Mit CASA ENERGY bietet Infas 360 eine integrative intelligente Datenbank für die Energiebranche, mit der sich potentielle Kundengruppen genau identifizieren und räumlich zuordnen lassen.
Potenziale hausgenau definieren: Beispiel Affinität auf Ebene der Gebäude. Foto: infas 360 GmbH
In Zukunft ist die Versorgung von privaten Haushalten und Unternehmen mit Strom und Gas für Energieversorger wie Stadtwerke möglicherweise kein tragfähiges Geschäftsmodell mehr. Um auf dem Markt zu bestehen, beschäftigen sich deshalb schon heute viele Anbieter mit neuen Geschäftsfeldern, vom flexiblen Tarif bis hin zu energienahen Dienstleistungen. Technische Entwicklungen wie Smart Home und gesetzliche Vorgaben wie die Ausstattung der Haushalte mit digitalen Messgeräten (Smart Metering) bringen in diesem Zusammenhang neue Herausforderungen wie auch neue Chancen mit sich. Doch welche Kunden könnten sich für ein Mieterstromangebot, ein PV-Contracting, eine Speicherlösung oder Ladesäulen interessieren? Um segmentspezifische Versorgungsangebote und zusätzliche Dienstleistungen planen, kommunizieren und konkret platzieren zu können, bedarf es präziser Informationen über die regionalen B2B- und B2C-Zielgruppen. Diese Informationen bietet infas360 nun mit der CASA ENERGY-Datenbank speziell für Unternehmen im Energiesektor an.
Die Datenbank beinhaltet neben Netz-, Versorgungs- und logistischen Informationen auch beschreibende Kriterien zu Unternehmens- und Konsumentenzielgruppen. Die B2C -Sparte enthält neben zahlreichen anderen auch Informationen zu Konsumenten, wie Soziodemographie, Kaufkraft, Anbieterloyalität, Affinität zu E-Mobilität, Solarenergie und Smart Home sowie Channel-Affinitäten. Für den B2B-Bereich sind beispielsweise Branchenzugehörigkeit, Anzahl Mitarbeiter, Zugehörigkeit zu Gewerbe- oder Industriegebieten und auch Unternehmensverflechtungen hinterlegt. Darüber hinaus erhält der Auftraggeber Informationen zu den Gebäuden im Versorgungsgebiet, so etwa Gebäudetyp und -nutzung, Anzahl Etagen, Grundfläche, Heizungsart, Energiebedarf und auch, ob eine Solaranlage vorhanden ist. Speziell für den Wachstumsmarkt Photovoltaik enthält die Datenbank weitere relevante Zusatzdaten wie zum Beispiel Sonnenscheindauer, Durchschnittstemperaturen sowie Frost- und Eistage.
Beim Auftraggeber vorhandene B2Bund B2C-CRM-Daten werden dabei angereichert und profiliert und so der Kundenbestand segmentiert. „infas 360 identifiziert und beschreibt auf diese Weise die für den Auftraggeber interessanten Kundengruppen“, erklärt Silke Martin, Consultant Research & Customer Analytics bei infas360. „So kann beispielsweise ein Energieanbieter konkrete Marketingund Vertriebs-Maßnahmen zur Kundenbindung ausgestalten.“ Darüber hinaus bietet infas 360 an, weitere Potenziale sowohl im Stammmarkt, als auch in anderen Zielregionen zu identifizieren. „So können Anbieter zum Beispiel ihre eigene Marktabdeckung bestimmen und strategische Entscheidungen optimieren“, erläutert Martin. Dazu gehören zum Beispiel auch, die potenziellen Kunden über ihre favorisierten Kanäle im richtigen Ton und mit der passenden Rhetorik direkt zu adressieren und die Produkte und Preise auf die individuellen Bedürfnisse, wirtschaftliche Leistungsfähigkeit und Erwartungen dieser Kunden zuzuschneiden.
Smart Research
CASA ENERGY ist, wie alle anderen branchenspezifischen Datenbanken von infas360, aus der mikrogeographischen CASA Deutschland-Datenbank entstanden. Als Basisdatenbank sind dort mehrere hundert Daten zu den rund 22 Millionen vorhandenen Häusern, den etwa 40 Millionen Haushalten und auch allen ca. 4,5 Millionen Firmen frei kombinierbar und lassen sich für jede gewünschte Region flächendeckend auswerten.
Grundlage für die CASA Datenbank und damit auch für CASA ENERGY ist das von infas 360 entwickelte Smart Research-Verfahren. Im Gegensatz zur klassischen Marktforschung, deren stark aggregierte Daten normalerweise keine räumliche Lokalisierung von Personengruppen zulassen, kombiniert Smart Research die klassisch erhobenen Befragungsdaten und die CRM-Daten der Auftraggeber mit amtlichen, wirtschaftlichen und wissenschaftlichen Sekundärdaten, um sie mittels verschiedener Tools aus CRM-Analytik, Geomarketing und Marktforschung auszuwerten.
CASA MONITOR
Ein Grundprinzip bei infas 360: Alle Daten sind auf alle Ebenen transferierbar. Beispiel Affinität auf Ebene der Siedlungsblöcke. Foto: infas 360 GmbH
Aktuelle Daten, etwa zu Einstellung, Ausstattung, Verhalten oder Kaufabsichten werden regelmäßig mittels CASA MONITOR ermittelt und fließen in die CASA Datenbank ein. Dafür werden etwa dreimal im Jahr über 10.000 Haushalte in Deutschland befragt. Neben Soziodemographie und Wohnsituation hat jede dieser Befragungsrunden stets einen wechselnden thematischen Schwerpunkt, für den die Teilnehmer zu spezifischen Themenschwerpunkten wie beispielsweise Freizeit und Finanzen, Einkaufsverhalten, Digitales Wohnen oder – für CASA ENERGY – zum Thema Energie und E-mobility befragt werden.
Small Area Methoden
Die Adressen der befragten Haushalte werden geokodiert, validiert und mit einer lagegenauen Koordinate und einem dazugehörigen Geoschlüssel angereichert. Kernverfahren dabei sind die sogenannten Small Area Methoden (SAM), ein neues Schätzverfahren, mit dem auch für kleine Gebiete verlässliche Statistiken erstellt werden können. Dazu werden die aggregierten Daten regionalisiert, das heißt, die statistischen Daten größerer Gebiete werden auf kleinere Gebiete heruntergerechnet.
Bei infas360 basieren die SAM auf sogenannten Small Statistic Areas, also kleinen geographischen Einheiten, die anhand von amtlichen Daten entwickelt werden. Small Statistic Areas beinhalten Geo- und Marktdaten wie beispielsweise Lage, Typ, Größe und Baujahr von Gebäuden, Wohnungsoder Haushaltsanzahl, Alter der Haushaltsvorstände, Kfz-Daten, Kaufkraft und Lebensstil. Diese Small Statistic Areas lassen sich wiederum zu jedem beliebigen Gebiet aggregieren und passen in alle postalisch-amtlichen Systeme. Außerdem fließen in das SAM Modell – anders als bei üblichen Schätzmodellen – sowohl Informationen aus übergeordneten Raumebenen, als auch Informationen aus ähnlichen Regionen. So können sehr genauen Angaben gemacht werden, obwohl die entsprechenden Regionen nur kleine oder gar keine Fallzahlen aufweisen.