Der Einsatz von Business Intelligence im CRM-Umfeld (analytisches CRM)
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Der Einsatz von Business Intelligence im CRM-
Umfeld (analytisches CRM)
Mario Dini
Stefan Haltmeier
Seminar „eCRM“, Departement für Informationssysteme, Universität Fribourg, Schweiz
Eingereicht bei
Prof. Dr. A. Meier und
Darius Zumstein
25.04.2008
Abstract
In dieser Arbeit wird zuerst auf den analytischen Teil des Customer
Relationship Managements eingegangen und dann werden die dazu-
gehörenden Datenanalyseinstrumente OLAP und Data Mining er-
klärt, welche als Hauptinstrumente von Business Intelligence-
Systemen gelten.
In einem zweiten Schritt soll die Begriffsdefinition des Schlagworts
„Business Intelligence“ (BI) im Vergleich zum aCRM gemacht wer-
den.
Im zweiten Teil dieser Arbeit wird anhand eines praktischen Beispiels
ein möglicher Lösungsansatz eines BI-Systems im CRM-Umfeld auf-
gezeigt werden, welcher in Zusammenarbeit mit Marionnaud-
Parfümerien und dem IT–Beratungsunternehmen Elca Informatik AG
durchgeführt wurde.Der Einsatz von Business Intelligence im CRM-Umfeld
Inhaltsverzeichnis………...………………………………………....II
Abbildungsverzeichnis…….………………………………………III
Theoretischer Teil………………………………………..………….1
1. Einleitung....................................................................................................1
2. Analytisches Customer Relationship Management………………………2
2.1 Kundendaten………………………………………………………..2
2.1.1 Kundenkarte…………………..……………………………..3
2.2 Integration der Daten……………………………………………….4
2.2.1 Data Warehouse……………………………………………..4
2.3 Datenanalyse………….…………………………………………….5
2.3.1 OLAP – Online Analytical Processing……………………...5
2.3.2 Data Mining…………………………………………………6
3. Business Intelligence……………………………………………………...8
3.1 Definition…………………………………………………………..8
3.2 Analytisches CRM und Business Intelligence…………………..…9
3.3 Architektur eins BI-Systems……………………………………...10
3.4 Anwendungsbereich von BI Software……………………………11
Praktischer Teil……………………..……………………………...12
4. Business Intelligence in der Praxis……………………...………………12
4.1 Kundenpflege im Fokus…………………………………………..12
3.2 Der Business Intelligence Markt………………………………….13
5. „Best Practice“ – Business Intelligence im Einsatz bei Marionnaud……14
5.1 Das Unternehmen…………………………………………………14
5.2 Ansprüche des Kunden……………………………………………14
5.3 Projektabwicklung und Betrieb…………………………………...15
5.4 Erfahrungen……………………………………………………….16
6. Schlussbetrachtung………………………………………………………17
Literaturverzeichnis……………..…………….........……………..IV
IIDer Einsatz von Business Intelligence im CRM-Umfeld
Abbildungsverzeichnis
Abbildung 1: aCRM und der Customer Lifecycle………………………………2
Abbildung 2: Slice and Dice nach Produkt, Region, Zeit..……………………...6
Abbildung 3: Data Mining Anwendungen nach Lusti…………………………..7
Abbildung 4: Facetten von BI…………………………………………………...9
Abbildung 5: BI-Ordnungsrahmen……………………………………………..10
Abbildung 6: Der Business Intelligence Markt ………………….………….....13
Abbildung 7: IT-Landscape bei Marionnaud…………………………………..16
IIIDer Einsatz von Business Intelligence im CRM-Umfeld
Theoretischer Teil
1. Einleitung
Business Intelligence und Customer Relationship Management sind nicht mehr nur unter
IT-Spezialisten bekannte Ausdrücke, auch im Firmenalltag nutzen immer mehr Arbeit-
nehmer deren Vorteile und begegnen den Problemen dieser Ansätze.
Diese Arbeit hat zum Ziel, das analytische CRM und Business Intelligence zu erläutern
und anhand einer Case Study die Implementierung eines BI–Systems im Detailhandel auf-
zuzeigen. Die Case Study wurde in Zusammenarbeit mit Marionnaud-Parfümerien und
dem IT–Beratungsunternehmen Elca Informatik AG durchgeführt, und die Autoren be-
danken sich herzlich für die Kooperation.
Während den Recherchen und dem Literaturstudium hat sich gezeigt, dass vor allem im
Bereich Business Intelligence noch sehr viele verschiedene Auffassungen und Definiti-
onsansätze bestehen, währenddem das analytische CRM in der Literatur weniger kontro-
vers diskutiert wird. Um dem Schnittpunkt zwischen Business Intelligence und analyti-
schem CRM Rechnung zu tragen, haben die Autoren einen Definitionsvorschlag für Busi-
ness Intelligence im CRM erarbeitet.
1Der Einsatz von Business Intelligence im CRM-Umfeld
2. Analytisches Customer Relationship Management
Durch die systematische Aufzeichnung von Kundendaten und Kundenreaktionen und de-
ren Auswertung werden die kundenbezogenen Geschäftsprozesse optimiert. Durch die
Rückführung der ausgewerteten Daten wird das CRM zu einem lernenden System (Hipp-
ner 2006, S. 364). Dabei wird der ganze Customer Lifecycle abgedeckt.
