Kunden-netzwerke: Soziale Bindungen Im Kundenbestand

Transcript

Kunden-Netzwerke: Soziale Bindungen im Kundenbestand nutzen Einführung Im Privatkundengeschäft werden Kunden zumeist als Individuen betrachtet. Der einzelne Kunde wird isoliert gesehen, während seine Interaktionen und Kommunikation mit anderen Kunden weder im Marketing noch in der Kundenbetreuung oder im Risikomanagement berücksichtigt werden. In den Kundenbeständen größerer B2C-Unternehmen sind jedoch Netzwerke vorhanden. Kunden kennen sich, sind verwandt oder befreundet und kommunizieren miteinander. Sie sprechen auch über die Erfahrungen, die sie als Kunden mit dem Unternehmen machen, über Werbung, die sie erhalten, über neue Produkte und Angebote. Diese Netzwerke gilt es zu identifizieren und zu nutzen und bei jeder Form der Kundenkommunikation zu berücksichtigen. Die identifizierten Strukturen können beispielsweise genutzt werden, um das Potential einzelner Kunden als Multiplikatoren für das Marketing zu nutzen. Multiplikatoren sind Personen, die aufgrund ihres großen Netzwerks oder ihres Einflusses auf Bekannte und Freunde geeignet sind, Informationen und Angebote zu verbreiten. Weitere Anwendungen von Netzwerken ergeben sich im Risikomanagement – Microcredits sind ein Beispiel dafür, wie Netzwerke zur Risikoreduzierung genutzt werden – sowie bei der Kundenwertsteuerung. Es gibt viele Möglichkeiten, Verbindungen zwischen Kunden festzustellen. Im Privatkundenbestand einer Bank etwa kann man Netzwerke identifizieren, indem man Gemeinschaftskonten, Bevollmächtigungen und Freistellungsauftragspartner betrachtet. Bei Telekommunikationsunternehmen können Telefon- und SMSVerbindungsdaten genutzt werden. Über Namens- und Adressanalysen werden Familienverbünde und Hausgemeinschaften identifiziert. Kundenempfehlungsprogramme liefern gute Hinweise auf persönliche Bekanntschaften. In diesem White Paper wird beschrieben, wie Netzwerke identifiziert und für das Unternehmen genutzt werden können. Es wird untersucht, welche Arten von Beziehungen zwischen Kunden es geben kann und aus welchen Datenquellen diese ermittelt werden können. Dabei wird primär von den Möglichkeiten in der Bankenbranche ausgegangen; die dabei gewonnenen Einsichten sind jedoch sehr gut auf andere Branchen übertragbar. 1 Anwendung und Nutzen von Netzwerken 1.1 Kunden als Multiplikatoren Die Kenntnis von Netzwerken innerhalb des Privatkundenbestandes kann vor allem im Marketing, aber auch in anderen Bereichen des Unternehmens genutzt werden. Manche Kunden sind sehr wichtig für das Unternehmen, und zwar nicht (nur), weil sie besonders viel zum Umsatz beitragen, sondern wegen ihrer sozialen Kontakte zu anderen Kunden. Im seinem Buch „The Tipping Point“ unterscheidet Malcolm Gladwell1 drei Typen von Netzwerkteilnehmern, die besonders wichtig bei der Verbreitung von Nachrichten sind: › › 1 „Konnektoren“, die sehr viele Verbindungen zu anderen Individuen haben; „Experten“, die das Netzwerk mit neuen Informationen versorgen; und Malcolm Gladwell: The Tipping Point: How Little Things Can Make A Big Difference (2001), ISBN-13: 978-0316679077 1 › „Verkäufer“, die andere von einer Sache überzeugen können. Speziell Konnektoren und Verkäufer fungieren dann als Multiplikatoren, um die gewünschte Botschaft weiter im Kundenbestand zu kommunizieren. Hat man diese Schlüsselfiguren in seinem Netzwerk identifiziert, so ist man in der Lage, mit relativ wenig Aufwand einen großen Teil seiner Kunden zu erreichen. Ein wichtiger Aspekt dabei ist, dass durch diese Form der Kommunikation die Information u.U. glaubwürdiger vermittelt wird als dies durch Massenkommunikation des Unternehmens jemals möglich wäre. Einem guten Bekannten oder Freund glaubt man im Normalfall eher als einem selbst bei noch so persönlich gestalteter Werbung anonym bleibenden Unternehmen. Informationen, die durch das Netzwerk weitergegeben werden, bleiben dem Informationsempfänger außerdem oft besser und länger im Gedächtnis, als dies z.B. bei einem Brief des Unternehmens der Fall wäre (falls der Brief überhaupt gelesen wird). Im Umgang mit diesen Schlüsselfiguren im Netzwerk ist es besonders wichtig, im Voraus die Wirkung einer Marketing-Maßnahme oder Kommunikation richtig einzuschätzen. Ein Negativ-Beispiel in diesem Zusammenhang ist ein großes Software-Unternehmen, das