Upload
marancon-gmbh
View
1.226
Download
0
Embed Size (px)
DESCRIPTION
Vortrag von Marancon auf dem AIKA kompakt in Neuwied am 16.2.2011 zum Thema Kundenwissen
Citation preview
Kundenwissen transparent machen
Kundenwissen transparent machen Neuwied, den 16.02.2011
Meinert Jacobsen
marancon Gesellschaft für Marketing, Analyse und Consulting mbH
Folie 1
Kundenwissen transparent machen Folie 2
AIKA Mitglied seit 2010 Gründung 1.1.2006 Aktuell: 8 Mitarbeiter Standort: Bonn
Themen:
- Databasemarketing / Datamining / Geomarketing
- Social Media
- Namenstage/Wetterfronten
Kundenwissen transparent machen
Namenstage
Folie 3
Kundenwissen transparent machen
Knowledge Discovery Prozess
Folie 4
Kundenwissen transparent machen
Adresse
Folie 5
Kundenwissen transparent machen
Ein Name verrät viel ...
• Deutscher Vorname • Männlich • Alter: 51 Jahre (durchschnittlich)
• In Kombination mit Freilinghaus zu 96% Wahrscheinlichkeit ein deutscher Name
Folie 6
Vorname Alter BERND 51 Bernd Oliver 38 Bernd 63
Vorname Alter Anna 80 Anna Lena 16
Kundenwissen transparent machen
Die Telefonnummer sagt viel
• + 49 deutet auf ein international tätiges Unternehmen hin – Im Gegensatz zu national / regional tätigen Unternehmen – Aber tendenziell mehr in Deutschland tätig, (0) – diese würden überwiegend
international agierende Firmen weglassen
• Der Bindestrich in der Telefonnummer zeigt, dass eine Telekommunikations-anlage im Unternehmen verwendet wird
– Und es ist eine zweistelligeDurchwahl vorhanden (Indikator für die Größe der Firma)
• Mobilfunknummern können nach „ursprünglichem“ Ambieter ausgewertet werden (0151,0172, ...)
• Keine Mobilfunknummer angegeben – eher konservative Firma
Folie 7
Kundenwissen transparent machen
Je mehr Stellen die Durchwahl hat, desto eher reagieren B2B-Kunden (in diesem Beispiel) auf eine werbliche Ansprache für eine Konferenz
Folie 8
Anlage Adressen Reagierer Quote
1- Stelle 8.238 68 0,8%
2 Stellen 1.739 17 1,0%
3-Stellen 3.126 57 1,8%
4-Stellen 4.700 108 2,3%
Kundenwissen transparent machen
Die E-Mail-Adresse verrät einiges
• [email protected] zeigt, dass die Firma einen eigenen Internetauftritt hat.
• Der verwendete Provider sagt einiges über den Nutzer aus – Aol.com vs. Hotmail.de vs. Gmx.net
• Man kann u.U. den Vornamen und Nachnamen extrahieren (bernd.frielinghaus)
Folie 9
Kundenwissen transparent machen
Die Firmierung
• GmbHs deuten auf eine mittlere Größe der Unternehmen hin
• AGs sind eher größere Firmen
• ohne Firmierung (eher kleinere Unternehmen)
Folie 10
Kundenwissen transparent machen
Nutzung der Adresse
• Anreicherung mit externen Informationen (Kaufkraft, Haustyp, PKW-Struktur, ...)
• Entfernungsbestimmung auf Basis von Geokoordinaten (Luftlinie, Fahrlinie, Fahrzeit)
• Bestimmung von Kundendichten – Nutzung der Dichte als „pseudo-mikrogeografische“ Variable
Folie 11
Kundenwissen transparent machen
Kundendichte
Folie 12
Kundenwissen transparent machen
Tabelle der Kundendichte
Folie 13
dichte Reagierer Summe
nein ja 10% 21904 590 22494 2,62% 20% 21717 765 22482 3,40% 30% 21608 872 22480 3,88% 40% 21476 967 22443 4,31% 50% 21524 983 22507 4,37% 60% 21443 1055 22498 4,69% 70% 21432 1082 22514 4,81% 80% 21327 1159 22486 5,15% 90% 21388 1218 22606 5,39% 100% 21139 1257 22396 5,61% Summe 214.958 9.948 224.906 4,42%
2%
3%
3%
4%
4%
5%
5%
6%
6%
10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Kundenwissen transparent machen Folie 14
Kundenanteil auf Straßenabschnittsebene
Je mehr Kunden auf der Straße wohnen, desto höher ist die Reaktionsquote.