Abbildung 1: aCRM und der Customer Lifecycle (Stahlbock/Lessmann 2003, S. 7)
In Abbildung 1 ist mit dem Customer Lifecycle eines der wichtigsten Konstrukte des
CRM abgebildet. Es wird aufgezeigt wie die Instrumente OLAP und Data Mining beim
Kundenmanagement helfen können.
2.1 Kundendaten
Die Informationen über Kunden sind die Grundlage für die weiteren Schritte im analyti-
schen CRM; deswegen ist ihrer Erhebung auch besondere Sorgfalt zu widmen. Es lassen
sich intern an den Customer Touch Points anfallende oder extern zugekaufte Kundendaten
unterscheiden (Hippner 2006, S. 365). Dazu kommen historische Kundendaten, also ver-
gangenheitsbezogene Daten über früheres Verhalten von Kunden. Da sich die Bedürfnisse
der einzelnen Unternehmungen stark unterscheiden, kann nicht allgemein definiert wer-
2Der Einsatz von Business Intelligence im CRM-Umfeld
den, was für Kundendaten gespeichert werden sollten. Grundsätzlich lassen sich nach
Hippner (2006, S. 368) aber folgende Kategorien einteilen:
• Identifikationsdaten: Adress- und Kontaktdaten.
• Deskriptionsdaten: Eigenheiten der Kunden (z.B. Daten zur Demo-, Sozio- und
Psychographie).
• Transaktionsdaten: Bisheriges Kauf- und Konsumverhalten.
• Kommunikationsdaten: Daten über die Kommunikation zwischen Kunde und Un-
ternehmen (Anfragen, Angebote, Beschwerden).
2.1.2 Kundenkarte
Für den Detailhandel besonders wichtig ist die Kundenkarte. Damit kann am Point of Sale
die Transaktion zwischen dem Kunden und dem Geschäft aufgezeichnet und die daraus
entstehenden Daten gespeichert werden. Im Detailhandel kommuniziert der Kunde selten
direkt mit einer Führungskraft des Unternehmens, es wird generell weniger kommuniziert
als in einem B2B-Verhältnis. Gerade deshalb ist die Kundenkarte für Unternehmungen
wie Marionnaud unerlässlich.
Die Kundenkarte ist nach Walter/Schmidt (Walter/Schmidt 2004, S. 39f.) für folgende
Ziele nützlich:
• Marktforschung: Die Einkäufe der Kunden können registriert und analysiert werden,
dies gibt Aufschluss über die individuellen Bedürfnisse der Kunden und ermöglicht
somit eine gezielte Befriedigung.
• Individualisierte Kundenansprache: Die Reduzierung von Streuverlusten bei Werbe-
kampagnen spielt eine grosse Rolle und ermöglicht erhebliche Einsparungen. Das rich-
tige Angebot sollte zur richtigen Zeit zum richtigen Kunden gelangen.
• Differenzierung vom Wettbewerb: In einem Markt mit vergleichbaren bzw. aus-
tauschbaren Gütern kann die Kundenkarte eine Service Leistung darstellen, die dabei
hilft, sich von der Konkurrenz zu unterscheiden.
• Cross Selling, Kundentreue, Kundenbindung.
Der Parfümerie- und Pflegeproduktmarkt ist sehr umkämpft, und die Produkte sind kom-
plett austauschbar. Oft werden in der gleichen Einkaufsstrasse von mehreren Geschäften
die gleichen Produkte angeboten. Neben anderen Faktoren bietet die Kundenkarte bzw.
die Analyse der Kundendaten eine gute Möglichkeit sich zu differenzieren.
3Der Einsatz von Business Intelligence im CRM-Umfeld
2.2 Integration der Daten
Um eine Analyse zu ermöglichen, welche nützliche Erkenntnisse über den Kunden liefert,
ist es unabdingbar, die anfallenden und gesammelten Daten aus den verschiedenen Unter-
nehmensbereichen zusammenzuführen (Hippner 2006, S. 368).
Die Integration der Kunden- und Marktforschungsdaten, welche unterschiedliche Aggre-
gationsniveaus besitzen, geschieht durch das „Data Matching“. Dabei werden die externen
mit den internen Daten abgeglichen. Vor allem die soziographischen und demographi-
schen Informationen der Marktforschungsunternehmen sind ja auch in den Kundendaten-
sätzen vorhanden. Die Ergebnisse der Marktforschung können auf die Kundenebene über-
tragen werden (Hippner 2006, S. 369).
Um die Kundendaten abteilungsübergreifend verfügbar zu machen, wird ein integriertes
CRM System benötigt. Bestehende Insellösungen werden zusammengeführt und die Da-
ten zentral gespeichert. Dies ermöglicht eine ganzheitliche Sicht auf die Kundendaten und
die Unterstützung von Kundenprozessen über die Abteilungsgrenzen von Service, Marke-
ting und Vertrieb (Hippner 2006, S. 369).
2.2.1 Data Warehouse
Um die Zusammenführung der Daten zu ermöglichen und Analyseinstrumente einsetzen
zu können, ist die Einführung von Data Warehousing empfehlenswert. Bei einem Data
Warehouse handelt es sich um eine bereichsübergreifende analytische Datenbank, in wel-
cher die operativen Daten gesammelt, strukturiert und verdichtet werden (Lusti 2002, S.
