Inhaltsverzeichnis

Abbildungsverzeichnis   

Tabellenverzeichnis   

Abk  ürzungsverzeichnis  

1  Problemstellung  1

2  Customer Targeting als Basis eines effektiven Marketings  2

2.1  Abgrenzung der Einsatzgebiete des Customer Targeting  2

2.1.1  Notwendigkeit des Customer Targeting  2

2.1.2  Customer Targeting für ein effizientes Direktmarketing  3

2.2  Customer Targeting im Beziehungslebenszyklus  4

2.2.1  Customer Targeting in der Kundenakquisitionsphase  5

2.2.2  Customer Targeting in der Kundenbindungsphase  6

3  Operationalisierung des Customer Targeting durch Data Mining Applikationen  7

3.1  Voraussetzungen für ein effektives Customer Targeting  8

3.1.1  Erforderliche Daten für das Customer Targeting  8

3.1.2  Der Data-Mining-Prozess für ein effektives Customer Targeting  10

3.2  Aufgaben des Data Mining für ein effektives Customer Targeting  10

3.2.1  Potenzialaufgaben  11

3.2.2  Beschreibungsaufgaben  12

3.3  Data-Mining-Techniken für das Customer Targeting  12

3.3.1  Entscheidungsbäume  13

3.3.2  Assoziationsregeln  13

3.3.3  Künstliche Neuronale Netze  14

3.3.4  Fallbasiertes Schließen  16

3.3.5  Genetische Algorithmen  16

4  Empirische Befunde des Customer Targeting in den Phasen einer Kundenbeziehung  17

4.1  Erkenntnisse in der Kundenakquisitionsphase  18

4.1.1  Effektives Customer Targeting auf Basis von Reaktionsanalysen  18

III

4.1.2  Zielgruppenselektion für standardisierte Direktmarketingaktionen  25

4.2  Erkenntnisse in der Kundenbindungsphase  29

4.2.1  Customer Targeting für die Identifikation profitabler Kundensegmente  29

4.2.2  Customer Targeting als Basis für kundenspezifische Direktmarketingaktionen  36

4.2.3  Customer Targeting für die Identifikation von veränderten Verhaltensmustern  42

5  Zusammenfassung  48

Literaturverzeichnis   VI

IV

Abbildungsverzeichnis   

Abbildung  1: Dimensionen des Direktmarketings am Beispiel der Postwurfsendung  4

Abbildung  2: Data-Mining-Verfahren und Techniken  11

Abbildung  3: Vergleich von GA und Zufallsauswahl für drei Marketingstrategien  32

Tabellenverzeichnis   

Tabelle 1:  Merkmale und Trefferquote von PCA/Logit, ELSA/Logit und ELSA/ANN  21

Tabelle 2:  Merkmale und Trefferquote bei unterschiedlichen Zielpunkten  22

Tabelle 3:  Prognosegenauigkeit von Regression/CBR und GA/CBR  26

Tabelle 4:  Prognosegenauigkeit von FWISCBR, CBR, LOGIT und ANN  28

Tabelle 5:  Kundensegmente und entsprechende Marketingstrategie  34

Tabelle 6:  Mittlere innere Clustervarianzen unterschiedlicher Ansätze  39

Tabelle 7:  Umsatzsteigerung durch Reallokation der Direktmarketingaktivitäten  41

Tabelle 8:  Übersicht der Beziehungsphasen und Techniken der betrachteten Studien  49

Tabelle 9:  Übersicht der verwendeten Daten und Merkmale der betrachteten Studien  50

V

Abkürzungsverzeichnis ANN Artificial Neural Network (dt. künstliches neuronales Netz)

AR Assoziationsregel

ART Adaptive Resonance Theory (dt. anpassungsfähige Resonanztheorie)

B2B Business to Business

B2C Business to Consumer

bzw. beziehungsweise

CART Classification and Regression Trees

CBR Case Based Reasoning (dt. Fallbasiertes Schließen)

