Analytisches CRM - OLAP
Analytisches CRM ist neben dem operativen CRM der Hauptpfeiler des Kundenbeziehungsmanagements. Analytisches CRM ermöglicht es, 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.
Für die Kundenanalysen werden vor allem Daten aus den Bereichen Vertrieb, Service und Marketing herangezogen. Bei den Auswertungen kann es sich um vordefinierte Abfragen handeln wie die monatlichen Umsätze pro Verkäufer, die Response-Quote einer Befragungskampagne, eine Cross-Selling-Analyse, freie Abfragen oder OLAP-Funktionen.
OLAP-Analysen sind ein komplexerer Abfragetyp und ermöglichen das Auffinden von erfolgsrelevanten Zusammenhängen innerhalb von Datenreihen. 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 Interessenlage 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 Datenbankabfragen 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?" oder "Wie viele Servicefälle ereignen sich pro Kundengruppe?".
Analytisches CRM - Data Mining
Häufig werden zur Analyse von Kundendaten auch Methoden des Data Mining eingesetzt. 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 oder künftige Trends bei den Verkaufszahlen prognostiziert werden.
Data Mining offenbarte beispielsweise, dass berufstätige Familienväter häufig auf dem Heimweg noch kleine Einkäufe für ihre Frauen erledigen. Aus dieser Erkenntnis heraus wurde fortan das männertypische Produkt Bier neben Babywaren ausgestellt - der Erfolg waren steigende Verkaufszahlen.
Data Mining ist nur der Oberbegriff für eine Reihe verschiedener Verfahren. 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.
Zur Beurteilung des Wertes von Kunden sind in CRM-Programmen unterschiedliche betriebswirtschaftliche Methoden integriert. Beispielsweise lässt sich der Kundenwert über den Customer Lifetime Value (CLV) berechnen, indem der Beitrag des Kunden zum Erfolg des Unternehmens und der künftige Marketingaufwand kalkuliert werden. Die Methode basiert auf Formeln aus der Investitionsrechnung und setzt die Erhebung und Verarbeitung entsprechender Informationen im Controlling voraus.
Weniger aufwendig ist die ABC-Analyse. Die ABC-Kundenanalyse unterteilt die Kunden aufgrund von Kriterien wie Umsatz in A-, B- und C-Kunden. Die umsatzstärksten Kunden fallen in die Kategorie A, die umsatzschwächsten in die Kategorie C. Häufig trifft dabei die Pareto-Regel zu: 20 Prozent der Kunden machen 80 Prozent des Umsatzes aus. Diesen "A-Kunden" sollte dann mehr Aufmerksamkeit gewidmet werden als den "C-Kunden".