Vortrag von Marancon auf dem AIKA kompakt in Neuwied am 16.2.2011 zum Thema Kundenwissen

1. Kundenwissen transparent machen
Neuwied, den 16.02.2011
Meinert Jacobsen
marancon
Gesellschaft für Marketing, Analyse und Consulting mbH
Kundenwissen transparent machen Folie 1

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 Folie 2

3. Namenstage
Kundenwissen transparent machen Folie 3

4. Knowledge Discovery Prozess
Kundenwissen transparent machen Folie 4

5. Adresse
Kundenwissen transparent machen Folie 5

6. Ein Name verrät viel ...
• Deutscher Vorname
• Männlich
• Alter: 51 Jahre (durchschnittlich)
Vorname Alter Vorname Alter
BERND 51 Anna 80
Bernd Oliver 38 Anna Lena 16
Bernd 63
• In Kombination mit Freilinghaus zu 96% Wahrscheinlichkeit ein deutscher
Name
Kundenwissen transparent machen Folie 6

7. 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
Kundenwissen transparent machen Folie 7

8. Je mehr Stellen die Durchwahl hat, desto eher reagieren
B2B-Kunden (in diesem Beispiel) auf eine werbliche
Ansprache für eine Konferenz
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 Folie 8

9. Die E-Mail-Adresse verrät einiges
• ...@careforce.de 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)
Kundenwissen transparent machen Folie 9

10. Die Firmierung
• GmbHs deuten auf eine mittlere Größe der Unternehmen hin
• AGs sind eher größere Firmen
• ohne Firmierung (eher kleinere Unternehmen)
Kundenwissen transparent machen Folie 10

11. 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
Kundenwissen transparent machen Folie 11

12. Kundendichte
Kundenwissen transparent machen Folie 12

13. Tabelle der Kundendichte
Reagierer Summe
dichte nein ja 6%
10% 21904 590 22494 2,62% 6%
20% 21717 765 22482 3,40%
5%
30% 21608 872 22480 3,88%
40% 21476 967 22443 4,31% 5%
50% 21524 983 22507 4,37% 4%
60% 21443 1055 22498 4,69% 4%
70% 21432 1082 22514 4,81%
80% 21327 1159 22486 5,15%
3%
90% 21388 1218 22606 5,39% 3%
100% 21139 1257 22396 5,61% 2%
Summe 214.958 9.948 224.906 4,42% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Kundenwissen transparent machen Folie 13

14. Kundenanteil auf Straßenabschnittsebene
Je mehr Kunden auf der Straße wohnen, desto höher ist die
Reaktionsquote.
Kundenwissen transparent machen Folie 14

15. 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
– ...
Kundenwissen transparent machen Folie 15

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 16

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 17

18. Datum des letzten Kaufs
Kunden, die gerade erst gekauft haben, reagieren am besten.
Kundenwissen transparent machen Folie 18

19. 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)
Kundenwissen transparent machen Folie 19

20. Information aus der Kommunikation
• Wie oft / Reaktion
• Newsletter-Information
– Öffnungsverhalten
– Klickverhalten
• Online-Verhalten
– Warenkorb-Abbruch
– Nutzungsverhalten auf der Seite
– ...
Kundenwissen transparent machen Folie 20

21. Methoden zur Generierung von Kundenwissen
• Scoring
• Segmentierung
• Kundenlebenswertmodelle
Kundenwissen transparent machen Folie 21

22. Einsatzbereiche für Scoring
Der Kundenlebenszyklus bietet vielfältige Ansätze,
den monetären Wert der Kunden zu steigern.
Kundenwissen transparent machen Folie 22

23. Umsetzung von Scorings
Frage: Welche Merkmale des Kunden haben einen signifikanten Einfluss auf
die Zielgröße (z.B. sein Kündigungsverhalten) ?
Zielgrößen Einflussfaktoren
Personendaten
Kündigung (Alter, Geschlecht, Adresse, Familienstand, Beruf,
Anzahl Kinder, E-Mail-Adresse, etc.)
Daten zur Kundenbeziehung
Produkterwerb (Dauer der Kundenbeziehung, Umsatz in der Vergangenheit,
Bonität, etc.)
externe Informationen
Neukundengewinnung
(Konsumneigung, Kaufkraft, etc.)
Kundenwissen transparent machen Folie 23

