Adaptivität im CRM

Katholische Universität Eichstätt-Ingolstadt
Wirtschaftswissenschaftliche Fakultät
Lehrstuhl für ABWL und Wirtschaftsinformatik

Adaptivität im CRM

Maschinelles Lernen in einem Simulationsmodell unter Verwendung von SPSS Clementine

Dominik Claussen

Inhaltsverzeichnis

Abbildungsverzeichnis ... IV

Tabellenverzeichnis ... VI

Formelverzeichnis ... VIII

Dateiverzeichnis ... IX

Abkürzungsverzeichnis ... XIII

Symbolverzeichnis ... XIV

1 Einleitung ... 1

2 Grundlagen der Untersuchung ... 3

2.1 Einordnung Maschinelles Lernen und Adaptivität ... 3
2.2 Einordnung Adaptivität in den CRM-Kontext ... 4
2.2.1 Adaptivitäts-Anwendung im CRM: Kampagnenmanagement ... 6
2.2.2 Weitere Adaptivitäts-Anwendungen im CRM ... 9
2.3 IT-Konzeption zur Adaptivitätsuntersuchung ... 10

3 Adaptivitätsuntersuchung mit SPSS Clementine ... 12

3.1 Datengenerierung mit Arena ... 12
3.2 Modellerstellung mit SPSS Clementine 12.0 ... 17
3.2.1 Auswahl einer Untersuchungsdimension ... 18
3.2.2 Erstellung der einfachen Modelle in SPSS Clementine ... 18
3.2.3 Anwendung der Modelle auf die nächste Tranche ... 19
3.2.4 Tracking der Ergebnisse in MS Excel ... 19
3.2.5 Erstellung der optimierten Modelle ... 21
3.3 Auswertung der Modelle ... 24
3.3.1 Untersuchungskenngrößen ... 25
3.3.2 Datenbeschaffenheit ... 27
3.3.3 Auswertung Modell aus Vorperiode ... 28
3.3.4 Auswertung Modellkombination ... 31
3.3.5 Auswertung Aufbau des Systems ... 39

4 Adaptivitätsuntersuchung mit einer Arena-Simulation ... 43

4.1 Erstellung des Simulationsmodells ... 43
4.1.1 Konzeption des Simulationsmodells ... 43
4.1.2 Konzeption der Alternativen ... 50
4.1.3 Kenngrößen ... 51
4.1.4 Konfiguration ... 51
4.1.4.1 Bestimmung der Aufwärm- und Beobachtungsphasen ... 51
4.1.4.2 Bestimmung der Anzahl Replikationen ... 52
4.2 Auswertung der Arena-Untersuchung ... 53
4.2.1 Auswahl der drei besten Alternativen ... 53
4.2.2 Auswahl der besten Alternative ... 54
4.2.3 Kenngrößen der besten Alternative ... 54
4.2.4 Zusammenfassung der Ergebnisse ... 54
4.3 Fortgeschrittenes Simulationsmodell ... 56

5 Business Case ... 59

6 Fazit und Ausblick ... 62

Literaturverzeichnis ... VI

Anhang ... IX

1 Einleitung

Die Theorie von Wright aus der Produktionswirtschaft besagt, dass bei jeder Verdopplung der kumulierten Produktionsmenge ein Verbesserungspotential bedingt durch Lerneffekte von bis zu 30% besteht (Wright 1936, S. 122 ff.). Im Customer-Relationship-Management (CRM) ist ähnliches zu erwarten: umso mehr Marketing-Kampagnen beispielsweise durchgeführt werden, umso besser lernen die Unternehmen die optimale Kampagnenführung. Und je genauer eine Kampagne auf den Kunden abgestimmt ist, desto eher wird er auf die Kampagne reagieren (Dastani 2000). Daher ist ein Lernprozess in Systemen, und speziell auch im CRM, vorteilhaft. Wie dieser Lernprozess am besten ausgestaltet und automatisiert werden kann, soll in dieser Arbeit untersucht werden.

Abbildung 1: Effekt eines Lernsystems für eine Kampagne [nur in der Download-Version verfügbar]

In Abbildung 1 wird der Reaktionseffekt, der durch den Einsatz eines adaptiven Lernsystems entsteht, gezeigt. Dabei handelt es sich um den Einsatz eines Prognosemodells, das die Kunden auswählt, welche am wahrscheinlichsten auf eine Kampagne reagieren. Normalerweise wäre für jede 10%-Kundengruppe eine gleiche Anzahl von Reaktionen auf die Kampagne zu erwarten. Durch die Modellverwendung können jedoch die besonders reaktionsfreudigen Kunden bestimmt werden. Beispielweise kann die Kampagne nur auf die ersten 30% aller Kunden angewandt werden, wodurch Kosten gespart werden. Für die restlichen Kunden würde sich die Kampagne nicht lohnen, da diese kaum auf die Kampagne reagieren. Die Daten von Abbildung 1 stammen aus der anschließenden Untersuchung.

