Se ha denunciado esta presentación.
Se está descargando tu SlideShare. ×

Predictive CRM – Erste Schritte, Hintergründe & praktische Tipps – Dr. Markus Wübben

Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio

Eche un vistazo a continuación

1 de 38 Anuncio

Predictive CRM – Erste Schritte, Hintergründe & praktische Tipps – Dr. Markus Wübben

Descargar para leer sin conexión

Fallstudien haben gezeigt, wie essentiell Predictive CRM ist, um die Customer Experience zu verbessern, Aufwände zu reduzieren und Erträge zu maximieren. Nur, wie fängt man mit Predictive CRM an? In dieser Session mit Dr. Markus Wuebben erhältst du einen ersten Einstieg in das Thema geben und wir du es in euer Organisation umsetzen & einsetzen kannst.

Fallstudien haben gezeigt, wie essentiell Predictive CRM ist, um die Customer Experience zu verbessern, Aufwände zu reduzieren und Erträge zu maximieren. Nur, wie fängt man mit Predictive CRM an? In dieser Session mit Dr. Markus Wuebben erhältst du einen ersten Einstieg in das Thema geben und wir du es in euer Organisation umsetzen & einsetzen kannst.

Anuncio
Anuncio

Más Contenido Relacionado

Presentaciones para usted (20)

Similares a Predictive CRM – Erste Schritte, Hintergründe & praktische Tipps – Dr. Markus Wübben (20)

Anuncio

Más de CrossEngage (14)

Más reciente (20)

Anuncio

Predictive CRM – Erste Schritte, Hintergründe & praktische Tipps – Dr. Markus Wübben

