15 Einsatz des Database-Marketings in:

Heinrich Holland

Direktmarketing, page 196 - 213

Im Dialog mit dem Kunden

3. Edition 2009, ISBN print: 978-3-8006-3609-9, ISBN online: 978-3-8006-4415-5, https://doi.org/10.15358/9783800644155_196

Bibliographic information
15 Einsatz des Database-Marketings 15.1 Steuerung von Marketing-Maßnahmen Die Voraussetzung für Database-Marketing bildet eine EDV-Konfiguration, wobei je nach Datenvolumen sowie der Komplexität der Anwendungen bereits ein einfacher PC ausreichen kann. Diese EDV-Konfiguration ist mit Informationen anzureichern, die sowohl aus unternehmensinternen (z. B. Buchhaltung, Bestellungen, Außendienst), als auch aus externen Quellen (z. B. Adressverlage, Listbroker, Datenbanken) gewonnen werden können. Die über die Zielperson gewonnen Informationen werden in der Kundendatenbank gespeichert, durch Scoring-Modelle oder Selektions-Modelle verarbeitet und für den Einsatz der Marketing-Instrumente genutzt. Die Anwendungsmöglichkeiten sind äußerst vielfältig und erlauben den Unternehmen einen zielsicheren Einsatz vor allem der Direktmarketing-Instrumente. Mit dem Database-Marketing werden nahezu alle Aufgaben des Direktmarketings von der Neukundengewinnung bis hin zur Erfolgskontrolle abgedeckt. Das Database-Marketing dient nicht allein der werblichen Ansprache von bereits bestehenden Kunden, sondern ist vielmehr für das Erreichen von unterschiedlichen strategischen Zielen des Unternehmens von großer Bedeutung. Mit Hilfe des Data-Warehouse, das im 16. Kapitel genauer erläutert wird, wird im Marketing die Nutzung aller kundenbezogenen und sonstigen Daten ermöglicht, um den Einsatz des Marketing-Instrumentariums zu optimieren. 15.2 Kundenbewertung 15.2.1 Verfahren der Kundenbewertung Eine notwendige Grundlage für den Einsatz eines zielgerichteten Direktmarketings stellt die Bewertung der Kunden oder Interessenten auf der Basis der Kundendatenbank dar. Bei jedem direkten Kontakt mit einem Menschen, beispielsweise bei einem Verkaufs- oder Beratungsgespräch, findet eine unbewusste subjektive Bewertung statt, die sich dann in der Freundlichkeit oder Beratungsqualität widerspiegeln kann. Mit steigender Kundenzahl und einer differenzierten Ansprache wird es im Rahmen des Managements von Kundenbeziehungen notwendig, Modelle und Verfahren zu entwickeln, die in der Lage sind, den einzelnen Kunden möglichst objektiv zu bewerten und darauf aufbauend maßgeschneiderte Konzepte anzubieten (Scholzen, Schubert, 2002, S. 711 ff.). Buch_Direktmarketing.indb 185 23.12.2008 10:29:04 Uhr 15 Einsatz des Database-Marketings186 Die Abbildung 93 gibt einen Überblick über die wichtigsten Modelle zur Bewertung von Kunden. 15.2.2 ABC-Analyse Eine der einfachsten Kundenbewertungsverfahren ist die ABC-Analyse, bei der die Kunden nach ihrem Umsatz oder Deckungsbeitrag in drei oder auch mehr Segmente eingeteilt werden (Backhaus, 2003, S. 174). Eine wichtige Erkenntnis aus dieser Analyse ist das Verhältnis zwischen dem Anteil und dem Wert der Kunden. Bei vielen Unternehmen trifft die Pareto-Regel zu, nach der auf 20 Prozent der Kunden 80 Prozent des Umsatzes oder Deckungsbeitrags entfallen. Die unterschiedlichen Segmente können dann durch differenzierte Maßnahmen im Rahmen des Managements der Kundenbeziehung angesprochen werden. So werden A-Kunden beispielsweise persönlich durch leitende Mitarbeiter betreut, B-Kunden durch den Außendienst und C-Kunden durch Call-Center. Diese relativ einfache Bewertung lässt jedoch viele wichtige Faktoren außer Acht und bezieht sich ausschließlich auf vergangenheitsorientierte Werte. Nach einer Analyse in den USA muss die 80-20-Regel bezogen auf den Deckungsbeitrag als 225-20-Regel bezeichnet werden. 20 Prozent der Kunden erbringen 225 Prozent des Gesamtdeckungsbeitrages; weitere 60 Prozent der Kunden liegen in der Nähe der Gewinnschwelle und die verbleibenden 20 Prozent der Kunden führen dazu, dass 125 Prozent des Deckungsbeitrages wieder verloren gehen (Wäscher, 2000, S. 8–12). Beispiel: Ein Unternehmen hat seine Kunden nach dem Umsatz und auch nach dem mit ihnen erzielten Deckungsbeitrag bewertet und dabei folgende Übersicht aufgestellt. Abbildung 93: Kundenbewertungsmodelle Quelle: Cornelsen, 2000, S. 91 Eindimensional Monetär ABC-Analyse Kundendeckungsbeitragsrechnung Customer Lifetime Value Nicht Kundenzufriedenheitsanalysen Monetär Referenzpotenzialanalysen Mehrdimensional Scoringmodelle Kundenportfolioanalysen Buch_Direktmarketing.indb 186 23.12.2008 10:29:04 Uhr 15.2 Kundenbewertung 187 Kundenverteilung nach dem Umsatz: A-Kunden: 15 % des Kundenbestandes erzielen 70 % des. Gesamtumsatzes• B-Kunden: 35 % des Kundenbestandes erzielen 20 % des Gesamtumsatzes• C-Kunden: 50 % des Kundenbestandes erzielen 10 % des Gesamtumsatzes• Kundenverteilung nach dem Deckungsbeitrag: A-Kunden: 20 % d. Kundenbestandes erzielen 100 % des kumulierten DB• B-Kunden: 30 % des Kundenbestandes erzielen 50 % des. kumulierten DB • C-Kunden: 40 % des Kundenbestandes erzielen – 10 % des kumulierten DB• D-Kunden: 10 % des Kundenbestandes erzielen – 40 % des. kumulierten DB• In den Abbildungen 94 und 95 ist das Ergebnis der Analyse grafisch dargestellt. 