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
04.02.2003
Analytisches CRM
1
Gliederung





Einführung
OLAP
Kundenanalyse
Customer-Lifetime-Value
Fazit
04.02.2003
Analytisches CRM
2
Einordnung aCRM
04.02.2003
Analytisches CRM
3
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
04.02.2003
Analytisches CRM
4
Closed-Loop Szenario
Customer
Knowledge
Customer
Feedback/
Learning
Analytical
Results
Planned Actions
and
Campaigns
04.02.2003
Analytisches CRM
5
Einsatzbereiche Analytical CRM






Marketing
Vertrieb
Service
Kunden
Produkte
Interaktionen
04.02.2003
Analytisches CRM
6
Bestandteile des aCRM


OLAP
Data-Mining
04.02.2003
Analytisches CRM
7
Gliederung





Einführung
OLAP
Kundenanalyse
Customer-Lifetime-Value
Fazit
04.02.2003
Analytisches CRM
8
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:

04.02.2003
Data Warehouse
Analytisches CRM
9
FASMI Anforderungen
an OLAP





Fast
Analysis
Shared
Multidimensional
Information
04.02.2003
Analytisches CRM
10
2D-Datensicht
04.02.2003
Analytisches CRM
11
3D Datensicht
04.02.2003
Analytisches CRM
12
Operationen im OLAP

Roll-up

Drill-down

Dice / Slice

Pivot
04.02.2003
Analytisches CRM
13
Operationen im OLAP

Roll-up
04.02.2003
Analytisches CRM
14
Operationen im OLAP

Drill-down
04.02.2003
Analytisches CRM
15
Operationen im OLAP

Dice / Slice
04.02.2003
Analytisches CRM
16
Operationen im OLAP

Pivot
04.02.2003
Analytisches CRM
17
OLAP im Marketing

Früher (ohne OLAP):


Marketing Kampagne durch Gießkannenprinzip
 Rücklaufquote ist gering
Heute (mit OLAP):

04.02.2003
Marketing Kampagne wird gezielt angewendet
 Bei geringerem Aufwand kann eine höhere
Rücklaufquote erzielt werden
Analytisches CRM
18
RFM-Analyse



Recency
Frequency
Monetary

Eigenschaften





04.02.2003
Basiert auf betriebswirtschaftlichen Annahmen
Scoring Methode
Häufig Verwendung
Einsatz im Marketing
Praktische Umsetzung auf verschieden Arten möglich
Analytisches CRM
19
RFM-Analyse
04.02.2003
Analytisches CRM
20
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
04.02.2003
Analytisches CRM
21
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
04.02.2003
Analytisches CRM
22
Gliederung





Einführung
OLAP
Kundenanalyse
Customer-Lifetime-Value
Fazit
04.02.2003
Analytisches CRM
23
Kundenanalyse


Kundenverhaltensanalyse
Kundenwertanalyse
04.02.2003
Analytisches CRM
24
Kundenverhaltensanalyse




Kaufverhalten
Abwanderungsverhalten
Zufriedenheit
Loyalität
04.02.2003
Analytisches CRM
25
Beispiel zur Motivation
Produkt
Gewinn
Produkt
Gewinn
Babynahrung
300
Babynahrung
300
Windeln
250
Windeln
50
Suppe
100
Suppe
100
Bier
50
 Bier muß weg
04.02.2003
 Zusammenhang
zwischen Bier und
Windeln
Analytisches CRM
26
Ziel

Basierend auf historische Daten
unbekannte Muster entdecken

04.02.2003
Dazu dienen Data Mining-Methoden
Analytisches CRM
27
Data Mining

Prozeß zur Aufdeckung nutzbringender
und aussagekräftiger Muster, Profile
und Trends
(Definition nach Jesus Mena)
04.02.2003
Analytisches CRM
28
Data Mining-Methoden



Entscheidungsbäume
Clustering
Assoziationsanalyse
04.02.2003
Analytisches CRM
29
Entscheidungsbäume

Werden vor allem eingesetzt, um
herauszufinden, welches
Verhaltensprofil besonders oft zum
Verlust eines Kunden geführt hat
 Gegenmaßnahmen bei gefährdeten
Kunden einleiten
04.02.2003
Analytisches CRM
30
Bsp: Entscheidungsbaum
Outlook
Sunny
Sunny
Overcast
Rainy
Rainy
Rainy
Overcast
Sunny
Sunny
Rainy
Sunny
Overcast
Overcast
Rainy
04.02.2003
Temperature
Hot
Hot
Hot
Mild
Cool
Cool
Cool
Mild
Cool
Mild
Mild
Mild
Hot
Mild
Humidity
High
High
High
High
Normal
Normal
Normal
High
Normal
Normal
Normal
High
Normal
High
Windy
False
True
False
False
False
True
True
False
False
False
True
True
False
True
Analytisches CRM
Play
No
No
Yes
Yes
Yes
No
Yes
No
Yes
Yes
Yes
Yes
Yes
No
31
Bsp: Entscheidungsbaum
Aufteilung nach Attribut „Outlook“
Aufteilung nach Attribut „Temperature“
Outlook
9|5
Sunny
2|3
Overcast
4|0
Temperature
9|5
Rainy
3|2
Aufteilung nach Attribut „Humidity“
Hot
2|2
Mild
4|2
Aufteilung nach Attribut „Windy“
Windy
9|5
Humidity
9|5
High
3|4
04.02.2003
Cool
3|1
Normal
6|1
False
6|2
Analytisches CRM
True
3|3
32
Clustering