CLV Customer Lifetime Value

CRM Customer Relationship Management

DEA Data Envelopement Analysis

d.h. das heißt

dt. Deutsch

EB Entscheidungsbaum

ELSA Evolutionary Local Selection Algorithm

Enterprise Resource Planning ERP

EU Europäische Union

FWISCBR Feature Weighting and Instance Selection Simultaneously for CBR

f. folgende

ff. fortfolgende

GA Genetic Algorithm (dt. genetischer Algorithmus)

GKA genetischer K-means Algorithmus

HECG High Efficiency Customer Group

HH Haushalte

ID Identifikationsnummer

inkl. inklusive

Kap. Kapitel

LHS Linke-Hand-Seite

Logit Logistische Regression

MCMC Markov Chain Monte Carlo

PCA Principal Component Analysis (dt. Hauptkomponentenanalyse)

PCG Profitable Customer Group

RFM Recency, Frequency, Monetary

RHS Rechte-Hand-Seite

SOM Self Organising Map

u.a. unter anderen

vs. versus

WWW World Wide Web

z.B. zum Beispiel

VI

1 Problemstellung

Die genaue Ansprache einer für das Unternehmen relevanten Zielgruppe ist zu jeder Zeit eine wichtige marketingpolitische Aufgabe. In schwierigen konjunkturellen Zeiten wie diesen kann Zielgruppenmarketing sogar entscheidend sein, um sich von seiner Konkurrenz abzusetzen. Ein effektives Customer Targeting identifiziert diejenigen Kunden, die für das Unternehmen möglichst gewinnbringend sind (Sexton 2010, S. 358). Zur Identifikation geeigneter Nachfrager müssen relevante Daten bekannt sein (Böhler 2004, S. 63), die u.a. durch moderne ERP-Systeme und eingegliederte Unternehmensdatenbanken gesammelt und gespeichert werden. Mit Hilfe dieser Daten können dann taktische und strategische Managemententscheidungen verifiziert werden (Lackes 2009). So können beispielsweise Zusammenhänge zwischen Marketingaktionen und dem Zielerreichungsgrad erkannt und Ursachen bei Zielabweichung festgestellt werden. Das Problem besteht darin, dass aufgrund der rasanten Zunahme von Datenquellen und den darin enthaltenden Daten viele Unternehmen zunehmend damit kämpfen, diese Daten zu speichern und zu verarbeiten. Normale Analysemethoden zur Auswertung dieser enormen Datenmengen stoßen dabei schnell an ihre Grenzen (Böhler 2004, S. 63ff.). Dies erfordert den Einsatz komplexer Instrumente und Verfahren, die effizient die Datenfülle analysieren und wichtige Informationen herausschürfen, um relevantes Wissen zu generieren (Lackes 2009).

Warum eine derartige Betrachtung nicht trivial ist, zeigt folgendes Beispiel. Untergliedert man den Umsatz gleichzeitig in fünf Kategorien und gibt jeder Kategorie fünf Merkmale, so

lassen sich hieraus 5 ⁵ = 3.125 Umsatzwerte bilden. Diese Datenmenge macht sowohl die einfache Identifikation von umsatzrelevanten Merkmalen als auch das Targeting der wesentlichen Zielgruppen extrem schwierig und erfordert daher effiziente Verfahren zur Entscheidungsfindung (Böhler 2004, S. 636).