bekannten Bloggern Laptops schenkte, auf denen die neueste Software des Unternehmens installiert war. Diese Aktion wurde in den angesprochenen Kreisen vielfach als Bestechungsversuch ausgelegt, was in den einschlägigen Blogs und Foren auch prominent diskutiert wurde. Der Plan des Unternehmens, die Blogger als Multiplikatoren einzusetzen, war damit zwar aufgegangen, jedoch war die multiplizierte Botschaft der beabsichtigten Botschaft genau entgegengesetzt. Wie man Multiplikatoren geschickt für das eigene Unternehmen einsetzt, zeigt ein anderes Beispiel: Die Online-Bank comdirect lässt in ihrem Kundenmagazin „compass“ regelmäßig Kunden zu Wort kommen, die sich über ein bestimmtes Thema aus dem Finanzbereich äußern. Damit wird den Lesern die Zufriedenheit des Kunden mit der Bank gezeigt, und der Kunde selbst bekommt das – aufgrund seiner Multiplikatorenrolle auch zutreffende - Gefühl vermittelt, für die Bank wichtig zu sein. Er wird sicher in seinem Bekanntenkreis für das Unternehmen werben. Manchmal sollen besondere Angebote nicht im gesamten Kundenbestand kommuniziert werden, sondern nur selektiv in bestimmten Kundensegmenten. Ebenso kommt es vor, dass unterschiedliche Ausgestaltungen eines Angebots in unterschiedlichen Kundensegmenten kommuniziert werden sollen. In beiden Fällen sind u.U. die Grenzen persönlicher Netzwerke zu beachten, da diese nicht in allen Fällen entlang der bisher verwendeten Segmentgrenzen laufen. Ein für eine Zielgruppe bestimmtes Sonderangebot (z.B. besonders günstige Zinskonditionen) könnte unbeabsichtigt auch Personen außerhalb dieser Zielgruppe erreichen und so schlimmstenfalls den Profit in anderen Kundensegmenten reduzieren. Ist die Netzwerkstruktur des Kundenbestandes bekannt, so kann und sollte darauf geachtet werden, dass die Mitglieder desselben Netzwerk-Clusters das gleiche Angebot erhalten bzw. dass, wenn ein ClusterMitglied das Angebot aus bestimmten Gründen nicht erhalten soll, auch die anderen Mitglieder das Angebot nicht erhalten. 1.1 Kundenwert Für den Kundenwert und seine Bestimmung spielt das Netzwerk der Kunden ebenfalls eine wichtige Rolle. Bei der Bestimmung des Kundenwertes kann man grob zwischen zwei Arten unterscheiden2: › Direkte Beiträge: hiermit ist das Ertragspotenzial gemeint, das aus der unmittelbaren Geschäftsbeziehung des Kunden mit dem Unternehmen resultiert. Es berechnet sich aus den abgezinsten zukünftig 2 Vgl. Peter Neckel, Bernd Knobloch: Customer Relationship Analytics: Praktische Anwendung des Data Mining im CRM (2005), ISBN 978-3898643092 2 › erwarteten Deckungsbeiträgen des Kunden. Diese beinhalten – ausgehend vom derzeitigen Geschäftsvolumen – erwartete Preiserhöhungen sowie ggfs. eine Steigerung der Kauffrequenz oder des Kaufvolumens. Indirekte Beiträge: entstehen durch Aktivitäten des Kunden, die sich nicht direkt als Deckungsbeitrag beziffern lassen, jedoch auf mittelbare Weise Wert für das Unternehmen schaffen. Beispiele für indirekte Beiträge umfassen das Informationspotenzial (Produktideen, Verbesserungsvorschläge, Beschwerden), das Kooperationspotenzial (bspw. können Kunden an der Produktentwicklung beteiligt werden) und – im Zusammenhang mit Netzwerken besonders wichtig – das Weiterempfehlungspotenzial. [Abbildung 1] Komponenten des Kundenwertes Das Weiterempfehlungspotenzial eines Kunden wird im Wesentlichen von zwei Einflussgrößen getrieben. Zum einen – dies ist die Grundvoraussetzung – muss der Kunde bereit sein, das Unternehmen weiterzuempfehlen. Dies setzt eine hohe Kundenzufriedenheit bzw. –loyalität voraus. Zum zweiten aber ist das persönliche Netzwerk des Kunden und die Rolle, die er darin einnimmt, entscheidend für die Höhe seines Weiterempfehlungspotenzials. Je größer das Netzwerk, desto höher ist auch das Empfehlungspotenzial – vorausgesetzt, die Empfehlungsbereitschaft ist vorhanden. Für den Kundenwert wird das Weiterempfehlungspotenzial immer wichtiger, was Beispiele aus unterschiedlichen Branchen belegen. Die comdirect bank AG etwa schreibt in ihrem Geschäftsbericht für 2007: „Immer bedeutender wird zudem die Empfehlungsbereitschaft unserer Kunden. Über das Programm ‚Kunden werben Kunden‘ haben wir im Jahr 2007 etwa doppelt so viele Neukunden gewonnen wie im Vorjahr.