Kundenwissen transparent machen
Käufe
• Die Käufe / Kaufakte / Bestellungen werde in Form des RFM-Modells parametrisiert
– Recency – Wann das letzte mal – Frequency – Wie häufig – Monetary – Wie teuer
• Darüber hinaus sind Artikelinfomationen für die Bestimmung des Kundenwissens sinnvoll
– Lieblingswein(-region) – Primäre Produktkategorien – ...
Folie 15
Kundenwissen transparent machen Folie 16
Frequency (Kaufanzahl in allen Vorjahren)
Je häufiger der Kunde in der Vergangenheit gekauft hat, desto wahrscheinlicher ist ein erneuter Kauf als Reaktion auf ein Mailing.
Kundenwissen transparent machen Folie 17
Umsatz in allen Vorjahren
Je mehr der Kunde in der Vergangenheit gekauft hat, desto wahrscheinlicher ist ein erneuter Kauf als Reaktion auf ein Mailing.
Kundenwissen transparent machen Folie 18
Datum des letzten Kaufs
Kunden, die gerade erst gekauft haben, reagieren am besten.
Kundenwissen transparent machen
Kommunikation
• Mit Hilfe des Kundenwissens kann die Kommunikation mit den Kunden verbessert werden
• Um zu wissen, was man (und auch wie man) verbessern will, ist es wichtig, die bisherige Kommunikation zu analysieren
• Die möglichen Kommunikationskanäle sind dann – Mailing – Katalog – E-Mail – Telefon – (Social Media)
Folie 19
Kundenwissen transparent machen
Information aus der Kommunikation
• Wie oft / Reaktion • Newsletter-Information
– Öffnungsverhalten – Klickverhalten
• Online-Verhalten – Warenkorb-Abbruch – Nutzungsverhalten auf der Seite – ...
Folie 20
Kundenwissen transparent machen
Methoden zur Generierung von Kundenwissen
• Scoring
• Segmentierung
• Kundenlebenswertmodelle
Folie 21
Kundenwissen transparent machen
Einsatzbereiche für Scoring
Folie 22
Der Kundenlebenszyklus bietet vielfältige Ansätze, den monetären Wert der Kunden zu steigern.
Kundenwissen transparent machen
Umsetzung von Scorings
Folie 23
Zielgrößen
Kündigung
Produkterwerb
Neukundengewinnung
Einflussfaktoren
Personendaten (Alter, Geschlecht, Adresse, Familienstand, Beruf, Anzahl Kinder, E-Mail-Adresse, etc.)
Daten zur Kundenbeziehung (Dauer der Kundenbeziehung, Umsatz in der Vergangenheit, Bonität, etc.)
externe Informationen (Konsumneigung, Kaufkraft, etc.)
Frage: Welche Merkmale des Kunden haben einen signifikanten Einfluss auf die Zielgröße (z.B. sein Kündigungsverhalten) ?
Kundenwissen transparent machen
Ergebnis eines Scorings: Reaktionsverhalten
Folie 24
0,25% 0,35%
0,46% 0,54%
0,42% 0,62%
0,68% 0,83%
0,80% 0,99%
1,14% 1,22%
1,39% 1,69%
1,82% 2,08%
2,45% 2,89%
3,73% 6,41%
0,00% 1,00% 2,00% 3,00% 4,00% 5,00% 6,00% 7,00%
0-5% 5-10%
10-15% 15-20% 20-25% 25-30% 30-35% 35-40% 40-45% 45-50% 50-55% 55-60% 60-65% 65-70% 70-75% 75-80% 80-85% 85-90% 90-95%
95-100%
Reaktionsquote
In den Top-Gruppen wird eine viermal höhere Reaktionsquote erzielt als im Durchschnitt und in den schlechteren Gruppen eine sehr geringe Reaktionsquote – nur ein Sechstel des Durchschnitts.