Das Beispiel von Tesco, einer Supermarktkette in Großbritannien, verdeutlicht das Potenzial eines effektiven Customer Targeting. Im Rahmen der Strategieanpassung fand der Konzern heraus, dass in einer typischen Filiale die 100 besten Kunden den gleichen Umsatz wie die 4000 schlechtesten generierten. Zudem wurde deutlich, dass die schlechtesten 25 Prozent der Konsumenten für nur zwei Prozent des Absatzes und die besten fünf Prozent der Kunden für 20 Prozent des Absatzes verantwortlich waren (Buttle 2004, S. 119). Durch ein effizientes Customer Targeting ist es möglich, die besten Kunden zu identifizieren, welche dann gezielt angesprochen werden können. Gleichzeitig kann man das Marketing für die schlechtesten Nachfrager zurückfahren oder sogar komplett einstellen und so Kosten einsparen. Es stellen sich also die Fragen, wie man ein effektives Customer Targeting betreiben kann, welche Daten hierfür notwendig sind und mit welchen Verfahren und Techniken die relevan-

1

ten Kunden identifiziert werden können. Die Arbeit soll dazu beitragen, diese Fragen zu be-antworten und herausarbeiten, in welchen Phasen einer Firmen-Kunden-Beziehung welche Verfahren besonders geeignet sind. Dazu wird im Rahmen dieser Arbeit ein Überblick über die empirischen Erkenntnisse auf dem Gebiet des Customer Targeting gegeben, indem die verschiedenen untersuchten Studien in die einzelnen Phasen eingeordnet werden. Im zweiten Kapitel definiere ich zunächst den Begriff Customer Targeting und verdeutliche, für welche Einsatzgebiete und Phasen das Targeting von besonderer Relevanz ist. Kapitel drei veranschaulicht die Voraussetzungen, um ein effektives Customer Targeting zu gewährleisten. Zudem erfolgt eine nähere Beschreibung besonders relevanter Data-Mining-Techniken. Das vierte Kapitel befasst sich mit den empirischen Erkenntnissen verschiedener Forschungsarbeiten. Neben den Studienergebnissen sind vielmehr auch die Vorgehensweisen für ein effektives Customer Targeting interessant, weshalb diese ebenfalls detailliert dargestellt werden. Die Arbeit endet mit einer Zusammenfassung der Ergebnisse.

2 Customer Targeting als Basis eines effektiven Marketings

In der Literatur wird der Begriff Customer Targeting häufig verwendet, allerdings ist bis jetzt eine genaue Definition zur Abgrenzung dieses Terminus nicht erfolgt. Um dieses Defizit zu beheben, wird im Rahmen dieser Arbeit zunächst der Fachbegriff wie folgt definiert: Customer Targeting umfasst alle Maßnahmen zu Klassifikation, Prognose, Segmentierung und Abhängigkeitsanalyse von Kunden auf Basis von Data-Mining-Techniken, um relevante potenzielle und aktuelle Zielkundengruppen zu identifizieren, welche dann unmittelbar mit spezifischen Direktmarketingmaßnahmen angesprochen werden können.

2.1 Abgrenzung der Einsatzgebiete des Customer Targeting

Zunächst muss geklärt werden, warum Unternehmen überhaupt Customer Targeting betreiben sollten und für welche Arten von Marketingaktionen ein Targeting essentiell ist. Zudem existieren unterschiedliche Beziehungsphasen zwischen Kunden und Unternehmen, in denen im Rahmen des Customer Targeting verschiedene Schwerpunkte gesetzt werden müssen.

2.1.1 Notwendigkeit des Customer Targeting

In den letzten Jahrzehnten haben sich die Marktstrukturen in allen Branchen grundlegend verändert, wodurch die Relevanz des Customer Targeting stetig zunahm. Die Nachfrage entwickelte sich von grundnutzenorientierten Standardprodukten über differenzierte Produkte mit Zusatznutzen hin zu Gütern, die an die individuellen Bedürfnisse der Konsumenten angepasst sind. Während auf den Massenmärkten bis Mitte der 1960er Jahre ein undifferenziertes Massenmarketing überwiegend von Markenherstellern praktiziert wurde, fand der erste Umbruch

