- IT&Production - https://www.it-production.com -

Vertriebssteuerung mit Kennzahlen

Customer Data Warehouse

Vertriebssteuerung mit Kennzahlen

Durch den Wandel zu Käufermärkten bekommen die Pflege und der Ausbau der Beziehung zu den Kunden eine entscheidende Bedeutung für Unternehmen. Die Abteilungen des Frontoffice benötigen einen ganzheitlichen Blick auf den Kunden, um alle notwendigen Informationen für eine optimale Ansprache griffbereit zu haben. Dabei ist eine homogene Datenbasis wichtig, die Daten aus unterschiedlichen Systemen integriert.

Beispiele für den Einsatz von Busniness Intelligence-Funktionen im Kundenbeziehungsmanagement: Auf Basis der Kennzahlen aus verschiedenen IT-Systemen lassen sich Reports zu den umsatzstärksten Produkten genauso erzeugen wie Auswertungen zur Effizienz von Kampagnen in unterschiedlichen Medienformaten oder zu verschiedenen Anlässen.

Bild: IT-Novum

Die richtige Information zur richtigen Zeit am richtigen Ort zu bekommen, ist für eine effektive Unternehmenssteuerung von essenzieller Bedeutung. Entscheider sind tagtäglich mit einer Flut an Informationen aus den unterschiedlichsten Quellen konfrontiert, auf deren Basis sie die richtigen Stellhebel betätigen sollen. Um die relevanten Informationen zu verdichten und für eine Entscheidungsfindung aufzubereiten, kommen in der Regel Kennzahlen zum Einsatz. Eine einzelne Kennzahl besitzt aber nur beschränkte Aussagekraft, so dass der Aufbau eines verknüpften Kennzahlensystems Vorteile verspricht. Weit verbreitet sind Kennzahlen, die sich mit finanziellen Fragestellungen befassen.

Spätestens seit viele Unternehmen sich mit Themen wie Balanced Scorecard-Systemen befassen, rücken auch Kennzahlen mit nicht-finanziellem Charakter in den Fokus: Die geschäftliche Tätigkeit soll aus unterschiedlichen Perspektiven beurteilt werden können. Die dazu notwendigen Basisinformationen liegen in der Regel in einer heterogenen IT-Landschaft verteilt. Eine zentrale Herausforderung ist deshalb die Integration und Aggregation der Informationen aus den unterschiedlichen Quellen in eine homogene Datenbasis. Dazu werden die steuerungsrelevanten Informationen in einem so genannten Data Warehouse vorgehalten.

Das Data Warehouse vereinheitlicht Daten aus den verschiedenen Quellen, beseitigt Inkonsistenzen und bietet somit einen globalen Blick auf die Unternehmensdaten. Diese Datenschicht ist themenorientiert aufgebaut und dadurch auf die Informationsbedürfnisse der Anwender ausgerichtet. Durch die Vorhaltung von historischen Daten können Zeitreihenanalysen genutzt werden, um die Kennzahlen im Zeitverlauf zu betrachten. Ein Data Warehouse ist also ein Datenhaltungskonzept, um die funktionalen Anforderungen zur Unterstützung moderner Controllingmethoden zu unterstützen.

Daten-Integration für das Customer Relationship Management

Um steuerungsrelevante Informationen über das Unternehmen im Blick zu haben, ist es notwendig, die Datenquellen über Lieferanten, Ressourcen, Prozesse, Produkte und Kunden je nach Aufgabenstellung zusammenzuführen und zu verknüpfen. Im Mittelpunkt von Analysen und Auswertungen für das Customer Relationship Management (CRM) steht, ein umfassendes Verständnis für den Kunden zu erarbeiten und die Beziehung langfristig zu entwickeln. Dabei soll in der Regel sowohl die Neukundengewinnung als auch Bestandskundenpflege optimiert werden.