“ 3 Eine Studie der Eismann Tiefkühl-Heimservice GmbH zeigte, dass 100 zufriedene Kunden durchschnittlich 30 neue Kunden anwerben3. Der Kundenwert ist die zentrale Steuerungsgröße des CRM – dessen umfassende und stimmige Berechnung ist somit von essentieller Bedeutung, um die Kundenbeziehungen eines Unternehmens effizient lenken und gestalten zu können. Nur so kann eine sinnvolle Allokation der kundenbezogenen Marketingausgaben sichergestellt werden. Fehleinschätzungen des Kundenwertes können die Marketing-Effizienz erheblich reduzieren. Daher gilt es, den Kundenwert vollständig zu erfassen. Wie oben gezeigt, ist das Weiterempfehlungspotenzial eine wichtige Komponente des Kundenwerts und darf somit bei dessen Bestimmung nicht vernachlässigt werden. Der Analyse des Kunden-Netzwerkes kommt also auch für die Marketing-Steuerung eine wichtige Bedeutung zu. 1.2 Risikosteuerung Soziale Verbindungen und insbesondere Familienverbünde sind geeignet, die Risikosteuerung in einem Unternehmen zu verfeinern. Offensichtlich ist, dass Dubletten im Kundenbestand, also mehrere Kundenbeziehungen, hinter denen eine einzige Person steht, besonders aus Risikogesichtspunkten zusammengefasst und im Ganzen gesehen werden müssen. Das Unternehmen sollte immer das gesamte Kreditengagement einer Person betrachten. Dieses Konzept des Gesamtengagements lässt sich erweitern auf Familienverbünde. Da Familien oft eine wirtschaftliche Einheit bilden, muss das Kreditengagement bzw. das daraus resultierende Risiko im Gesamten betrachtet werden. Auch im Bereich krimineller Handlungen von Kunden lassen sich über die Identifikation von Kundennetzwerken Risiken reduzieren. Stand beispielsweise eine Lieferadresse bereits im Zusammenhang mit einem früheren Betrugsfall, dann sollte ein neuer Auftrag mit dieser Adresse genauer unter die Lupe genommen werden. Da Betrüger ihre Identität und ihre Verbindungen zu anderen Kunden oftmals aktiv verbergen (z.B. durch absichtliches Verschreiben beim Namen oder Angabe falscher Adressen oder Telefonnummern), erfordert das Aufspüren von Zusammenhängen hier besondere Analysen4. Familiäre oder andere Verbindungen können sowohl negative wie auch positive Einflüsse auf die erwartete Bonität eines Kunden haben. Wenn für einen Kunden in der Vergangenheit schon ein Mahnverfahren oder sogar ein Zahlungsausfall zu verzeichnen war, so wird eine Bank zögern, einem Familienangehörigen Kredit einzuräumen – sofern die Familienzugehörigkeit erkannt wird. Auf der anderen Seite kann sich eine gute Kredithistorie auch positiv auf Kreditentscheidungen von Familienangehörigen auswirken. Bei größeren Krediten würde man dies zwar mittels einer Bürgschaft vertraglich absichern, bei Kleinkrediten jedoch wäre die Berücksichtigung der Kredithistorie im Netzwerk des Kunden sicherlich eine kostengünstige Alternative. Nicht nur Familienverbünde, sondern auch andere soziale Bindungen können die Bonität fördern und die Zahlungsmoral steigern. Dies zeigt ein Konzept aus der Dritten Welt, das sich durchaus auf Industrienationen übertragen lässt: Microcredits. Hierbei handelt es sich um Kredite etwa in der Größenordnung 100 bis 1.000€, die von einer Bank an Kleinstgewerbetreibende vergeben werden. Die Kreditnehmer sind sehr oft in Dorfgemeinschaften eingebunden; die Koordination vor Ort übernimmt eine Person aus demselben Dorf, die auch die pünktliche Rückzahlung überwacht. Dieses enge soziale Netz bewirkt eine erhebliche Reduzie3 Christian Schleuning: Die Analyse und Bewertung der einzelnen Interessenten und Kunden als Grundlage für die Ausgestaltung des Database Marketing. In: Link/Brändli/Schleuning/Kehl (Hrsg.): Handbuch Database Marketing (1997) S. 143-157, ISBN 9783930047215 4 Christopher Westphal: Data Mining for Intelligence, Fraud, & Criminal Detection (2008), ISBN 978-1420067231 4 rung des Risikos. Dieses Beispiel zeigt, dass soziale Bindungen nicht nur als Bonitätsindikator geeignet sind, sondern sogar die Bonität steigern können. 