Date post: | 29-Nov-2014 |
Category: |
Documents |
Upload: | exploredyncrm |
View: | 1,230 times |
Download: | 0 times |
Analytical CRM: CRM 20xx brandstof Hans de Boer, Piconcepts BV
Introductie filmpje: Data, de olie van de informatie-eeuw
http://www.youtube.com/watch?v=N14bv_6f5i0&feature=player_detailpage#t=10s
Analytical CRM: waarom de combinatie Analytical en CRM?
• Zie links: CRM paradigma volgens Gartner
• Analytics is minimaal 50% van effectief CRM beleid (roze gebieden)
• Analytics KAN NIET zonder een gezonde MORELE basis: zie Google praktijk
• Analytical CRM is veel meer dan BI – Klantinzicht is een multi-dimensionaal probleem
– Rapporteren = terugkijken
– Datamining = gesegmenteerd vooruitkijken
• Data is de BRANDSTOF voor effectief CRM 3.0
CRM Vision:Leadership, market position, value proposition
CRM Strategy: Objectives, Segments, Effective Collaboration
Valued Customer Experience: • understand requirements • Monitor Expectations • Satisfaction vs Competition • Collaboration & feed back • Customer Communication
CRM Processes: Customer Life cycle,Knowledge management
CRM Information: Data, analysis, One view of the Customer
CRM Technology
CRM Metrics: Value, propensity, Loyalty, ROI
Organizational Collaboration: • Culture and Structure • Customer understanding • People: skills & Competencies • Incentives & Compensation • Employee communication • Partners & Suppliers
Effectief CRM, Sales en Marketing zal steeds meer gebaseerd zijn op kwantitatieve overwegingen!
Scott: back to Earth, some fundamental issues at stake..
• Policy on customer data – Ieder bedrijf van enig omvang heeft 10tallen applicaties met kritische klantinformatie – Product/proces orientatie – Er is geen overall CustomerID strategie of architectuur – Er is geen aandacht voor Dataquality – Gevolg: klantbeeld ernstig versnipperd, vervuild en onbetrouwbaar – Wie is verantwoordelijk?????
• Protection – Afgelopen jaar: honderden Serieuze datalekken, >x00 MILJOEN klantgegevens op straat…….. – Datalek IMAGO schade! – Besef: klantrelatie betekent dat ik jou vertrouw en bereid ben mijn private space te delen met
jouw organisatie. I trust you – Wie is verantwoordelijk?????
• Privacy – Wetgeving loopt VER achter bij de praktijk – Wetgevers en Europa: zeer conservatief en en zeer schadelijk voor commercie CRM – Partijen als Google, Facebook verzieken de markt, maar jij ook: zie geschiedenis BELMENIET – Wie is verantwoordelijk?????
Probleem: de 3 P’s niet onder controle.
De 3P’s: PRIMAIRE verantwoordelijkheid van SENIOR management NIET ICT afdeling
Analytical CRM geschiedenis: de gedachte ging ver uit voor realisatie
• Blaise Pascal (1623): oplossen van de vraag of God bestaat en zo ja/nee: wat is de calculated Risk?
• Bayes (1702): Bestaat de Voorzienigheid? Het principe van conditional Probability
• Gauss (1777): de wereld is NORMAAL verdeeld, maar niet heus
• Von Bortkiewicz (1868): eerste business toepassing hoeveel soldaten gaan dood door collaterall damage door een paardentrap
• Fisher (1890): orde in de chaos, tal van statistische toepassingen… zodra er (computer) rekenkracht zou zijn
Terug naar aarde: Microsoft Dynamics en Analytical CRM
SQL Analysis Services:
Complete KIT heb je al in huis als je Dynamics hebt. Je
kunt
VANDAAG
met analytical CRM te starten.
Het fundament: Customer Lifetime Value
• Gemiddelde leeftijd is geen voorspeller en leidt tot (te) hoge verwachtingen
• Longtail problematiek
• Veel aandacht voor werving, maar daarna?
• Hoe meer korting en aktie, hoe onwaarschijnlijker een lang klantenleven
• … en als ie opzegt: wat is het mij waard??
• Klantenbase gedraagt zich als Uranium verval • 50% van je base is jong en kort klant, hoge churnrate • Hier base behoud Strategie heeft meest effect op de totale CLV • Loyaliteitsbeloning dus hier concentreren • Over mediaan: veel lagere churnrate. Klant heeft z’n waarde reeds
geleverd • Kern van CLV: positie klant t.o.v. Mediaan • CLV fundament: kies voor MARGE, niet voor omzet!
Het Probleem: hoe lang blijft de klant en wat is ie waard?
De Oplossing: Median Value extention
Hier zit je gemiddelde
klant
Hier zit de Potentiele
Waarde van je Base
Mediaan
1-c LOG 0.5 = median value c = avg Churnrate
Propensity: Doet ie het of doet ie het niet?
• Welke klanten gaan morgen opzeggen?