Operativ wird CRM vor allem in Unternehmensbereichen mit direktem Kundenkontakt genutzt, wie Vertrieb, Marketing oder Service. Hier werden Informationen genutzt, um die Kundenansprache zu verbessern und bei Kundenkontakten weitere Daten zu erfassen. Im Rahmen des kommunikativen CRM liegt der Schwerpunkt auf der Bereitstellung der unterschiedlichen Kommunikationskanäle zum Kunden, also vom Call-Center über Messaging bis hin zur ‚Face-to-Face‘-Kommunikation. Im kollaborativen CRM wird der Ansatz um weitere Unternehmensbereiche und gegebenenfalls externe Partner und Lieferanten erweitert.

Um diese Aufgaben umsetzen und unterstützen zu können, sind unterschiedliche IT-Systeme im Einsatz. In den operativen Bereichen, dem so genannten Frontoffice, kommt in der Regel spezielle CRM-Software zum Einsatz. Sie stellt den Mitarbeitern Informationen über die Kunden bereit und bietet Eingabemöglichkeiten für neue Daten. Im Backoffice werden die Geschäftsprozesse in der Regel im Enterprise Resource Planning-System (ERP) umgesetzt.

Customer Data Warehouse für aussagekräftige Analysen

Die Zwischensicht zwischen diesen beiden Welten wird als analytisches CRM bezeichnet. Dazu müssen Daten aus den unterschiedlichen Systemen von Front- und Backoffice zusammengeführt werden, um ein ganzheitliches Bild des Kunden entwerfen zu können. Dieses ‚Customer Data Warehouse‘ stellt eine einheitliche Datenbasis dar, die Informationen aus internen und externen Quellen vereinigt. So kann etwa die Kennzahl ‚Umsatz‘ in einem neuen Licht erscheinen, wenn sichtbar wird, dass überdurchschnittliche vertriebliche Aktivitäten notwendig waren, um einen Umsatz zu erzielen.

Ein derart aufbereitetes Data Warehouse ist die Grundlage für die Analyse unterschiedlichster Fragestellungen, die von einfachen Reports etwa zu umsatzstärksten Kunden nach Regionen über ABC- und Verkaufserfolgsanalysen hin zu komplexen Marktanalysen reichen. Typische Anwendungsfelder sind die Response-Optimierung von Kampagnen, das Aufdecken von Cross-Selling-Potentialen und die Vorhersage oder Prävention von Kundenstorni. Die auf dieser Basis gewonnenen Erkenntnisse können in Form von Berichten und Analysen wieder dem Backoffice bereitgestellt werden. Da sich dieser Informationsfluss schleifenartig wiederholt, wird von auch von einem ‚Closed-Loop‘-System gesprochen.

Business Intelligence auf Basis von Olap-Technologie

Das beschriebene Data Warehouse Konzept ist ein Bestandteil des Business Intelligence-Ansatzes (BI). BI bezeichnet Verfahren und Prozesse zur systematischen Sammlung, Auswertung und Darstellung von Daten zur Verbesserung der Entscheidungsfindung im Unternehmen. Der Integration von Daten kommt bei diesen Analysen eine entscheidende Bedeutung zu. Zur regelmäßigen Beladung des Data Warehouse werden so gennannte Extraktions-, Transformations- und Ladeprozesse (ETL) definiert, welche Rohdaten aus den operativen System tagesaktuell in das Data Warehouse laden.

Online Analytical Processing-Technologie (Olap) ermöglicht den Anwendern dabei, die Daten für CRM-Analysen aus unterschiedlichen Perspektiven zu betrachten. OLAP ist ein Top-Down-Verfahren, das durch den Anwender gesteuert wird. Dazu werden die Daten speziell aufbereitet. Man stelle sich einen Daten-Würfel vor, dessen Kanten so genannte Dimensionen bilden. Im Fall von CRM könnte der Würfel aus einer Kunden-, einer Produkt-, einer Regionen-, einer Vertriebskanal- und einer Zeitdimension bestehen. Die Kennzahlen, innerhalb des Würfels auch ‚Fakten‘ genannt, liegen auf den Verbindungspunkten zwischen den Dimensionen. So kann der Anwender zuvor definierte Kennzahlen entlang der Dimensionen auf unterschiedlichen Aggregationsniveaus betrachten. So könnte er zunächst den Umsatz nach Regionen betrachten und dann in einem Folgeschritt die Vertriebskanäle hinzuziehen.