2 Analyse von Beziehungen zwischen Kunden Die folgenden Seiten skizzieren eine Reihe analytischer Ansätze, die jeweils für verschiedene Arten von Beziehungen einsetzbar sind. 2.1 Identische Personen Die engste Form der Beziehung zwischen Kunden ist die Identität vermeintlich unterschiedlicher Personen oder Organisationen. Die Ursachen für Dubletten sind vielfältig, liegen aber praktisch immer in der unzureichenden Behandlung von Kundendaten in den erfassenden Prozessen. Viele Freitextfelder, aber auch mangelhafte Anweisungen für Sachbearbeiter und das Fehlen eines Datenqualitätsmanagements führen dazu, dass derselbe Kunde mehrfach erfasst wird, in der Regel mit leichten Abweichungen in Schreibweisen von Namen oder Adressen oder auch mit unterschiedlichen Kontaktdaten (z.B. mit unterschiedlichen Emailadressen oder im Feld „Telefon“ mal mit der Festnetz-, mal mit der Mobilnummer). Gute CRM-Systeme helfen, solche Probleme schon bei der Eingabe zu erkennen und zu vermeiden. Namensänderungen (durch Heirat oder Scheidung), Umzüge, wechselnde Telefonanbieter oder Kontonummern oder andere reale Veränderungen auf Kundenseite können es aber auch solchen Systemen schwer machen, die Identität eines vermeintlichen Neukunden mit einem vorhandenen Eintrag im Kundenstamm zu erkennen. Vorname Nachname PLZ Straße Hausnummer Johann Muster 13507 Berlin Ort Marktstr. 35a Johan Mutter 13507 Berlin Marktstraße 35a [Tabelle 1] Dublette Bei der Analyse von Kundenbeziehungen ist daher in jedem Fall zu Beginn auf die Existenz von Dubletten zu prüfen. Da Dubletten nicht immer offensichtlich sind bzw. nicht immer durch einfachen String-Vergleich ermittelt werden können (siehe Tabelle 1), sollte eine spezialisierte Dublettenerkennungs-Software eingesetzt werden, die Identitäten auf Basis von Ähnlichkeiten bzw. phonetischer Identität feststellt. Eine Liste mit Software-Anbietern für den Dublettenabgleich ist in Tabelle 4 zu finden. 2.2 Familienverbünde Hat man Dubletten identifiziert und ggf. eliminiert, so ist der denkbar engste soziale Kontakt derjenige mit den eigenen Haushalts- oder Familienangehörigen. In diesem Kreis ist die Kommunikationsdichte und das Vertrauen in die Richtigkeit der vermittelten Information im Allgemeinen sehr hoch. Gleichzeitig sind Familienangehörige auch finanziell und rechtlich eng verbunden, was insbesondere bei Potential- und Risikoanalysen eine große Rolle spielen kann. Deshalb ist es für ein Unternehmen wichtig, Familien- und Haushaltsverbünde im Kundenbestand zu erkennen. Zur Ermittlung von Familienverbünden kann als einfachster Ansatz ebenfalls Dublettenerkennungs-Software eingesetzt werden. Dabei führt man eine Dublettenprüfung auf Basis des Nachnamens und der Adresse 5 durch. Die Grenzen dieses Ansatzes sind schnell offensichtlich, wenn man sich die zunehmende Zahl von Sozialgemeinschaften ins Bewusstsein ruft, die nicht der traditionellen Familie mit einem einheitlichen Namen entsprechen. Weder unverheiratet zusammenlebende noch verheiratete Personen mit unterschiedlichem Namen werden durch diesen Ansatz erkannt. Auch Kinder aus früheren Ehen oder anderen Partnerschaften tragen oft abweichende Nachnamen und lassen sich so nicht ohne weiteres den Familien zuordnen, in denen sie leben. Das Beispiel in Tabelle 2 macht deutlich, was eine intelligente Dubletten-Software hier leisten muss: Johann und Monika sind verheiratet. Die Software muss die beiden auch als einer Familie zugehörig erkennen, da sie die gleiche Adresse und zumindest teilweise gleiche Nachnamen haben. Marie, die Tochter von Monika aus einer früheren Beziehung, muss über den zweiten Teil des Doppelnamens von Monika ebenfalls der Familie zugeordnet werden. Gibt Monika nur einen Teil ihres Nachnamens an, so ist eine vollständige Erkennung der Familie nicht möglich. Vorname Nachname PLZ Johann Muster Johan Ort Straße Hausnummer 13507 Berlin Marktstr. 35a Mutter 13507 Berlin Marktstraße 35a Monika Muster-Mann 13507 Berlin Marktstraße 35a Marie Mann 13507 Berlin Marktstraße 35a [Tabelle 2] Familienverbund Ein weiteres Problem besteht darin, dass häufige Namen (z.B. Müller oder Schmidt) in großen Wohnanlagen auch mehrfach vorkommen können, ohne dass eine familiäre Verbindung besteht. Auch erwachsene Kinder, die nicht mehr im Haus der Eltern leben, oder Ehepartner, die aus beruflichen Gründen zwei verschiedene Wohnungen haben, können nicht korrekt zugeordnet werden. Auch durch Einbeziehen zusätzlicher Kontaktinformationen (z.B. Mobilnummer, Faxnummer, Emailadresse) oder Personendaten (z.B. Geburtsdatum, Geburtsort) lassen sich nicht in allen Fällen die entgangenen Verbindungen herausfinden. Banken haben glücklicherweise weitergehende Möglichkeiten, Familienverbünde zu erkennen: › › › › Minderjährigenkonten: Ist der Kontoinhaber minderjährig, so müssen die Eltern ihre Zustimmung zur Kontoeröffnung geben. Oft sind die Eltern auch handlungsbevollmächtigt für das Minderjährigenkonto. So hat die Bank einen sicheren Hinweis auf den Familienverbund. Freistellungsaufträge: Bei gemeinsamer steuerlicher Veranlagung von Ehepartnern kann ein gemeinsamer Auftrag zur Freistellung von der Abgeltungssteuer erteilt werden. Die beiden beteiligten Personen sind also mit Sicherheit verheiratet. Gemeinschaftskonten sind Konten mit mehreren gleichberechtigten Inhabern. Häufig sind die Inhaber Ehepartner oder familiär verbunden, z.B. Eltern und deren (volljährige) Kinder. Da dies jedoch nicht zwingend der Fall sein muss, kann hier ein Abgleich über Nachnamen bzw. über Nachnamen und Adresse Klarheit bringen. Gemeinsame Referenzkonten: Depots, Tagesgeldkonten etc. benötigen in vielen Fällen ein Girokonto als Referenzkonto. Ein gemeinsames Referenzkonto weist auf eine familiäre Verbindung hin. Auch aus dem Kundenverhalten (d.h. einzelnen Transaktionen) und bestimmten vertraglichen Konstellationen (z.B. Bürgschaften) lassen sich Indizien für Familienverbünde – wiederum natürlich auch andere Beziehungen – ableiten. Allerdings sei an dieser Stelle darauf hingewiesen, dass Analysen dieser Art in vielen 6 Ländern einen Verstoß gegen geltendes Datenschutzrecht darstellen können. So darf beispielsweise zu werblichen Zwecken eine Bank in Deutschland keine Transaktionsdaten auswerten. Ein weiteres Problem wird bei Hinzunahme solcher Arten von Informationen deutlich: je mehr Faktoren in eine Analyse einbezogen werden sollen, desto größer wird das Volumen an Daten und desto umfangreicher der Raum an möglichen Hypothesen für eine konfirmative Datenanalyse. In vielen Fällen wird man nicht mehr ohne explorative Verfahren auskommen, die von sich aus in den vorhandenen Daten aktiv nach relevanten Mustern suchen und den Analysten auf interessante Konstellationen aufmerksam machen (Data Mining, Text Mining). 2.3 Hausverbünde Zumindest in Wohnhäusern, die höchstens von zwei bis drei Parteien bewohnt werden, kennen sich die Hausbewohner untereinander. Um die zunehmenden Probleme bei der Ermittlung von Familienverbünden zu umgehen, werden Kunden oft als sozial verbunden eingestuft, wenn sie im selben Haus wohnen. Vorname Nachname PLZ Johann Muster Johan Mutter Monika Ort Staße Hausnummer 13507 Berlin Marktstr. 35a 13507 Berlin Marktstraße 35a Muster-Mann 13507 Berlin Marktstraße 35a Marie Mann 13507 Berlin Marktstraße 35a Franz Vogel 13507 Berlin Marktstr. 35a [Tabelle 3] Hausverbund Dafür wird eine Dublettenprüfung auf Hausebene durchgeführt, in der nur auf Identität von postalischen Adressen geprüft wird. Zum Beispiel werden alle Kunden aus demselben Hausverbund zugeordnet und damit als „sozial verbunden“ eingestuft. Dieses Vorgehen hat wiederum den Nachteil, dass u.U. Personen zusammengefasst werden, die sich gar nicht kennen, z.B. in großen Mehrfamilienhäusern. Als Mischform zwischen Familien- und Hausverbund bietet sich an, die Dublettenprüfung auf Hausebene nur für Häuser mit (z.B.) höchstens vier Wohneinheiten durchzuführen und nur bei größeren Mehrfamilienhäusern auf Familienverbünde zu prüfen. Spezialisierte Dienstleister (siehe Tabelle 5) bieten die dafür notwendigen Daten (Anzahl Wohneinheiten pro Haus) an. 2.4 Freunde und Bekannte Ende der 1960er Jahre untersuchte der Soziologe Mark Granovetter5 mittels einer Umfrage, wie Menschen zu ihren jeweiligen Jobs kommen. Er kam zu dem überraschenden Ergebnis, dass die entscheidenden Informationen nicht von engen Freunden, sondern von entfernten oder flüchtigen Bekannten kommen. Dieses Beispiel zeigt, wie wichtig es ist, nicht nur enge soziale Kontakte, sondern alle erkennbaren Verbindungen zu identifizieren. 