• Welke klanten gaan reageren op mijn marketing aktie?
• Welke email-respondenten openen de mail of melden af?
• Webshops: Welke abandoned Baskets moet ik benaderen?
• Welke Cross sell aanbieding is most likely?
• Welke Customer-contact is potentieel een klacht?
• Wat zijn mijn potentiele wanbetalers?
• Combineer verschillende databronnen • Meest krachtige data: CRM gegevens en transactie data • Webdata: meer en meer essentieel als voorspeller!! • Technieken met beste resultaat:
– Decision Tree – Neural Networks – Logistic Regression
• Simultaan testen!
Het Probleem: welke relatie moet ik selecteren?
De Oplossing email subs acquisition # 10.000
Marketing Spend 5.000€
data entry 1.500€
web interface 1.000€
loyalty investments 10€ 15.000€
Total investments email acquisition 22.500€
Cost Per Emailsubs 2,25€
open rate 15%
Efective Price Per Emailsubs 15,00€
Segmentatie: wie zijn Henk en Ingrid? (en dan een beetje scherper)
• Demographics zijn beperkt beschikbaar..
• .. En zeggen eigenlijk niks over de klant
• Klant intentie zegt helemaal niets over gedrag kom ik achter..
• Ik heb tig klantgegevens: hoe maak ik daar pindakaas van?
• Hoe vertaal ik dit in tastbare Persona’s
• Hoe pas ik die Persona’s toe in marketing en sales praktijk?
• Cluster analyse maakt het mogelijk om uit letterlijk honderden variabelen een patroon van look-a-like klanten te detecteren
• Clusters worden beschreven in kenmerken die begrijpelijk zijn voor bv marketeers: DNA profielen
• Maak het vooral praktisch: ANWB case
Het Probleem: ik ken mijn klant niet
De Oplossing: Cluster technieken
Forecasting: toekomst is niet zo fuzzy
• Mijn omzet is erg grillig over de tijd: hoe kan ik hierop anticiperen??
• Ik heb niets aan de Finance Trendvoorspelling
• Ik wil met x% zeker weten wat het resultaat is in April 2013
• Aan welke knoppen moet ik draaien om maximaal mijn doelstellingen te halen
• .. En wat kost het mij dan?
• ARIMA modellen: eerst analyse van seizoenspatroon en dan onderliggende trends
• Combineer dit met je strategische klantsegmentatie, de kunst van beperking
• Combineer dit met what if scenario analyse: balans tussen werving en retentie (retentie is factor 3-4 effectiever)
Het Probleem: ik heb niks aan trends
De Oplossing: Time Series
Winkelmandjes vullen met Association Rules
• “Klanten die x kochten, kochten ook Y”. Hoe kan ik deze Amazon techniek toepassen in mijn organisatie?
• Als ik (webshop) korting akties doe, wordt het niet goedgemaakt met collateral Sales
• Wat zijn mijn Anker-producten?
• Hoe weet ik kwantitatief welke producten ik moet promoten en wat levert dit op?
• Ik wil niet investeren in dure online oplossingen..
• Bepaal eerst je Anker-producten: items die de trigger zijn om naar de (web) shop te gaan
• Neem in analyse zo gedetailleerd mogelijk transaktie data mee: Kassa-data
• ProductMarge analyse is doorslaggevend: dit bepaald in hoge mate de effectiviteit van het programma
• Desnoods: ga stickers plakken!!
Het Probleem: Discounts leiden niet tot aanvullende koop
De Oplossing: Market Basket Analysis / Association rules Een praktisch rekensommetje: welk product moet je aanbevelen??
De toekomst: nu, niet dromen! • Online data / Webmining
– Webdata is steeds meer het kloppend hart in klantrelatie
– Webreporting: BI anno 2000. Je kijkt dus alleen in de achteruitkijkspiegel
– Webdata: AFTAPPEN (inclusief customer identificatie)
– Koppel Webdata met andere gegevensbronnen
– Doe je uiterste best om klantregistratie te realiseren
– Datamining technieken SSAS: staan te trappelen voor toepassing vandaag
• Social Network Analysis
– SNA als statistische techniek is al 40 jaar oud: herken cruciale Nodes!
– Twitter, LinkedIn en FB api’s: zullen meer en meer toegankelijk worden.
– Nb: technische uitdaging: 1000 relaties met onderling max 5 directe contacten = 8 biljoen potentiele combinaties!!
• Textmining: 95% van alle data is ongestructureerd
– Huidige techniek gaat niet veel verder dan Clusteranalyse op “wordcounts”
– Model Google: feitelijk correlatieberekening tussen zoekwoorden en page-hits. Indrukwekkende rekenkracht overigens..
– Lexicon / Semantiek is van cruciaal belang: onderliggende betekenis van woorden en onderlinge associatie
Analytical CRM: CRM 20xx brandstof Hans de Boer
www.piconcepts.nl [email protected]
06-29060066 Linked In: 1hansdeboer