Direktmarketing: Klasse trotz Masse im Kampagnenmanagement

Direktmarketing mit der Schrotflinte ist schon lange nicht mehr State of the Art. Einfach auf Verdacht eine große Zahl potenzieller Kunden mit Angeboten anzusprechen, ist meist zu teuer, bringt nur geringe Abschlussquoten und birgt darüber hinaus das Risiko, dass viele Kunden verärgert werden angesichts lästiger Anrufe, überfüllter Briefkästen und spamverseuchter Mailboxen.

Modernes, erfolgsorientiertes und kostenbewusstes Kampagnenmanagement versucht die Kundenansprache auf fein geschnittene Segmente auszurichten und dadurch die Kosten solcher Aktionen zu senken, ohne dass unter dem Strich weniger Kunden auf die jeweiligen Angebote eingehen. Die intelligente Auswahl der richtigen Zielgruppe ist die Basis für eine erfolgreiche Kampagne.

Gute CRM-Werkzeuge bieten für die Zielgruppenerstellung flexible Selektionstools, den Zugriff auf verschiedenste Datenquellen sowie analytische Verfahren zur Prognose des Kundenverhaltens. Doch nicht alle Werkzeuge sind den Herausforderungen gewachsen, die die riesigen Datenmengen der heutigen Geschäftswelt mit sich bringen. Kampagnenmanager sehen sich in Großunternehmen einem Datenbestand von vielen Millionen Kunden mit einer Historie von nicht selten Milliarden von zurückliegenden Transaktionen und Kontakten gegenüber. Angesichts solcher Volumina ist der Einsatz von massendatentauglichen Methoden bei der Selektion von Zielgruppen unverzichtbar geworden.

Als besondere Herausforderung darf dabei gelten, dass die Selektion einer geeigneten Zielgruppe ein kreativer und interaktiver Prozess ist. Definiert man ein Selektionsmodell bestehend aus einer Reihe von Filterkriterien, weiß man in der Regel noch nicht, welche Ergebnismenge man nach deren Anwendung auf den Grunddatenbestand erhält. Meist müssen Selektionsmodelle iterativ verfeinert werden, um am Schluss die gewünschte Anzahl und den richtigen Mix an potenziellen Kunden in der Zielgruppe zu haben. Im klassischen Kampagnenmanagement waren diese Iterationen durch die Laufzeit der verwendeten Werkzeuge stark limitiert. Nicht selten liefen und laufen einzelne Iterationen über Nacht und der komplette Selektionsprozess über Wochen, manchmal sogar Monate. In vielen Branchen können sich in einem solchen Zeitraum aufgrund hohen Konkurrenzdrucks durchaus die Grundlage der Selektion und die Zielstellung der Kampagne bereits wieder ändern. Um schnell genug auf Marktänderungen reagieren zu können, bleibt bei klassischen Selektionsansätzen oft nur der Weg der Vereinfachung und des Verzichts auf einen intelligenten, optimierten Zuschnitt der Zielgruppe.

Moderne BI-Technologie bietet in zweierlei Hinsicht Abhilfe: Einerseits kann die Verarbeitungsgeschwindigkeit durch In-Memory-Technologie und massiv parallel verarbeitende BI-Appliances in der Datenhaltungsschicht so beschleunigt werden, dass einzelne Abfragen von Stunden auf Sekunden und ganze Selektionsprozesse auf einen Zeitraum von Stunden oder wenigen Tagen verkürzt werden. Andererseits können moderne Optimierungs- und Vorhersagealgorithmen viele Iterationen im Prozess der Kundensegmentierung überflüssig machen und weitgehend automatisiert eine sehr treffgenaue Zielgruppe ermitteln.
High-Performance-Lösungen können unmittelbar mit Segmentierungstools integriert vorliegen, wie dies z.B. in der aktuellen Version 7.0 von SAP CRM der Fall ist, der sich bei der neuen High-Volume-Segmentation für die Vorhaltung der benötigten Daten auf die hauseigene TREX-Technologie stützt. Die TREX-Technologie ist auch Grundlage des SAP BW Accelerator, der bereits sehr erfolgreich Performanceprobleme im Reporting vieler großer SAP-Kunden löst. Sie bietet im Kontext der Zielgruppenselektion die Möglichkeit, große Kunden- und Transaktionsdatenbestände mit einer Vielzahl von Attributen im Arbeitsspeicher zu halten, und ermöglicht dank einer speziellen spaltenbasierten Indizierung hochperformante Zugriffe. Insbesondere beim Zählen von Datensätzen, für die bestimmte Selektionsbedingungen gelten, bietet die TREX-Technologie ungeahnte Geschwindigkeitsvorteile gegenüber den bisherigen Datenzugriffen. Die Erfahrungen erster Kundenprojekte mit SAP CRM 7.0 belegen dies.

