Im ersten Teil unserer CRM-Serie haben wir drei verschiedene Aufgaben von CRM vorgestellt: Operatives, kommunikatives und kollaboratives CRM. Die Hauptaufgabe des klassischen CRM liegt im operativen Bereich. Dabei geht es darum, die Mitarbeiter in den Unternehmensabteilungen zu unterstützen, in denen ein direkter Kundenkontakt besteht – also vor allem im Vertrieb, Marketing und Service.
Operative CRM-Funktionalitäten sind grundsätzlich im Front-Office angesiedelt. Hier findet der direkte Dialog mit den Kunden über die verschiedenen Vertriebswege wie Telefon, Post oder Internet statt. Dort steht auch die Software bereit, die diese Vertriebskanäle unterstützt. Beispiele für entsprechende IT-Anwendungen sind Call Center Software oder ein Kunden-Kontakt-Management.
Die vierte und letzte Aufgabe des Kundenbeziehungs-Managements – und neben dem operativen CRM der zweite Hauptpfeiler – ist Thema dieses Beitrags: Das analytische CRM. Dieses erweitert die Basisvariante um die Bearbeitung und vor allem Auswertung der in den operativen Systemen gesammelten Daten.
Die Datenauswertungselemente erfassen Daten über Kundenkontakte und Kundenreaktionen und sollen helfen, die Kundenbedürfnisse, das Kundenverhalten und den Wert von Kunden zu prognostizieren. Die Analysen liefern dann empirisch abgesicherte Entscheidungsgrundlagen für Marketing, Vertrieb und andere kundenbezogenen Aktivitäten.
Damit überschneidet sich CRM, zumindest was die Datenanalyse betrifft, mit Funktionen und Prozessen des Business Intelligence. Die dafür benötigte Software-Technologie ist im Wesentlichen der komplette Data Warehouse Prozess – von der Datensammlung und Datenhaltung über die Datenanalyse bis hin zum Reporting.
|
TecChannel-Studie: Welche CRM-Lösungen sind die Besten? |
Das Closed-Loop-System
Zum Verständnis des analytischen CRM ist es wichtig, den Datenkreislauf zu verstehen. Daten und Prozesse durchlaufen funktionell und IT-technisch drei Bereiche. Im vorhin erwähnten Front-Office findet der Dialog mit den Kunden über Medien wie Call Center, Internet oder Außendienst statt. Dort fallen auch die operativen Daten an, die sich bei der Interaktion mit den Kunden ergeben: Kundendaten - Name, Adresse, Alter, Interessen etc -, Transaktionen und Produkte.
Die im Front Office generierten Daten und die damit verknüpften Geschäftsprozesse werden im zweiten Bereich, dem Back Office, über ERP-Systeme automatisiert ausgeführt. Dort findet beispielsweise die Buchführung oder die Zollabwicklung statt.
Zwischen Front Office und Back Office liegt der dritte Bereich, das analytisch-strategische Segment. In diesem Teil wird aus den Geschäftsprozessdaten das Wissen über die Kunden mit den unten vorgestellten Analyseverfahren extrahiert und für Aktivitäten wie Kampagnen-Management bereitgestellt.
Die so analysierten Daten werden anschließend als Entscheidungsgrundlage wieder über unterschiedliche operative Tools dem Front Office - und den dort tätigen Mitarbeitern - zur Verfügung gestellt und zur Ausführung gebracht. Auf diese Weise entsteht ein Kreislauf, der als „Closed-Loop“ bezeichnet wird. Nur in ganz wenigen Ausnahmenfällen kann das Front Office direkt mit dem analytischen Bereich unter Umgehung des Back Office interagieren.
Eine Closed Loop ist also eine Schleife, in der die operativen Daten des Front Office gesammelt, dann analysiert und schließlich als Marketing- oder Vertriebskampagne wieder für das operative CRM eingespeist werden. Durch diese „Architektur“ entsteht ein quasi lernendes CRM-System, in dem die CRM-Prozesse durch die Integration aktueller Daten immer wieder an neue Marktlagen adaptiert werden.
Eine Closed Loop ist also eine Schleife, in der die operativen Daten des Front Office gesammelt, dann analysiert und schließlich als Marketing- oder Vertriebskampagne wieder für das operative CRM eingespeist werden. Durch diese „Architektur“ entsteht ein quasi lernendes CRM-System, in dem die CRM-Prozesse durch die Integration aktueller Daten immer wieder an neue Marktlagen adaptiert werden.