  1. 1. Predictive CRM Dr. Markus Wübben Co-Founder & CMO, CrossEngage Erste Schritte, Hintergründe & praktische Tipps 2022
  2. 2. Was ist „predictive CRM“? Mithilfe von predictive CRM können Unternehmen Vorhersagen über das Kundenverhalten in den Bereichen Vertrieb, Marketing und Service treffen. Die Analyse des bisherigen Kundenverhaltens dient dazu die Kundenbindung zu stärken und Möglichkeiten für Cross-Selling bzw. Up-Selling zu ermitteln, um den Customer Lifetime Value zu maximieren.
  3. 3. Was ist der Customer Lifetime Value? (CLV) „Der CLV ist der Barwert (Net Present Value) der Summe aller zukünftigen ‚Einnahmen‘ von eine:r Kund:in, abzüglich aller mit diese:r Kund:in verbundenen Kosten.“
  4. 4. Warum „predictive CRM“?
  5. 5. Quelle: https://www.bloomberg.com/news/articles/2021-06-09/amazon-advertising-rates-soar-in-pandemic-fueled-surge
  6. 6. CPCs blieben 2021 auf hohem Niveau Average Instagram CPC Average Facebook CPC Quelle https://revealbot.com/facebook-advertising-costs/cpe-cost-per-click
  7. 7. iOS 14.5 veröffentlicht (ATT) ATT lässt den CPA explodieren Cost Per Action für User mit Tracking-Opt-In +200% >
  8. 8. Daher: Ohne predictive CRM wird es schwer für viele Marken!
  9. 9. Use Cases
  10. 10. Beispiel: Spam- to- Case Herausforderung Lösung Resultate Hohe Abmeldequote, doch Management will mehr und mehr Newsletter senden. Predictive-CRM-Modell, welches die individuelle Abmeldewahrscheinlichkeit berechnet. 74 % weniger versendete E-Mails 58 %weniger Abmeldungen 0% verlorener Revenue > €1 mio.in gesicherter Umsatz (durch verhinderte Abmeldung) Frequenzoptimierung des Newsletters
  11. 11. Gefährdete Kunden Testgruppe A: normale NL-Frequenz 50 % 50 % Unsubscription Model Scoring der Kunden Auswertungsperiode Auswertungsperiode Randomisierte Aufteilung auf zwei Testgruppen Testgruppe B: reduzierte NL-Frequenz Kunden mit Score in den oberen 50 % Spam-to- Fallstudie: Das Test-Design KPI: 1. Unsubscription Rate 2. Umsatz pro Kontakt 3. Conversion Rate
  12. 12. Budnikowsky Herausforderung Lösung Resultate Frühzeitige Reaktivierung Churn-gefährdeter Kund:innen mittels Printkampagne. Vergleich Ist-Umsatz vs. Prognose von allen Kund:innen im gegebenen Monat. Kund:innen, die deutlich unter dem Prognose-Umsatz lagen, galten als gefährdet. - 40 %Printauflage + 10 %Ertrag Case Study
  13. 13. Signifikante Reduktion der Marketingmaßnahmen, damals durchschnittlich 26 im Jahr. Kohorte von 40-60 % bei denen die Anzahl der Anstöße bei gleichbleibenden Umsatz auf 10 reduziert werden konnte. Atelier Goldner Schnitt Herausforderung Resultate Case Study Lösung Identifikation der Kund:innen, bei denen der Umsatz trotz weniger Anstöße gleich bleibt.
  14. 14. Identifikation der besten Kund:innen für hochwertigen Wein. 13 % der Kund:innen, die am besten für Wein gescored wurden, sorgten für 80 % des Gesamtumsatzes in der Kategorie Wein. Magazine zum Globus Herausforderung Resultate Case Study Lösung Next-Best-Offer-Berechnung auf Basis des Kategorie-CLVs.
  15. 15. Bestimmung der Filialkund:innen, die am wahrscheinlichsten auf das Angebot reagieren und zu Multi-Channel Kund:innen konvertieren. Kontrollgruppe von 10 %. Konvertierung von Filialkund:innen in Multi-Channel Kund:innen während der Corona-Krise mittels einer Printkampagne mit Online-Coupon. + 65 % Conversion Rate + 135 % Umsatz pro Kontakt + langfristiger Effekt Modehaus Herausforderung Resultate Case Study Lösung
  16. 16. Personalisierung anhand des CLVs 15% OFF 10% OFF with 150 € 5% OFF High CLV High Conv. Prob. High Value Prob. High CLV Low Conv. Prob. High Value Prob. High CLV High Conv. Prob. Low Value Prob. Low CLV Low Conv. Prob. Low Value Prob.
  17. 17. Tipp #1 Startet mit einem Use-Case und findet ein Test-Design
  18. 18. Was ist ein „predictive Model“?
  19. 19. Was ist ein Modell? ● Ein Modell ist ein Abbild der verfügbaren Daten und der Frage, was mit diesen Daten zu beantworten ist. ● Ein Modell liefert eine Berechnungsvorlage basierenden auf vergangenen Daten, wie man mit neuen Daten (die dem Modell noch nicht bekannt sind) eine Zielfrage beantwortet.