132).
Hauptziel des Data Warehouse im CRM ist die Entscheidungsunterstützung (u.a. Hippner
2006, S. 396; Lusti 2002, S. 130). Das Data Warehouse ermöglicht eine präzise und ge-
zielte Kundenanalyse und damit effizienteres Einsetzen der Marketingressourcen (Hippner
2006, S. 370).
Ein Data Mart ist eine spezialisierte Datenbank, die meistens top-down aus einem Data
Warehouse abgeleitet wurde. Der Data Mart erhält die Daten, die z.B. von einer bestimm-
ten Arbeitgruppe benötigt werden, vom zentralen Data Warehouse zur Verfügung gestellt.
Durch diese Extraktion der benötigten Daten ist es möglich, die Datenanalyse schnell und
effizient durchzuführen (Lusti 2002, S. 135ff.).
4Der Einsatz von Business Intelligence im CRM-Umfeld
2.3 Datenanalyse
Die Aufgabe der Datenanalyse ist die Beantwortung von spezifischen Fragen. Der Stand-
artfall einer Datenanalyse ist ein so genanntes Top-down-Problem. Man sucht in der Da-
tenbank nach Informationen, welche eine Hypothese stützen oder widerlegen. Die Analy-
se beschränkt sich somit auf das Suchen und Zusammenfassen von Kriterien, die in der
Fragestellung enthalten sind (Neckel/Knobloch 2005, S. 78f.). Dazu geeignet sind OLAP
Tools.
Im Fallbeispiel von Marionnaud könnte dies die Frage sein: „Wer hat Chanel Allure Sport
und ein Hautpflegeprodukt gekauft?“ Die Antwort auf diese Frage könnte die Hypothese
stützen, dass besonders viele Kunden, welche Chanel Allure Sport kaufen auch Hautpfle-
geprodukten nicht abgeneigt sind.
Bei einem Bottom-up-Problem weiss man jedoch nicht so genau, nach welchen Kriterien
man in den Daten sucht. Die Fragestellung ist ungenau, und es herrschen keine Begren-
zungen durch konkrete Annahmen, was die Suche deutlich komplexer gestaltet. Man ver-
sucht ein betriebliches Problem anhand von Regelmässigkeiten, Zusammenhängen oder
Mustern in den Datensätzen zu lösen (Neckel/Knobloch 2005, S. 81). Für Marionnaud wä-
re es beispielsweise interessant zu wissen, welche Produkte besonders oft zusammen ver-
kauft werden, um diese auch am POS so zu präsentieren. Um dies herauszufinden, eignen
sich Data Mining Methoden, welche in Kapitel 1.3.2 näher beschrieben werden.
2.3.1 OLAP – Online Analytical Processing
Nebst traditioneller Statistik und Datenbankabfragen ist auch das OLAP den Analysein-
strumenten zur Hypothesenverifikation zuzurechnen. OLAP-Werkzeuge greifen auf das
Data Warehouse zu, oder sind Bestandteil davon (Neckel/Knobloch 2005, S. 79).
Die Navigation im multidimensionalen Datenraum ist das Hauptmerkmal von OLAP. Da-
bei wird ein Hypercube erstellt, der die gefragten Daten, im Falle von drei Dimensionen in
einem Würfel darstellt. Im Fallbeispiel kann der Umsatz als Kennzahl nach den Dimensi-
onen Region, Produkt und Zeit analysiert werden (Neckel/Knobloch 2005, S. 79).
Mit OLAP Tools können schnelle und genaue Abfragen aus grossen Datenbanken ge-
macht werden. Gegenüber einer SQL-Abfrage, welche bei einer grossen Datenbank Stun-
den dauern kann, sind die Resultate bei einer OLAP-Anfrage innert Sekunden verfügbar
(Berry/Linoff 1997, S. 387ff.).
Das Problem bei OLAP ist das Erstellen des Datencubes. Diese Arbeit kann Tage oder
Wochen dauern (Berry/Linoff 1997, S. 389).
5Der Einsatz von Business Intelligence im CRM-Umfeld
Die wichtigsten Navigationsfunktionen in einem Hypercube sind Drill Down/Roll-Up,
Slice and Dice, Rotate und OLAP Join. Diese Termini beschreiben die Änderung der Ag-
gregationsstufe, das Herausschneiden von Teilen des Würfels, das Drehen zur
Abbildung 2: Slice and Dice nach Produkt, Region, Zeit. Kemper/Mehana/Unger 2006, S. 98.
Veränderung der Perspektive und das Verknüpfen der Kennzahlen durch mathematische
Operationen (Neckel/Knobloch 2005, S. 80). In Abbildung 2 wird mit „Silce“ eine der
gängigsten OLAP-Funktion gezeigt.
Mit einer solchen OLAP-Abfrage ist es beispielsweise möglich herauszufinden, ob ein be-
stimmtes Parfüm in einer Region an einem bestimmten Tag besser verkauft wurde. Eine
Warenkorbanalyse kann danach Auskunft geben, ob noch weitere Produkte diesem Muster
unterliegen. So entstehen neue Informationen und neue Möglichkeiten diese Informatio-
nen zu nutzen.
