Katholische Universität Eichstätt-Ingolstadt Lehrstuhl für ABWL und Wirtschaftsinformatik Prof. Dr. Klaus D. Wilde Kundenwertanalyse Kernprozesse des CRM Strategischer CRM-Prozess Strategischer CRM-Prozess Strategische Zielsetzung Analytische CRM-Prozesse Analytische CRM-Prozesse Operative CRM-Prozesse Operative CRM-Prozesse Marketing -Prozesse Sales-Prozesse Service-Prozesse Feedback Support Leistungs‐ erstellung Kampagne Lead Opportunity Angebot Auftrag Übergreifende Prozesse Kundenwert- analyse Kunden- segmentierung charakterisierung Kunden- charakterisierung Maßnahmenspezifische Prozesse Zielgruppen- analyse Cross-Selling- Analyse Abwanderungs- analyse Kundenrisiko- analyse Strategische Analyse Strategische Konzeption Strategie Umsetzung Strategisches Controlling Vision Strategie Entwicklung Umfeld- analyse Ressourcen Ressourcen- analyse SWOT- Analyse Prozess Controlling Ergebnis Controlling
48
Embed
Kundenwertanalyse Kernprozesse des CRM - ku … · ADBUDG empirischer DB I Jaeck, H.F.T. (2011): Wertorientiertes Management von Kundenbeziehungen, Verlag Dr. Kovac, Hamburg. Katholische
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Der Kundenwert als zentrale Steuerungsgröße des CRM Steuerung aller CRM-Maßnahmen auf Basis des Wertbeitrags von Kundenbeziehungen
Transformation oder Demarketing von Kundenbeziehungen mit negativem Wertbeitrag
Fokussierung auf Kundenbeziehungen mit hohem Wertbeitrag
Selektive Investitionen in Kundenbeziehungen abhängig vom Wertbeitrag
Bewertung aller CRM-Maßnahmen hinsichtlich der Auswirkung auf den Kundenwert.
Kenntnis der individuellen bzw. segmentspezifischen Kundenwerte ist Voraussetzung für die Konzeption individueller bzw. segmentspezifischer Marketing-, Vertriebs- und Servicekonzepte.
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundenwertanalyse Business Understanding
327
Ansätze zur Kundenwert-Messung – ABC-Analyse nach Umsatz
kumulierterUmsatzanteil (%)
kum. Anteil amKundenstamm (%)
100
A B C
Umsatzbezogene ABC-Analyse
Retrospektive, eindimensionale Kundenbetrachtung.
Kunden werden nach ihrem in der Vergangenheit erzielten Umsatz bewertet und in mehrere Segmente eingeteilt.
- Kosten der vom Kunden bezogenen Produkte________________________________________
= Kunden-Deckungsbeitrag I
- Kundenbezogene Auftragskosten (z.B. Prozesskosten für Installation, Versand)________________________________________
= Kunden-Deckungsbeitrag II
- Kundenbezogene Marketing- und Sales-Kosten (z.B. Prozesskosten für Lead und Opportunity)
- Sonstige kundenbezogene Prozesskosten (z.B. für Retouren- und Service-Prozesse)
______________________________________
= Kunden-Deckungsbeitrag III
Kundenwertanalyse Business Understanding
Ansätze zur Kundenwert-Messung – ABC-Analyse nach Deckungsbeitrag
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
ikP
rof.
Dr.
Kla
us D
. Wild
e330Kundenwertanalyse
Business Understanding
Ansätze zur Kundenwert-Messung – Statischer und dynamischer Kundenwert
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
ikP
rof.
Dr.
Kla
us D
. Wild
e331
Alter derKunden
Deckungs-beitrag
Break-Even
Jugend-konto
Berufsleben
Geburt desKindes
Hausbau
Krediteabgezahlt
Sparen aufRuhestand
Ruhestand
Beziehungsintensität
Zeit
Anb
ahnu
ngsp
hase
Soz
ialis
atio
nsph
ase
Gef
ährd
ungs
phas
e
Gef
ährd
ungs
phas
e
Gef
ährd
ungs
-ph
ase
Wac
hstu
msp
hase Rei
feph
ase
Deg
ener
atio
nsph
ase
Kün
digu
ngsp
hase
Abs
tinen
zpha
se
Rev
italis
ieru
ngsp
hase
Kundenbeziehungs-Lebenszyklus Kunden-Lebenszyklus
Ansätze zur Kundenwert-Messung – Dynamischer Kundenwert
Kundenwertanalyse Business Understanding
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
ikP
rof.
Dr.