5 Mark S. Granovetter: The Strength of Weak Ties, American Journal of Sociology 78, S. 1360-1380 7 Viele Unternehmen setzen zur Neukundengewinnung Empfehlungsprogramme ein. Der im Rahmen eines solchen Programms geworbene Kunde und der werbende Kunde kennen sich offensichtlich. Hier ergibt sich ein neuer Aspekt, der in den bisher behandelten Beziehungsarten nicht vorhanden war: die Beziehung ist nicht symmetrisch. Der Werber hat Einfluss auf den Geworbenen, der Geworbene vertraut der Empfehlung des Werbers. Diese Asymmetrie lässt sich z.B. ausnutzen, indem der Werber gezielt als Multiplikator eingesetzt wird. In der Praxis kommt es manchmal vor, dass Kundenempfehlungsprogramme von findigen Personen nahezu gewerblich genutzt werden. Diese „Berufswerber“ sollten identifiziert und die entsprechenden Beziehungen nicht für die Netzwerk-Erkennung berücksichtigt werden. Das gleiche gilt für die Werbung im Familienkreis. Hier zieht man nicht die Kundenwerbung, sondern die Familienbeziehung als Verbindung heran. Unternehmenseigene Internet-Communities lassen sich ebenfalls als Informationsquelle für KundenBeziehungen nutzen. Beispielsweise betreiben große Online-Banken und Medienhäuser vielbesuchte Finanzseiten wie www.comdirect.de oder www.wallstreet-online.de, die auch eine Community bzw. Foren enthalten. Dort tauschen sich die Nutzer über Finanzthemen aus. Viele der Nutzer sind auch Kunden der entsprechenden Banken. Foren-Threads können zur Ermittlung von Beziehungen genutzt werden. Alle Autoren innerhalb eines Threads könnten als „miteinander bekannt“ definiert werden. Voraussetzung für die Nutzung der daraus entstehenden Daten für die Erkennung von Bekanntschaften ist, dass sich datentechnisch der CommunityUser der Person im Kundenbestand zuordnen lässt. Diese Art der Bekanntschaft ist jedoch weitaus schwächer als die vorher genannten Arten, aber – wie oben erwähnt – deshalb nicht weniger wichtig. Nicht wenige Firmen analysieren daher schon heute die firmeneigenen Blogs oder öffentliche Internetforen mit Hilfe automatisierter Verfahren wie Text Mining und können so nicht nur Aussagen über Multiplikatoren und deren Beziehungen treffen, sondern auch noch deren Relevanz ermitteln, also z.B. ob sich jemand kritisch oder lobend gegenüber einem bestimmten Produkt äußert. Der Vollständigkeit halber seien an dieser Stelle auch noch spezielle Beziehungen erwähnt, die schon immer eine besondere Rolle im Marketing gespielt haben: Berühmtheiten und Prominente haben definitionsgemäß große Netzwerke. Viele Menschen kennen sie (auch wenn diese Bekanntschaftsbeziehungen in den meisten Fällen einseitig sind). Deshalb empfiehlt es sich für Unternehmen, diese Berühmtheiten – seien es bekannte Sportler und Künstler, oder auch lokale Größen wie der Ortsbürgermeister oder der Wirt des Vereinsheims – systematisch zu erfassen, insbesondere wenn diese auch Kunden des Unternehmens sind. Anders als bei den bisher genannten Beziehungen sind diese Beziehungen in den meisten Fällen nur vermutet, und nur einer der beiden „Beziehungspartner“ – nämlich der berühmte – ist dem Unternehmen bekannt. 2.5 Weitere B2C Branchen Banken haben aufgrund vieler gesetzlicher Anforderungen und durch ihr tägliches Geschäft in der Regel eine Vielzahl an Möglichkeiten, Beziehungen zwischen einzelnen Kunden zu ermitteln. Ohne an dieser Stelle auf Details einzugehen, zeigt die nachfolgende Tabelle, welche Optionen sich Unternehmen in anderen Branchen bieten. 8 Branche Telekommunikation Zeitungs- und Zeitschriftenverlage Pharma Datenquellen für Beziehungen › › › › › › › Telefonverbindungen: Wer ruft wen an? Wie oft? Wie lange? SMS- und MMS-Verbindungen Familien-/Freunde-Tarife Firmentarife: Mitarbeiter kleinerer Firmen kennen sich Rechnung/Kontonummer: Personen, deren Rechnungsbetrag vom selben Konto abgebucht wird, kennen sich Gutscheine/Guthabenübertragung Kundenwerbung › › › › Leser werben Leser Kontonummer/Rechnung: siehe „Telekommunikation“ Geschenkabonnement Blogs und Foren › › › › › Gemeinschaftspraxen, Apothekenverbände, Hausarztnetzwerke Ärztehäuser: Dublettenabgleich Hausebene Teilnahme an der selben pharmakologischen Studie Häufige Überweisung an denselben Facharzt Gemeinsame Mitgliedschaft in Organisationen z.B. Ethikkommissionen, Selbsthilfegruppen Gemeinsame Teilnahme an Konferenzen, Fortbildungen, Prüfarzttreffen › Reiseveranstalter › › Vergleich Ziel- und Heimadresse Mietwagen/Zweitfahrer Fluglinien › › › › › Check-In-Informationen (Gemeinsamer Check-In) Mehrmals benachbarte Sitzplätze Flug von der selben Firma gebucht Übertragung von Bonuspunkten Kontonummer/Rechnung: siehe „Telekommunikation“ Energieversorger (Strom/Gas) › › › Kundenwerbung Dublettenabgleich: zusätzlich Wohnungsnummer bekannt Kontonummer/Rechnung: siehe „Telekommunikation“ 9 Versand-/Internethandel › › › › › Gemeinschaftsbesteller