Wer sein bestehendes Selektionstool nicht durch ein integriertes Werkzeug wie SAP CRM ablösen will, der sollte zur Performancesteigerung den Einsatz von entsprechenden Appliances in Betracht ziehen, wie sie beispielsweise von Netezza oder Exasol angeboten werden. Der Einsatz solcher Technologien in Verbindung mit verschiedenster analytischer Software hat sich in vielen Projekten bewährt, gerade auch in Branchen wie Telekommunikation, Handel und Banken, die über große Volumina verfügen. Da solche Appliances jeweils ihre Funktionen Anwendungen gegenüber durch eine SQL-Schnittstelle exponieren und Zielgruppenselektionswerkzeuge ihrerseits meist SQL zum Zugriff auf Datenbanken generieren können, ist die Integration beider Technologien normalerweise kein Problem.

Auch Werkzeuge zur intelligenten Optimierung von Zielgruppen und zur Vorhersage des Kundenverhaltens gibt es in großer Vielfalt, wahlweise integriert in Segmentierungstools oder als Ergänzungskomponenten. Predictive Analytics kann die Antwortwahrscheinlichkeit auf ein Angebot für jeden einzelnen Kunden – basierend auf dem früheren Verhalten dieses und ähnlicher Kunden – voraussagen und aus der Gesamtheit der potenziellen Kunden diejenigen ermitteln, die für ein bestimmtes Angebotskontingent die vielversprechendsten sind. Hinter Predictive Analytics verbergen sich mathematische Verfahren, die in bestehenden Daten Muster erkennen und mithilfe dieser Muster Prognosen für ähnlich gelagerte Fälle ableiten. So kann aus dem bisherigen Kauf- und Interaktionsverhalten eines Kunden mit erhöhter Sicherheit darauf geschlossen werden, ob dieser oder ein ähnlicher Kunde zeitnah weiteren Bedarf hat, für bestimmte Angebote besonders empfänglich sein sollte oder vielleicht sogar droht, zur Konkurrenz abzuwandern. In der Regel werden hierfür jeweils Scores ermittelt, die dann im Segmentierungsprozess zielgerichtet so eingesetzt werden können, dass trotz kleinerer Zielgruppen eine höhere Erfolgsquote einer Kampagne erzielt werden kann. Wo ein klassisches, breit gestreutes Mailing im Normalfall nicht über Antwortraten im Promillebereich hinauskommt, können mithilfe von Predictive Analytics auch Responsequoten von drei Prozent und mehr erreicht werden.

Der Prozess der Selektion kann durch intelligente Verfahren sogar umgekehrt werden: Anstelle der Selektion der infrage kommenden Kunden für ein bestimmtes Produkt oder eine Dienstleistung wird für den einzelnen Kunden automatisch dasjenige Angebot ausgewählt, das dem verkaufenden Unternehmen den maximalen Profit und gleichzeitig eine positive Reaktion des Kunden verspricht. Solche modernen Optimierungskonzepte (Next Best Activity, Next Best Offer) finden sich jedoch bei weitem noch nicht in allen Werkzeugen für Kampagnenmanagement und werden auch noch nicht von allen Unternehmen genutzt. Sie bieten das Potenzial, sich gegenüber dem Wettbewerb entscheidende Vorteile zu sichern.

Mit einer Checkliste können Sie Ihr Kampagnenmanagement testen. Diese Checkliste finden Sie unter „weitere Link“.

Autor: Dr. Marcus Dill

Dr. Marcus Dill berät internationale Konzerne und mittelständische Unternehmen verschiedener Branchen bei Entwurf und Umsetzung ihrer Strategien für Data Warehousing, Business Intelligence und Customer Relationship Management. In diesem Umfeld blickt er auf zwanzig Jahre Erfahrung als Softwareentwickler, Berater, Architekt und Projektleiter zurück. Als Autor publiziert Dill regelmäßig in angesehenen Journalen zu Themen aus seiner beruflichen Praxis sowie zu aktuellen Technologien und Trends in BI und CRM. Seit 2007 ist Dr. Dill Geschäftsführer beim Berater- und Analystenhaus mayato.

Internet: http://www.mayato.com