Die Untersuchung zur Adaptivität im CRM beginnt mit einer konzeptionellen Einordnung. Dabei wird zuerst die Adaptivität, das maschinelle Lernen und die Optimierung dargestellt. Anschließend wird das adaptive System in den CRM-Kontext eingeordnet. Im nächsten Schritt werden Anwendungen im CRM gefunden. Abschließend zur Konzeption der Untersuchung werden die verwendeten Programme SPSS Clementine, Arena und MS Excel mit ihren spezifischen, untersuchungsrelevanten Eigenschaften erläutert.

Die eigentliche Untersuchung fängt mit den benötigten Daten an, welche generiert und damit logisch hergeleitet werden. Im Anschluss wird der Versuchsaufbau zum Erhalt von Ausgestaltungsmerkmalen eines adaptiven Systems erklärt. Nach der Durchführung dieses Versuchs werden abschließend die Ergebnisse erläutert.

Auf den Handlungsanweisungen der ersten, statischen Untersuchung aufbauend kann im Programm Arena ein adaptives Systems dynamisch erstellt werden. Das System wird abgewandelt und dann jeweils simuliert. Daraus entstehen weitere Einblicke in ein adaptives System.

Anschließend sollen die Vorteile der beiden bisherigen Untersuchungen in einem konzeptionellen, aber nicht angewandten, Vorgehen zusammengeführt werden.

Um den Fokus vom Kampagnenmanagement zu weiteren CRM-Anwendungen hin zu erweitern, wird eine praktische Anwendung innerhalb eines Online-Shops vorgestellt.

Zum Schluss werden die gewonnen Ergebnisse zusammenfassend gegenübergestellt und ein Ausblick auf Perspektiven der Adaptivität gegeben.

Um die Frage nach der Zielsetzung der Arbeit für die Forschung zu beantworten, soll zwischen dem Erkenntnisziel, dem Verstehen der Realität, und dem Gestaltungsziel, dem Einwirken auf die Realität, unterschieden werden (Wöhe 2000, S. 33). Die Arbeit widmet sich im Grundlagenteil dem Erkenntnisziel, wobei das Verstehen des Systems noch in der Untersuchung eine Rolle spielt. Es soll ein verständlicher Ansatz gezeigt werden, ein adaptives System abzubilden und damit zu verstehen. Bei den Untersuchungen wird mit dem Erhalt von Erkenntnissen auch das Gestaltungsziel verfolgt. Dieses wird vor allem in der konzeptionellen Zusammenführung der SPSS- und Arena-Untersuchung relevant, da in diesem Abschnitt alle Erkenntnisse zusammenfließen.

2 Grundlagen der Untersuchung

2.1 Einordnung Maschinelles Lernen und Adaptivität

Die Begriffe Daten, Information, Wissen und Entscheidung sind grundlegend für den Lernprozess. Daten sind in den Unternehmensdatenbanken vorhanden. Information ist eine Auskunft, die, um eine handlungsrelevante Entscheidung zu treffen, erst zu Wissen aufbereitet werden muss (Heinrich 2002, S.7).

Zur Erlangung von Wissen und Entscheidungen gibt es verschiedene Ansätze. Einen fortgeschrittenen Ansatz verfolgt das Adaptivitäts-Konzept. Dabei erfolgt das Lernen automatisiert und damit steht zeitnah eine Lösung nahe dem Optimum bereit.

Das maschinelle Lernen, also die Prognosen, sollen im Zeitablauf verbessert werden, wobei die jeweils aktuell erstellten Prognosen erst für die nächste Periode zur Verfügung stehen. Die Prognosen werden optimiert, da nach einer gewissen Zeit eine Vielzahl von möglichen Prognosen zur Verfügung steht. Die beste Lösung ist noch nicht bekannt, somit ist das Ziel der Optimierung eine Lösung nahe dem Optimum. Am Ende einer Periode können dann die Resultate, welches tatsächlich die beste Prognose war, wieder in den Prozess der nächsten Periode einfließen. Dann können in der nächsten Phase der Entscheidungsfindung die Prognosen erneut optimiert werden, da jetzt mehr Wissen aus vergangenen Perioden vorhanden ist (Alpaydın 2008, S. 2 f.; Michalewicz et al. 2007, S. 3 ff., S. 187 ff.).