Kontonummer/Rechnung: siehe „Telekommunikation“ Geschenkgutscheine Wunschlisten Kundenwerbung 2.6 Einschränkungen Nur ein kleiner Teil der tatsächlich vorhandenen Bekanntschaftsbeziehungen können von Unternehmen ermittelt und genutzt werden. Soziologen schätzen, dass jeder Mensch zwischen 200 und 5.000 Bekannte hat. Auch wenn man diese Bekanntschaften auf die für das Unternehmen relevanten Bekanntschaften reduziert, wird nur ein kleiner Teil erfasst werden können. Generell besteht das Problem, dass nur die positive Aussage „Die Kunden A und B kennen sich“ getroffen werden kann. Findet man in den Daten keine Hinweise auf eine Verbindung zwischen A und B, dann kann man sich nicht darauf verlassen, dass sich A und B nicht kennen. Es kann sein, dass sie sich kennen und dies aus den vorliegenden Daten nur nicht zu erkennen ist. Es darf also nur die positive Aussage genutzt werden; die Nutzung der negativen Aussage wäre ein Fehler. Wie bei jeder Form der Kundendatenverarbeitung spielt das Thema Datenschutz auch hier eine Rolle. Die datenschutzrechtliche Zulässigkeit sollte immer vor Nutzung des identifizierten Netzwerks geprüft werden. In jedem Fall sollte das Thema mit dem Datenschutzbeauftragten des Unternehmens besprochen und die grundsätzliche Nutzung der Daten sowie die geplanten Analysen von diesem freigegeben werden. 3 Darstellung, Modellierung und Kennzahlen Kundennetzwerke können als mathematische Graphen verstanden werden. Jeder Kunde (Person) wird dabei als Punkt dargestellt. Besteht zwischen zwei Personen eine Beziehung, dann werden die jeweiligen Punkte durch eine Linie verbunden. Asymmetrische Beziehungen können durch Pfeile gekennzeichnet werden. Im Fall von Kundenwerbungen würde der Pfeil bspw. vom Werber zum Geworbenen zeigen. Die Stärke der Beziehung kann durch ein Liniengewicht angegeben werden. Je stärker die Beziehung, desto größer das Gewicht. Bspw. könnten Beziehungen zwischen Ehepartnern (gemeinsamer Freistellungsauftrag) das Gewicht 10 erhalten, während für Forums-Bekanntschaften das Gewicht 1 vergeben wird. Beispiel: In Abbildung 2 ist exemplarisch ein Kundenbeziehungsgeflecht dargestellt. Asymmetrische Beziehungen sind durch Pfeile dargestellt, die Stärke einer Beziehung ist als Liniengewicht vermerkt. Es sind verschiedene Beziehungsarten zu sehen: › › › › Kunde 1 hat den Kunden 2 geworben. Die Kunden 4 und 7 sowie die Kunden 12 und 13 sind verheiratet (hohes Liniengewicht). Kunde 13 hat im Forum einen Beitrag geschrieben; im selben Thread hat sich auch Kunde 10 beteiligt. Kunde 20 wirbt viele Kunden, die aber untereinander nicht bekannt sind. 10 [Abbildung 2] Kundennetzwerk point_id grad cl_points line_id point1 point2 linkType_id 1 1 2 1 1 2 3 2 1 2 2 4 7 1 3 0 1 3 10 13 4 4 1 2 4 12 13 1 5 0 1 5 12 14 6 6 0 1 6 13 14 6 7 1 2 7 15 20 3 8 0 1 8 16 20 3 9 0 1 9 17 20 3 10 1 4 10 18 20 3 11 0 1 11 19 20 3 12 2 4 13 3 4 14 2 4 15 1 6 16 1 6 17 1 6 18 1 6 19 1 6 20 5 6 21 0 1 [Abbildung 4] Linientabelle linkType_id source_desc weight 1 Ehepartner 10 2 Familie 6 3 Kundenwerbung 4 4 Online 1 [Abbildung 5] Verbindungstyp-Tabelle [Abbildung 3] Punktetabelle 11 Nach dem Aufbau des Netzwerk-Graphen können jedem Kunden Kennzahlen zugewiesen werden, mit deren Hilfe seine Rolle im Netzwerk charakterisiert wird. Die Kontaktanzahl (auch Grad des Kunden genannt) gibt an, zu wie vielen anderen Kunden eine Beziehung besteht. In Abbildung 2 ist die Kontaktanzahl als erste der beiden Kennzahlen bei den Punkten dargestellt. Sind Liniengewichte vorhanden, so kann man, anstatt die Beziehungen zu zählen, die Summe der Liniengewichte bilden. Ein Cluster ist eine Menge von durch Bekanntschaft verbundener Kunden. Dabei zählen nicht nur direkte Bekanntschaften, sondern auch Beziehungen über mehrere Stationen. Die Clustergröße – als Kennzahl eines Kunden – ist also die Anzahl der anderen Kunden, mit denen er direkt oder indirekt verbunden ist (plus 1 für den Kunden selbst). Die Clustergröße ist in Abb. 2 als zweite Kennzahl bei jedem Punkt angegeben. Beispiel: Im Netzwerk aus Abbildung 2 ist Kunde 13 direkt mit 3 anderen Kunden verbunden. Keiner dieser drei Kunden hat weitere Kontakte, so dass das Netzwerk, dem Kunde 13 angehört, aus vier Kunden besteht. Die Clustergröße des Kunden13 ist damit 4. Ist bei einem Kunden die Kontaktanzahl