Kla
us D
. Wild
e332
Homburg, C.; Daum, D. (1998): Das Management der Kundenstruktur als Controllingherausforderung, in: Reinecke, S.; Tomczak, T.; Dittrich, S. (Hrsg.): Marketingcontrolling, St. Gallen, S. 139.
et = (erwartete) Einzahlungen aus der Geschäftsbeziehung in Periode tat = (erwartete) Auszahlungen aus der Geschäftsbeziehung in der Periode ti = Kalkulationszinssatzt = Periode (t = 0, 1, 2, ..., T)T = Dauer der Geschäftsbeziehung
Welche Einnahmen- und Ausgabenentwicklungen können erwartet werden? Welcher Kalkulationszinsfuß ist anzusetzen? Welche Dauer der Kundenbeziehung kann unterstellt werden? Wie kann das Relationspotential quantifiziert werden?
TTT
T
tttt
iae
iae
iaeae
iaeCLV
1
...111 2
221100
0
Kundenwertanalyse Business Understanding
Ansätze zur Kundenwert-Messung – Customer Lifetime Value
Migration-Modell zur Berechnung des CLV im Versandhandel
Recency, Frequency, Monetary Value als Determinanten des Kundenwertes (RFM) Kundenwertberechnung auf Basis einer Recency-Segmentierung (Recency Cells)
Eberling, G. (2002): Kundenwertmanagement, Wiesbaden, S. 404 f.
Kundenwanderungen zwischen Recency Cells Netto-Cash-Flows in t=1 bis 4
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundenwertanalyse Modeling
338
Migration-Modell zur Berechnung des CLV bei der Deutschen Bank
Kundensegmentierung nach Einkommen, Vermögen, Profitabilität (intern verfügbar) Differenzierung des Kundenverhaltens nach Kaufhistorie und Altersstufen (Kohorten)
Blache, R.; Hahn, J. (2002): Die Jagd nach Top-Kunden, in: Acquisa, Nr. 10, S. 34
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
ikP
rof.
Dr.
Kla
us D
. Wild
e
Marktanteil
Mar
ktvo
lum
en
Erobern Ausbauen
Vert
eidi
gen
HaltenBeobachten
Kundenwertanalyse Modeling
339
Investitionssensitives Migration-Modell zur Berechnung des CLV
Einnahmenüberschüsse in den Kundensegmenten abhängig von CRM-Maßnahmen Wanderungen zwischen den Kundensegmenten abhängig von CRM-Maßnahmen
Kundengruppen mit unterschiedlichem Transaktions- und Kommunikations-verhalten und unterschiedlichen Kundenwerten erfordern eine differenzierte Ausgestaltung von Angeboten und CRM-Prozessen.
Differenzierte Bearbeitung verschiedener Kundengruppen oder Fokussierung auf bestimmte Kundengruppen.
Kundenwanderungen zwischen den verschiedenen Kundengruppen erfordern Anpassung von Angeboten und CRM-Prozessen.
Unterschiedliche Segmentierungen im operativen und strategischen CRM
Grobsegmentierung im strategischen CRM (3-5 Kundensegmente untergliedert nach Kundenbeziehungs-Lebenszyklus)
Feinsegmentierung im operativen CRM (u.U. >100 Kundensegmente, verschiedene Kundensegmentierungen für verschiedene Anwendungsfelder)
Identifikation i.e.S. Adresse und Kontakt Kundenprofil Soziografie
Demografie
Psychografie
Haushaltsstruktur
Mikrogeografie
Kaufhistorie Kontakthistorie Produktnutzung
Soziale Vernetzung
Ansprache
Reaktion
KundeninitiierteKontakte
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundensegmentierung Data Preparation
350
Auswahl der Segmentierungsmerkmale bestimmt das abgebildete Verhalten
Datenaufbereitung für Clusteranalyse und KNN
Normierung oder z-Transformation der Merkmale zur Verhinderung einer implizite Gewichtung (keine Maßstabsinvarianz der meisten Proximitätsmaße)
Manuelle Vorauswahl oder Faktorenanalyse der Ursprungsmerkmale zur Verhinderung einer impliziten Gewichtung verschiedener Verhaltensdimensionen (mehrere korrelierte Merkmale zur Beschreibung eines Verhaltensaspekt erhöhen dessen Einfluss auf die Proximität)
Bevorzugte Nutzung von Merkmalen mit hoher Verfügbarkeit
Abkürzungen und Akronyme: GfK/ Gesellschaft für Konsumforschung
Durchführung des Adressabgleichs
Automatisierter Abgleich mit fehlertoleranten Abgleichalgorithmen
Manuelle Nachbearbeitung ohne/ mit Kundenkontaktierung
Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundencharakterisierung Modeling
362
Daten-Matching
Anforderungen an Vergleichsalgorithmen
Effektivität: Hohe Qualität der erkannten Übereinstimmungen
Recall = tp/(tp+fn) Ausschöpfung der möglichen Treffer
Effizienz: Anstieg der Verarbeitungszeit mit wachsender Adressenzahl
Zielkonflikte beim Adressenabgleich
Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundencharakterisierung Modeling
363
Daten-Matching
Grobablauf fehlertoleranten Vergleichsalgorithmen
Partitionierung der Fremddatei in Partitionen „ähnlicher“ Datensätze
Paarvergleich mit allen Datensätzen „interessanter“ Partitionen der Fremddatei
Berechnung einer Ähnlichkeitsmaßzahl für alle Paare
Auswahl des Paars mit maximaler Ähnlichkeitsmaßzahl
Annahme der Übereinstimmung, wenn Ähnlichkeitsmaßzahl > Schwellenwert
Partitionierung
Blocking: Bestimmung eines Blockschlüssel aus den Datensatz-Attributen, z.B. erster Buchstabe des Nachnamens + Geschlecht.
