Auf dem CRM-Markt finden sich unterschiedliche Lösungen, alle versprechen mehr oder weniger das Gleiche: den Kunden und sein Verhalten kennen zu lernen sowie seine Loyalität zum Unternehmen zu festigen. Diese Vielfalt führt zunehmend zur Begriffsverwirrung: So werden fälschlicherweise Teilbereiche von CRM für Gesamtlösungen gehalten, obwohl sie ausschließlich für das operative Geschäft, das heißt für die konkrete Umsetzung von Strategien, von Nutzen sind. Eine aktuelle Studie von Frost & Sullivan zeigt, wie unausgegoren viele CRM-Lösungen tatsächlich sind: Hauptkritikpunkte der befragten Anwender sind mangelnde Produktreife und geringe Kostenwirksamkeit. Darüber hinaus sind viele Anwender mit dem Leistungsumfang der Lösungen unzufrieden. Kein Wunder: CRM ist eben mehr, als Prozesse zur Ansprache der Kunden (Vertriebsautomatisierung, Direktmailings, Kampagnen) zu verbessern.

CRM-Strategien brauchen Analysen

Operative CRM-Lösungen steuern Prozesse, die überwiegend den direkten Kundenkontakt betreffen. Bisher lag das Augenmerk vieler Unternehmen überwiegend auf der operationalen Seite. Mit dieser Spielart des CRM, also spezialisierte Front-Office-Anwendungen wie Call-Center-Lösungen oder Sales-Force-Automation- Tools lassen sich die Aktivitäten des direkten Kundenkontakts automatisieren. Demgegenüber versorgt die analytische CRM-Software Unternehmen mit der Intelligenz, die sie brauchen, um CRM-Strategien überhaupt zu entwickeln. Analysten wie die Meta Group stellen fest, dass die meisten Unternehmen zunächst operative CRM-Software einsetzen, um ihre Kundenkontakte zu automatisieren. Allerdings ist ein solches Vorgehen langfristig nur dann erfolgreich, wenn eine analytische Komponente hinzu kommt.

Für strategische CRM-Planungen ist eine fundierte Analyse des Kauf-und Kundenverhaltens erforderlich – diese Aufgabe leistet analytisches CRM: Hier geht es darum, profitable Kunden zu identifizieren und Customer-Lifetime-Value-Betrachtungen anzustellen. Ein anderer Aspekt ist, Kaufwahrscheinlichkeiten pro Kunde für ein bestimmtes Produkt zu ermitteln, oder auch den Kanal, über den ein Kunde am besten erreichbar ist. Dabei spielen Verhaltensweisen von verschiedenen Kundengruppen eine wichtige Rolle:

- Beispiel Drogeriefachhandel: Die männlichen Kunden stellen in Drogeriemärkten die Minderheit. Wenn sie überhaupt dort kaufen, dann in der Regel typische Männer-Produkte wie Rasierschaum. Für andere Pflegeprodukte bevorzugen Männer offensichtlich das anonyme Online-Shopping: Hier deckt „Mann“ sich mit Body Lotions und Cremes ein. Mit Erkenntnissen dieser Art können Unternehmen die besten Vertriebskanäle identifizieren.

- Beispiel Deutsche Bank 24: Strategisches CRM betreibt die Deutsche Bank 24 mit ihrer Multi-Channel-Strategie, die mit Hilfe von SAS Software umgesetzt wird. Die Deutsche Bank 24 gibt ihren Kunden die Wahl zwischen zehn verschiedenen Kanä-len, darunter Internet, WAP-Handy, E-Mail, drei Call-Center, viele Filialen sowie ein Finanz-Portal. Die Kunden sollen über jeden einzelnen Kanal gezielt und effektiv angesprochen werden. Herausforderung für eine echte CRM-Infrastruktur ist hier die Integration aller Kanäle in Echtzeit. Das Ziel ist also konkret, die Kundendatenbank zu jedem Zeitpunkt auf dem aktuellen Stand zu haben. Ob ein Kunde eine Filiale besucht oder eine Transaktion über das Internet abwickelt – die Prozesse werden bei der Deutschen Bank 24 sofort in der Kundendatenbank aufgenommen und stehen den Kundenberatern auch sofort zur Verfügung.

Alle Vertriebskanäle jederzeit im Blick

Um Kunden gezielt zu adressieren, brauchen Unternehmen Informationen über ihr Kaufverhalten, ihre Interessen, ihre Historie, über ihr Beschwerdeverhalten etc. Datenbank- und Decision-Support-Technologien helfen dabei, Kundendaten aus allen Bereichen im Unternehmen in Geschäftswissen umzusetzen – gerade in den „e“-Zeiten eine fordernde Aufgabe, denn jeder der verschiedenen Vertriebskanäle hat seine eigenen Gesetze: Unternehmen müssen jetzt Kundenbeziehungen über Telefon, Brief, persönliche Gespräche, Fax, E-Mail bis hin zu Internet-Transaktionen auswerten und steuern.

Die Studie von Frost & Sullivan geht davon aus, dass sich der Marktschwerpunkt immer mehr in Richtung E-CRM verschiebt, spätestens dann, wenn das Internet zum vorherrschenden Kontaktmedium geworden ist. Dieser „E-Channel“ wird angesichts des exponentiellen Wachstums des E-Business bald die Hauptquelle für Kundendaten sein. Kombiniert mit Daten aus anderen Quellen eröffnet dieser Vertriebsweg neue Dimensionen im Hinblick auf die Interpretation des Kundenverhaltens.

