Skip to main content

Customer Analytics

Virtuoser Umgang mit Kundendaten

Customer Analytics

Für Unternehmen gestaltet sich das Sammeln von Kundendaten immer leichter. Die aktuelle Herausforderung besteht allerdings darin, diese Daten sinnvoll und gewinnbringend in die vorhandenen Geschäftsprozesse zu integrieren. 

Das Verbinden von verschiedenen Datenquellen mit Big Data-Datenquellen in einer vollständig integrierten Umgebung wie Pentaho versetzt Unternehmen in die Lage, um on-demand einen 360°-Grad-Blick auf ihre Kunden zu gewinnen.

360°-Sicht bedeutet, alle Daten aus allen Quellen permanent aktuell zu halten und in einer vorher festgelegten Qualität zur Verfügung zu stellen. Für den Bereich Kundenanalytik sind dabei folgende Informationskategorien besonders interessant:

  • Kundeneigenschaften (Vorlieben, Bedürfnisse, Wünsche)
  • Kundeninteraktionen (Angebote, Click Streams, Notizen)
  • Kundenhandlungsdaten (Bestellungen, Zahlungen, Verweildauer)
  • Daten, die den Kunden beschreiben (Besonderheiten, Selbstangaben, Demographie)

Ziel des datensammelnden Unternehmens ist, "alles über jeden Kunden“ zu wissen. Der Nutzen einer solchen 360°-Kundensicht stellt sich jedoch erst ein, wenn es gelingt, das Wissen über den Kunden bei jedem Kundenkontakt in zielführende Aktionen und Maßnahmen zu münzen. Dies gelingt mit Customer Analytics.

Praktische Hinweise für die Umsetzung eines Customer Analytics Projekts

Bevor mit der Analyse begonnen werden kann, müssen die Daten aus den verschiedenen Quellsystemen extrahiert werden. Bezüglich der Konsolidierung ist vor allem zu beachten, dass die Daten mitunter in heterogenen Strukturen vorliegen können. Daher müssen strukturiere Daten aus operativen Systemen wie bspw. CRM mit unstrukturierten Daten aus Social-Media Plattformen kombiniert werden, was wiederum die Komplexität im Rahmen der Aufbereitung und der Bereinigung des Datenbestandes erhöht.

Weiterhin sollte gewährleistet sein, dass die Kundendaten stets in aktueller Form vorliegen, um somit Entscheidungen auf dem neuesten Stand treffen zu können. Hierfür kann es sogar notwendig sein, dass die Daten in Echtzeit verarbeitet werden müssen.  Neben den erhöhten Anforderungen an die Datenvielfalt sowie Schnelligkeit der Verarbeitung, stellen vor allem die hohen Datenvolumina eine Herausforderung an Datenbanken.

Um erfolgreich mit solchen Datenaufkommen umgehen zu können, muss eine effiziente Speicherung der Daten implementiert werden, die auch bei ansteigenden Datenmengen skalierbar ist. Um aus dem Datenpool Prognosen über zukünftige Entwicklungen ableiten zu können, sind Predictive Analytics Modelle notwendig, welche Muster im Datenbestand erkennen.

Letztlich müssen die Datenmengen auch im Rahmen von Analysen in geeigneter Form visualisiert werden können. Hierfür bieten sich Dashboards oder Reports an, welche Anwendern auf einem Blick Auskunft über das Kundenverhalten geben.

Konkrete Technologieempfehlungen für den Customer Analytics Use-Case

Die it-novum Lösung zur Realisierung von Customer Analytics umfasst die Kombination der Pentaho BI Suite mit Diensten des Hadoop-Ökosystems. Pentaho (PDI) fungiert dabei als zentrale Steuereinheit und Schnittstelle zu Hadoop. Dadurch wird die Interaktion mit Hadoop-Diensten wie z.B. HDFS oder Spark vereinfacht, sodass der Programmieraufwand auf ein Minimum reduziert wird.

Datenextraktion aus Quellsystemen

Im ersten Schritt müssen Daten aus den Quellsystemen extrahiert werden. Sqoop hilft dabei strukturierte Daten aus relationalen Tabellen in das Hadoop Cluster zu laden. Für Streaming Anwendungen stehen Flume, Kafka oder Spark Streaming bereit, um Daten in Echtzeit abzugreifen.

Konsolidierung der Daten

Nach der erfolgreichen Extraktion müssen die Daten konsolidiert werden. Für die Vorverarbeitung und Bereinigung greift Hadoop auf Frameworks wie Spark und MapReduce zurück, welche verteilte und skalierbare Berechnungen über das gesamte Cluster hinweg realisieren können.

Speicherung der Daten

Bezüglich der Datenspeicherung stellt Hadoop Dienste wie HDFS, HBase und Kudu zur Verfügung, welche es erlauben, Daten über mehrere Cluster-Knoten verteilt abzulegen. Im Zuge dessen existieren außerdem spezielle Datenformate wie Parquet oder Avro, die Daten effizient komprimieren können, um Speicherplatz zu sparen.

Analyse der Daten

Zur Durchführung von Analysen auf den im Hadoop Cluster abgelegten Dateien können ebenfalls die Frameworks Spark und MapReduce eingesetzt werden. Hive und Impala ermöglichen weiterhin Zugriffe über SQL-Abfragen, womit Analysen ohne Programmieraufwand durchgeführt werden können.