2

statt, als die Grundbedürfnisse der Verbraucher befriedigt waren und sie weitere Ansprüche an die Produkte stellten. Die Unternehmen reagierten mit einem differenzierten Massenmarketing, indem sie Produktvarianten einführten, diese jedoch weiterhin mit einem einzigen Marketingprogramm verwalteten. Durch die zunehmende Marktsättigung suchte man nach weiteren Potenzialen und erkannte verborgene Bedürfnisse bei den Konsumenten. Die klassischen Massenmärkte lösten sich zunehmend auf und es fand eine Fragmentierung statt. Die Aufteilung in homogene Marktteile ging mit einem segmentorientierten Marketing einher. Zum ersten Mal wurde Customer Targeting betrieben, indem man versuchte, möglichst trennscharfe Merkmale zur Abgrenzung zu finden und für diese Segmente dann spezifische Marketingprogramme erstellte. In den letzten Jahren beschleunigte sich der Trend der Marktspaltung weiter. Es entstehen immer kleinere Einheiten mit immer spezielleren Bedürfnissen, was ein kundenindividuelles Marketing erfordert (Becker 2009, S. 294ff.). Im Extremfall ist jeder Kunde ein Segment of One, also ein eigenes Marktsegment mit speziellen Anforderungen, die erfüllt werden müssen (Gilmore und Pine 2000, S. 119). Diese Entwicklung zeigt, dass Unternehmen stetig gezwungen sind, ihre Handlungsweisen an die neuen Gegebenheiten anzupassen. Daher müssen alle Firmen ein effektives Customer Targeting betreiben, um die für sie relevanten Kundensegmente zu identifizieren. Diese können dann mit verschiedenen Kommunikationsmitteln zielgerichtet angesprochen werden, um ihnen wesentliche Produkte oder Dienstleistungen zu präsentieren, die auf ihre spezifischen Bedürfnisse zugeschnitten sind.

2.1.2 Customer Targeting für ein effizientes Direktmarketing

Customer Targeting spielt im Marketing eine wichtige Rolle, um differenzierte Werbeaktivitäten einleiten zu können. Bereits verfügbare demographische Informationen erleichtern die Identifikation homogener Teilmärkte. Zudem wird durch die zunehmende Verfügbarkeit von Paneldaten die Möglichkeit eröffnet, Direktmarketingaktionen auch bei individuellen Haushalten einzuleiten (Rossi, McCulloch und Allenby 1996, S. 321). Im Gegensatz zur kollektiven Ansprache der Nachfrager durch Massenmedien soll beim Direktmarketing durch eine direkte Ansprache ausgewählter Zielgruppen bzw. einzelner Zielpersonen der individuelle Dialog gefördert werden. Dadurch können potenzielle Kunden eines bestimmten Segmentes ohne große Streuverluste akquiriert werden und das Interesse für spezielle Angebote bei bestehenden Kunden gesteigert werden, um eine langfristige Kundenbindung zu erreichen (Bruhn 2009a, S. 230). Der Dialog ist beim Direktmarketing ein wichtiges Kriterium. Die Spannweite der Aktionen kann dabei sehr groß sein und hängt von der Umsetzung und den Zielen des Unternehmens ab. Daher lässt sich das Direktmarketing zwischen dem persönlichen Verkauf und der Massenwerbung einordnen (Belz und Bieger 2004, S. 58). Direktmarketing umfasst alle Aktivitäten, die einen einstufigen Kommunikationsablauf

3

verwenden, um individuelle Zielgruppen anzusprechen. Die Medien zur Kommunikation sind vielfältig und beinhalten Werbekarten, Postwurfsendungen, Faxe, E-Mails und das Telefon. Die Aktivitäten können von einer kompletten Standardisierung bis zu einer vollständigen kundenspezifischen Anpassung der Inhalte reichen (Homburg, Kuester und Krohmer 2009, S. 267). Das Beispiel einer Postwurfsendung in soll diese Einsatzgebiete verdeutlichen:

Abbildung 1: Dimensionen des Direktmarketings am Beispiel der Postwurfsendung

Auf der einen Seite können Massenbriefe verschickt werden, die an Kunden mit einem speziellen Interesse oder in einem bestimmten Bezirk adressiert sind. Verfügen Unternehmen über individuelle Adressen, kann eine spezifischere, persönliche Ansprache mit Direktmarketingaktivitäten erfolgen. Zum einen kann der Inhalt für alle Haushalte jedoch weiterhin identisch sein, zum anderen können auch spezielle Angebote auf einzelne Segmente bzw. auf einen individuellen Kunden zugeschnitten werden. Je individueller die Ansprache ist, desto kleiner ist auch die Zielgruppe. Gleichzeitig nimmt mit einer kleineren Zielgruppe auch die Präzision zu, wodurch die Wahrscheinlichkeit einer Reaktion steigt. Durch die Reaktionsrate kann die Effektivität von Kampagnen wiederum leicht kontrolliert werden. Eine gezielte Kundenansprache stellt jedoch in jedem Fall einen Kostentreiber dar. Diese Aufwendungen steigen mit jeder individuellen Ansprache (Homburg, Kuester und Krohmer 2009, S. 267f.). Ein erfolgreiches Direktmarketing erfordert daher ein effizientes Customer Targeting. Zur Identifikation relevanter Zielgruppen werden vermehrt Data-Mining-Verfahren eingesetzt, mit denen Merkmale potenzieller und aktueller Käufer effizient ausgewertet werden können. Mit diesen Techniken ist auch bei einer steigenden Anzahl von individuellen Segmenten, die in ihrem Kaufverhalten sehr kritisch sind, eine Identifikation der wichtigen Kunden möglich. Diese können dann mit geeigneten Aktionen bearbeitet werden (Holland 2004, S. 119f.).

2.2 Customer Targeting im Beziehungslebenszyklus

Jedes Unternehmen muss sich die Frage stellen, welche Zielgruppen mit einer spezifischen Marketingstrategie erreicht werden sollen, da nur begrenzte Ressourcen zur Verfügung ste-

4

hen. Einige Segmente sind attraktiver als andere, was eine Allokation der Marketingressourcen hinsichtlich der Akquisition neuer Konsumenten sowie der Entwicklung bestehender Kunden erfordert (Homburg, Kuester und Krohmer 2009, S. 68f.). Für ein effektives Customer Targeting muss das Kundenverhältnis als Beziehungszyklus betrachtet werden. In den Phasen einer Geschäftsbeziehung ist die Definition spezifischer Ziele eine wichtige Voraussetzung. Durch die konsequente Verfolgung eines kundenorientierten Managements (Becker 2009, S. 632) können sowohl neue Verbraucher akquiriert werden als auch das Verhältnis mit bestehenden Kunden ausgebaut werden. Hierbei sollten in beiden Fällen immer die attraktivsten Konsumenten priorisiert werden (Homburg, Kuester und Krohmer 2009, S. 69). Die Beziehungsintensität zwischen Konsumenten und Unternehmen ist jedoch in den einzelnen Phasen sehr unterschiedlich ausgeprägt. Daher muss in den verschiedenen Stufen auch eine differenzierte Bearbeitung des Kunden erfolgen (Stauss 2000, S. 15). Data-Mining-Verfahren können in allen Phasen des Beziehungslebenszyklus eingesetzt werden und zur Unterstützung (Hippner, Merzenich und Wilde 2004, S. 257) eines effektiven Customer Targeting beitragen.