Clustering: Vollständiger Paarvergleich mit einfachem (schnellem) Ähnlichkeitsmaß. Darauf aufbauend Clusterbildung
Sorted Neighborhood: Schlüssel aus Datensatz-Attributen Sortierung nach Schlüssel-Werten Paarvergleich nur wenn maximal n Datensätze Abstand in der sortierten Reihenfolge
Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011; Thor, A. (2010): Datenintegration, Vorlesung an der Universität Leipzig, WS 2010/11
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundencharakterisierung Modeling
364
Daten-Matching
Ähnlichkeitsmaße
Spezifische Ähnlichkeitsmaße für verschiedene Attribute (Name, Vorname, Alter, Geldbeträge, Straßen, Orte, PLZ, Hausnummern, Zeichenketten etc.)
Ähnlichkeitsmaß wird aus den Ähnlichkeitsmaßen der einzelnen Attribute zusammengeführt
Levenshtein-Distanz: Anzahl der zur Überführung erforderlichen Edit-Operationen (insert, delete, replace)
SOUNDEX-Maß: Erster Buchstabe gefolgt von Codes für die nächsten drei Konsonanten, wobei ähnliche Konsonanten den gleichen Code erhalten (B und P erhalten „1“, V und B erhalten „0“). Beachtet Lautähnlichkeiten.
Etc.
Token-basierte Ähnlichkeitsmaße: Vergleich übereinstimmender Teilketten oder Worte
Jaccard-Ähnlichkeit: Anzahl gemeinsame Token in Vergleich zu allen Token beider Zeichenketten
q-gram-Ähnlichkeit: Anzahl gemeinsamer Token der Länge q.
Etc.Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011; Thor, A. (2010): Datenintegration, Vorlesung an der Universität Leipzig, WS 2010/11
Naumann, F. (2007): Methoden der Dublettenerkennung, is report 5/07, SPECIAL IQ report No.2, S. 40 ff; http://www.omikron.net/Matching.html. Zugriff am 18.11.2011; http://www.qaddress.de/funktionen/fehlertolerante-suche.aspx. Zugriff am 18.11.2011
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundencharakterisierung Modeling
366
Daten-Fusion
Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, 12.10.06 Schloss Hirschberg.
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
ikP
rof.
Dr.
Kla
us D
. Wild
e367Kundencharakterisierung
Modeling
Daten-Fusion
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
ikP
rof.
Dr.
Kla
us D
. Wild
e368Kundencharakterisierung
Modeling
Daten-Fusion
Methoden zur Modellbildung
Prognose- und Klassifikationsmethoden des Data Mining (Klassifikations- und Regressionsbäume, Regressionsanalyse, Künstliche Neuronale Netze, etc.)
Segmentierungsmethoden (z.B. k Nearest Neighbour)
Link-Variable: wichtig ist Inhaltlicher Zusammenhang mit den zu fusionierenden Merkmalen.
Soziodemografie
Produktnutzung
Nutzungssituation
etc.
Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, 12.10.06 Schloss Hirschberg.
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundencharakterisierung Evaluation
369
Daten-Matching
Precision und Recall anhand validierter Testfälle
Unterschiedliche Gewichtung von „false-positive“ und „false-negative“ je nach intendierter Anwendung.
Daten-Fusion
Kreuzvalidierung mit Kalibrierungs- und Teststichprobe hinsichtlich
Trefferquote/ Prognosefehler der fusionierten Merkmale
Häufigkeits-Verteilung der fusionierten Merkmale in der Kalibrierungs- und Teststichprobe
Korrelationen der fusionierten Merkmale in der Kalibrierungs- und Teststichprobe
Überprüfung von Overfitting und Generalisierungsfähigkeit
Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, 12.10.06 Schloss Hirschberg.
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
ikP
rof.
Dr.
Kla
us D
. Wild
eKundencharakterisierung Deployment
370
Merzenich, M. (2006): Holistische Kundensicht durch DataFusion, Vortrag auf dem 8. CRM-Symposium des FWI, 12.10.06 Schloss Hirschberg.
Bereitstellung und Nutzung in CRM-Prozessen
Fusionierte Merkmale für jeden Kunden als Merkmal im DWH hinterlegt
Regelmäßige Aktualisierung für jeden Kunden
Direkte Nutzung zur Kundenansprache
Indirekte Nutzung in weiterführenden Analysen, z.B.
Churn Prediction: Welche Kunden sind kündigungsgefährdet?(interne Daten+ Kundenbindungsstudie)