15.2.3 RFMR- und FRAT-Methode Zur Auswertung der in den Kundendatenbanken gespeicherten Daten wurden Scoring-Modelle entwickelt, die auf das künftige Kaufverhalten der Kunden schließen. In diese Punktbewertungsmodelle kann eine Vielzahl von Kriterien eingehen, von denen das Unternehmen festgestellt hat, dass sie einen Aussagewert für den weiteren Verlauf der Kundenbeziehung haben. Abbildung 94: ABC-Analyse nach dem Umsatz 70 % 90 % 100 % 100 %50 %15 % Kumulierter Anteil an Kunden Kumulierter Umsatzanteil A CB Buch_Direktmarketing.indb 187 23.12.2008 10:29:05 Uhr 15 Einsatz des Database-Marketings188 Die Grundform dieser Scoring-Modelle stellt die RFMR-Methode (auch RFM-Methode genannt) dar, mit der amerikanische Versandhandelsunternehmen schon seit ca. dem Jahr 1920 Kunden bewerten. Ausgehend von den Kaufdaten Recency (letztes Kaufdatum), Frequency (Kaufhäufigkeit) und Monetary Ratio (Umsatzhöhe) werden Punkte vergeben und kumuliert (Holland, 2001a, S. 84). R = Recency• Je weniger lang der letzte Kauf des Kunden zurückliegt, desto mehr Punkte bekommt er. F = Frequency• Je öfter der Kunde im Verlaufe der Geschäftsbeziehung oder im Laufe des letzten Jahres gekauft hat, desto größer sind die Wahrscheinlichkeit, dass er wiederkauft, und damit der Punktwert, der ihm zugeordnet wird. MR = Monetary Ratio• Der kumulierte Umsatz oder Bestellwert des Kunden wird in einen Punktwert umgerechnet und zu den aus Recency und Frequency errechneten Punkten addiert. Die erreichte Punktzahl entscheidet bei jedem einzelnen Kunden beispielsweise über den Versand von Werbemitteln. Das Ergebnis dieser Punktbewertung könnte lauten, dass alle Kunden mit mehr als 40 Punkten den Katalog zugesandt bekommen. Die Kunden mit 20 bis 39 Punkten bekommen einen Werbebrief, in dem sie zur Kataloganforderung bei weiterem Interesse aufgefordert werden, und die übrigen Kunden werden nicht mehr angesprochen. Das Modell lässt sich als Computerprogramm installieren, das monatlich oder in jedem Quartal abläuft und die Punktwerte auf den neuesten Stand bringt. Die Nutzung Abbildung 95: ABC-Analyse nach dem Deckungsbeitrag 100 % 140 % 150 % 100 %50 %20 % Kumulierter Anteil an Kunden Kumulierter Deckungsbeitragsanteil A CB 90 % D Buch_Direktmarketing.indb 188 23.12.2008 10:29:05 Uhr 15.2 Kundenbewertung 189 des Systems für die Werbemittelsteuerung dient der Entscheidungsunterstützung und der konsequenten Umsetzung von Kundeninformationen in das Marketing. Weiterentwickelte Modelle beziehen auch die Sortimente, aus denen bestellt wurde, in die Analyse ein. Ein Kunde, der einen hohen Umsatz bei einem Universalversender durch den Kauf von Elektrogeräten erreicht hat, ist für die Zukunft nicht so erfolgsversprechend wie ein Bekleidungskäufer mit einem geringeren Umsatz. Bei einem Bekleidungskäufer ist mit Wiederholungskäufen zu rechnen, dagegen hat der Gerätekäufer seinen Bedarf für mehrere Jahre gedeckt. Diese Überlegungen werden in dem weiter entwickelten FRAT-Modell berücksichtigt. F = Frequency• Die Kaufhäufigkeit bekommt in diesem Modell das höchste Gewicht. R = Recency• Das letzte Kaufdatum wird auch hier einbezogen. A = Amount of Purchase• Amount of Purchase entspricht der Höhe des Umsatzes oder Bestellwertes. T = Type of Merchandise• Neu in diesem Modell ist der durch das T (Type of Merchandise) symbolisierte Sortimentsbereich oder die Warenart, aus der gekauft wurde. Dieser Bestandteil des Systems muss nach Analysen von Vergangenheitsdaten für das Unternehmen individuell festgelegt werden. Neuere Scoring-Modelle sind in der Lage Hunderte von Merkmalen zu verarbeiten und nutzen intelligente Software auf der Basis Neuronaler Netze oder Fuzzy Logic. Die Abbildung 96 zeigt ein Scoring-Modell, das neben den Kriterien der RFMR- Methode auch die Retouren und die erhaltenen Werbemittel berücksichtigt. Beispiel: Das Aktivitätenraster der Einzelbesteller bei der Schwab Versand GmbH beinhaltet als Hauptkriterien der RFMR-Methode die Positionen „Letztes Kaufdatum“ und „Kaufhäufigkeit“. Das „Letzte Kaufdatum“ beinhaltet die letzten vier Saisons (Halbjahre) und teilt die Kunden in aktiv (X) und inaktiv (–) ein. Somit können innerhalb des Aktivitätenrasters insgesamt 16 verschiedene Möglichkeiten auftreten, wie Abbildung 97 zeigt. Die „Kaufhäufigkeit“ bewertet die Anzahl der Bestellungen innerhalb der aktiven (X) Saisons, wobei die am kürzesten zurückliegende Saison am höchsten bewertet wird. Eine Bestellhäufigkeit von mehr als fünf wird in der Berechnung jedoch nur mit einem Wert von fünf angesetzt, da Schwab-Kunden, die beispielsweise sieben Mal bestellt haben, qualitätsmäßig auf der gleichen Ebene einstuft werden wie diejenigen, die „nur“ fünf Mal bestellt haben. Dies ist darauf zurückzuführen, dass aus Erfahrungswerten in diesem Segment keine signifikante Qualitätssteigerung mehr festgestellt werden konnte. Buch_Direktmarketing.indb 