Social CRM, Customer Intelligence and Real Time Analytics von Dr. Oliver Frick (Adtelligence) vom Kongress "The Future of E-Commerce", organisiert von Adtelligence in der Popakademie Mannheim. Weitere Informationen, Präsentationen und Videos auf www.adtelligence.de/futureofecommerce

1. Social Customer Intelligence and Real Time Analytics
Dr. Oliver Frick
VP Product Development
Februar 2013
www.adtelligence.de

2. Customer Intelligence
Produkt
Customer Intelligence =
Customer Intelligence =
Kunde
Analyse (Customer Analytics):
Analyse (Customer Analytics):
welcher Kunde hat welches Produkt gekauft?
welcher Kunde hat welches Produkt gekauft?
+
+
Vorhersage der Zielgruppe:
Vorhersage der Zielgruppe:
Was sind die wahrscheinlichsten Käufer für
Was sind die wahrscheinlichsten Käufer für
definierte Produkte?
definierte Produkte?
 Direkter Beitrag zur Umsatzerhöhung
 Direkter Beitrag zur Umsatzerhöhung
04.03.13 www.adtelligence.de 2

3. Kundendaten im CRM
(Marketing Attribute)
•Email Adresse
•Adresse
•Telefonnummer
•Opt Ins
04.03.13 www.adtelligence.de 3

4. Produktdaten
•Produkt ID
•Warengruppe
•Preis
04.03.13 www.adtelligence.de 4

5. 04.03.13 www.adtelligence.de 5

6. 04.03.13 www.adtelligence.de 6

7. 04.03.13 www.adtelligence.de 7

8. 04.03.13 www.adtelligence.de 8

9. 04.03.13 www.adtelligence.de 9

10. „Klassische“ Datenbasis für Customer Intelligence
Produkt
P1 P2 P3 P4 P5 P6 P7 P8
Kunde  Überwiegend transaktionale Daten:
 Überwiegend transaktionale Daten:
Kaufhistorie, Produktdaten, Kampagnen
Kaufhistorie, Produktdaten, Kampagnen
 Kaum Personendaten
 Kaum Personendaten
 Analyse erfolgt über Produkt-Produkt-Beziehungen
 Analyse erfolgt über Produkt-Produkt-Beziehungen
Nur indirekte Kundenanalyse mit geringer
Nur indirekte Kundenanalyse mit geringer
Auflösung – unscharfe Zielgruppen
Auflösung – unscharfe Zielgruppen
Geringe Relevanz für Endkunde
Geringe Relevanz für Endkunde
04.03.13 www.adtelligence.de 10

11. 04.03.13 www.adtelligence.de 11

12. 04.03.13 www.adtelligence.de 12

13. Mehr Beispiele für Profile:
Mehr Beispiele für Profile:
IKEA friend http://www.facebook.com/lena.rothbrust
IKEA friend http://www.facebook.com/lena.rothbrust
HSE24 friend http://www.facebook.com/hildegard.winkel
HSE24 friend http://www.facebook.com/hildegard.winkel
Hipp friend http://www.facebook.com/nicole.anders.7
Hipp friend http://www.facebook.com/nicole.anders.7
dm friend http://www.facebook.com/smokiefan
dm friend http://www.facebook.com/smokiefan
04.03.13 www.adtelligence.de 13

14. Datenbasis für Social Customer Intelligence
Kunde
„Klassische“
Marketingattribute: Normaler Verkäufer
Produkte + Kampagnen
Guter Verkäufer
„Soziale“
Marketingattribute:
Der Mensch
04.03.13 www.adtelligence.de 14

15. Der Türöffner für Social Customer Intelligence:
Verbinden der Datenbasen
Produkt
P1 P2 P3 P4 P5 P6 P7 P8
Kunde
Facebook ID 778434 
CRM ID 3123.2334.34
 Standardisierter Mechanismus
 Standardisierter Mechanismus
 Von Kunden akzeptiert, wenn
 Von Kunden akzeptiert, wenn
Mehrwert ersichtlich ist
Mehrwert ersichtlich ist
04.03.13 www.adtelligence.de 15

16. Social Customer Intelligence
Produkt
P1 P2 P3 P4 P5 P6 P7 P8
Kunde
 Große Menge an Beziehungsdaten
 Große Menge an Beziehungsdaten
 Sehr hoher Detaillierungsgrad
 Sehr hoher Detaillierungsgrad
Nur automatisiert verarbeitbar
Nur automatisiert verarbeitbar
04.03.13 www.adtelligence.de 16