Kundenwissen transparent machen
Gewinnoptimierung durch Score – Modelle
Folie 25
Gezielte Kunden- ansprache durch Score – Modell
statt
Gießkannenprinzip
mehr Reagierer mehr Umsatz
Kundenwissen transparent machen
Der Regelkreislauf des Direkt – Marketings
Folie 26
Analyse
Konzept
Umsetzung Reaktion
Controlling
Kundenwissen transparent machen Folie 27
Kundenwissen transparent machen
Segmentierung…
Folie 28
Kundenwissen transparent machen
Wertvollste Kunden
Wachstumskunden
Randbereiche
Verlustkunden Media
E-Kanäle
Direkt Mail
Telemarketing
Außendienst
Kundenmanager
Source: Peppers & Rogers Group
Nutzung einer wertorientierten Kundensegmentierung
Folie 29
Kundenwissen transparent machen
Anforderung an eine Segmentierung
Folie 30
In sich ähnlich
Zueinander unterscheidbar
Messbar
Relevant
Kundenwissen transparent machen Folie 31
Statistische Methoden für eine Kundensegmentierung
• Clusteranalyse (hierarchisch / nicht-hierarchisch) • vorher meist eine Faktorenanalyse
• Decision-Tree Verfahren
• Diskriminanzanalyse • Maschinelles Lernen
• ...
Kundenwissen transparent machen Kundensegmentierung Folie 32
Ergebnis der Faktorenanalyse - Beispiel
• Es ergeben sich 16 Faktoren, die 83 Prozent der Streuung (Varianz) der Kundenstruktur erklären.
Kundenwissen transparent machen Kundensegmentierung Folie 33
Ergebnis der Faktorenanalyse
Kundenwissen transparent machen Kundensegmentierung Folie 34
Monatsanteile für die Clusterlösung
Überdurchschnittlich Unterdurchschnittlich Durchschnittlich
Segment A
Segment B
Segment C
Segment D
Segment E
Segment F
Segment G
Segment H
Segment I
Segment J
Segment K
ROSE-Weine
Kundenwissen transparent machen Folie 35
Geringer Umsatz
Hoher Umsatz
wenig
mittel
viel
wenig
mittel
viel
wenig
mittel
viel
wenig
mittel
viel
wenig
mittel
viel
Monatsanteile für die Wertsegmentierung
Kundenwissen transparent machen
Chronisten
8%
Chatter 13%
Repeater 13%
RealTimer 14%
Promotor 15%
Credible Company
13%
Exogene
7% Impulsive 10%
Mono-thematiker
7%
Quelle: e-result – Vortrag Twittwoch-Köln
Beispiel: Segmentierung der Twitter-Nutzer
Kundenwissen transparent machen
Chatter 13%
Tweets mit @ (Median) 53%
Tweets mit URL (Median) 10%
Tweets mit # (Median) 12%
Re-Tweets (Median) 1%
Anzahl Follower (Median) 99
Anzahl Following (Median) 94
Verhältnis Follower/Following 1,1:1
Benachbartes Cluster: RealTimer (Mittlere Distanz 2,14)
Homogenität (mittlerer Abstand zum Clusterzentrum): 1,37
Überwiegend Eins-zu-Eins-Kommunikation
Selten Alltagserlebnis, Externer Link
Quelle: e-result – Vortrag Twittwoch-Köln
Kundenwissen transparent machen Folie 38
Kundenwissen transparent machen Folie 39
Kundenwissen transparent machen
Daten: Was wird benötigt?
Folie 40
• Positionen (Artikelnummer & Name) • Anzahl Artikel pro Position • Preis pro Position • Zeitpunkt des Verkaufs (Uhrzeit, Datum, Wochentag) • POS-Nummer, etc.
Bondaten
• Verkaufspreis • Warengruppe der Artikel (teilweise als Hierarchie) • Rohertrag / Deckungsbeitrag • etc.
Produktdaten
• Adresse • Eröffnungs- / Renovierungsdatum • Lage • Verkaufsfläche • etc.
Standortdaten Die Bondaten kommen direkt aus den
Kassensystemen. Die restlichen Daten
können aus anderen EDV-Systemen
bereitgestellt werden.
Kundenwissen transparent machen
Basis-Analysen: Wie viel Up- und Cross-Selling gibt es aktuell?
Folie 41
100% = alle Bons 100% = gesamter Umsatz
# Positionen
Bons mit mehr als einem Artikel
machen 59% des Umsatzes aus.