189 23.12.2008 10:29:06 Uhr 15 Einsatz des Database-Marketings190 Für die Ermittlung des Score-Wertes werden die einzelnen Saisons von Schwab unterschiedlich gewichtet, wobei die Saison –1 (aktuellste Saison) den höchsten Wert mit 60 Prozent erhält. Aus Gründen der Überschaubarkeit sind die Prozentsätze jedoch durch 10 dividierbar. Dies soll an einem ausgewählten Beispiel, welches sich auf die dritte (03) Möglichkeit aus Abbildung 97 bezieht, in Abbildung 98 veranschaulicht werden. Der für die Kundenselektion relevante Wert ist somit für das Beispiel der Scorewert 28. An Hand des ausgewählten Beispiels wird deutlich, dass Schwab seine Kundenselektion in enger Anlehnung an die RFMR-Methode vornimmt. Ras ter co de: –1 –2 –3 –4 (Sai sons) 01 X X X X 02 X X X – 03 X X – X . . 15 – – – X 16 – – – – = Re ak ti vie rung⎫⎬⎭ Ab bil dung 97: Ak ti vi tä ten ras ter der Ein zel be stel ler bei Schwab Ver sand Start wert 25 Punk te Letz tes bis 6 bis 9 bis 12 bis 18 bis 2 früher Kauf da tum Mo na te Mo na te Mo na te Mo na te Jahre + 40 + 25 + 15 + 5 – 5 – 15 Punk te Punkte Punk te Punkte Punk te Punkte Häu fig keit der Käu fe in den letz ten Zahl der Auf trä ge mul ti pli ziert mit dem Fak tor 6 18 Mo na ten Ø Um satz der bis 25 bis 50 bis 100 bis 150 bis 200 > 200 letz ten drei Eu ro Eu ro Eu ro Eu ro Eu ro Eu ro Käu fe + 5 + 15 + 25 + 35 + 40 + 45 Punk te Punk te Punk te Punk te Punk te Punk te An zahl Re tou ren 0–1 2–3 4–6 7–10 11–15 über 15 ku mu liert 0 – 5 – 10 – 20 – 30 – 40 Punk te Punk te Punk te Punk te Punk te Punk te Zahl der Wer be sen dun gen seit Haupt ka ta log Son der ka ta log Mai ling letz tem Kauf je – 12 Punk te je – 6 Punk te je – 2 Punk te Ab bil dung 96: Bei spiel zur RFMR-Me tho de Quel le: Link, Hil de brandt, 1993, S. 49 Buch_Direktmarketing.indb 190 23.12.2008 10:29:06 Uhr 15.2 Kundenbewertung 191 15.2.4 Dynamisches Kundenscoring In dieser Form des Kundenscorings werden dynamische Faktoren zur Definition eines Kundenwertes eingesetzt. Aus dem Informationsbestand, der in der Database über einen Kunden verfügbar ist, werden die Segmentierungskriterien ausgewählt, die für die entsprechende Fragestellung relevant sind. Anders als bei der RFMR-Methode, die statische, fest definierte Bestimmungsgrößen verwendet, kann somit flexibler auf die spezifischen Probleme reagiert werden. Die entsprechend ausgewählten Faktoren werden dann bewertet, und jedem Kunden wird ein Wert zugeordnet. Diese dynamisch erstellten Auswertungen können bei jeder neuen Anfrage anders zusammen gesetzt sein, wiederkehrende Anfragen werden jedoch durch Standardauswertungen beantwortet. Die Methoden des Data-Mining sind in der Lage, die relevanten Faktoren aus einer Database herauszufiltern und zu bewerten. Die Abbildung 99 zeigt, wie ein Versandhandelsunternehmen aus seiner Database Kunden selektiert, denen ein Bücherkatalog zugesandt werden soll. Es werden Kriterien analysiert, die einen positiven Einfluss haben auf die Wahrscheinlichkeit, aus diesem Katalog zu bestellen. Nach diesen Kriterien werden anschließend Gruppen von Kunden gebildet, die mit diesem Katalog angesprochen werden. In der Abbildung 100 werden 16 verschiedene Gruppen von Kunden nach ihrer Reaktionswahrscheinlichkeit auf ein Werbemittel gebildet und in eine Reihenfolge gebracht. Die durchschnittliche Responsequote liegt bei 7 Prozent. Wenn nur Kunden mit einer überdurchschnittlichen Reaktionswahrscheinlichkeit angeschrieben werden sollen, müssten die ersten sieben Klassen ausgewählt werden. 15.2.5 Customer Lifetime Value Der Customer Lifetime Value geht davon aus, dass ein Kunde im Laufe seines Lebens eine Vielzahl von Käufen bei dem Unternehmen tätigt, und stellt diesen lebenslangen Wert in den Vordergrund der Betrachtung (Gierl, Koncz, 2002, S. 940 ff.). Der Kunde oder potenzielle Kunde wird nicht mehr an Hand des Ertrags aus einem einzigen Kauf bewertet, sondern auf der Basis des insgesamt möglichen Umsatzes. Dieser Wert bezieht sowohl die schon getätigten Umsätze als auch die in der Zukunft –1 –2 –3 –4 (Sai sons) X X – X (Ak ti vi tät) 3 4 0 2 (An zahl Be stel lun gen) 60 % 20 % 10 % 10 % (Ge wich tung) = 6 = 2 = 1 = 1 (Be rech nungs wert) 3 ∗ 6 4 ∗ 2 0 ∗ 1 2 ∗ 1 (An zahl Be stel lun gen ∗ Wert) = 18 = 8 = 0 = 2 (Sai son punk te wer te) = 28 (Sum me der Sai son punk te) Ab bil dung 98: Be rech nung des Sco re-Wer tes beim Schwab-Ver sand Buch_Direktmarketing.indb 191 23.12.2008 10:29:06 Uhr 15 Einsatz des Database-Marketings192 liegenden potenziellen Umsätze ein, so dass das Chancenpotenzial einer langfristigen Bindung eines Kunden abgeschätzt werden kann. Mit Verfahren der Investitionsrechnung ist es möglich, den abgezinsten Barwert (Kapitalwert) einer Kundenbeziehung zu berechnen, der sämtliche Einnahmen und Ausgaben berücksichtigt und auf einen einheitlichen Bezugszeitpunkt abzinst (Roberts, Berger, 1999, S. 193 ff.). In der Abbildung 101 findet sich die Formel zur Berechnung des Customer Lifetime Value in Analogie zur Kapitalwertmethode. 