2.2.1 Customer Targeting in der Kundenakquisitionsphase

Die Kundenakquisitionsphase beschreibt den Anfang einer Geschäftsbeziehung, wobei man zwischen Anbahnungs- und Sozialisationsphase differenzieren kann (Bruhn 2009b, S. 61ff.; Stauss 2000, S. 15). In der Anbahnungsphase sind noch keine Transaktionen und dementsprechend auch kein Umsatz angefallen. Der Kunde reagiert auf Kommunikationsmaßnahmen oder holt sich selbstständig Informationen über Angebote ein (Stauss 2006, S. 433). In dieser Phase übernimmt auch das Direktmarketing eine wichtige Aufgabe, die Interessentenwerbung. Für die Gewinnung neuer Konsumenten können Adressinformationen für relevante Zielgruppen erworben werden, die dann z.B. mit Postwurfsendungen zu einer Reaktion bewegt werden sollen. Die Interessenten, welche eine Reaktion gezeigt haben, sollen dann im weiteren Verlauf in Neukunden umgewandelt werden (Holland 2004, S. 20f.). Diese Gruppe der Reagierer ist bei den potenziellen Kunden besonders interessant. Die Verbraucher haben bereits aktiv Interesse an Leistungen des Unternehmens gezeigt. Trotzdem ist der Kontakt mit der Firma noch sehr eingeschränkt, weshalb Unternehmen häufig Akquisitionskampagnen ohne eine zielgruppenspezifische Ansprache einleiten. Zu diesem Zeitpunkt sind zwar nur wenige Informationen über die Kunden bekannt, allerdings kann auf Basis von Data-Mining-Verfahren ein effektiveres Customer Targeting erfolgen. Bereits durchgeführte Kampagnen können mit Reaktionsanalysen dahingehend untersucht werden, welche Kundensegmente überproportional häufig antworten. Bei zukünftigen Akquisitionsmaßnahmen ist dann eine gezielte Ansprache derjenigen Konsumenten mit einer hohen Reaktionswahrscheinlichkeit möglich, wodurch die Werbekosten erheblich gesenkt werden können. Eine weitere

5

Möglichkeit zur Effizienzsteigerung liegt in der Zielgruppenselektion. Hierbei werden zunächst aktive Konsumenten analysiert und Segmente mit profitablen Kunden gebildet. Im Folgenden können dann Akquisitionskampagnen auf potenzielle Kunden gerichtet werden, die ein ähnliches Profil haben (Hippner und Wilde 2008, S. 217f.). Studien belegen, dass die Akquisition neuer Kunden wesentlich kostenintensiver ist, als die Aufrechterhaltung bestehender Kundenbeziehungen. Trotzdem ist es notwendig, einen Teil der Marketingressourcen für die Gewinnung neuer Kunden einzusetzen. Bestehende Kunden sind irgendwann gesättigt und ein Wachstum ist dann nur durch die Akquisition neuer Kunden möglich (Homburg, Kuester und Krohmer 2009, S. 69).

Mit einem ersten Güteraustausch endet die Anbahnungsphase (Bruhn 2009b, S. 63) und durch die Aufnahme der Geschäftsbeziehung tritt der Kunde in die Sozialisationsphase ein (Stauss 2006, S. 433). In dieser Phase gewöhnen sich die Parteien aneinander. Auf der einen Seite gewinnt der Kunde erste Einblicke in die Leistungen des Unternehmens und evaluiert die Qualität sowie das Verhalten der Firma. Auf der anderen Seite gewinnt das Unternehmen weitere Informationen über den Verbraucher, mit denen in einer späteren Phase eine individualisierte Leistung erfolgen kann (Bruhn 2009b, S. 63).