Die Untersuchungsfragen beziehen sich demzufolge auf die Auswahl der Prognosemethoden, deren Optimierung im Zeitablauf und auf die bestmögliche Ausgestaltung des adaptiven Systems als Ganzes. Unter der Ausgestaltung des adaptiven Systems werden weitere Spezifikationen verstanden, die nicht zu den beiden ersten Untersuchungsfragen gehören, aber auch den Lernprozess verbessern können. Hierzu gehört z.B. die Frage, wie häufig der adaptive Prozess, bei einer gleichen Datenmenge, ausgeführt werden sollte.

Abbildung 2: Adaptivitäts-Konzept [nur in der Download-Version verfügbar]
(Quelle: in Anlehnung an Michalewicz et al. 2007, S. 5)

Abbildung 2 soll diskutiert werden. Michalewicz sieht den adaptiven Prozess und die Methoden lediglich im Schritt vom Wissen zur Entscheidung. Jedoch erscheint diese Eingrenzung fraglich, da einerseits auch vom Schritt der Information zur Wissensgenerierung ein adaptives System eingesetzt werden kann. Andererseits werden die Prognosen im Data Mining gewonnen (siehe 2.2), somit ist das maschinelle Lernen äquivalent zu setzen mit Data Mining und Prognosen. Michalewicz unterscheidet hingegen Data Mining und Prognose. Die Prognose ist also in der Abbildung 2 verwendet, es könnte jedoch alternativ Data Mining verwendet werden und der adaptive Mechanismus könnte auch nach der Informationsgewinnung beginnen.

Das adaptive Konzept ist, wie es auch in 2.2 gezeigt wird, universal im System, z.B. im CRM-System, vorhanden und lässt sich nicht lediglich einem Teilbestandteil des Systems zuordnen.

Neben der Qualitätsverbesserung der Entscheidung besteht für das Adaptivitäts-Konzept das Ziel der zeitnahen Entscheidung. Andernfalls entstehen Latenzzeiten, die den Nutzen des ermittelten Wissens verringern würden. In der folgenden SPSS-Untersuchung (siehe Kapitel 3) werden zwar nicht explizit die Zeitabstände zwischen den Perioden verringert. Es wird lediglich die Zeitunterbrechung deutlich gemacht. Doch gleichzeitig sollen die verwendeten Methoden dazu dienen, ein zeiteffizientes Vorgehen zu finden, in dem nur geringe Latenzzeiten entstehen. Dem hingegen kann in der Arena-Untersuchung (siehe Kapitel 4) durch ein automatisiertes Vorgehen Latenz von vornherein ausgeschlossen werden. Bezüglich der Latenzen werden Daten-, Analyse- und Entscheidungslatenz unterschieden. Die Datenlatenz ist die Zeit zwischen dem auftretenden Ereignis und der Abspeicherung der Daten, die Analyselatenz folglich die Zeit bis zur Informationslieferung. Anschließend ist die Entscheidungslatenz die Zeit bis zur Maßnahmentreffung. Umso mehr Zeit, also Latenz, vergeht, umso geringer ist der Wert der Daten, da diese nicht mehr unbedingt die aktuelle Situation widerspiegeln (Martin 2006, S. 11 f.).

2.2 Einordnung Adaptivität in den CRM-Kontext

Der Aufbau eines adaptiven Systems wurde bereits konzeptionell erläutert. Nun soll das adaptive System innerhalb des CRM-Kontextes betrachtet werden. Dazu ist zuerst eine Übersicht des CRM notwendig. Anschließend werden noch die konkreten Anwendungen betrachtet, wobei das Kampagnenmanagement für die Untersuchung als beispielhafte Anwendung verwendet wird.

CRM ist ein Konzept, das langfristige und ganzheitliche Kundenbeziehungen fokussiert und damit eine kundenorientierte Unternehmensstrategie hervorbringt, wobei der Einsatz moderner Informations- und Kommunikationstechnologien fester Bestandteil des Konzeptes ist. (Raab/Lorbacher 2002, S. 12, Böing et al. 2003, S. 36)

Der CRM-Leitgedanke „One Face to the Customer“ (Hippner 2006, S. 18) bildet auch für das IT-Konzept eine Zielvorgabe. Der Aufbau eines CRM-Systems soll anhand von Abbildung 3 erklärt werden.

[...]