15.2.6 Kundenportfolios Bei der Kundenbewertung durch ein Kundenportfolio werden zwei Segmentierungskriterien zueinander ins Verhältnis gesetzt, durch die Eingruppierung der Kunden in dieses Koordinatensystem kann die jeweilige Position visualisiert werden. Abbildung 99: Scoring-Modell zur Prognose von Kaufwahrscheinlichkeiten Quelle: Karstadt Quelle Information Services 145 115 103 88 58 127 0 20 40 60 80 100 120 140 160 1.1 1.2 2 3 4 5 Scoreklassen In de x Index=100: durchschnittlicher Anteil potenzieller Interessenten 4ZIELMERKMAL EINFLUSSMERKMALE Kaufneigung Bücher POSITIVER EINFLUSS - Großstädte ab 100.000 Einwohnern - Ballungsräume - PLZ-Region 6 (Rhein-Main) - nicht PLZ-Region 0 (Sachsen/Thüringen) - PLZ-Regionen mit guter Telefonversorgung (= Hinweis Alte Bundesländer) - weiblich - Doktor-Titel - Doppel-Nachnamen - nicht Nachnamensregion Nordost - nicht Nachnamensherkunft türkisch Buch_Direktmarketing.indb 192 23.12.2008 10:29:07 Uhr 15.2 Kundenbewertung 193 Wenn man beispielsweise die Kriterien Kundenattraktivität und Wettbewerbsposition in Bezug setzt, lässt sich erkennen, bei welchen Kunden im Rahmen des Customer Relationship Management ein höheres Marketingbudget gerechtfertigt erscheint. Dies betrifft die Kunden mit einer hohen Kundenattraktivität, bei denen das Unternehmen eine starke Wettbewerbsposition hat (vgl. Abbildung 102). In einem anderen Ansatz werden die Kriterien Kundenpotenzial und Kundenloyalität in Beziehung zueinander gesetzt, daraus ergeben sich Grundlagen für die Ent- Abbildung 100: Scoring-Modell zur Prognose von Reaktionswahrscheinlichkeiten Quelle: Karstadt Quelle Information Services 18,5 12,8 11,0 8,7 7,8 7,5 7,2 6,7 5,5 5,2 5,0 4,6 4,0 3,9 2,8 1,8 0,0 2,0 4,0 6,0 8,0 10,0 12,0 14,0 16,0 18,0 20,0 R ea kt io ns w ah rs ch ei nl ic hk ei t ( IN % ) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 SCORE-KLASSE Durchschnittliche Reaktionswahrscheinlichkeit Abbildung 101: Customer Lifetime Value Quelle: Bruhn, 2001, S. 221 f. Mit Kundenbindungswahrscheinlichkeit: t = Jahr T = voraussichtliche Zahl der Jahre, in denen der Umworbene Kunde bleibt xt = Abnahmeprognose für das Jahr t p = Produktpreis k = Stückkosten Mt = kundenspezifische Marketingaufwendungen im Jahr t r = Kalkulationszinsfuß R = Retention Rate I0 = Akquisitionskosten im Zeitpunkt t = 0 Buch_Direktmarketing.indb 193 23.12.2008 10:29:07 Uhr 15 Einsatz des Database-Marketings194 wicklung von Kommunikationsstrategien. Für jeden Kunden lässt sich eine optimale Maßnahmensteuerung an Hand der Position im Portfolio bestimmen. Außerdem können Strategien entwickelt werden, mit denen Kunden von der einen in die nächst höhere Gruppe geführt werden. Der Cube-Ansatz von Huldi verwendet die Idee der Kundenportfolios und erweitert diese um eine dritte Dimension, die das Involvement der Kunden in den Beziehungsprozess beschreibt. Anders als bei herkömmlichen Kundenbewertungen wird die Güte und Intensität der Kundenbeziehung mit einbezogen. Das Cube-Modell basiert auf der Einteilung und Qualifizierung der Kunden in drei Dimensionen (oder Kanten eines Würfels – Cube). Die drei Dimensionen werden durch folgende Kriterien gebildet: Deckungsbeitrag• Der Deckungsbeitrag stellt eine genau ermittelbare, quantitative und vergangenheitsorientierte Größe dar. Potenzial• Das Potenzial lässt sich durch Hochrechnung prognostizieren, es stellt eine quantitative und zukunftsorientierte Größe dar. Involvement• Das Involvement ist eine emotionale und qualitative Größe, die sich nur sehr schwer messen lässt. Ausgehend von den Portfolio-Modellen für Produkte oder strategische Geschäftsfelder wurden solche für die Bewertung von Kunden entwickelt. Abbildung 102: Kundenattraktivitäts-Wettbewerbsposition-Portfolio Quelle: Link., Hildebrand, 1997, S. 169 3 Entwicklungs- Kunden 2 Star- Kunden 1 Star- Kunden 6 Mitnahme- Kunden 5 Abschöpfungs- Kunden 4 Perspektiv- Kunden 9 Verzichts- Kunden 7 Abschöpfungs- Kunden 8 Mitnahme- Kunden Kundenattraktivität Wettbewerbsposition schwach mittel stark hoch mittel niedrig Investitionswürdigkeit Buch_Direktmarketing.indb 194 23.12.2008 10:29:08 Uhr 15.3 Einsatzmöglichkeiten des Database-Marketings 195 So wird in Anlehnung an die Vier-Felder-Matrix der Boston Consulting Group an die Stelle des Marktanteils nun der eigene Lieferanteil bei dem Kunden gesetzt und an die Stelle des Marktwachstums tritt das Wachstum des Kundenumsatzes. An die Stelle der Marktattraktivität des McKinsey-Modells tritt die Attraktivität des Kunden und statt der relativen Wettbewerbsstärke wird die eigene Stärke bei dem Kunden, die Wettbewerbsposition bewertet, wobei diese Kriterien sich aus vielen quantitativen und qualitativen Kriterien zusammensetzen (Winkelmann, 2005, S. 302). 