59%
Kundenwissen transparent machen
Basis-Analysen: Wie ändert sich Cross-Selling über die Woche?
Folie 42
Cross- und Up-Selling steigen im Laufe der
Woche für alle Warengruppen, besonders stark
bei Warengruppe B am Wochenende.
Kundenwissen transparent machen
Up-Selling: „Nimm 3, zahl 2.“
Folie 43
# Bons, bei denen der Artikel mind. 2x verkauft wurde
34%
31%
24%
30%
13%
10%
12%
18%
25%
15%
Anteil Bons, bei denen der Artikel mind. 3x verkauft wurde
218%
196%
165%
185%
113%
115%
121%
142%
150%
125%
# Artikel pro # Bons mit diesem Artikel
Bei Produkten mit hohem Up-Selling kann dieses durch
Produktbundles erhöht werden. Ebenso können
ähnliche Produkte identifiziert und durch geeignete
Maßnahmen gefördert werden. Up-Selling: Mehrfachverkauf eines Artikels auf einem Bon
Kundenwissen transparent machen
Cross-Selling: Croissant zum Kaffee …
Folie 44
Cross-Selling Intra: CS innerhalb einer Warengruppe
Cross-Selling Inter: CS zu einer anderen Warengruppe
Das Cross-Selling Potential
(Inter & Intra) ist bei der
Warengruppe C am größten.
Kundenwissen transparent machen
Cross-Selling: … oder lieber ein Brötchen?
Folie 45
Croissant
Kaffee Brötchen
Bild
Cola 3% 9%
24%
35%
18%
18%
21%
15% 10%
3% 4%
7%
22%
9%
10%
„Confidence A -> B“: Anteil aller Bons, die Artikel A und B enthalten, an allen Bons mit Artikel A
Auf 35% aller Bons mit Croissant ist auch Kaffee.
Also Kaffee besser zusammen
mit Croissants anbieten (Bundling)!
Kundenwissen transparent machen
Cross-Selling: alle Informationen in einer Tabelle
Folie 46
Natürlich lässt marancon Sie mit allen
Zahlen nicht allein, sondern extrahiert alle
Fakten, die Ihre Fragen beantworten und
bereitet diese geeignet auf.
In so vielen Filialen wurde der Artikel verkauft.
Dies sind die häufigsten Artikel-Kombinationen.
Auf so vielen Bons trat die Artikel-Kombination auf.
Das sind die Confidence-Werte.
So gut eignet sich der Artikel für CS-Selling insgesamt.
Neben den Artikelkombinationen sind auch weitere Dimensionen möglich • Zeit • Region • Clustertyp Standort • Warengruppen-Sortiment • …
Kundenwissen transparent machen
Maßnahmen: Was kann man tun?
Folie 47
• Infos an Kasse • Kundenansprache Personal
• Kassendisplay • am Produkt • in / vor dem Geschäft
Bewerbung
• Impulskäufe • Sammeln Rabatte
• Ort • Gruppierung
Produkt-platzierung
Parameter für Maßnahmen
• verwendete Produktkombination • eigenes Sortiment
• gleicher Artikel • gleiche Warengruppe • unterschiedliche Warengruppe
• Kooperationspartner • Produkthersteller • andere Vertriebsnetze
• Differenzierung Zeit • Uhrzeit • Wochentag
• Differenzierung Ort • Lage • Größe
Natürlich hängen die konkreten Maßnahmenvorschläge von
den Ergebnissen Ihrer Daten ab.
Gerne plant marancon mit Ihnen gemeinsam die Durchführung
von Maßnahmen und wertet sie anschließend mit Ihnen aus.
Kundenwissen transparent machen
Weitere Möglichkeiten
Folie 48
Verwendung von Wetterinformationen
zum Zeitpunkt am Ort des Verkaufs
Verwendung von Geo-Daten zur besseren
Charakterisierung des POS
Untersuchung spezieller Aspekte, z.B. - Kaufverhalten an Feiertagen
- Besonderheiten einzelner POS
- etc.
Kundenwissen transparent machen
Kundenwert
Folie 49
Kundenwissen transparent machen
Eingangsparameter eines KLW
Folie 50
Kundenwissen transparent machen
Berechnung des KLW
Folie 51