2.2.2 Customer Targeting in der Kundenbindungsphase

Die Kundenbindungsphase beschreibt die Ausdehnung der Geschäftsbeziehung, wobei man zwischen Wachstums- und Reifephase differenzieren kann (Bruhn 2009b, S. 63; Stauss 2000, S. 15). In der Wachstumsphase nimmt der Kunde Folgekäufe vor oder dehnt seine Einkäufe auf andere Produkte aus (Stauss 2006, S. 433). In dieser Phase muss das Potenzial des Kunden ausgeschöpft und die Beziehung ausgeweitet werden. Durch individualisierte Angebote können die spezifischen Bedürfnisse der Kunden befriedigt werden (Bruhn 2009b, S. 63). Die Reifephase beschreibt den Wendepunkt, wenn der Umsatz nur noch mit sinkenden Wachstumsraten steigt (Stauss 2006, S. 433). In diesem Abschnitt sind die Kundenpotenziale weitestgehend ausgeschöpft. Deshalb sollen die Kundenerlöse möglichst auf dem erreichten Niveau gehalten werden, indem das Unternehmen versucht, die Zufriedenheit des Kunden zu erhalten (Bruhn 2009, S. 63). In der Kundenbindungsphase ist das Direktmarketing besonders wichtig, um den aufgebauten Kundenkontakt zu pflegen und zu intensivieren. In der Automobilbranche ist dies sehr üblich, um eine Markentreue zu etablieren (Holland 2004, S. 21). In fast allen Branchen ist man sich mittlerweile im Klaren darüber, dass eine dauerhafte Kundenbeziehung für Unternehmen von großer Bedeutung ist (Becker 2009, S: 631). Einer US-Studie zufolge führt eine Senkung der Kundenabwanderung um nur fünf Prozent zu einer Gewinnsteigerung zwischen 25 und 85 Prozent. Eine Neukundenakquise ist den Autoren zufolge fünf- bis siebenmal teurer, als die Kosten um eine bereits bestehende Kundenbeziehung

6

zu erhalten (Reichheld und Sasser 1991, S. 108ff.). Es ist also profitabler eine langfristige Kundenbeziehung zu etablieren. Zudem sind über Bestandskunden weitaus mehr Informationen bekannt, wodurch ein effektives Customer Targeting auf Basis von Data-Mining-Techniken erfolgen kann. Die Identifikation profitabler Kunden ist essentiell, da diese zum einem hinsichtlich ihres zukünftigen Wertes beurteilt werden können und zum anderen die Ergebnisse ihres Nutzungsverhalten auch auf Neukunden bzw. auf Verbraucher mit keiner intensiven Geschäftsbeziehung übertragen werden können. Dadurch ist es möglich, Cross-Selling-Potenziale zu ermitteln und die interessierten Konsumenten dann gezielt auf die entsprechenden Leistungen hinzuweisen (Hippner und Wilde 2008, S. 218f.). Die Kundenrückgewinnungsphase stellt die letzte Stufe des Beziehungslebenszyklus dar. Auf die Gefährdungs-, Auflösungs- und Abstinenzphase (Bruhn 2009b, S. 63; Stauss 2000, S. 15) wird im Rahmen dieser Arbeit aus Platzgründen und wegen der untergeordneten Bedeutung im Vergleich zu den anderen beiden Phasen nicht weiter eingegangen.

3 Operationalisierung des Customer Targeting durch Data Mining Applikationen

In diesem Kapitel sollen die notwendigen Voraussetzungen und Verfahren näher betrachtet werden, damit ein effektives Customer Targeting erfolgen kann. Es muss also geklärt werden, welche Daten für das Customer Targeting relevant sein könnten, wie der Prozess zu Verarbeitung wichtiger Daten gestaltet werden sollte und welche verschiedenen Data-Mining-Techniken angewendet werden können, um entscheidungsrelevantes Wissen zu extrahieren. Allgemein beschreibt Data Mining eine Ansammlung explorativer Methoden, mit denen systematisch in großen Datenbeständen nach Zusammenhängen und zuvor unbekannten Mustern gesucht werden kann (Heidel 2008, S. 69). Der Begriff Data Mining ist von der Bergbauindustrie (Mining) abgeleitet, wo man mit großem technologischem Aufwand wertvolle Mineralien aus dem Erdinneren fördert. Dementsprechend verwendet das Data Mining komplexe automatisierte Methoden, um umfangreiche Datenmengen mit dem Ziel zu verarbeiten, kritische entscheidungsrelevante Informationen zu identifizieren. Diese beinhalten u.a. die Identifikation relevanter Zielgruppen, Reaktionsanalysen oder die Evaluation von Cross- und Upselling-Potenzialen. Im Einzelhandel z.B. können das Kaufverhalten und die Kundentransaktionen analysiert werden, um Entscheidungen über die Gestaltung von Verkaufsräumen oder die Produktpalette zu unterstützen. Im Internetzeitalter wird auch das Web Mining als eine spezielle Form des Data Mining immer wichtiger. Eine Form des Web Mining, das Web Usage Mining, analysiert das Verhalten der Besucher der eigenen Firmenwebseite und erfasst u.a. Browsing-Pfade und das Kaufverhalten von Onlinekunden (Homburg, Kuester und Krohmer 2009, S. 502). Ein Customer-Targeting-Ansatz hierzu wird in Kapitel 4.2.2 dargestellt.