15.3 Einsatzmöglichkeiten des Database-Marketings 15.3.1 Selektion Die Database legt die Informationsgrundlage für die Selektion von Zielpersonen, auf die bestimmte definierte Kriterien zutreffen. Viele Unternehmen, die in den letzten Jahren Kundenclubs gegründet und Kundenkarten herausgegeben haben, verfolgen dabei als wichtigstes Ziel den Aufbau einer Database, um die Kunden und ihr Kaufverhalten individuell bewerten zu können. Beispiel: So könnte ein Automobilhersteller, der die durchschnittliche Haltedauer seiner Neuwagen kennt, alle Kunden aus seiner Datenbank selektieren, deren Auto ein bestimmtes Alter hat, und diesen eine Probefahrt und ein Umtauschangebot offerieren. Bei vielen Unternehmen trifft die bekannte 80/20-Regel (Pareto-Kriterium) zu, die besagt, dass etwa 20 Prozent der Kunden 80 Prozent des Umsatzes oder Deckungsbeitrages verantworten. Gleichzeitig haben die meisten Unternehmen eine große Anzahl von „Karteileichen“ oder „Non-Potentials“ in ihrer Kundendatei. Nur mit einer Kundendatenbank ist es möglich, die Kunden zu selektieren und Kategorien (A-, B-, C-Kunde) zuzuordnen, damit die A-Kunden mit anderen Marketing-Aktivitäten angesprochen werden als die unrentablen. Ein elementarer Grundsatz des Dababase-Marketings lautet: „Fish where the big fish are!“• Beispiel: Die Abbildung 103 zeigt die „Lorenz-Kurve“ für eine Fundraising-Organisation. Auf der Abszisse sind die Spender (Donators) abgetragen, auf der Ordinate das Spendenvolumen (Donations). Ohne Database ergibt sich die in der Abbildung eingezeichnete 45-Grad-Linie. Das heißt, wenn nicht alle Spender in einem Spendenmailing angesprochen Buch_Direktmarketing.indb 195 23.12.2008 10:29:08 Uhr 15 Einsatz des Database-Marketings196 werden, sondern beispielsweise nur 50 Prozent, dann wird man auch 50 Prozent des maximal möglichen Spendenaufkommens realisieren können. Da die Spender aber in einer Database erfasst sind, ist es möglich diese nach ihrer „Qualität“ zu ordnen, was in der Abbildung ersichtlich ist. Wenn nun die spendenwilligsten 50 Prozent angesprochen werden, so lässt sich damit bereits ca. 83 Prozent des Spendenvolumens abschöpfen. Mit Zweidrittel der Spender sind bereits über 90 Prozent der „donations“ zu erzielen. Die Fundraising-Organisation kann mit dieser Kenntnis auch die Wirtschaftlichkeit ihrer Mailing-Aktionen bewerten und definieren, bis zu welcher Grenze der Einsatz rentabel ist. 15.3.2 Segmentierung Database-Marketing wird genutzt zur Segmentierung von Kunden für bestimmte Marketing-Aktivitäten. So lassen sich aus der Kundendatenbank auf Grund der gespeicherten Informationen beispielsweise Personensegmente herausfiltern, von denen man ein gesteigertes Interesse für bestimmte Angebote erwarten kann. Wenn die Kundendatenbank die für die Marktsegmentierung relevanten Merkmale enthält, bietet sie die Grundlage für die Bildung von möglichst homogenen Kundengruppen, die unterschiedlich angesprochen werden. So können Kundentypen, Ab bil dung 103: Lo renz-Kur ve ei ner Fund rai sing-Or ga ni sa ti on Quel le: Ogil vyO ne Buch_Direktmarketing.indb 196 23.12.2008 10:29:09 Uhr 15.3 Einsatzmöglichkeiten des Database-Marketings 197 die sich durch ihre Soziodemografie, durch ihr Kaufverhalten oder durch psychografische Kriterien unterscheiden, die für sie passenden Angebote erhalten (Schaller, 1988, S. 130). Beispiel: Ein Sortimentsversender kann seine Kundinnen nach dem Kaufverhalten in unterschiedliche Segmente einteilen und diesen entsprechende Spezialkataloge zusenden. Jeder der großen Sortimentsversender, wie Otto, Quelle oder Neckermann, verbreitet in jeder Saison neben dem umfangreichen Hauptkatalog ca. 20 Spezialkataloge, die an Kundensegmente versandt werden. Eine Streuung dieser Spezialkataloge an alle Kunden wäre nicht wirtschaftlich. Ein Versandhaus könnte aus seiner Database jugendliche Kundinnen mit einem überdurchschnittlichen Umsatz bei hochwertiger Mode selektieren und dieser Zielgruppe einen Spezialkatalog mit junger, hochwertiger Mode zusenden. Beispiel: Versicherungsunternehmen können mit Hilfe ihrer Kundendatenbank eine Lebensversicherung zur zusätzlichen Altersabsicherung für Frauen im Alter zwischen 30 und 50 Jahren anbieten. Für dieses Produkt werden mittels Database-Marketings nur solche Personen ausgewählt, von denen man weiß, dass sie die geforderten Voraussetzungen erfüllen. Wenn es zu Lieferproblemen kommt und der Produktbestand nicht zur Deckung aller Kundenbestellungen ausreicht, können mit Database-Marketing diejenigen Kunden ausgewählt werden, die zuerst beliefert werden sollen. Es lässt sich eine Prioritätsliste aufbauen, die eine Minimierung der Kundenverärgerung zum Ziel hat. So lassen sich beispielsweise Stammkunden vorrangig beliefern sowie solche Kunden, die bereits mehrmals durch mangelnde Lieferbereitschaft enttäuscht wurden. Auch für die Lieferterminsteuerung kann auf die Kundendatenbanken zurückgegriffen werden, wenn zum Beispiel darauf zu achten ist, dass im gewerblichen Bereich die Bestellung rechtzeitig zu einem bestimmten Termin eintrifft. In der Kundendatenbank könnte auch der Zeitraum gespeichert sein, in dem der Kunde üblicherweise zu Hause anzutreffen ist, um unnötige Wege des Außendienstes oder des eigenen Zustelldienstes zu vermeiden. Dies wird beispielsweise bei der Hauszustellung von tiefgefrorenen Lebensmitteln durch die Firma Eismann realisiert. 