Melville-Schellmann ACT! ... Bach oder Strom?

Act! Ziele 4 Während die Hauptaufgabe des klassischen CRM im operativen Bereich liegt, also die Unterstützung der Mitarbeiter mit direktem Kundenkontakt, erweitert das analytische CRM die Zielsetzung um die Auswertung von Kundendaten.

Damit stellt der Teilbereich des analytischen CRM einen zweiten Hauptpfeiler der CRM-Strategie (im Sinne eines geschlossenen Kreislaufsystems) dar.

Die Datenauswertungselemente erfassen Daten über Kundenkontakte und Kundenreaktionen und sollen helfen, die Kundenbedürfnisse, das Kundenverhalten und den Wert von Kunden zu prognostizieren. Die Analysen liefern dann empirisch abgesicherte Entscheidungsgrundlagen für Marketing, Vertrieb und andere kundenbezogene Aktivitäten.

Melville-Schellmann zeigt Ihnen nachstehend den roten Faden auf und kärt außerdem, was bereits Standard ist, und wo der CRM-Ausbau beginnt.

Die Ausbaustufen von ACT! Premium im analytischen CRM-Bereich

	ACT! Premium	ACT! Premium + Aufsatz Analytisches CRM



Allgemeine Data Warehouse-Funktionen

Bereitstellung von CRM-Daten (operative Vertriebsdaten) in einem Data-Warehouse	-

Möglichkeiten der Aufbereitung von inhomogenen Datenbeständen zu qualitativ sauberen Daten	mit Einschränkungen

Bereitstellung von ERP-Daten (Back-Office) in einem Data-Warehouse und flexible Verknüpfungsoptionen zu den vorhandenen CRM-Daten	-

Aufbereitung von vorliegenden Daten zum Zwecke weitergehender Analysen Beispiele: 1) Clusterbildung (A-Kunde, wenn "Bedingung") 2) Fallunterscheidung (A-Kunde, wenn "Bedingung 1" und "Bedingung 2")	-

Einfache 1-D-Analysen

Individuelle Zusammenfassung von Daten (Summe, Anzahl, Durchschnitt, Akkumulation u.a.) Beispiele: 1) Gesamtanzahl Kunden 2) Gesamthöhe Umsatzerwartung 3) Anzahl geführter Telefonate	-

Anspruchsvolle 2-D-Analysen

Individuelle Berechnung von Kennzahlen pro "Bezugsgröße" Beispiele: 1) Gesamtanzahl Kunden pro Verkaufsregion 2) Umsatzhöhe pro Kunde 3) Anzahl Akquisetätigkeiten pro Kunde 4) %-Anteil des Kundenumsatzes pro Artikelgruppe	-

OLAP-Analysen 3-D-Analysen

Individuelle Berechnung von Kennzahlen für zwei "Bezugsgröße" gleichzeitig (Multidimensionale Sicht auf Daten) Beispiele: 1) Gesamtanzahl Kunden pro Verkaufsregion pro Jahr 2) Umsatzhöhe pro Kunde pro Mitarbeiter 3) Anzahl Akquisetätigkeiten pro Kunde pro Fachbereich 4) %-Anteil des Kundenumsatzes pro Artikelgruppe pro Monat	-

Kundenmuster erkennen mit Data Mining

Mustererkennung zur Herleitung von empirischen Regeln und Prognosen für die Geschäftstätigkeit Beispiele: 1) Welche Kunden sind abwanderungsgefährdet? 2) Kunde X kauft Produkt Y mit Wahrscheinlichkeit P 3) Rentabilität der Kundenbeziehung auf Basis von KD-Deckungsbeitrag X und Vertriebsaufwand Y	-