17. Use Case 1: Marktforschung – Zielgruppe
Zielgruppe
„Wer kauf bei mir ein?“
„Wer kauf bei mir ein?“
Alter / Geschlecht / …
Alter / Geschlecht / …
Wohnort
Wohnort
Fernsehserien / Musik / Fußballvereine
Fernsehserien / Musik / Fußballvereine
Interesse an Wettbewerbern
Interesse an Wettbewerbern
…
…
p(a)
auf Basis aller Benutzerdaten
auf Basis aller Benutzerdaten
- mit ihren Daten
- mit ihren Daten
04.03.13 www.adtelligence.de 17

18. Beispiel: SocialAnalytics+
Kundenanalyse
Kundenanalyse
 Alter
 Alter
 Geschlecht
 Geschlecht
 Land / Region / Wohnort
 Land / Region / Wohnort
 Interessen
 Interessen
…
…
auf Basis aller Benutzerdaten in Echtzeit
auf Basis aller Benutzerdaten in Echtzeit
04.03.13 www.adtelligence.de 18

19. Use Case 2: Zielgruppenanalyse auf Produktebene
Produkt
P1 P2 P3 P4 P5 P6 P7 P8
 „Welche Kundeneigenschaften
„Welche Kundeneigenschaften
(Marketingattribute) führen häufig zu einem
(Marketingattribute) führen häufig zu einem
Verkauf eines bestimmten Produkts?“
Verkauf eines bestimmten Produkts?“
auf Basis aller Benutzerdaten in Echtzeit
auf Basis aller Benutzerdaten in Echtzeit
 Automatischer Aufbau von Zielgruppen
 Automatischer Aufbau von Zielgruppen
p(a)
pro Produkt
pro Produkt
04.03.13 www.adtelligence.de 19

20. Use Case 3: Profilbasierte Cross Sell Opportunities
Produkt
P1 P2 P3 P4 P5 P6 P7 P8
„Welche weiteren Produkte kann ich
„Welche weiteren Produkte kann ich
einem Kunden empfehlen?“
einem Kunden empfehlen?“
1. Ausgangsprodukt erfassen
1. Ausgangsprodukt erfassen
2. Produkte mit ähnlichem
2. Produkte mit ähnlichem
Zielgruppen ermitteln
Zielgruppen ermitteln 
 Cross Sell auf der Basis von
 Cross Sell auf der Basis von
Zielgruppen – im Gegensatz
Zielgruppen – im Gegensatz p(a)
zu zufällig zusammenliegenden
zu zufällig zusammenliegenden
Kaufaktionen
Kaufaktionen
04.03.13 www.adtelligence.de 20

21. Use Case 4: Persönliche Produktempfehlung in Echtzeit
Produkt
P1 P2 P3 P4 P5 P6 P7 P8
„Welche Produkte kann ich einem neuen Kunden
„Welche Produkte kann ich einem neuen Kunden
empfehlen?“
empfehlen?“
 1. Profil des Kunden erfassen
1. Profil des Kunden erfassen
2. Ähnlichste Zielgruppen finden
2. Ähnlichste Zielgruppen finden
3. Produkte dieser Zielgruppen ausspielen
3. Produkte dieser Zielgruppen ausspielen
 Optimale Produktempfehlungen für Neukunden
 Optimale Produktempfehlungen für Neukunden
p(a) sofort beim ersten Besuch -
sofort beim ersten Besuch -
ohne kundenspezifische Lernkurve
ohne kundenspezifische Lernkurve
04.03.13 www.adtelligence.de 21

22. Use Case 5: Cross Channel Kampagnen in Echtzeit
Produkt
P1 P2 P3 P4 P5 P6 P7 P8
Kampagnen
Ort
 „Wie erreiche ich einen Kunden in mein Ladengeschäft?“
„Wie erreiche ich einen Kunden in mein Ladengeschäft?“
1. Profil und Ort des Kunden über App auf Handy erfasst
1. Profil und Ort des Kunden über App auf Handy erfasst
2. Filter auf Kampagnen
2. Filter auf Kampagnen
 Optimale Kampagne für Kunden an jedem relevanten Ort
 Optimale Kampagne für Kunden an jedem relevanten Ort
p(a)
04.03.13 www.adtelligence.de 22

23. Fazit
 Profile in Soziale Medien bieten hoch relevante, detallierte Marketingattribute für
eine Kundenanalyse
 Die Verbindung von transaktionalen und sozialen Marketing-Attributen öffnet die
Tür zu Customer Intelligence und Personalisierung in einer neue Qualität
 Detaillierte, granulare Daten erschließen sich erst durch hohe Automatisierung und
Tools
04.03.13 www.adtelligence.de 23

24. Social Customer Intelligence and Real Time Analytics
Dr. Oliver Frick
Februar 2013
www.adtelligence.de