15.3.3 Marktforschung Die Kundendatenbank eines Unternehmens ist eine gute Voraussetzung für jede Kundenbefragung. Der wesentliche Vorteil einer Database gestützten Befragung liegt darin, dass die Untersuchung mit bekannten und damit nicht mit anonymen Personen stattfindet. Es ergibt sich die Möglichkeit, nicht nur festzustellen, wie viel Prozent der eigenen Kunden mit einem Ablauf zufrieden sind, sondern was der einzelne Kunde Buch_Direktmarketing.indb 197 23.12.2008 10:29:09 Uhr 15 Einsatz des Database-Marketings198 denkt. Die Befragungsergebnisse können den einzelnen, individuell bekannten Personen zugeordnet werden, wenn man keine Anonymität zugesichert hat. Man kann somit dem Bedürfnis nach einer individuellen Kundenorientierung gerecht werden. Außerdem werden im Allgemeinen mit Kundenbefragungen beispielsweise zur Zufriedenheit (Customer Satisfaction Index) nicht nur Informationen generiert, sondern sie wirken sich auch sehr positiv auf die Kundenbindung aus. 15.3.4 Informationsgewinnung Eine statistische Auswertung der gespeicherten Daten über Soziodemografie und vor allem über das Kaufverhalten führt zu Informationen, die einen effektiveren Einsatz der Instrumente ermöglichen. Beispiel: Ein Versandhandelsunternehmen kann beispielsweise die Kunden aus der Datenbank selektieren, die von Nachlieferungen betroffen waren („Artikel kommt in sechs Wochen“), und überprüfen, wie sich das auf die Retourenquote ausgewirkt hat. Durch Nachlieferungen kommt es zur Verärgerung von Kunden und zu erhöhten Rücksendequoten der nachgelieferten Produkte, da der Besitzwunsch inzwischen abgekühlt ist oder sich der Besteller das Produkt in der Zwischenzeit bei einem Stationärhändler gekauft hat. Man kann davon ausgehen, dass die Retourenquote mit zunehmender Lieferzeit steigt; mit Hilfe der Database lässt sich eine genaue Regression errechnen. Wenn einerseits quantifizierbar ist, wie groß der Verlust bei Überhängen ist, und andererseits, welche Auswirkungen die Kundenverärgerung bei nicht rechtzeitiger Lieferung hat, lassen sich die Lagerbestandsmengen optimieren. Weiterhin lassen sich Substitutionswirkungen zwischen den Sortimentsteilen oder die langfristige Entwicklung bestimmter Kundengruppen untersuchen. 15.3.5 Neukundengewinnung Durch eine zielgerichtete Vorgehensweise lassen sich gerade für die Neukundengewinnung mit dem Database-Marketing neue Impulse setzen. So können mittels statistischer Verfahren (z. B. durch Cluster- und Diskriminanzanalysen) Kundenstrukturen ermittelt werden, die charakteristische Merkmale für einen guten Kunden ausweisen (Holland, 1995, S. 28–31). Nur die systematische und stufenweise Weiterqualifizierung von Adressen ermöglicht es, dass weitgehend Streuverluste vermieden werden und nur dort Folgekosten entstehen, wo es ökonomisch sinnvoll ist. Buch_Direktmarketing.indb 198 23.12.2008 10:29:10 Uhr 15.3 Einsatzmöglichkeiten des Database-Marketings 199 Beispiel: Porsche unterhält neben der Kundendatenbank auch eine Interessentendatenbank. Ein Interessent, der Informationen von Porsche anfordert, bekommt einen Fragebogen, in dem er unter anderem nach seinem bisherigen Fahrzeugbestand, seinem Alter, Beruf und Einkommen gefragt wird. Die Daten werden von Porsche bewertet, um die Kaufwahrscheinlichkeit zu schätzen. Die Interessenten werden in Gruppen klassifiziert und erhalten eine unterschiedliche Betreuung. Der A-Interessent wird an den zuständigen Händler gemeldet, der B-Interessent wird per Direktmarketing weiter betreut und der C-Interessent bekommt zwar den angeforderten Prospekt, wird dann aber nicht weiter verfolgt. 15.3.6 Selektion inaktiver Kunden Kunden, die in der Database verzeichnet sind, aber seit längerer Zeit nicht mehr aktiv waren, werden selektiert und mit einem speziellen Angebot angesprochen, damit der Kontakt nicht abreißt. Handelsunternehmen, die durch ihren Kundenclub diese Information haben, selektieren alle Kunden, die seit einem halben Jahr nicht mehr im Stationärgeschäft waren, und senden diesen ein Angebot mit dem Anreiz, wieder in das Geschäft zu kommen. 15.3.7 Selektion unrentabler Kunden Unrentable Kunden können im Versandhandel solche sein, die sehr hohe Retourenquoten aufweisen. Auch eine Bank oder Versicherung hat sicherlich einen sehr hohen Anteil von unrentablen Kunden in der Datei. Aus der Database können diese Kunden identifiziert werden. Vielleicht lassen sich Gründe für diesen Zustand finden, oder die Kunden können durch Cross-Selling- Angebote für das Unternehmen aufgewertet werden. Beispiel: Die Versandhändler stehen in jeder Saison vor der Frage, welchen Kunden sie ihre halbjährlich erscheinenden Kataloge schicken sollen, und bei welchen Kunden sich dieser Versand wahrscheinlich nicht lohnt. Auf die umfangreichen Hauptkataloge der Sortimentsversender entfallen Herstellungskosten von ca. 10 Euro. Zusätzlich muss die Abteilung, die sich mit dem Katalogversand beschäftigt, klären, wie viele Kataloge die Sammelbesteller