Ein Customer Analytics Data Mart ist ein themenspezifischer Ausschnitt einer analytischen Datenplattform, der Kundendaten so aufbereitet, dass Fachbereiche verlässlich zu Kundenwert, Abwanderung (Churn) und Segmenten auswerten können. Der Fokus liegt auf konsistenten Definitionen, klaren Datenwegen und einer Struktur, die Reporting und Analysen schnell nutzbar macht.
Der Customer Analytics Data Mart schafft eine belastbare Datenbasis für kundenzentrierte Entscheidungen. Im Vordergrund stehen ein einheitliches Kundenbild, nachvollziehbare KPI-Logiken und eine effiziente Bereitstellung für BI und Analytics.
- Kundenprofile und Interaktionen aus relevanten Quellen konsolidieren (kanalübergreifend)
- KPI-Definitionen für Kundenwert, Churn und Segmentierung fachlich festlegen und technisch reproduzierbar umsetzen
- Analysen und Dashboards für Marketing, Vertrieb und Service in kurzer Zeit bereitstellen
- Skalierbare Grundlage für weiterführende Verfahren (z. B. Scoring, Clusteranalysen) schaffen
Typische Fragen, die mit einem Customer Analytics Data Mart beantwortet werden, sind:
- Kundenwert: Welche Kundengruppen tragen besonders zum Ergebnis bei, und wie entwickelt sich der Wert über die Zeit?
- Churn: Welche Kundinnen und Kunden zeigen frühe Abwanderungssignale, und in welchen Segmenten häuft sich Churn?
- Segmentierung: Welche Segmente lassen sich anhand Verhalten, Transaktionen und Interaktionen sinnvoll bilden?
- Customer Journey: Über welche Kanäle und Kontaktpunkte entstehen relevante Interaktionen und Abschlüsse?
- Maßnahmenwirkung: Wie entwickeln sich KPIs vor/nach Kampagnen, Service-Maßnahmen oder Preis-/Produktänderungen?
Welche Kennzahlen im Detail genutzt werden, hängt vom Geschäftsmodell ab. Wichtig ist eine eindeutige Definition (Berechnungslogik, Zeitraum, Population).
| KPI-Cluster | Beispiele | Hinweis zur Definition |
|---|---|---|
| Kundenwert | Umsatz/Marge je Kunde, Wiederkaufquote, Wertklassen/Score, CLV (falls genutzt) | Zeitraum, Netto/Brutto, Rückgaben/Stornos, Kundenhierarchie |
| Bindung & Churn | Churn-Rate, Retention-Rate, Inaktivität (z. B. 30/90 Tage), Kündigungsquote (Abo/Vertrag) | Was gilt als Churn? Ereignisdatum vs. Beobachtungsfenster |
| Aktivität Engagement | Kontaktfrequenz, Web-/App-Aktivität, E-Mail-Öffnung/Klick, Servicekontakte | Kanaldefinitionen, Bots/Spam-Filter, Consent-Status |
| Segment-Performance | Umsatz/Ertrag je Segment, Conversion je Segment, Segmentgröße/-wachstum | Segmentregeln (statisch/dynamisch) und Versionierung |
Der Data Mart wird über klar definierte Schnittstellen versorgt. Typische Quellen sind:
- CRM: Stammdaten, Kontakte, Leads/Opportunities, Account- und Kontaktstrukturen
- ERP/Billing/Order Management: Bestellungen, Rechnungen, Vertrags- und Statusdaten
- Web-/App-Tracking: Sessions, Events, Kampagnenparameter, Geräte-/Cookie-Informationen (sofern zulässig)
- E-Mail-/Marketing-Automation: Versand, Öffnung, Klick, Abmeldung, Kampagnenzuordnung
- Customer Service: Tickets, Gründe, Bearbeitungszeiten, Kontaktkanäle
- Identity/Consent: Einwilligungen, Opt-in/Opt-out, Identitätsverknüpfungen (z. B. E-Mail, Customer-ID)
Für die Datenübernahme sind Ingestion- und Transformationsprozesse (z. B. ETL/ELT) zentral: Daten werden extrahiert, bereinigt, vereinheitlicht und in ein auswertbares Zielschema überführt.