  20. 20. ● Der Algorithmus bekommt Einflussgrößen (=Input) und Zielgrößen (=Output) als Tabelle. Was macht Machine Learning anders? Traditional Programming Machine Learning Input Rules Input Output Output Rules ● Der Algorithmus findet heraus, wie Input (=Einflussgrößen) und Output (=Zielgrößen) zusammen hängen und leitet Regeln ab.
  21. 21. Struktur der aufbereiteten Daten Bevor sie in ein Machine-Learning-Modell gegeben werden. Customer_id Variable_1 Variable_N Zielvariable Conversionmodell Zielvariable Umsatzmodell 12345 23456 34567 2 10 8 … … … … … … … … … … 13 6 37 1 0 1 58,39 0,00 110,48 Input Einflussgrößen Output Zielgröße
  22. 22. Struktur der aufbereiteten Daten Zeitliche Einordnung von Input, Output und Prediction. t0 Input Output Prediction
  23. 23. Die zwei verbreitetsten Methoden des Machine Learnings Unsupervised Machine Learning Die Zielklassen sind unbekannt. Supervised Machine Learning Die Zielklassen sind bekannt.
  24. 24. Regression Numerisches Ziel. Classification Kategoriales Ziel. Die zwei verbreitetsten Ziele des Supervised Machine Learnings
  25. 25. Unrealistische Erwartungen Siehe Artikel „Kundenzentriertes Marketing in 6 Phasen“ von Dr. Dennis Proppe, Co-Founder & CTO CrossEngage Fehlender Fokus auf Unternehmensziele Etwa Conversion, Umsatz oder Optimierung des Deckungsbeitrags Rekrutierung des Teams Mitarbeiter sind selten, schwer zu finden und teuer Know-how aufbauen Langwierig und fehleranfällig Tech-Stack aufbauen Komplex, teuer und erfordert konstante Wartung Aufbau oder Integration eines automatisierten Prozesses Oftmals manuelles Eingreifen erforderlich 1 2 3 4 5 6 „85% aller AI-Projekte scheitern“
  26. 26. Data- Science- Prozess 1. Business Understanding 2. Data Understanding 3. Data Preparation 4. Modelling 5. Evaluation Deployment
  27. 27. Typische Aufwandsverteilung bei Data-Science-Projekten Business Understanding 10% Data Understanding & Preparation 65% Modelling & Evaluation 15% Deployment 10%
  28. 28. ? ? ? ?
  29. 29. Data-Science-Prozess mit CrossEngage Business Understanding Data Understanding Data Preparation Modelling Evaluation Deployment Standardisierung > Automatisierung >
  30. 30. Aufwandsverteilung mit CrossEngage zur Skalierung von Machine Learning im CRM Business Understanding 10% Data Understanding & Preparation Modelling & Evaluation 5% Deployment 0% 10% Zeitersparnis gegenüber dem Standardprozess 75%
  31. 31. Decile Plot Conversion Model Prediction Actual Conversion Rate So sieht das bei CrossEngage aus Automated Model Curation Weight of Variables for Conversion Model
  32. 32. Tipp #2 No-Code Model Builder verwenden!
  33. 33. Optional: Verhaltensdaten (Klickdaten), Outbound-Daten, Produktdaten usw. Die Daten, um zu starten, habt ihr! Transaktionen (Rechnungs- bzw. Bestelldaten) ● Eventformat mit Datum ● Historie mind. 1-2 Jahre; mehr ist häufig besser ● Datenfelder: - Kunden-ID - Datum des ersten Kontaktes mit dem Kunden - PLZ - Alter - Geschlecht - Kunden ID - Rechnungsdatum - Positionsnummer in einer Bestellung - Artikel ID - Menge - Preis - Bestellart (Kauf, Rückgabe) - Bestellkanal - Produktgruppe - Voucher-Information - Deckungsbeitrag ● Datenfelder: Kundenstammdaten
  34. 34. Tipp #3 Mit Transaktionsdaten starten!
  35. 35. Umsetzung in den CrossEngage „Stories“
  36. 36. Tipp #4 Automate & A/B Test
  37. 37. User Behavior Engagement Product Devices Email Push Messages Social Direct Mail Website Data Channels Transactions CrossEngage Customer Data & Prediction Platform Customer Data Management Unify and manage all your first-party customer data in one place. No-Code Predictive Modelling Choose from our library of models or build your own custom models without code. Intelligent Audience Management Intuitively build relevant predictive audiences. Cross-Channel Campaign Management Visually create engaging and flexible user journeys. Data Activation Activate your customer data across all your marketing systems. Enterprise Ready All our solutions are secure & made to scale with your business growth.
  38. 38. Dr. Markus Wübben crossengage.io Danke! Dr. Markus Wübben Founder & CMO markus.wuebben@crossengage.io

×