Aus Daten Wissen generieren

Mit analytischen CRM-Lösungen lassen sich Eigenschaften, Verhaltensweisen und die Wertschöpfungs-Chancen von Kunden einschätzen. Beispiel Assoziationsanalysen: Sie ergeben Merkmalskombinationen in Form von Produkten oder Dienstleis-tungen, die Kunden mit einer hohen Wahrscheinlichkeit zusammen erwerben – zum Beispiel Delikatess-Käse mit Kabinett-Wein oder eine private Rentenversicherung mit einem Vermögensfonds. So können effizientere und zielgerichtete Marketingaktivitäten gestartet werden, die den Return of Investment verbessern.

Analytische Verfahren evaluieren außerdem Kundenattribute, aus denen sich Kunden-Segmentierungen und Profile generieren lassen. Fragestellungen dazu lauten beispielsweise: Welche Verhaltensweisen sind typisch für Vertragsstornierer? Welche Charakteristika machen das Merkmal „Profitabilität“ aus? Erst nach einer sorgfältigen Analyse können Gruppen gebildet werden, für die man besondere Sales Promotions veranstaltet oder Direktmailing-Aktionen durchführt. Diese sind dann auf die Bedürfnisse der jeweiligen Gruppe zugeschnitten.

Auch das Kunden-Verhalten spielt eine wichtige Rolle im Beziehungs-management: Wie verhalten sich die Kunden, wie reagieren sie auf bestimmte Situationen? Was passiert zum Beispiel, wenn der Kreditrahmen von Bankkunden angehoben wird? Kann ein Unternehmen die wahrscheinlichste Verhaltensweise seiner Kunden in bestimmten Situationen antizipieren, kann es auch besser darauf reagieren.

Data Mining bringt Erkenntnisse

Die technologische Basis für detaillierte Auswertungen von Kundenbeziehungen liefern Data-Mining-Technologien: verschiedene statistische Verfahren, die je nach Aufgabenstellung kombiniert werden können. Das wichtigste Merkmal von Data Mining ist jedoch, Licht auf unbekannte Zusammenhänge zu werfen, neue Muster zu erkennen – zum Beispiel wenn es um das Erschließen neuer Potenziale geht: Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde, der regelmäßig Sportartikel kauft, sich auch für Sport- und Fun-Reisen interessiert? So beschäftigt sich beispielsweise eine spezielle Business-Lösung von SAS Institute mit „Churn Management“, dem Abwanderungsverhalten von Kunden, eine andere Lösung untersucht Cross-Selling-Potenziale, eine dritte („Fraud Detection“) analysiert Betrugsverhalten.

Eine Besonderheit intelligenter CRM-Lösungen: Sie melden Verantwortlichen im Unternehmen Abweichungen von der Norm, zum Beispiel, wenn bestimmte Dienstleistungsangebote plötzlich nicht mehr wahrgenommen werden. Die Fähigkeit, solche Anomalien schnell zu identifizieren, gibt Unternehmen die Chance, bei unerwünschten Entwicklungen mit konkreten Aktionen rechtzeitig gegenzusteuern. Je schneller Unternehmen charakteristische Merkmale der loyalen und profitablen Kunden identifizieren können, umso besser können sie agieren und – im Idealfall – diese Kunden halten.

Die Daten für analytisches CRM stammen aus den operativen Systemen. Es handelt sich dabei meistens um Informationen, die bei typischen Transaktionen gebraucht werden: Kontonummern, Telefonnummern oder andere „gesichtslose“ Datenelemente. Um diese inhomogenen Datenbestände auszuwerten, müssen sie zunächst in eine konsistente Datenbasis überführt werden. Die Daten können in relationalen Datentabellen fürAd-hoc-Anfragengespeichert werden, in multidimensionalen Datenbanken für das Reporting und für das Online Analytical Processing (OLAP) sowie in Data-Mining-Datenbasen, um bestimmte Muster in Daten zu erforschen. Für die verschiedenen Analyse-Anforderungen ist ein Data Warehouse die ideale Voraussetzung: Als zentrales Datenlager speichert, konsolidiert und ordnet das Data Warehouse alle relevanten Daten, so dass sie in einheitlicher Form vorliegen. Diese Daten können darüber hinaus mit anderen Informationen komplettiert werden, beispielsweise mit soziodemografischen Daten, mit unabhängigen Marktanalysen etc.

Analytisches/operatives CRM: Closing the Loop
Doch wie werden die Erkenntnisse des analytischen CRM im operativen Geschäft umgesetzt? Dies lässt sich gut am Beispiel „E-Commerce“ illus-trieren. Im Web sitzen die Wettbewerber besonders dicht aufeinander, das Risiko Kunden zu verlieren ist hier sehr hoch. Daher spielt die Versorgung der operativen E-Commerce-Systeme mit den Erkenntnissen aus dem analytischen CRM eine maßgebliche Rolle. Zum Beispiel lassen sich per Data Mining identifizierte Cross-Selling-Potenziale nutzen. Daraus lassen sich Regeln für den Aufbau der Websites generieren: Klickt sich ein Angehöriger eines definierten Kunden-Segments auf eine Seite, erhält er automatisch ein auf seine Interessen gemünztes Angebot.
So werden die Kunden immer wieder an neue Produkte herangeführt, damit sie über Folgekäufe dauerhaft an das Unternehmen gebunden werden. Wenn der Kunde dem Unternehmen durch Mehrfachkäufe treu bleibt, kann auch der Umsatz pro Kunde gezielt erhöht werden (Up-Selling). Hier schließt sich der Kreis (Closed-Loop-Ansatz): Daten werden aus den operativen Systemen gewonnen, konsolidiert, analysiert und die Erkenntnisse wieder in die operativen Systeme zurückgeführt. (Erschienen in: SALES PROFI, CRM-Special )