Einfache und fortgeschrittene Fragestellungen
Auch analytisches CRM ist letztlich nur eine moderne Variante dessen, was Tante Emma früher in ihrem Laden praktizierte. Betrat ein Kunde das Geschäft, registrierte sie die Uhrzeit, wohin er geht, wonach er fragt und welches Produkt er letztlich kaufte. Sie stellte zwar in der Regel keine systematischen statistischen Analysen an, aber mit der Zeit lernte sie ihre Kunden kennen und entwickelte ein Gefühl, welche Bedürfnisse und Verhaltensweisen sie als Gesamtheit, aber auch als Einzelpersonen, haben.
So konnte sie ihr Warenangebot optimieren, wenig Nachgefragtes aus dem Sortiment werfen, beliebte Produkte prominent platzieren – aber auch auf spezielle Bedürfnisse eingehen, und Herrn Müller zum Geburtstag seiner Frau eine Pralinenschachtel empfehlen.
Das alles geht heute mit modernen Methoden deutlich genauer, zuverlässiger und effizienter –wenn systematisch Kundendaten gesammelt und elektronisch gespeichert werden. Das analytische CRM muss hier die Werkzeuge bereitstellen, die diese Daten analysieren können. Damit lassen sich beispielsweise einfache Fragestellungen beantworten wie: Welches waren letztes Jahr die 1000 umsatzstärksten Kunden? Welche Kundengruppen und Interessenten kaufen ein bestimmtes Produkt? Oder: Wie abwanderungsgefährdet sind einzelne Kunden.
Fortgeschrittene Fragestellungen wären zum Beispiel: Welche Charakteristika haben die umsatzstärksten Kunden gemeinsam? Welche Verhaltensweisen sind typisch für Vertragsstornierer? Oder: Was ist das Profil von Personen, die auf Mailings am wahrscheinlichsten antworten? Bezüglich der letzten Frage erlaubt es das CRM-Instrumentarium Gruppen zu bilden, für die man besondere Sales Promotions veranstaltet oder Direktmailing-Aktionen durchführt. Diese sind dann auf die Bedürfnisse der jeweiligen Gruppe zugeschnitten.
Zielgerichtete Marketingaktivitäten lassen sich durch die Analyse von beliebten Merkmalskombinationen von Produkten starten. Stellt man beispielsweise fest, dass eine private Rentenversicherung öfter mit einem bestimmten Investment-Fonds erworben wird, können diese Produktkombinationen gezielter beworben und zum Beispiel in einem Cross Selling Paket zusammen angeboten werden.
Das CRM Data Warehouse
Um aus den riesigen Datenmengen, die aus den Business-Prozessen über große Zeiträume hinweg anfallen, exakte Kundenprofile und Verhaltensprognosen herzuleiten, greift man beim professionellen CRM auf eine Data Warehouse Architektur zurück.
Ein Data Warehouse basiert auf Datenbank-Technologie und erfasst und speichert alle relevanten Daten systematisch über einen längeren Zeitraum. Die Informationen stammen direkt aus den Kundenprozessen im Front-End oder von Back-Office-Lösungen wie einem ERP-System. Konkret können das etwa Daten aus den Call Centern sein, aus Telefonkampagnen oder neuerdings auch aus elektronischen Handels-Plattformen wie Shop-Systemen.
Hinzu kommen noch Produktinformationen und externe Quellen wie soziodemografische Daten oder Daten von Mitbewerbern. Und schließlich werden in dem Daten-Pool auch Fakturierungs-, Versand- und Logistikdaten gespeichert sowie je nach Unternehmensausrichtung weitere Informationen.
In ihrer Rohform können diese Daten allerdings nicht als Ausgangsplattform für Analysen genutzt werden. Da sie von unterschiedlichen Nutzergruppen gepflegt werden, verteilten Datenbanken entstammen und untereinander nicht verknüpft sind, liegen die Rohdaten fehlerhaft, unvollständig und inkonsistent vor.
Vor der Auswertung müssen die inhomogenen Datenbestände deshalb bereinigt und in eine fehlerfreie, konsistente Datenbasis überführt werden. Diese Aktion wird in drei Schritten als so genannter ETL-Prozess vollzogen – Extract, Transform, Load. Das Vorgehen ist ausführlich in dem TecChannel-Beitrag „Datenaufbereitung durch den ETL-Prozess“ beschrieben.
Der ETL-Prozess übernimmt die Bereinigung und Transformation der operativen Daten und stellt sie im Data Warehouse für weitergehende Analysen bereit. Neben dieser Aufbereitung umfasst der Warehouse-Prozess die Datenhaltung, die Bereitstellung in kleineren, abteilungsbezogenen Einheiten, so genannten Data Marts, und schließlich auch Auswertungsmöglichkeiten wie OLAP-basierte Frontends. Über Data Warehouses informiert Sie im Detail ein eigener Artikel.
