl nimmt mit steigendem Alter eher ab
als die Farbauswahl, diese bleibt im wesentlichen konstant
Auswahl-Typen Alter FS 02
18,0%
16,0%
Dr. Michael Semmler
14,0%
12,0%
10,0%
8,0%
6,0%
4,0%
2,0%
0,0%
<=20
<=30
<=40
<=50
Größe
<=60
Farbe
<=70
> 70
4.4
Auswahl-Retouren
48
Auswahlquote vs. Retouren
Starke Korrelation zwischen Auswahl- und Retourenquote, bei älteren Kunden
nimmt die Retourenquote stärker ab als die Auswahlquote
(mehrere Farben von einem Artikel werden gezielt gekauft)
Auswahl- und Retourenquote Alter FS 02
18,0%
50,0
16,0%
45,0
40,0
Dr. Michael Semmler
14,0%
35,0
12,0%
30,0
10,0%
25,0
8,0%
20,0
6,0%
15,0
4,0%
10,0
2,0%
5,0
0,0
0,0%
<=20
<=30
<=40
<=50
Auswahl
<=60
<=70
> 70
Retouren
1. Einleitung
Übersicht
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
5. Hausarbeit
6. Diverses
4.5
50
Modellierung:Überfälligkeit
Welcher der folgenden Kunden hat eine höhere Abwanderungswahrscheinlichkeit?
Kunde A
1
1
1
1
1
1
2
Monate
0,5 0,5
2
Monate
Dr. Michael Semmler
Kunde B
2
0,5 0,5
2
Betrachtungszeitpunkt
Folgerungen:
Der durchschnittlicher Bestellabstand für Kunden A und Kunden B ist identisch (1 Monat) ,
damit auch die Überfälligkeit. Aber: Kunde A und Kunde B haben unterschiedliche
Abwanderungswahrscheinlichkeiten
=> Einbeziehung der Streuung kundenindividueller Kaufabstände in das Prognosemodell
4.5
51
Von der Überfälligkeit zur Prognose der Abwanderungs-Wahrscheinlichkeit
Grundlage zur Berechnung einer kundenindividuellen Abwanderungswahrscheinlichkeit ist die Überfälligkeit eines Kunden: Ist der Abstand zur letzten
Bestellung größer als der durchschnittliche Bestellabstand eines Kunden?
Dr. Michael Semmler
Verbesserung der Modellierung
Über die Anwendung einer geeigneten (praxisbewährten) statistischen
Verteilungsfunktion kann aus den Parametern Überfälligkeit, Mittelwert und Streuung
der Bestellabstände für jeden Kunden eine individuelle
Abwanderungswahrscheinlichkeit ermittelt werden.
Verbesserung der Modellierung
Zur Verbesserung der Prognosegüte sollen neben der Überfälligkeit in einem
multivariaten Ansatz weitere abwanderungsrelevante Daten (v. a. Merkmale zur
Kundenverärgerung) berücksichtigt werden.
4.5 Kunden-Rückgewinnung
52
Dr. Michael Semmler
Analyse-Ansatz

Kunden sind überfällig: Bestellzeitpunkt liegt am aktuellen Tag über dem
durchschnittlichen Mittel. Kunde hat seit mindestens 2 Monaten nicht bestellt.

Durchschnittliches Mittel/Varianz: Betrachtung der letzten 30 Monate,
mindestens 3 Bestellungen.

Modellierung Zielvariable: Kunde ist abgewandert, wenn er ab Überfälligkeit
in den nächsten 1,5 Jahren nicht bestellt.

Höherwertiger Kunden: Mindestens 3 Bellungen, Lieferumsatz> 500 €,
Retourenquote < 95%, nicht negativ.