Das Datenmodell ist in der Praxis abhängig von Kanälen und Geschäftslogik.
Ein häufig genutztes Muster ist ein sternförmiges Analysemodell mit Dimensionen und Fakten.
Dimensionen:
- Dim_Kunde (Customer-ID, Accounts, Merkmale, Consent-Status)
- Dim_Zeit (Tag/Woche/Monat, Kalender- und Geschäftsperioden)
- Dim_Kanal (Web, E-Mail, Vertrieb, Service, Partner)
- Dim_Produkt (Produkt/Leistung, Kategorie, Tarif)
- Dim_Segment (Segmentname, Regel/Version, Gültigkeitszeitraum)
Fakte:
- Fact_Transaktion (Bestellungen/Rechnungen, Beträge, Mengen, Rabatte, Rückgaben)
- Fact_Vertrag (Status, Start/Ende, Kündigungsereignisse)
- Fact_Interaktion (Web-/App-Events, Kampagnenkontakte, Touchpoints)
- Fact_Service (Tickets, Gründe, SLA-Zeiten, Kontaktanlässe)
Abgeleitete Strukturen (Beispiele):
- Customer-Features (Recency/Frequency, Aktivität in 30/90 Tagen, Kontaktintensität)
- Scoring-Tabellen (z. B. Churn-Risiko-Klasse, Wertklasse)
- Segmentzuordnung (statisch/dynamisch, versioniert)
Mit dem Data Mart lassen sich u. a. folgende Standard-Outputs aufbauen:
- Kundenwert-Übersicht: Wertklassen, Top-/Risikogruppen, Entwicklung über Zeit
- Churn & Retention: Abwanderung nach Segment, Produkt und Kanal; Kohortenanalysen; Frühindikatoren
- Segment-Performance: Segmentgrößen, Wachstum, Conversion und Umsatz/Ertrag je Segment
- Kampagnen- und Kanalreporting: Kontakte, Reaktionen, Conversion entlang der Customer Journey
- Service-Analysen: Ticketvolumen, Gründe, Wiederkontaktquoten, Zusammenhang mit Churn
- Revenue Intelligence: Pipeline-Transparenz, Deal-Risiken, Forecast-Genauigkeit, Vertriebsaktivitäten und Conversion entlang des Sales Funnels
Dashboard Customer Overview
Dashboard Top Customer
Dashboard Revenue Intelligence
Je nach Reifegrad und Use Cases wird der Data Mart häufig erweitert um:
- Datenqualitäts- und Plausibilitätsprüfungen inklusive Monitoring
- Data Lineage und Dokumentation der KPI-Logiken für Nachvollziehbarkeit
- Advanced-Analytics-Bausteine wie Clusteranalysen (Segmentierung) oder Churn-Scoring
- Nahezu Echtzeit-Segmentierung, wenn operative Aktivierung zeitkritisch ist
- Anbindung an Aktivierungssysteme (z. B. CRM/Marketing), inklusive Rückspielung von Segmenten und Scores
- Governance-Elemente (Rollen, Verantwortlichkeiten, Definitionen) zur nachhaltigen Pflege
- Fehlende einheitliche Customer-ID (keine „Single Customer View“)
- Schlechte Datenqualität (Dubletten, fehlende Werte, Inkonsistenzen)
- Unklare oder uneinheitliche KPI-Definitionen (z. B. Churn, aktiver Kunde)
- Fehlende oder fehlerhafte Historisierung (SCD)
- Unterschiedliche Granularitäten zwischen Quellsystemen
- Performance-Probleme bei großen Event- oder Transaktionsdaten
- Komplexe Attribution über mehrere Kanäle
- DSGVO-/Consent-Anforderungen inkl. Löschkonzept
- Unklare Ownership zwischen Fachbereich, BI und Data Science
- Fehlende ML-Readiness (Feature-Logik, Trainings-/Scoring-Konsistenz)