Datenanalyse mit OLAP
Zur Auswertung der Daten im Data Warehouse wurde das „Online Analytical Processing“, kurz OLAP, entwickelt. Mit OLAP lassen sich sehr schnell Daten aus verschiedenen Perspektiven betrachten und analysieren. Auf diese Weise erhalten die einzelnen Unternehmensabteilungen Informationen, die auf ihren Aufgabenbereich zugeschnitten sind.
Das wichtigste Merkmal von OLAP ist die multidimensionale Sicht auf die Daten. Dazu werden die Daten in einem multidimensionalen Würfel, dem OLAP-Cube, präsentiert. Je nach Interessenslage sind Umsätze, Kosten oder Marktanteile sowie resultierende Analysewerte aus verschiedenen Blickwinkeln tabellarisch oder grafisch darstellbar. So erhält jeder Mitarbeiter das, was ihn interessiert: Der Produktmanager erfährt, wie sich ein Produkt insgesamt verkauft, der regionale Vertriebsbeauftragte, wie der Verkauf in seinem Bereich lief.
Grundsätzlich handelt es bei OLAP um intuitiv durchzuführende Datenbank-Abfragen in einem Top-Dow-Ansatz. Man navigiert in den Daten in vorab definierten Strukturen und Dimensionen wie Zeitraum, Sparte oder Kundengruppe und wertet sie live direkt am Rechner aus. Die zu analysierenden Fragen sind vorgegeben. Typische OLAP-Abfragen sind beispielsweise: „Welches sind die profitabelsten Kunden?“, „Welche Produktgruppen kaufen Kunden häufig?“, „Wie ist die Qualität der Produkte?“, „Wieviele Servicefälle ereignen sich pro Kundengruppe“.
Mit OLAP ist es auch möglich zu überprüfen, welche Produkte zusammen gekauft werden. Dazu werden die Produktkombinationen der Kunden analysiert. Auf Basis dieser Analysen können Cross-Selling-Aktionen gestartet werden, bei denen bestimmte Produkte gemeinsam angeboten werden. Die Grundlagen von OLAP und wie eine OLAP-Analyse genau funktioniert erfahren Sie in dem TecChannel-Beitrag „Ad-hoc Analysen mit OLAP“.
Die Ergebnisse von OLAP-Analysen werden oft in CRM-Kennzahlen gegossen, um CRM-relevante Vergleichsmöglichkeiten zu generieren. Operative Kennzahlen wie Fehlerquote bei Adressen oder Konversionsrate werden dabei zu strategischen Kenngrößen wie Neukundenakquisitionsrate, Kundenbindungsrate oder Kosteneffizienz zusammengefasst. Diese ermöglichen als CRM-Kennzahlen eine Erfolgsmessung der kundenbezogenen Aktivitäten auf allen Unternehmensebenen.
Kundenmuster erkennen mit Data Mining
Immer häufiger setzt man in neuerer Zeit auch Data Mining zur Analyse von Kundendaten ein. Dabei wird ein großes, komplexes Datenvolumen nach Mustern durchsucht, um neue, handlungsrelevante Zusammenhänge zu entdecken. Beispielsweise können mit Data Mining aus Kundendaten allgemeine Kundenprofile hergeleitet werden oder zukünftige Trends bei Verkaufszahlen prognostiziert werden.
Der wesentliche Unterschied zwischen OLAP und Data Mining ist, dass OLAP mit bereits definierten Dimensionen und Zusammenhängen arbeitet, und die Fragestellungen bzw. Hypothesen vorgegeben sind. Beim Data Mining hingegen sucht man - ausgehend von den Daten - nach neuen, unbekannten Mustern. Data Mining ist damit ein typischer Bottom-Up-Ansatz, der theoretisch und datengeleitet nach Hypothesen, etwa zum Kundenverhalten, sucht. Ziel ist der Gewinn von empirischen Regeln und Prognosen für die Geschäftstätigkeit.
Systematisch betrachtet lassen sich mit Data Mining folgende CRM-relevante Merkmale prognostizieren: Die Kaufwahrscheinlichkeit eines Kunden („Kunde x kauft Produkt y mit Wahrscheinlichkeit p“), die Kundenloyalität bzw. das Abwanderungsrisiko, die Rentabilität der Kundenbeziehung oder das Betrugs- und Insolvenzrisiko für einen Kunden.
Data Mining ist allerdings keine vollautomatisierte Frage-Antwort-Lösung, sondern ein komplexes Verfahren, in dessen Zentrum die Modellbildung steht. Nach einer Selektion und Aufbereitung von Daten wird das Verhalten der Kunden in einem statistischen Modell abgebildet. Genaueres hierzu erfahren Sie in dem Beitrag „Data Mining Phasen und Vorgehensschritte“.
Für die Modellbildung stehen eine Reihe verschiedener Verfahren zur Verfügung. Dazu gehören beispielsweise Entscheidungsbaumanalyse, Clusteranalyse, Regressionsanalyse, Neuronale Netze und einige andere mehr. Diese Methoden lassen sich für unterschiedlichste Ziele und Aufgaben einsetzen.
