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 Hans.de.boer@piconcepts.nl

06-29060066 Linked In: 1hansdeboer