Methode: Scoring-Analye
4.5
53
Abwanderungsquote in %
Dr. Michael Semmler
aktueller Bestellabstand zur letzten Bestellung in Tagen
80
60
< 135
< 211
< 266
40
< 356
< 471
< 568
20
>=568
Durchschnitt
0
20
40
60
kumulierter Anteil in %
80
100
4.5
54
durchschnittlicher Bestellabstand in Tagen (30 Monate)
Dr. Michael Semmler
Abwanderungsquote in %
80
60
< 16
40
< 36
< 50
< 70
20
< 96
>=96
Durchschnitt
0
20
40
60
80
100
kumulierter Anteil in %
4.5 Kunden-Rückgewinnung
55
Dr. Michael Semmler
Ergebnis

Der aktuelle Bestellabstand ist ein Top-Prediktor für die Abwanderung eines
Kunden.

Die Berücksichtigung des bisherigen mittleren Bestellabstandes und der
Bestellvarianz verbessert die Prognose noch einmal deutlich.

Die Länge der Kundenbeziehung und aktuelle Kontodaten führen zu einer
besseren Trennung.

Die weiteren gesammelten abwanderungsrelevanter Merkmale
prognostizieren zumeist in die richtige Richtung, sind aber häufig zu schwach
besetzt oder mit aufgenommenen Variablen bereits hoch korreliert. Sie sind
somit eher für eine sehr kurzfristige Kundenansprache zu nutzen.

Prognoseergebnis: Sehr gute Prognose, bei den 20% höchsten Scorewerten
liegt die Ausfallwahrscheinlichkeit bei 82%
1. Einleitung
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
Übersicht
5. Hausarbeit
6. Diverses
4.5
Dr. Michael Semmler
Monat
31.01.2009
28.02.2009
31.03.2009
30.04.2009
31.05.2009
30.06.2009
31.07.2009
31.08.2009
30.09.2009
31.10.2009
30.11.2009
31.12.2009
31.01.2010
28.02.2010
31.03.2010
30.04.2010
31.05.2010
30.06.2010
31.07.2010
31.08.2010
30.09.2010
31.10.2010
30.11.2010
31.12.2010
31.01.2011
28.02.2011
31.03.2011
30.04.2011
31.05.2011
30.06.2011
Saldo
114.580
111.341
111.025
110.593
108.879
108.353
106.761
106.143
109.715
113.219
115.881
114.494
113.230
112.064
111.143
111.065
108.376
106.057
103.914
103.339
108.986
109.178
112.233
111.385
108.674
105.954
106.060
104.888
100.895
94.569
Umsatz
16.324
13.628
16.343
16.358
14.235
14.201
14.853
14.386
19.794
22.190
21.466
16.984
16.430
16.386
15.416
18.177
19.774
16.227
16.732
16.333
20.407
18.083
21.291
19.141
14.386
13.911
16.842
15.376
14.224
12.819
57
Zahlungen
-
18.696
18.561
20.236
16.766
18.733
17.960
18.348
17.925
17.706
21.063
21.590
21.261
19.477
19.600
19.295
19.673
19.397
17.705
18.354
16.438
17.767
21.199
20.992
23.335
17.587
18.050
18.568
16.806
18.497
14.454
Inkasso
-
1.383
902
966
1.309
1.146
1.148
376
546
881
872
908
846
914
785
847
863
925
880
875
927
941
937
901
873
821
817
1.059
985
1.027
1.096
Der Umsatz beinhaltet Rechnungs- und Ratenumsätze (12 Monatsraten)
Der Saldo gliedert sich damit in 4 Monats-Überfälligkeiten und 12 Monats-Fälligkeiten
4.5
58
Ziel:

Erstellung eines Prognosesystem auf Basis Zeitreihen- und
Regressionsmodellen für die Forderungsbestandsentwicklung in Abhängig
vom Umsatz
Input:

Forderungsbestand in Fälligkeitsstruktur (überfällig, fällig, in Zukunft fällig) ca.
16 Klassen
Dr. Michael Semmler
Monatswerte für zukünftige Perioden

Lieferwert nach Zahlungsart (Rechnung, Raten 3,6,9,12) ca.12 Klassen

Retourenquote
Output:

Retouren

Zahlungen

Forderungsbestandsentwicklung

Inkasso-Übergaben (Ausfälle)
4.5
Prognose-Zeitraum
Dr. Michael Semmler
Monat
31.01.2011
28.02.2011
31.03.2011
30.04.2011
31.05.2011
30.06.2011
31.07.2011
31.08.2011
30.09.2011
31.10.2011
30.11.2011
31.12.2011
31.01.2012
28.02.2012
30.03.2012
29.04.2012
30.05.2012
29.06.2012
30.07.2012
30.08.2012
29.09.2012
30.10.2012
29.11.2012
30.12.2012
30.01.2013
27.02.2013
30.03.2013
29.04.2013
30.05.2013
29.06.2013
30.07.2013
30.08.2013
29.09.2013
Saldo
108.674
105.954
106.060
104.888
100.895
94.569
93.522
92.727
95.470
96.207
99.749
99.835
97.320
94.595
94.295
91.949
91.410
88.682
87.681
87.486
90.642
93.436
97.643
99.598
96.428
93.236
92.701
90.274
89.688
86.968
86.345
86.436
90.746
Umsatz
14.386
13.911
16.842
15.376
14.224
12.819
13.036
10.839
16.781
17.409
20.270
16.553
13.114
12.595
15.958
14.887
14.634
12.378
13.685
13.336
17.976
18.980
21.698
19.658
13.657
13.349
16.891
14.400
15.567
12.753
14.028
14.287
19.717
59
Zahlungen
-
17.587
18.050
18.568
16.806
18.497
14.454
14.416
14.116
16.366
19.257
19.999
19.151
17.639
17.053
18.465
19.191
17.149
16.675
16.554
15.544
17.611
19.203
21.097
20.914
18.768
18.320
19.853
18.746
18.373
17.167
16.577
16.203
18.560
Inkasso
-
821
817
1.059
985
1.027
1.096
803
1.020
1.037
922
773
731
711
766
866
931
900
920
878
790
818
793
750
737
795
887
949
967
908
873
900
870
805
4.5
Dr. Michael Semmler
Gelernte Regelwerke:

Forderungsbestand (in Zukunft fällig) in Abhängigkeit von
Umsatz (Ratenstruktur) und Zahlquote

Forderungsbestand (überfällig) in Abhängigkeit von Zahlquote,
Mahnwanderung

Inkasso-Quote in Abhängigkeit von Forderungsbestand (überfällig)
Methoden:
Regression (Mehrgleichungsmodelle)
explorative Datenanalyse
Planungsmodell auf Basis des Prognosemodell und Steuerung der
Regressionsparameter
 Ausweitung des Modells auf Tagesebene  Basis für Cash-Planung
1. Einleitung
Übersicht
3.1
Telefon-Kampagnen
3.2
4.1
4.2
Sortiments-Analysen
4.3
4.4
Auswahl-Retouren
4.5
4.6
5. Hausarbeit
6. Diverses
60
Kontaktdaten:
62
Dr. Michael Semmler
Geschäftsführer
Dr. Michael Semmler
Producta Daten-Service GmbH
Hugo-Junkers-Str. 3
60386 Frankfurt am Main
Tel.: +49 (0)69 – 420 91 100
Mobil: +49 (0)175 – 723 08 24
E-Mail: [email protected]

CRM: Herausforderungen in der Praxis IV Übersicht

Transcription

Similar documents

Echtzeit Information auf dem Prüfstand

Sandy Nietzold | 696401 | | 3.Semester

Longstay-Konzepte: A home away from home

Personalmarketing - Universität Zürich

Ethische Dimensionen der Energiewende in Deutschland

Cross Selling Management

Chancen und Risiken der emotionalen Werbung

pdf-download - Umdasch Shopfitting

R+V-CrefoPolice WKV

Anleitung zum Aufspüren und Löschen illegaler

Mobili per dormire

Entwicklung einer Multi-Channel-Strategie für den deutschen

F M E A - >>> IMME 2000

Praktikant Rabattmanagement PAYBACK (m/w)