Die Entscheidungsbaumanalyse kann beispielsweise zur Klassifikation von Kunden mit unterschiedlichen Kreditrisiken genutzt werden. Mit Regressionsverfahren lassen sich Absatzzahlen für bestimmte Produkte oder Produktgruppen prognostizieren. Clustermethoden segmentieren Kunden automatisch in verschiedene Käufergruppen. Und die Assoziationsanalyse führt zur Entdeckung von Abhängigkeiten, etwa, dass Käsekäufer auch oft Rotwein in den Warenkorb legen. Data Mining Verfahren, die sich auch im CRM einsetzen lassen, sind im Beitrag „Data Mining im Detail“ beschrieben.
Data Mining im CRM – Beispiele
Data Mining kann in vielen CRM-relevanten Bereichen eingesetzt werden. Zum Beispiel in der Akquisition neuer Kunden und der Response-Optimierung. In beiden Fällen sollen zielgerichtet Kampagnen entwickelt werden, so dass mehr bzw. neue Kunden reagieren. Hierbei wird auf Daten bereits durchgeführter Werbekampagnen zurückgegriffen. Data Mining liefert dabei Auskunft darüber, welche Kundengruppe besonders positiv auf die Kampagne reagiert hat.
So lässt sich bei bestehenden Kunden die Wahrscheinlichkeit errechnen, mit der sie auf entsprechende Marketing-Aktionen positiv reagiert haben. Extrahiert man die Merkmale dieser hoch reaktiven Gruppen, kann man bei einer neu zu startenden Kampagne gezielt nur mehr solche Kunden ansprechen, die eine hohe Abschlusswahrscheinlichkeit aufweisen. Dies senkt die Streuverluste, erhöht die Akquisitions- bzw. Response-Rate und führt zu deutlichen Ertragssteigerungen.
Ein anderes, zentrales Ziel von CRM ist Kundenbindung. Besonders profitable Kunden sollen langfristig dem Unternehmen „treu“ bleiben. Dazu gehört auch das Rückgewinnungs-Management, neudeutsch: Churn Management. Churn Management ist ein Kunstwort aus „Change“ und „Turn“ und bezeichnet den Versuch, Kundenabwanderungen zu vermeiden. Dies betrifft insbesondere Branchen, in denen aufgrund vertraglicher Verpflichtungen der Kunde eine gewisse Zeit an ein Unternehmen gebunden ist und nach Ablauf der Frist den Anbieter wechseln kann. Ein typisches Beispiel ist die Mobilfunkbranche.
Ein Churn-Problem hatte beispielsweise die Mobilfunktochter der Deutschen Telekom, T-Mobile. Um die starken Abwanderungsbewegungen zu stoppen, wurde das Kündigungsverhalten ehemaliger Kunden analysiert. Data Mining gab Auskunft darüber, welche typischen Merkmale ein potenzieller Abwanderer hat, was sein Profil ist und – daraus abgeleitet – welcher Kunde mit welcher Wahrscheinlichkeit wann abwandern wird. Aus diesen Analysen konnten Kundenbindungsprogramme entwickelt werden, die die Churn-Rate um bis zu 30 Prozent senkten. Für Unternehmen sind solche Methoden Gold wert, denn das Anwerben eines neuen Kunden ist weitaus teurer als das Halten eines Bestandskunden.
Fazit
Analytisches CRM ist neben operativem CRM der zweite Hauptpfeiler des Kundenbeziehungsmanagement, der in den letzten Jahren immer wichtiger wurde. Es ermöglicht, durch Datenanalyse Marketing- und Vertriebsaktivitäten zu unterstützen und aus Kundendaten direkt geldwertes Kapital zu schlagen. Die im analytischen CRM gewonnenen Daten fließen wieder unmittelbar in den CRM-Kreislauf, den Closed Loop, ein.
OLAP und Data Mining sind die im analytischen CRM hauptsächlich eingesetzten Verfahren, mit denen Kundendaten quantitativ analysiert und ausgewertet werden. OLAP eignet sich zur schnellen Ad-hoc Analyse, bei der man unmittelbar Antworten auf vorgegebene Fragestellungen erhält.
Das komplexere, datengetriebene Data Mining ist eine Kombination verschiedener Arbeitsschritte und Verfahren, mit denen auf Basis bestimmter Modelle Muster in den Kundendaten entdeckt werden sollen. Während die OLAP-Methode auf breiter Basis etabliert und übersichtlich, aber methodisch ausgereizt ist, sind Data Mining Verfahren hochkomplex und befinden sich in stetiger Entwicklung. (ala)
|
TecChannel-Studie: Welche CRM-Lösungen sind die Besten? |