um 1 kleiner als die Clustergröße, dann kennt dieser alle Kunden in seinem Netzwerk. Dies ist z.B. für die Kunden 12 und 14 nicht der Fall: sie sind mit Kunde 10 nur indirekt über den Kunden 13 verbunden. Datentechnisch bietet sich eine Darstellung einer Linie als (geordnetes) Paar von Punkten an. Will man Liniengewichte einbeziehen, so werden diese als Attribut der Linie gespeichert. In einer relationalen Datenbank hat man also eine Tabelle, die die Punkte (Kunden) enthält, und eine zweite Tabelle, die die Linien (Beziehungen) in Form von jeweils zwei Punkten enthält. Eine dritte Tabelle enthält alle möglichen Verbindungsarten; dazu wird das Kantengewicht gespeichert, das die Stärke der Verbindung widerspiegelt. Beispiel: Kunde 4 ist mit dem Kunden 7 verbunden. Diese Verbindung ist in der Linientabelle (Abbildung 4)in der zweiten Zeile (line_id=2) gespeichert. Die linkType_id ist 1, was bedeutet, dass 4 und 7 Ehepartner sind, siehe Abbildung 5: Verbindungstyp-Tabelle. Dort ist auch zu sehen, dass das Gewicht für EheBeziehungen 10 ist. 4 Fazit Im Beziehungsmanagement zwischen einem Unternehmen und seinen Kunden spielen soziale Bindungen zwischen Kunden eine wichtige Rolle. Diese Beziehungen lassen sich in Marketing und Risiko-Management sowie in der Kundenwertsteuerung nutzen. Für die Ermittlung sozialer Beziehungen gibt es zahlreiche Datenquellen. Ein generell einsetzbares Verfahren ist die Dublettenprüfung auf Personen-, Haushalts- und Hausebene. Weitere Datenquellen sind je nach Branche mehr oder weniger zahlreich vorhanden, erfordern aber umfangreichere und komplexere Analysen bis hin zu Data Mining oder Text Mining. Trotz einiger Schwierigkeiten bei der Umsetzung des Konzepts – beispielsweise müssen Datenschutzaspekte im Einzelfall intensiv geprüft werden – wird sich die Nutzung vorhandener Kunden-Netzwerke in vielen Fällen auszahlen. 12 Anhang Anbieter von Dublettenerkennungs-Software Anbieter Produkt Web Bemerkung Uniserv GmbH Data Quality Solutions www.uniserv.com Uniserv ist war in Deutschland der erste Anbieter von Dublettenerkennungs-Software. Die Produkte sind für viele Plattformen (u.a. Windows, UNIX) erhältlich. AZ Direkt GmbH AZ Unique www.az-direct.com AZ Direkt ist Spezialist für Zielgruppenadressen und bietet eine eigene Dublettenerkennungs-Software an. SAP AG SAP BusinessObjects Data Quality Management www.sap.com Die Technologie der ehemaligen fuzzy! Informatik wurde in die BusinessObjects Lösungen integriert. Omikron Data Quality GmbH Dubletten-Bereinigung www.omikron.net Omikron ist Spezialist für Dublettenerkennungs-Software. Nobody Software DeduplicationWizard Das Produkt ist sehr preisgünstig und www.nobody-software.de somit auch für kleinere und mittelständische Unternehmen interessant. [Tabelle 4] 13 Anbieter mikrogeographischer Daten Anbieter Acxiom Deutschland GmbH Web Bemerkung www.acxiom.de Acxiom ist Spezialist für raumbezogene und mikrogeographische Daten sowie mikrogeographische Raumsegmentierungen. AZ Direkt GmbH www.az-direct.com AZ Direkt ist Spezialist für Zielgruppenadressen und bietet auch raumbezogene und mikrogeographische Daten an. microm GmbH Die microm GmbH ist Dienstleister für Zielgruppen-, Dialog- und Geomarketing www.microm-online.de [Tabelle 5] 14 Peter Gerngross [email protected] mit Beiträgen von Alina Bühring [email protected] Aljoscha Kaplan [email protected] Armin Kita [email protected] mayato GmbH Am Borsigturm 9, 13507 Berlin www.mayato.com Über die Autoren Peter Gerngross ist Unternehmensberater beim Analysten- und Beraterhaus mayato. Als Experte für Datenanalyse, Business Intelligence und Analytisches CRM insbesondere im Banken- und Versicherungsumfeld beschäftigt er sich seit langem mit der qualitativen Optimierung und der Veredelung von Kundendaten sowie deren vertrieblicher Nutzung. Alina Bühring ist als BI-Beraterin bei mayato tätig. Ihre Schwerpunkte liegen in den Bereichen DWHArchitektur, ETL-Prozesse und Datenmanagement mit SAS. Aljoscha Kaplan arbeitet als BI-Berater für mayato. Neben der Datenanalyse und dem Aufbau effizienter DWH-Architekturen gilt sein Interesse dem Projektmanagement sowie der Strategieberatung. Armin Kita berät Kunden für mayato in BI-Fragen. An der Schnittstelle zwischen IT und Fachbereichen konzipiert und implementiert er intelligente DWH-Lösungen. 15