Dient vor allem der
Kundensegmentierung
Datensätze einer Gruppe möglichst
ähnlich, Datensätze verschiedener
Gruppen möglichst unterschiedlich
hinsichtlich ihrer
Merkmalsausprägungen

04.02.2003
Ermitteln typischer Verhaltensprofile
Analytisches CRM
33
Bsp:

Zusammenfassen von Kunden anhand
Demographie (Durchschnittsalter,
Geschlecht, Familienstand),
Kaufverhalten, etc. in homogene
Gruppen
04.02.2003
Analytisches CRM
34
Assoziationsanalyse


Dient zum Ermitteln, welche Produkte
in der Regel zusammen gekauft werden
Einsatz


Warenkorb - Analyse
Ziel

04.02.2003
Cross-Selling
Analytisches CRM
35
Assoziations-Regeln

Regeln der Form
If A und B und ... und X gekauft Then Y
gekauft

Anzahl der Elemente in der Bedingung
abhängig vom Unternehmen / von den
Produkten
04.02.2003
Analytisches CRM
36
Bsp:

Bei Hardware:


Beim Kauf eines PC‘s wird dem Kunden
gezielt ein geeigneter Drucker angeboten
(If A Then B)
Im Supermarkt:

04.02.2003
Entsprechendes Anordnen mehrerer Waren
(If A und B und ... und X Then Y)
Analytisches CRM
37
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.
04.02.2003
Analytisches CRM
38
Assoziationsanalyse in mySAP

Folgende Einstellungen lassen sich
vornehmen:


04.02.2003
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
Analytisches CRM
39
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).
04.02.2003
Analytisches CRM
40
Unsicherheitsgrad der Regeln

Zusätzlich zu dem If- und Then-Part
gibt es drei weitere Zahlen:



04.02.2003
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
Analytisches CRM
41
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
Assoziationsregel:
Wenn 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
04.02.2003
Analytisches CRM
42
Kundenanalyse


Kundenverhaltensanalyse
Kundenwertanalyse
04.02.2003
Analytisches CRM
43
Kundenwertanalyse

Ziel:


Ermitteln des Werts eines einzelnen
Kunden oder ganzer Kundensegmente für
das Unternehmen
Analysen:



04.02.2003
Kundenprofitabilitätsanalyse
ABC-Analyse
Customer-Lifetime-Value-Analyse
Analytisches CRM
44
Kundenprofitabilitätsanalyse


Einfachste Analyse:
Differenz zwischen Erlös
und Kosten pro Kunde
Detaillierter:
Kundendeckungsbeitrag
sanalyse

04.02.2003
Einbeziehen
verschiedener Erlösarten,
Produkt- und
Vertriebskosten
Analytisches CRM
45
ABC-Analyse


Einteilen der Kunden auf Basis von
Profitabilitätsdaten in A-, B- oder CKunden
Dadurch läßt sich ermitteln, mit wieviel
Prozent der Kunden wieviel Umsatz
gemacht wird
04.02.2003
Analytisches CRM
46
Gliederung





Einführung
OLAP
Kundenanalyse
Customer-Lifetime-Value
Fazit
04.02.2003
Analytisches CRM
47
Customer-Lifetime-Analyse



Dient der Bewertung eines Kunden
Bezieht sich auf den gesamten
Kundenlebenszyklus
Häufig verwendete Methode
04.02.2003
Analytisches CRM
48
Kundenwert im CLTV

Quantitative Größen




Akquisitionskosten
Umsatz
Zuordenbare Einzelkosten
Qualitative Größen


04.02.2003
Weiterempfehlungs-Potential
Up/Cross-Selling-Potential
Analytisches CRM
49
Kundenlebenszyklus im CLTV

6 Phasen






04.02.2003
Kennenlernphase
Startphase
Penetrationsphase
Reifephase
Krisenphase
Trennungsphase
Analytisches CRM
50
Berechnung des CLTV
T
CLTV   S (i)v(i) D(i)
i 0
S (i)  Survival Funktion
v(i)  Kundenwert Funktion
D(i)  Discounting  Funktion
04.02.2003
Analytisches CRM
51
Beispiel Gaststätte
Gasttyp:
"lebendiges Stamm
Student
Inventar"
Gast
Umsatz:
2.548,00 DM 509,60 DM
39,20DM
Nettoumsatz:
2.196,55 DM 439,31 DM 33,79 DM
Kosten:
50%
50%
50%
Deckungsbeitrag:
1.098,28 DM 219,66 DM 16,90 DM
Jährliche Fluktuation:
12%
12%
20%
1. Jahr:
2. Jahr:
3. Jahr:
4. Jahr:
5. Jahr:
Summe (CLTV)
04.02.2003
1.098,28
966,48
850,50
748,44
658,63
4.322,34
DM
DM
DM
DM
DM
DM
Analytisches CRM
219,66
193,30
170,10
149,69
131,73
864,47
DM
DM
DM
DM
DM
DM
16,90
13,52
10,81
6,92
5,53
53,68
DM
DM
DM
DM
DM
DM
52
Beispiel SAP
04.02.2003
Analytisches CRM
53
Gliederung





Einführung
OLAP
Kundenanalyse
Customer-Lifetime-Value
Fazit
04.02.2003
Analytisches CRM
54
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
04.02.2003
Analytisches CRM
55
FRAGEN??
04.02.2003
Analytisches CRM
56

Analytical CRM