2.3.2 Data Mining
Data Mining oder Knowledge Discovery in Databases ist definiert als Entdeckung gülti-
ger, neuer, potentiell nützlicher und verständlicher Muster in Datenbeständen (Ne-
ckel/Knobloch 2005, S. 80). Auch die wortwörtliche Übersetzung aus dem Englischen
gibt Hinweis auf die Definition, „to mine“ bedeutet schürfen, eine Anspielung auf den
Bergbau.
6Der Einsatz von Business Intelligence im CRM-Umfeld
Die Data Mining-Verfahren sind also explorative, datengetriebene Analysemethoden. Die
Methoden im engeren Sinn umfassen die Regelinduktion und neuronale Netze. Unter Re-
gelinduktion versteht man die Induktion von Entscheidungsbäumen aus einer Datenge-
samtheit (Lusti 2002, S. 260ff.).
Klasse Aufgabe Anwendung Methodenbeispiel
Klassifikation Individuen bereits Bonitätsbeurteilung Regelinduktion
existierenden Klassen Neuronale Netze
zuordnen
Vorhersage Kontinuierliche Bonitätsbeurteilung Neuronale Netze
zukünftige Werte aus Kaufwahrscheinlichkeiten Regression
unabhängigen Variabeln
berechnen
Clustering Gruppen aufgrund von Werbeadressaten einteilen Neuronale Netze
Ähnlichkeiten zwischen Clusteranalyse
Individuen identifizieren
Assoziation Abhängigkeiten Marktkorbanalyse Statistische
entdecken und Zusammenhangsanalyse
quantifizieren
Text/Web Mining Textmuster suchen Information Retrieval Suchalgorithmen
Abbildung 3: Data Mining Anwendungen nach Lusti (2002, S. 262)
Für Marionnaud könnte die Frage lauten: „Was zeichnet unseren typischen Kunden aus?“
Der Entscheidungsbaum besteht aus einer hierarchisch verknüpften Menge von Regeln,
deren schrittweise Abarbeitung die Frage beantwortet (Lusti 2002, S. 266ff.).
Neuronale Netze arbeiten deutlich komplexer, jedoch auf das gleiche Ziel hinaus.
Wie in Abbildung 3 dargestellt ist die Klassifikation eine von fünf verschiedenen Anwen-
dungsklassen des Data Mining. Weiter dazu gehören Vorhersage, Clustering, Assoziation
und Text/Web Mining.
Beim Clusterverfahren werden Segmente, Gruppen oder Klassen gebildet, die möglichst
homogen sind, sich allerdings signifikant von den anderen unterscheiden. Das bekannteste
Verfahren dazu, ist der K-Means-Algorithmus. Ein sich wiederholender Prozess, bei dem
Datenobjekte durch ein Ähnlichkeitsmass zu Cluster zugeordnet werden (Glu-
chowski/Gabriel/Dittma 2008, S. 196 f.).
Eine scharfe Trennung von datengetriebenen und hypothesengetriebenen Problemen ist in
der Praxis nicht zu finden. Es gibt keine vollkommen hypothesefreien Fragestellungen,
zumal es wenig sinnvoll wäre, nach Mustern zu suchen, welche gar keinen Zusammen-
hang mit der Unternehmenstätigkeit haben (Neckel/Knobloch 2005, S. 83).
7Der Einsatz von Business Intelligence im CRM-Umfeld
Data Mining-Anwendungen können über die ganze Spanne des Customer Lifecycle be-
nützt werden (siehe auch Abbildung 1, S. 1). Es können Werbeadressaten anhand der
Ähnlichkeit mit bestehenden Kunden ausgewählt werden. Bestehende Kunden können mit
Cross/Up-Selling-Kampagnen dazu bewegt werden, mehr/andere Produkte zu kaufen.
Auch in der Customer Recovery-Phase können Data Mining-Techniken eingesetzt wer-
den. Die Churn Rate-Modelle sagen die Wahrscheinlichkeit voraus, dass ein Kunde seine
Beziehung zum Unternehmen beendet (Berry/Linoff 2000, S. 72ff.).
3. Business Intelligence
3.1 Definition
Business Intelligence (BI) als Schlagwort der Stunde ist vielschichtig definiert. Der Ur-
sprung von BI kann in den ersten Gehversuchen der IT-basierten Managementunterstüt-
zung gesehen werden. Vor über 20 Jahren wurden die Management Support Systems als
„the use of computers and related information technologies to support managers „ (Scott
Morton 1983, S. 5) definiert. Schon damals hatte Scott Morton in Zusammenarbeit mit
Rockart (1983, S. 10) eine erstaunliche Voraussage gemacht, bei der sie „executive data-
bases“ beschreiben, die der Unterstützung des Managements dienen. Diese Datenbanken
verfügen sowohl über externe, wie auch interne Daten und es können „analytic processes“
angewendet werden.
Obwohl der BI–Begriff erst Mitte der 1990er Jahre von der Gartner Group ins Spiel ge-
bracht wurde, kommt der Gedanke von Scott Morton/Rockart dem weiten BI–Verständnis
von heute doch sehr nahe.