24. Ergebnis eines Scorings: Reaktionsverhalten
95-100% 6,41%
90-95% 3,73%
85-90% 2,89%
80-85% 2,45%
75-80% 2,08%
70-75% 1,82%
65-70% 1,69%
60-65% 1,39%
55-60% 1,22%
50-55% 1,14%
45-50% 0,99%
40-45% 0,80%
35-40% 0,83%
30-35% 0,68%
25-30% 0,62%
20-25% 0,42%
15-20% 0,54%
10-15% 0,46%
5-10% 0,35%
0-5% 0,25%
0,00% 1,00% 2,00% 3,00% 4,00% 5,00% 6,00% 7,00%
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 Folie 24

25. Gewinnoptimierung durch Score – Modelle
Gezielte Kunden-
ansprache durch
Score – Modell
mehr Reagierer mehr Umsatz
statt
Gießkannenprinzip
Kundenwissen transparent machen Folie 25

26. Der Regelkreislauf des Direkt – Marketings
Analyse
Controlling
Konzept
Umsetzung
Reaktion
Kundenwissen transparent machen Folie 26

27. Kundenwissen transparent machen Folie 27

28. Segmentierung…
Kundenwissen transparent machen Folie 28

29. Nutzung einer wertorientierten Kundensegmentierung
Wertvollste Kunden
Wachstumskunden
Randbereiche
Media Verlustkunden
E-Kanäle
Direkt Mail
Telemarketing
Außendienst
Kundenmanager
Source: Peppers & Rogers Group
Kundenwissen transparent machen Folie 29

30. Anforderung an eine Segmentierung
Zueinander
unterscheidbar
Relevant
In sich ähnlich
Messbar
Kundenwissen transparent machen Folie 30

31. Statistische Methoden für eine Kundensegmentierung
• Clusteranalyse (hierarchisch / nicht-hierarchisch)
• vorher meist eine Faktorenanalyse
• Decision-Tree Verfahren
• Diskriminanzanalyse
• Maschinelles Lernen
• ...
Kundenwissen transparent machen Folie 31

32. Ergebnis der Faktorenanalyse - Beispiel
• Es ergeben sich 16 Faktoren, die 83 Prozent der Streuung (Varianz) der Kundenstruktur
erklären.
Kundenwissen transparent machen
Kundensegmentierung
Folie 32

33. Ergebnis der Faktorenanalyse
Kundenwissen transparent machen Kundensegmentierung
Folie 33

34. Monatsanteile für die Clusterlösung
Segment A
Segment B
Segment C
Segment D
Segment E
Segment F
Segment G
Segment H
Segment I
ROSE-Weine
Segment J
Segment K
Überdurchschnittlich Durchschnittlich Unterdurchschnittlich
Kundenwissen transparent machen Kundensegmentierung
Folie 34

35. Monatsanteile für die Wertsegmentierung
wenig
Geringer mittel
Umsatz
viel
wenig
mittel
viel
wenig
mittel
viel
wenig
mittel
viel
wenig
Hoher
mittel
Umsatz
viel
Kundenwissen transparent machen Folie 35

36. Beispiel: Segmentierung der Twitter-Nutzer
Promotor
Chatter 15%
13%
Credible
Company
Repeater
13% 13%
Mono-
thematiker
7%
Chronisten
8%
RealTimer
Impulsive 14% Exogene
7%
10%
Quelle: e-result – Vortrag Twittwoch-Köln
Kundenwissen transparent machen

37. Überwiegend
Chatter
Eins-zu-Eins-Kommunikation 13%
Selten
Alltagserlebnis, Externer Link
Benachbartes Cluster:
Tweets mit @ (Median) 53%
RealTimer (Mittlere Distanz 2,14)
Tweets mit URL (Median) 10%
Tweets mit # (Median) 12% Homogenität (mittlerer Abstand
zum Clusterzentrum): 1,37
Re-Tweets (Median) 1%
Anzahl Follower (Median) 99
Anzahl Following (Median) 94
Verhältnis Follower/Following 1,1:1
Quelle: e-result – Vortrag Twittwoch-Köln
Kundenwissen transparent machen

38. Kundenwissen transparent machen Folie 38

39. Kundenwissen transparent machen Folie 39

40. Daten: Was wird benötigt?
• Positionen (Artikelnummer & Name)
• Anzahl Artikel pro Position
Bondaten • Preis pro Position
• Zeitpunkt des Verkaufs (Uhrzeit, Datum, Wochentag)
• POS-Nummer, etc.
• Verkaufspreis
• Warengruppe der Artikel (teilweise als Hierarchie)
Produktdaten • Rohertrag / Deckungsbeitrag
• etc.
• Adresse
den
• Eröffnungs- / Renovierungsdatum ten kommen direkt aus ten
Die Bonda n. Die restli
chen Da
Standortdaten • Lage
Kassensys
teme stemen
• Verkaufsfläche s ande ren EDV-Sy
können au
llt werden.
• etc. bereitgeste
Kundenwissen transparent machen Folie 40