7

3.1 Voraussetzungen für ein effektives Customer Targeting

Die Segmentierung und Auswahl relevanter Kunden ist aufgrund der verfügbaren Informationen in Business-to-Consumer-Märkten (B2C) und Business-to-Business-Umfeld (B2B) sehr verschieden. So findet eine angemessene Rate von Wiederholungskäufen innerhalb eines relevanten Zeitraumes in B2B-Branchen weitaus seltener statt. Dieses Wissen über das Kaufverhalten ist aber essentiell. Auch die Kundenbasis ist in B2B-Märkten deutlich kleiner, was die Generalisierbarkeit aufgrund der geringen Datenmenge einschränkt. Zudem können In-formationen über B2C-Kunden wesentlich einfacher beschafft werden. Komplette Kaufdaten für verschiedene Haushalte und somit potenzielle Kunden können bei unterschiedlichen Marktforschungsinstituten erworben werden (Schmittlein und Peterson 1994, S. 41f.). Aufgrund der einfacheren Datenbeschaffung und der größeren Menge an verfügbaren In-formationen verwenden viele Studien häufig Daten aus dem B2C-Umfeld. Auch die im Rahmen dieser Arbeit vorgestellten Studien (Kap. 4) greifen meist auf diese Datenbasis zurück. Aus diesem Grund werden im Folgenden nur die für das Customer Targeting relevanten In-formationen des B2C-Bereichs näher betrachtet.

3.1.1 Erforderliche Daten für das Customer Targeting

Die für das Customer Targeting relevanten Informationen lassen sich grundsätzlich in drei Datenkategorien unterteilen: Identifikationsdaten, Deskriptionsdaten und Kontakthistorie. Die Identifikationsdaten enthalten dabei Kontaktinformationen wie z.B. den Namen, die Anrede, die Adresse, die Telefonnummer und die E-Mailadresse (Hippner, Leber und Wilde 2004, S. 164f.). Diese Daten sind längerfristig konstant, von Produkten unabhängig und garantieren eine eindeutige Identifikation potenzieller, aktueller sowie ehemaliger Kunden (Schulze 2000, S. 41). Besonders die Postleitzahl ist ein wichtiges Element. Da teilweise große regionale Divergenzen in den Absatzpotenzialen zu beobachten sind, wird dieses Merkmal für die Kundenbewertung und/ oder -segmentierung häufig verwendet (Link und Hildebrand 1993, S. 35). Deskriptionsdaten enthalten möglichst viele beziehungsrelevante Informationen über den Kunden. Bei diesen Kundenprofildaten ist eine Differenzierung nach Demographika, Soziographika und Psychografika möglich (Hippner, Leber und Wilde 2004, S. 166f.). Demographische Merkmale werden häufig als klassische Segmentierungskriterien bezeichnet. Zu diesen zählen zum einen Lebenszykluskriterien wie Alter, Haushaltsgröße und der Familienzyklus. Zum anderen beinhalten Demographika auch geographische Kriterien wie z.B. die Wohnortgröße oder die Region. Soziologische Merkmale werden in den letzten Jahren vermehrt eingesetzt. Diese Kriterien können weiter in Sozialisation (z.B. Kultur), soziale Schicht (z.B. Beruf, Einkommen und Bildung) sowie Interaktionskriterien untergliedert werden (Freter 2008, S. 93ff.). Die Begriffe Demographika und Soziographika werden zusammen häufig

8