Die Gartner Group definierte Business Intelligence wie folgt: „Data analysis, reporting,
and query tools can help business users wade through a sea of data to synthesize valuable
information from it – today these tools collectively fall into a category called Business In-
telligence“ (Anandarajan/Srinivasan/Anandarajan 2004, S. 19).
Ein Business Intelligence System wird von Negash/Gray (2003, S. 3190) folgendermassen
definiert: „BI systems combine data gathering, data storage and knowledge management
with analytical tools to present complex and competitive to planners and decision ma-
kers“.
Kemper / Mehanna / Unger (2006, S. 8) definieren Business Intelligence als integrierter,
unternehmensspezifischer, IT–basierter Gesamtansatz zur betrieblichen Entscheidungs-
unterstützung.
8Der Einsatz von Business Intelligence im CRM-Umfeld
Kemper/Mehanna/Unger (2006, S. 2ff.) differenzieren bei der Begriffsdefinition zwischen
engem, weiten und analyseorientiertem BI–Verständnis.
In Abbildung 4 sieht man, dass das analytische CRM als Anwendung und in der Daten-
auswertung aufgeführt wird.
Abbildung 4: Facetten von BI (Kemper/Mehanna/Unger 2006, S. 4)
3.2 Analytisches CRM und Business Intelligence
Um das analytische CRM und BI als Einheit zu verstehen, hilft das analyseorientierte BI–
Verständnis. Es definiert BI als sämtliche Anwendungen, bei denen der Entscheider direkt
mit dem System arbeitet und Zugriff auf die interaktive Benutzungsoberfläche hat. Dazu
gehören unter anderen OLAP und Data Mining (Kemper/Mehanna/Unger 2006, S. 4).
Eine CRM spezifische, eigene Definition von BI könnte wie folgt lauten:
Business Intelligence im CRM Umfeld ist zu verstehen als Anwendung von
Analyseinstrumenten an den integrierten Kundendaten, der individuellen
und bedarfsgerechten Aufbereitung und Darstellung der Ergebnisse sowie
der Ableitung von entscheidungsunterstützenden Informationen für das
Kundenmanagement.
9Der Einsatz von Business Intelligence im CRM-Umfeld
Die Definition des analytischen CRM und die abgeleitete Definition von BI sind sich sehr
ähnlich. Mit Blick auf das Verständnis eines BI–Systems von Negash/Gray (2003, S.
3190) decken sich die Definitionen von aCRM und BI.
Das analytische CRM ist jedoch als BI–Anwendungssystem zu verstehen, welches einen
Teil des Business Intelligence-Gesamtansatzes abbildet.
In Abbildung 5 sind die Komponenten des analytischen CRM in einer unternehmenswei-
ten BI-Architektur rot hervorgehoben.
Abbildung 5: BI Ordnungsrahmen, Kemper/Mehanna/Unger 2006, S. 10.
3.3 Architektur eines BI Systems
Das BI System benötigt Grundsätzlich dieselben Komponenten wie das analytische CRM.
Daten müssen aus interner oder externer Quelle zugeführt und zentral gespeichert werden.
Die Daten werden danach Analysiert und ausgewertet. Die Resultate benutzergerecht dar-
gestellt und in den operationellen Prozess eingebunden.
10Der Einsatz von Business Intelligence im CRM-Umfeld
Das BI–Portal ist eine anwenderfreundliche Benutzerschnittstelle, also eine Softwarelö-
sung, auf die per WWW oder Desktop zugegriffen werden kann. Dieses Portal integriert
die Analyseinstrumente und Visualisierungsmöglichkeiten wie z.B. Ad-Hoc Reports oder
Dashboards.
Unter Wissensmanagement versteht man das Sammeln und Speichern des betrieblichen
Wissens im Unternehmen, um dieses den Mitarbeitern verfügbar zu machen (Kem-
per/Mehanna/Unger 2006, S. 127f.).
Hier lässt sich ein Übergang zum operativen CRM herstellen. Es bietet sich nämlich die
Möglichkeit von „best practice“-Lösungen. Denkbar wäre eine Standardisierung z.B. bei
der „Customer Recovery“-Phase. Wird bei der Datenanalyse vermehrt das gleiche Muster
festgestellt (z.B. das Verhalten kurz vor der freiwilligen Beendigung der Kundenbezie-
hung im Rahmen einer Churn-Analyse), kann ein bewährter Prozess (z.B. Direct Mailing
mit Rabattangebot) als Standard festgelegt und bei allen Kunden mit diesem Verhalten
eingesetzt werden. Dieses Vorgehen ist in der Telekommunikationsbranche bereits üblich
(Berry/Linoff 2000, S. 318). Wünschenswert wäre ein Ausbau auf andere CRM-Bereiche,
damit die Erkenntnisse aus der Datenanalyse, sofern möglich, in betriebliches Wissen um-
gewandelt und damit im operativen CRM als „best practice“ verfügbar gemacht werden
können.
3.4 Anwendungsbereich von BI Software
Im Unternehmensalltag wird unter Business Intelligence auch die End User Software Ap-
plikation verstanden, die es dem Arbeitnehmer ermöglicht zu sehen, was die Daten in der
Datenbank aussagen. Durch Visualisierung, Reports und Charts werden die ausgewerteten
Daten ansprechend präsentiert, damit sich der User nicht mit unübersichtlichen Zahlen-
bergen herumschlagen muss.