bekommen sollen, welche Kunden zuerst bedacht werden, und welche Spezialkataloge an welche Kunden verschickt werden sollen. Buch_Direktmarketing.indb 199 23.12.2008 10:29:10 Uhr 15 Einsatz des Database-Marketings200 Eine Hilfe bei der Beantwortung dieser für die Katalogauflage wichtigen Fragen bietet das Database-Marketing. Aus der Auswertung der Kundendatenbanken lassen sich Beziehungen und Kausalitäten erkennen, die sich in Entscheidungsunterstützungssysteme umsetzen lassen. Die Versandhändler haben Scoring-Modelle (beispielsweise RFMR-Methode) entwickelt, die den Kunden je nach Kaufhäufigkeit, Bestellwert und Dauer der Kundenbeziehung Punktwerte zuordnen. Die Höhe des Punktwertes entscheidet darüber, ob der Kunde mit einem Katalog ausgestattet wird. Beispiel: Ein Versandhaus hat die Kunden mit besonders hohen Remissionsquoten ermittelt, für die ein „Retourensünderprogramm“ implementiert wurde. Dieses Programm hat die Aufgabe, die Rücksendequote dieser Kunden zu senken. Dazu werden die Kunden angeschrieben und nach ihren Problemen (beispielsweise Passform) befragt, oder man versucht, diesen Kunden keine besonders retourenanfälligen Angebote – wie hochmodische Bekleidung – mehr zuzusenden. Falls sich das Kaufverhalten der Kunden nicht ändert, wird der Kontakt zu diesen unrentablen Kunden möglichst vorsichtig abgebrochen. 15.3.8 Unterstützung des Außendienstes Gerade der Außendienst profitiert von einem gezielten EDV-Einsatz. So können mit Hilfe des Database-Marketings Vorbereitungen des Verkaufgesprächs getroffen werden (z. B. Besuchsvereinbarungen oder Nachfassen der Terminvereinbarungen), die Durchführung einzelner Gespräche mit an das Firmennetz gekoppelter EDV perfektioniert werden und zum Abschluss in der Phase der Nachbereitung speziell angepasste Verträge oder Danksagungen verschickt werden. Beispiel: Versicherungsunternehmen können ihre Außendienstmitarbeiter viel gezielter und effizienter einsetzen, wenn sie den Besuch mit Hilfe der Database und des Direktmarketings vorbereiten. Für die Neukundengewinnung werden dann Direktmarketing-Methoden wie Coupon-Anzeigen und Werbebriefe eingesetzt, um Interessenten zu gewinnen. Diese Interessenten können dann bei einem gut vorbereiteten Außendienstbesuch beraten und in Kunden umgewandelt werden. Dem Außendienst werden Kundendaten zur Verfügung gestellt, und dieser verfügt damit über eine wertvolle Verkaufs- und Beratungshilfe. Buch_Direktmarketing.indb 200 23.12.2008 10:29:10 Uhr 15.4 Wirkungen des Database-Marketings 201 15.4 Wirkungen des Database-Marketings Die beschriebenen Einsatzmöglichkeiten des Database-Marketings zielen mit unterschiedlichen Vorgehensweisen darauf ab, die Wirtschaftlichkeit des Marketing- Einsatzes zu steigern. Die individuelle Selektion von Kunden für Aktionen und das schnelle Reagieren • auf die Bestellung oder Informationsanforderung führen zu einer Steigerung des Umsatzes. Auf der Basis der individuellen Informationen, die über alle Kunden vorliegen, • können Segmentierungen für Zusatz- und Cross-Selling-Angebote den Absatz steigern. Durch die Auswertung der Kundeninformationen und die Qualifizierung der • Database durch Aktualisierungen und ständige Erweiterung der Informationsgrundlage gewinnt das Unternehmen eine immer bessere Kundenkenntnis, die zu einer immer gezielteren Ansprache genutzt werden kann. Die Database legt die Grundlage für das Kundenbindungsmanagement und trägt • damit zur Festigung der Kundenbeziehung bei. Durch Kundenstrukturanalysen gewinnt das Unternehmen die Informationen, die • es zu einer effektiven Neukundengewinnung benötigt. Schließlich lassen sich Kosteneinsparungen durch die Selektion inaktiver und • unrentabler Kunden und die Unterstützung für einen gezielten Einsatz des Au- ßendienstes erreichen. Eine Übersicht über die ökonomischen Wirkungen des Database-Marketings gibt die Abbildung 104. 1. Ra tio na li sie rung Kon se quen te ABC-Kun den-Be treu ung Ein spa rung von Kom mu ni ka ti ons kos ten Ver kaufs wirk sa mer Ein satz des Au ßen diens tes Au to ma ti sie rung des Ver kaufs pro zes ses ⇒ Ge rin ge re Kos ten 2. Schnel lig keit Schnel le re An ge bots er stel lung Glei cher In for ma ti ons stand al ler Ab tei lun gen Früh er ken nung und Nut zung von Markt chan cen ⇒ Hö he re Prei se und mehr Kun den 3. In di vi dua li tät Bes se re Kun den kennt nis In di vi du el le An spra che, An ge bo te, Pro duk te Hö he re Be ra tungs kom pe tenz ⇒ Hö he re Prei se und mehr Kun den Buch_Direktmarketing.indb 201 23.12.2008 10:29:11 Uhr 15 Einsatz des Database-Marketings202 4. Cross-Sel ling Ana ly se neu er Ver kaufs chan cen An ge bot zu sätz li cher Pro duk te An ge bot zu sätz li cher Ser vices ⇒ Grö ße re Ab satz men ge 5. Fol ge ge schäf te Früh zei ti ges Er ken nen von Er satz be darf Nach kauf-Ser vice Lo ya li täts an rei ze ⇒ Grö ße re Ab satz men gen Ab bil dung 104: Wirt schaft lich keit des Da ta ba se-Mar ke tings Quel le: Krumb, 2002, S. 100 Buch_Direktmarketing.indb 202 23.12.2008 10:29:11 Uhr