41. Basis-Analysen:
Wie viel Up- und Cross-Selling gibt es aktuell?
100% = alle Bons 100% = gesamter Umsatz
59%
# Positionen
l
ls ein em Artike
Bons m it mehr a satzes au
s.
s Um
mache n 59% de
Kundenwissen transparent machen Folie 41

42. Basis-Analysen:
Wie ändert sich Cross-Selling über die Woche?
Laufe der
-Selling steigen im ers stark
Cross- und Up uppen, besond
Warengr
Woche für alle nende.
p e B am Woche
bei Warengrup
Kundenwissen transparent machen Folie 42

43. Up-Selling: „Nimm 3, zahl 2.“
Anteil Bons, bei denen
# Bons, bei denen der Artikel # Artikel pro # Bons
der Artikel mind. 3x
mind. 2x verkauft wurde mit diesem Artikel
verkauft wurde
15% 125%
25% 150%
34% 218%
31% 196%
24% 165%
30% 185%
13% 113%
10% 115%
ses durch
12%elling kann die 121%nen
em Up-S enso kön
odukten mit hoh rden. Eb
Bei Pr we
erhöht 18% und durch geeigne 142% te
Produk tbundles t
identifizier
Up-Selling:
ähnliche Produkte
rt werden.
Mehrfachverkauf eines Artikels
Maßnahm en geförde
auf einem Bon
Kundenwissen transparent machen Folie 43

44. Cross-Selling: Croissant zum Kaffee …
Cross-Selling Intra: g Potential
Das Cross-Sellin
CS innerhalb einer Warengruppe
ist bei der
(Inter & Intra) größten.
Cross-Selling Inter: Wareng ruppe C am
CS zu einer anderen Warengruppe
Kundenwissen transparent machen Folie 44

45. Cross-Selling: … oder lieber ein Brötchen?
3% 9% Cola
7%
Bild
18% 3% 4%
10%
15%
21%
Brötchen
Kaffee 18%
35% 10%
24%
Croissant
Kaffee.
9%
it Croissa nt ist auch
22% Auf 35% aller Bons m

mmen
ee b esser zusa ing)!
 Also Kaff
„Confidence A -> B“:
Anteil aller Bons, die Artikel A ts anbieten (Bundl
und B enthalten, an allen Bons m it Croissan
mit Artikel A
Kundenwissen transparent machen Folie 45

46. Cross-Selling: alle Informationen in einer Tabelle
Dies sind die In so vielen Auf so vielen Bons trat Das sind die So gut eignet sich
häufigsten Artikel- Filialen wurde der die Artikel- Confidence- der Artikel für
Kombinationen. Artikel verkauft. Kombination auf. Werte. CS-Selling
insgesamt.
Neben den Artikelkombinationen sind
auch weitere Dimensionen möglich it allen
sst mar ancon Sie m hiert alle
• Zeit Natürlich lä n extra
ht all ein, sonder nd
Zahlen nic ntworten u
• Region Ihre Fragen bea
Fakten, die eeignet au
f.
• Clustertyp Standort bere itet diese g
• Warengruppen-Sortiment
• …
Kundenwissen transparent machen Folie 46

47. Maßnahmen: Was kann man tun?
Parameter für Maßnahmen
• Infos an Kasse • verwendete Produktkombination
Personal • Kundenansprache • eigenes Sortiment
• gleicher Artikel
• gleiche Warengruppe
• Kassendisplay • unterschiedliche Warengruppe
Bewerbung • am Produkt • Kooperationspartner
• in / vor dem Geschäft • Produkthersteller
• andere Vertriebsnetze
• Differenzierung Zeit
• Impulskäufe • Uhrzeit
Rabatte • Sammeln • Wochentag
• Differenzierung Ort
hläge von
• Lage hmenvorsc
ten Maßna
h häng die ko re
en• Größenk
 Natürlic b. hführung
Produkt- • Ort issen Ih rer Daten a n gemeinsam die Durc us.
den Ergebn marancon m
it Ihne Ihnen a
platzierung • Gruppierung plant ansch ließend mit
 Gerne d wertet sie
von Maß nahmen un
Kundenwissen transparent machen Folie 47

48. Weitere Möglichkeiten
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 Folie 48

49. Kundenwert
Kundenwissen transparent machen Folie 49

50. Eingangsparameter eines KLW
Kundenwissen transparent machen Folie 50

51. Berechnung des KLW
Kundenwissen transparent machen Folie 51