In der Fallstudie Marionnaud in Zusammenarbeit mit ELCA und Business Objects wird in
dieser Arbeit auf die Möglichkeiten von Business Objects BI Software eingegangen.
11Der Einsatz von Business Intelligence im CRM-Umfeld
Praktischer Teil
4. Business Intelligence in der Praxis
4. 1 Kundenpflege im Fokus
Der ständig härtere Wettbewerb in fast allen Branchen und die sich laufend ändernden
Kundenerwartungen zwingen Unternehmen dazu, sich verstärkt mit dem Kundenmana-
gement auseinanderzusetzen. Demnach ist es kein Wunder, dass sich nicht nur Grossun-
ternehmen, sondern auch KMU-Betriebe mit strategischen CRM-Lösungen beschäftigen.
(Meister 2007, S.58)
Im Kapitel 4 wird auf eine „Success Story“ eines mittelständigen Unternehmens einge-
gangen.
Dass die Kundenpflege von vielen Unternehmen hoch priorisiert wird, zeigt einer im Mai
2006 von Business Week Research Services publizierter Bericht („Seizing the BI Oppor-
tunity“). Im Rahmen dieser Studie wurden über 350 Führungskräfte amerikanischer Un-
ternehmen u.a. nach ihren persönlichen Zielen befragt. Die Antworten zeigen, dass die
Optimierung des Kundendienstes wie auch die Stabilisierung der Kundenbeziehungen von
zentraler Wichtigkeit sind. ( Business Week Research Service 2006, S. 5f.)
Um diesen Anforderungen gerecht zu werden, genügt es nicht, sich auf eine technische
Lösung zu beschränken. Vielmehr muss das CRM als strategisches Prinzip der Unterneh-
mensführung betrachtet werden, damit sich das Unternehmen optimal an sich ändernde
Kundenbedürfnisse und –gewohnheiten anpassen kann.
Daher ist neben dem operativen CRM eine analytische Komponente (aCRM) zur Auswer-
tung der Kauf- und Kundendaten unabdingbar und somit integrierter Bestandteil eines
strategischen CRM-Systems. (Meister 2007, S.58)
Von den befragten 350 Führungskräften sagten mehr als 50% aus, dass sie bereits Busi-
ness Intelligence-Systeme in ihrem Unternehmen einsetzen, u.a. im Bereich des Kunden-
dienstes wie auch als Supportinstrument für das Marketing und den Verkauf.
Die wachsende Nachfrage, die Globalisierung, der Outsourcing-Trend und die zunehmen-
de Komplexität der Produkte und Services zwingen die Unternehmen dazu, BI & analyti-
sche Instrumente im Unternehmen einzusetzen. (Business Week Research Service 2006,
S. 3)
Vor dem Hintergrund dieser vier Trends steht jedes Unternehmen zudem in einer erwei-
terten Wertschöpfungskette mit seinen Kunden, Partnern, und anderen Stakeholdern. Dies
12Der Einsatz von Business Intelligence im CRM-Umfeld
führt dazu, dass das Kundenbeziehungsmanagement über die Unternehmensgrenzen hin-
weg noch komplexer wird.
4.2 Business Intelligence-Markt
Das steigende Interesse nach BI-Lösungen hat in den letzten zwei Jahren eine regelrechte
Konsolidierungswelle im BI-Sektor ausgelöst.
Die drei grössten BI Software-Hersteller Hyperion, Business Objects und Cognos wurden
oder sind im Moment daran, von drei der weltweit grössten Software-Unternehmen Orac-
le, SAP und IBM akquiriert zu werden.
• IBM
Abbildung 6: Der Business Intelligence Markt (Quelle: http://www.elca.ch/live/3/resources/389.pdf)
Abbildung 6 zeigt die momentane Situation im BI-Markt, welcher stark von den grossen
Software-Häusern dominiert wird.
IBM beispielsweise hat für die Übernahme des drittgrössten BI-Anbieters Cognos satte
fünf Milliarden US$ gezahlt. Bis heute besitzt jedoch kein Anbieter mehr als 20% Markt-
anteil im BI-Markt.
13Der Einsatz von Business Intelligence im CRM-Umfeld
Jedoch gibt es auch zahlreiche kleine Anbieter, welche sich im hart umkämpften Markt
beweisen können. (Ferguson 2008, S. 24)
5. „Best Practice“ – Business Intelligence im Einsatz bei Marionnaud
5.1 Das Unternehmen
Seit 2002 ist Marionnaud (marionnaud.ch) in der Schweiz präsent und durch die Über-
nahmen von Alrodo und der Parfümerie Principale auch kontinuierlich gewachsen. Mari-
onnaud Schweiz gehört zur Marionnaud- Gruppe,
welche 1984 in Frankreich gegründet wurde.
Marionnaud ist die grösste Einzelhandelskette im
selektiven europäischen Parfummarkt. Mit ihren 110 Geschäften in der ganzen Schweiz
und einem Marktanteil von 20% hat sich Marionnaud in den letzten Jahren als Marktfüh-
rer etabliert. Zur erklärten Philosophie von Marionnaud gehört neben einem exzellenten
Preis/Leistungsverhältnis auch die persönliche und kompetente Betreuung der Kundschaft.
