Vor der Einführung der Kundenkarten hatten die Marketing-Spezialisten lediglich anonyme Kassenbon-Daten zur Verfügung, die gerademal die Bildung von Durchschnittswerten erlaubten. Mit Hilfe des Kundenbindungssystems erkennt das Karstadt-Marketing nun, wer wann und wo was zu welchem Preis kauft. Aus der detaillierten Analyse dieser Angaben entsteht eine Gesamtsicht auf die „Konsumkarriere“ des Kunden, seinen derzeitigen „Wert“ oder Status und sein künftiges „Potenzial“ für das Unternehmen. Auf dieser Grundlage lässt sich beispielsweise ein Frühwarnsystem installieren, mit dessen Hilfe „eingeschlafene“ Kundenbeziehungen wiederbelebt werden können. Zudem ist es möglich, „Verbundkauf“-Muster zu erkennen (In welchen Zusammenhängen kauft der Kunde was?) und Scorecards für Kunden oder Kundengruppen anzulegen, um beispielsweise die Wahrscheinlichkeit einer Reaktion auf eine Marketing-Aktion zu

prognostizieren.

Diese Erkenntnisse sind hilfreich für die andere Säule des Systems: das Kampagnen-Management. Dort lassen sich Marketing-Maßnahmen und -Konzepte, also beispielsweise Mailing-Aktionen oder Coupon-Aussendungen, planen und steuern. Für die anschließende Erfolgskontrolle werden die Reaktionen mit dem Verhalten einer Kontrollgruppe verglichen. Ergeben sich größere Abweichungen von der Prognose, so könnten die Marketing-Spezialisten nun gezielt nach den Ursachen forschen und sie künftig berücksichtigen. Schlussendlich fließen die Ergebnisse aus dem Kampagnen-Management in das Data Mining zurück, wo sie beispielsweise für die Absatzplanung zur Verfügung stehen. Dadurch lassen sich, so die Hoffnung der Karstadt-Marketiers, weit zuverlässigere Prognosen entwickeln als mit den früher

üblichen Expertenschätzungen.

Gelungene Integration

Bei der informationstechnischen Umsetzung des Gesamtsystems nutzte Karstadt die MVS-Ausführung des IBM-eigenen Datenbank-Management-Systems „DB2“ als Data-Warehouse-Basis. Darauf setzen die unter AIX installierten Softwarewerkzeuge von SAS Institute auf: Für das Data Mining kommt der „Enterprise Miner“ zum Einsatz. Er hilft unter anderem beim Aufbau von Scoring-Modellen, die bestimmte Kundenmerkmale mit Wahrscheinlichkeitsfaktoren verbinden. Zudem unterstützt er die Analyse von Verbundkauf-Informationen, also Angaben darüber, welche unterschiedlichen Waren ein Kunde beim Kaufhausbesuch mitnimmt.