Chapter Preview

References

Zusammenfassung

Das Direktmarketing hat in den letzten Jahren eine rasante Entwicklung mit beträchtlichen Zuwachsraten erlebt. Immer mehr Unternehmen aus den unterschiedlichsten Branchen haben den direkten Dialog mit ihren Kunden in ihr Marketing-Instrumentarium übernommen und damit bewirkt, dass nach einer Studie der Deutschen Post AG bereits zwei Drittel der Kommunikationsausgaben deutscher Unternehmen in den Dialog fließen.

Der Übergang vom Transaktions- zum Beziehungsmarketing stellt die langfristige Kundenbeziehung und Kundenbindung in den Fokus, die durch die Instrumente des Direktmarketings gepflegt werden.

Die Trends zum CRM (Customer Relationship Management) und zum Online-Marketing haben die Bedeutung des Direktmarketings weiter verstärkt.

Neue Techniken der Segmentierung, wie Data Warehouse und Data Mining, erlauben eine immer feinere Selektion für die direkte Kundenansprache.

Auch die akademische Lehre hat sich in den letzten Jahren mit diesem Thema stärker beschäftigt. Allerdings wird in vielen klassischen Marketing-Lehrbüchern das Direktmarketing immer noch allenfalls im Rahmen der Kommunikationspolitik behandelt.

Diese 3. Auflage gibt einen Überblick über alle wichtigen Bereiche des Direktmarketings. Das Buch ist bewusst pragmatisch ausgerichtet, zeigt den aktuellen Stand und gibt an Hand zahlreicher Beispiele aus den unterschiedlichsten Branchen Anregungen für die praktische Umsetzung.

- Grundlagen des Direktmarketings

- Erfolgsfaktoren und Aufgaben des Direktmarketings

- Medien des Direktmarketings

- Online-Direktmarketing

- E-Mails im Direktmarketing

- Mobile Marketing

- Web 2.0 und Direktmarketing

- Planung von DirektmarketingAktionen

- Wahl der Zielgruppe

- Database-Marketing

- Einsatz des Database-Marketing

- Beziehungsmanagement und Customer Relationship Management

- Kundenzufriedenheit und Kundenbindung

- Kampagnenmanagement

- Kundenclubs und Kundenkarten

- Beilage und Anzeige

- Katalog

Prof. Dr. Heinrich Holland lehrt an der Fachhochschule (University of Applied Sciences) Mainz. Er ist Akademieleiter der Deutschen Dialogmarketing Akademie (DDA) und Mitglied zahlreicher Beiräte und Jurys. Im Jahr 2004 wurde er in die Hall of Fame des Direktmarketings aufgenommen. Er hält Vorträge im In- und Ausland und berät namhafte Unternehmen. Mit der Holland Consulting betreut er Beratungs-Projekte in den Bereichen Direktmarketing, Integrierte Kommunikation, CRM und Marktforschung

Für Dozenten und Studierende des Marketings, Marketingfachleute in Unternehmen sowie für Werbeagenturen.