Dazu kommt ein Vollsortiment, welches um die 10'000 Artikel umfasst; darunter natürlich
prestigeträchtige Markenartikel wie Estée Lauder, Sisley, La Prairie, Lancôme, Guerlain,
Shiseido oder Chanel. Neben den zahlreichen Produkten bietet Marionnaud auch be-
stimmte Services an, wie z.B. Skin Care, professionelles Make-up oder einen Beauty Ser-
vice.
Einen besonderen Service bietet die Marionnaud-Treuekarte, die in sämtlichen Geschäften
im In- und Ausland gültig ist und von ca. 75% der Kundschaft benutzt wird. Mit dieser
Karte lassen sich bei jedem Einkauf Treuepunkte sammeln, welche dann im Marionnaud-
Sortiment eingelöst werden können.
Verkaufskanäle sind neben den genannten 110 Filialen auch die Katalogbestellung und
Bestellung über das Internet. (Business Objects 2007)
5.2 Ansprüche des Kunden
Das den stetige Wachstum und der dadurch entstehende Mangel an aussagekräftigen In-
formationen auf fast allen operationellen Ebenen führte dazu, dass man sich bei Marion-
naud für eine Business Intelligence-Umgebung entschied, welche in die bestehende IT
Landscape integriert werden konnte.
14Der Einsatz von Business Intelligence im CRM-Umfeld
Bis anhin wurden Analysen von Verkaufszahlen oder Daten zur Überwachung des Lager-
bestandes manuell aus verschiedenen Datenquellen (ERP-System, CRM-System und
AS400) gewonnen. Zudem wurden diese Reports in Excel gehalten, welches es zusätzlich
erschwerte, die Reports up-to-date zu halten.
Damit waren die nötigen Informationen zum Geschäftsverlauf oft zu spät und in unzurei-
chender Detailtiefe verfügbar.
Weiter bestand zudem der Wunsch nach detaillierten analytischen Auswertungen, zum
Beispiel auf Filialebene über Kaufverhalten von Kundengruppen, Abverkäufen von Pro-
dukten sowie über Lagerbestände.
Der Zugriff bzw. die Zugriffsrechte auf die Daten, Analysen und Berichte sollten zudem
einfach über Endbenutzertools mit vielfältigem Funktionsumfang erfolgen. (ELCA 2008,
S.1&2)
5.3 Projektabwicklung und Betrieb
Für die Projektabwicklung wurde dem IT-Beratungsunternehmen ELCA Informatik AG
ein enger Zeitplan von zehn Wochen gesetzt. Weitere
Anforderungen an die ELCA AG waren, dass das
existierende IT-System nach der Aufschaltung der
neuen BI-Lösung im gleichen Rahmen weiter laufen konnte. Diese Anforderungen und
der Wunsch nach akzeptablen Lizenzkosten für die BI-Lösung von Business Objects, ak-
zeptablen Implementierungs- und Wartungskosten setzten dem Projekt einen ehrgeizigen
Rahmen.
Die gewählte Architektur erlaubt die Integration der Daten aus den drei verschiedenen
Quellen; AS400, ERP Navision und aus dem sich extern befindenden CRM-System in
Bordeaux. In Abbildung 2 ist die gewählte BI-Lösung dargestellt. Die Daten aus den drei
Systemen werden gesammelt und fliessen in homogener Form in das Data Warehouse,
(Microsoft SQL 2005) wo sie dann für die analytischen Anwendungen (Standard Reports,
Ad-hoc Analysen) zur Verfügung stehen. Für die Datenanalyse wird Business Objects XI
R2 eingesetzt und für die Standard Reports und Ad-hoc Analysen wird ein OLAP Analy-
seinstrument verwendet. Ein eigenständiges Data Mining Tool kommt im Moment noch
nicht zum Einsatz.
Wie bereits erwähnt, erfolgen 75% der Verkäufe mit der Marionnaud-Kundenkarte an i-
dentifizierte Personen. Dadurch können nun Marketing und CRM-Kampagnen mit der
15Der Einsatz von Business Intelligence im CRM-Umfeld
neuen Lösung von ELCA gezielter und massgeschneiderter auf die Kunden ausgerichtet
werden. Durch die besseren Analysemöglichkeiten kann ständig neues Wissen über Kun-
denpräferenzen und -verhalten gewonnen werden Zudem ist durch die zentrale Speiche-
rung der Kundendaten in der Schweiz die Qualität der Informationen gewährleistet.
Neben zugeschnittenen Kundenanalysen lassen sich nun auch zahlreiche Reports auf
Abbildung 7: IT-Landscape bei Marionnaud (Quelle: BO_Marionnaud_EN)
Filialebene wie auch auf Unternehmensebene über Verkaufszahlen, Verkaufsfrequenzen,
Jahresvergleiche, Lagerbestände etc. erstellen, welche man fürs Management zur Ent-
scheidungsunterstützung verwenden kann. (Business Objects 2007)
5.3 Erfahrungen
Dank der neuen BI-Plattform kann jetzt auf einem geschlossenen Geschäftsprozess aufge-
baut werden, vom Einkauf, Marketing, beim Lagermanagement, von der Planung, Ausfüh-
rung, Kontrolle bis hin zu Optimierung. In einem zweiten Schritt werden weitere Kompo-
16Der Einsatz von Business Intelligence im CRM-Umfeld
nenten, zum Beispiel Informationen aus der Finanzbuchhaltung, integriert, um das Ge-
samtsystem noch aussagekräftiger zu machen.