Prediktive Analysen

Für Predictive Analytics Anwendungen in Verbindung mit Hadoop empfiehlt sich die Cloudera Data Science Workbench, welche einerseits Anwendern einen intuitiven Zugriff auf die Cluster-Ressourcen bietet und andererseits als Entwicklungsumgebung für verschiedenste Data Science Plattformen wie u.a. Spark ML und TensorFlow dient.

Visualisierung der Daten

Zur Visualisierung der Daten kann auf die Komponenten der Pentaho BI-Suite zurückgegriffen werden. So lassen sich individuelle Reports und interaktive Dashboards realisieren, welche den Anwender bei der Auswertung der Kundendaten unterstützt.

Sie haben Fragen zu Customer Analytics?

Dann wenden Sie sich jetzt an unsere Experten!

Anfrage Senden

Nutzen und Einsatzmöglichkeiten

Dargestellt vor dem Hintergrund der drei zeitlichen Sichten auf den Kunden:

A) Auswertung und Historisierung von vergangenen Kundeninteraktionen

  • Was hat ein bestimmter Kunden gekauft und wann?
  • Erkennen von saisonalen Schwankungen z.B. beim Umsatz
  • On-Demand Visualisierung auf einen Blick

B) Zeitnahe Reaktionen auf gegenwärtige Kundeninteraktionen

  • Kollaboratives Filtern / Empfehlungssysteme
                   o    Kunden (mit ähnlichem Kaufverhalten) bestellten außerdem noch …
                   o    Zum Produkt xyz passt außerdem das Produkt …
                   o    Steigerung von Up-Selling und Cross-Selling Potenzialen
  • Personalisierte auf die Bedürfnisse des Kunden zugeschnittene Angebote
  • Verbesserung des Kundenservices
  • Stärkung der Kundenbindung
  • Priorisierung von hochwertigen Kunden
  • Kundenakquise optimieren
  • Markenwahrnehmung verbessern

C) Ableitung des zukünftigen Verhaltens des Kunden (Predictive Analytics)

  • Algorithmen-gestützte Erkennung von Mustern auf Basis der historischen Daten
  • Kundensegmentierung nach Ähnlichkeit von Kundengruppen oder anderen Kriterien (Clustering)
  • Einstufung der Churn-Wahrscheinlichkeit von Kunden (Klassifikation)
                   o    proaktive Maßnahmen um „gefährdete“ Kunden zu halten
  • Prognosen über zukünftige Umsatzentwicklungen des Kunden (Regression)
                   o    Wie hoch wird der Umsatz mit dem Kunden xyz voraussichtlich im nächsten Quartal sein?

Die 360°-Kundensicht muss neu orchestriert werden

In Anbetracht des breiten Spektrums an Quellen sowie der großen Menge an Daten muss ein neuer Zugang für die technologiegestützte „360°-Kundensicht“  gefunden werden.

Entscheidend ist ein professionelles Stammdatenmanagement für die Kundendaten. Besonders wichtig ist in diesem Zusammenhang die Nutzung der Metadaten, denn nur damit können die Kunden über die verschiedenen Kontaktkanäle eindeutig identifiziert werden. Firmen wollen schließlich wissen, ob ein Websitebesucher, Influencer, Blogger oder (Re-)Tweeter bereits als Kunde bekannt ist  und idealerweise, wie hoch seine Profitabilität ist. Um das herauszufinden, bedarf es intelligenter Algorithmen zur Customer Identity Resolution, damit alle vorhandenen Daten – strukturiert und unstrukturiert – einem Kunden zugeordnet und analysiert werden können. So entsteht der sogenannte "Golden Record": ein Datensatz, der sämtliche Informationen zu einem Kunden umfasst, und die 360°-Kundensicht auf Kundendatensatzebene darstellt.

Mit Hilfe eines solchen Kundenstammdatenmanagements in Kombination mit Customer Analytics erreicht man das gesetzte Ziel, Spuren des digitalen Kunden für das Unternehmen lesbar und auswertbar zu machen.

Expertenempfehlung

Bevor die Daten aus den unterschiedlichsten Quellen überhaupt verarbeitet werden, sollten Datenqualitätsmanagementwerkzeuge für bereinigte und aktuelle Daten sorgen. Bereits bei der Datenerfassung müssen Qualitätsmechanismen greifen, die die Konsistenz der Kundendaten über alle Datenquellen hinweg sicherstellen.

Ihre Vorteile mit einer 360°-Sicht auf den Kunden

Verbesserung des Kundenservice und Umsatzsteigerung

Verringerte Churn Rate

Senkung der Kunden-Akquisitionskosten

Vergrößerung von Cross-Selling und Up-Selling Potenzialen

Visible Darstellung, wie Kunden die Unternehmensmarke wahrnehmen

Priorisierung von hochwertigen Kunden

Unsere Leistung: Erzeugung von Mehrwerten mit einer Pentaho Customer Analytics-Lösung

  • Ein einziger Datenpool mit allen Kundendaten ermöglicht schnelle Abfragen
  • Business-Anwender finden alle Kennzahlen an einem zentralen Ort vor
  • Verbindung von bislang isolierten Daten, Vermeidung von nur punktueller Integration
  • Kombination herkömmlicher Datenquellen mit Big Data
  • Erstellung umfangreicher Analysen (Visualisierungen, Reports, Dashboards, Ad hoc-Analysen)
  • Embedded Analytics, um Informationen auch operativ direkt nutzbar zu machen
  • Entwicklung von Predictive Analytics Modellen zur Erkennung von Mustern im Datenbestand

Sie haben Fragen zu Customer Analytics?

Dann wenden Sie sich jetzt an unsere Experten!

Anfrage Senden