Weiterhin könnte er evaluieren, welche Produkte innerhalb einer Region über welchen Kanal besonders gut verkauft werden. Diese Erkenntnisse können wiederum für die Ausgestaltung von Marketing- und Vertriebsaktivitäten genutzt werden. Im Gegensatz dazu ist das Data Mining ein Bottom Up-Analyseverfahren, das datengetrieben ist. Data Mining nutzt mathematisch-statistische Verfahren, um große Datenbestände nach bislang unbekannten Mustern zu durchsuchen. Auf diese Weise lassen sich die Kunden etwa in Cluster mit einem bestimmten Kaufverhalten einteilen oder Scoring-Methoden zur Bewertung von Risiken umsetzen.

Nach Selektion der Daten und der Abbildung in einem statistischen Modell kann man auf diese Weise sowohl vergangenheits-, als auch zukunftsorientierte Aussagen über das Kundenverhalten treffen. So lassen sich beispielsweise Kampagnen zielgerichtet auf Kundengruppen auszurichten. Durch die Anreicherung der Daten mit Informationen aus den unterschiedlichen Systemen des Unternehmens und durch flexible Analysemethoden wie OLAP oder Data Mining kann Business Intelligence im Vergleich zu den häufig starren Standardberichte der operativen System einen deutlichen Mehrwert bieten.

Open Source-Software verspricht flexiblen Lösungseinsatz

Sowohl für Customer Relationship Management als auch für Business Intelligence gibt es inzwischen einen umfassenden Softwaremarkt. Die großen Entwicklercommunities hinter führenden Open Source-Softwareprodukten treiben ihre Weiterentwicklung kontinuierlich voran. Durch die Offenheit des Quellcodes lässt sich die Software an individuelle Anforderungen anpassen, so dass beispielsweise Schnittstellen zu anderen Systemen entwickelt werden können. Erfolgreiche Open Source-Projekte im Bereich BI und CRM verfolgen in der Regel einen so genannten Commercial Open Source Ansatz. Diese Anbieter offerieren dabei eine kostenfreie Community-Version und eine Enterprise-Version, die gegen Zahlung einer jährlichen Gebühr professionellen Support, Wartung und erweiterte Funktionalität bietet. Nichtsdestotrotz bietet dieser Ansatz Kostenvorteile gegenüber den klassischen Lizenzmodellen etablierter Anbieter. Zur Umsetzung eines analytischen CRM ist der Blick in die Open Source-Welt also auf jeden Fall lohnend.

Software-Einführung im Unternehmen begleiten

CRM im Allgemeinen und analytisches CRM auf einer integrierten Datenbasis im speziellen sind sicherlich nicht nur ein Thema für Großunternehmen. Auch mittelständische Unternehmen mit entsprechendem Kundenstamm und Marketingaktivitäten sollten die Mühe nicht scheuen. Bei der Einführung einer CRM-Lösung sollte auf jeden Fall eine intensive Analysephase mit Fachabteilung und IT-Dienstleister vorangehen. Es gilt, die relevanten Kennzahlen, Auswertungen und Berichte zu spezifizieren und deren Datenherkunft zu bestimmen. Auf Basis dieser Erkenntnisse kann ein entsprechendes Soll-Konzept erstellt werden, das die Basis für die spätere technische Implementierung ist. Ebenfalls nicht zu unterschätzen ist eine gemeinsame technische und fachliche Testphase, bevor die Lösung produktiv gehen kann. So bietet sich die Möglichkeit, das Vorhaben in abgegrenzte Phasen aufzuteilen und Schritt für Schritt umzusetzen.