Durch die zwei iterativen Projektphasen und das Fokussieren auf die wichtigen Informati-
onen konnte die Komplexität des Projekts reduziert und das Projekt erfolgreich umgesetzt
werden. Wie von Anfang an geplant, wird diese in der Schweiz entwickelte Lösung nun
auch in anderen Ländern, in denen Marionnaud-Filialen bestehen, ausgerollt. (ELCA
2008, S.1f.)
6. Schlussbetrachtung
Durch den immer grösser werdenden Informationsfluss ist es für das Unternehmen von
strategischer Bedeutung zur richtigen Zeit am richtigen Ort die benötigten Informationen
zur Verfügung zu haben. Die Führungskräfte sind dadurch in der Lage ihre Entscheidun-
gen auf eine solide Datenbasis zu stützen. Die zentrale Speicherung und Auswertung der
anfallenden Informationen, erlauben es dem Unternehmen, dass die gesammelten Daten
nicht ungenutzt und damit wertlos bleiben, sonder zur Optimierung beitragen.
Wie man in der Case Study „Marionnaud“ gesehen hat, ist es auch für KMU enorm wich-
tig sich mit dieser Problematik auseinander zu setzen.
Das analytische CRM ist nur eine Möglichkeit mit Business Intelligence Software die Un-
ternehmensperformance zu steigern. Es sollte angestrebt werden, die einzelnen BI An-
wendungen zu integrieren, um damit eine umfassende elektronische Business Intelligence
Landschaft zu kreieren.
„Wir ertrinken in Informationen, aber uns dürstet nach Wissen.“
John Naisbitt
17Der Einsatz von Business Intelligence im CRM-Umfeld
Literaturverzeichnis
ANANDARAJAN, M./MURUGAN, S/CADAMBI C./ ANANDARAJAN, A. (2004): Busi-
ness Intelligence Techniques – a Perspective from Accounting and Finance, Berlin.
BERRY M./LINOFF G. (1997): Data Mining Techniques – For Marketing, Sales and Custo-
mer Support, New York.
BERRY M./LINOFF G. (2000): Mastering Data Mining – The Art and Science of Customer
Relationship Management, New York.
BUSINESS WEEK RESEARCH SERVICE (2006): Seizing the BI Opportunity, S.1-16,
http://www.sapintelalliance.com/pdf/BizWeek_white_paper.pdf
BUSINESS OBJECTS (2007): Business Objects at Marionnaud, S.2-18
http://www.ch.businessobjects.com/download/events/archive/2007/BO_Marionnaud_EN.pdf
ELCA AG (2008): Marionnaud – Beliebter Duft oder Ladenhüter?, S. 1&2
http://www.elca.ch/live/3/resources/marionnaud_d.pdf
FERGUSON R. B. (2008): CEO sees wider audience for BI, eWEEK, S.24
GLUCHOWSKI P/GABRIEL R/DITTMAR C (2008): Management Support Systeme und
Business Intelligence, 2. Auflage, Berlin/Heidelberg.
HIPPNER, H (2006): Komponenten und Potenziale eines analytischen Customer Relationship
Management, in: Chamoni, Peter; Gluchowski, Peter (Hrsg.): Analytische Informationssyste-
me, 3. Auflage, Berlin/Heidelberg.
KEMPER H. G./MEHANNA W./UNGER C. (2006): Business Intelligence – Grundlagen und
praktische Anwendungenm 2. Auflage, Wiesbaden.
LUSTI M. (2002): Data Warehousing und Data Mining, 2. Auflage, Berlin/Heidelberg.
IVDer Einsatz von Business Intelligence im CRM-Umfeld
MARIONNAUD (2007): Business Objects at Marionnaud, S. 1-18
http://www.ch.businessobjects.com/download/events/archive/2007/BO_Marionnaud_EN.pdf
MEISTER P. (2007): Kundenpflege im Fokus, Netzguide Business Communication S.58-59.
NECKEL P./ KNOBLAUCH P. (2005): Customer Relationship Analytics – Praktische An-
wendung des Data Mining im CRM, Heidelberg.
NEGASH S./GRAY P. (2003): Business Intelligence, Ninth Americas Conference on Infor-
mation Systems, S. 3190-3199.
STAHLBOCK, R./LESSMANN S.(2003): Potential von Support Vektor Maschinen im analy-
tischen Customer Relationship Management, Working Paper, Institute of Information Sys-
tems, University of Hamburg.
SCOTT M. M. (1983): The state of the art of research in management support systems, Vor-
trag, Colloqium on information systems, MIT.
SCOTT M. M./ROCKART M. J. (1983): Implications of changes in information technology
for corporate strategy, in: Interfaces 14: Jan-Feb, 1984 (S. 84-95), MIT.
WALTER S./SCHMIDT M. (2004): Kundenkarte und CRM im Handel, in: Uebel, Matthias;
Helmke, Stefan; Dangelmaier, Wilhelm (Hrsg.): Praxis des Customer Relationship Manage-
ment – Branchenlösungen und Erfahrungsberichte, 2. Auflage, Wiesbaden.
VSie können auch lesen
