Katholische Universität Eichstätt-Ingolstadt

Wirtschaftswissenschaftliche Fakultät

Lehrstuhl für ABWL und Wirtschaftsinformatik

Adaptivität im CRM

- Maschinelles Lernen in einem Simulationsmodell unter Verwendung von

SPSS Clementine

­ Diplomarbeit ­

eingereicht von

Dominik Claussen

8. Fachsemester

Abgabetermin: 17.04.2009

---

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

II

---

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

III

---

II.

Abbildungsverzeichnis

Abbildung 1: Effekt eines Lernsystems für eine Kampagne 1

Abbildung 2: Adaptivitäts-Konzept 3

Abbildung 3: Aufbau eines CRM-Systems 5

Abbildung 4: Adaptivitätskonzept im Kampagnenmanagement 7

Abbildung 5: Strukturierung der Kampagne 8

Abbildung 6: Arena-Aufbau der Datengenerierung (DAT1) 14

Abbildung 7: Problematik des Kampagneneinflusses auf die Reaktion 14

Abbildung 8: Datenbeschaffenheit des Musters M3 16

Abbildung 9: Modelle im Kampagnenmanagement 17

Abbildung 10: Modellerzeugung in SPSS Clementine (DAT6) 19

Abbildung 11: Modellanwendung in SPSS Clementine (DAT7) 19

Abbildung 12: Notwendigkeit von Daten-Scoringmodellen 22

Abbildung 13: Kennzahlen zur Berechnung der Datenähnlichkeit 23

Abbildung 14: Relation DB TG und TG (bei Muster-Mix 3 und 4) 26

Abbildung 15: Relation TE und TG (bei Muster-Mix 3 und 4) 26

Abbildung 16: Relation TE und DB TG (bei Muster-Mix 3 und 4) 26

Abbildung 17: Einfache Modelle, 10 Tranchen - C&RT-Baumanalyse (TE) 29

Abbildung 18: TE Tranchenperspektive für M X1-Untersuchung (6 Tranchen) 34

Abbildung 19: TE Tranchenperspektive mit M X1, M D1 (6 Tranchen) 36

Abbildung 20: TE Tranchenperspektive mit Mab1 (6 Tranchen) 36

Abbildung 21: Tranchenperspektive des Muster-Mix3 für TE und DB TG 38

Abbildung 22: Tranchenperspektive des Muster-Mix3 für TG und Response der TG 38

Abbildung 23: TE-Ergebnis der unterschiedlichen Schranken 41

Abbildung 24: Arena-Aufbau des Grundmodells im Überblick 43

Abbildung 25: 1. Teil des Arena-Aufbaus: Datengenerierung 44

Abbildung 26: 2. Teil des Arena-Aufbaus: Kampagne 45

Abbildung 27: 3. Teil des Arena-Aufbaus: Auswertung der Kampagne 46

Abbildung 28: 4. Teil des Arena-Aufbaus: Weiterleitung der Kunden 48

Abbildung 29: 5. Teil des Arena-Aufbaus: Tracking 49

IV

---

Abbildung 30: Ergänzung des Arena-Aufbaus: Monitor 49

Abbildung 31: Fortgeschrittenes Simulationsmodell mit SPSS Schnittstelle 57

Abbildung 32: Adaptiver Prozess bei bonitaire.de 60

Abbildung 33: Aufbau eines Neuronalen Netzes X

Abbildung 34: Grundelemente in Arena XI

Abbildung 35:

Expression Builder

in Arena XII

Abbildung 36: Einfügen des benötigten

AdvancedProcess

-Moduls in Arena XII

Abbildung 37: Einfache Modelle, 10 Tranchen - C&RT-Baumanalyse (DB TG) XIII

Abbildung 38: Einfache Modelle, 6 Tranchen - C&RT-Baumanalyse (DB TG) XIII

Abbildung 39: SPSS-Setting 1 bei M N - Modellsetting XVI

Abbildung 40: SPSS-Setting 2 bei M N ­ Modellsetting XVI

Abbildung 41: SPSS-Setting 2 bei M N ­ Expertensetting XVII

Abbildung 42: SPSS-Setting 1 bei M R ­ Modellsetting XVII

Abbildung 43: SPSS-Setting 1 bei M R ­ Expertensetting XVII

Abbildung 44: SPSS-Setting 2 bei M R ­ Expertensetting XVIII

Abbildung 45: SPSS-Setting 1 bei M L ­ Modellsetting XVIII

Abbildung 46: SPSS-Setting 2 bei M L - Modellsetting XVIII

Abbildung 47: SPSS-Setting 1 bei M L ­ Expertensetting XIX

Abbildung 48: SPSS-Setting 2 bei M L - Expertensetting XIX

V

---

III.

Tabellenverzeichnis

Tabelle 1: CRM-Adaptivitäts-Anwendungen 10

Tabelle 2: Datenlogik des Musters M3 (DAT1) 13

Tabelle 3: Beispieldaten des Musters M3 (DAT4) 15

Tabelle 4: Datenbeschaffenheiten (DAT1, DAT4) 17

Tabelle 5: Überblick Untersuchungsdimensionen 18

Tabelle 6: Ergebnistracking MS Excel (DAT8) 20

Tabelle 7: Ergebnisübersicht MS Excel (DAT8) 21

Tabelle 8: Durchgeführte SPSS-Untersuchungen (DAT5) 24

Tabelle 9: TE bei 5 Mustern und 10 Tranchen 27

Tabelle 10: TE bei 6 Mustern und 6 Tranchen 28

Tabelle 11: Korrigierter TE einfacher Modelle (10 Tranchen) 29

Tabelle 12: Konfidenzintervalle einfacher Modelle (10 Tranchen) 30

Tabelle 13: Korrigierter TE einfacher Modelle (6 Tranchen) 30

Tabelle 14: Konfidenzintervalle einfacher Modelle (6 Tranchen) 31

Tabelle 15: Korrigierter TE kombinierter Modelle (10. Tranche) 32

Tabelle 16: Korrigierter TE kombinierter Mab1-Modelle (10. Tranche) 32

Tabelle 17: Konfidenzintervalle einfacher Mab1-Modelle (10 Tranchen) 33

Tabelle 18: TE Kombinationsmodell M X1 (6 Tranchen) 34

Tabelle 19: TE Kombinationsmodell M D1 und M X1 (6 Tranchen) 35

Tabelle 20: Konfidenzintervalle M D1 und M X1 (6 Tranchen) 35

Tabelle 21: Differenz TE von Mab1 und M einfach (6 Tranchen) 37

Tabelle 22: Ergebnisse der unterschiedlichen Tranchenaufteilung 39

Tabelle 23: Einstellungen für unterschiedliche Schranken 40

Tabelle 24: Ergebnisse der unterschiedlichen Schranken 40

Tabelle 25: TE-Ergebnisse bei veränderten SPSS-Einstellungen 42

Tabelle 26: Bestimmung der Aufwärmphase (DAT16) 52

Tabelle 27: Bestimmung Anzahl Replikationen (DAT17) 53

Tabelle 28: Auswahl der drei besten Alternativen (DAT19) 53

Tabelle 29: Auswahl der besten Alternative (DAT20) 54

VI

---

Tabelle 30: Kenngrößen der besten Alternative (DAT21) 54

Tabelle 31: Einfache Auswertung der Arena-Simulation (DAT18) 55

VII

---

IV.

Formelverzeichnis

Formel 1: Marketing Effect 8

Formel 2: Targeting Effect 8

Formel 3: Modul

Decide

,,Scoring" 45

Formel 4: Modul

Decide

,,5% Reference Group Marketing effect" 46

Formel 5: Modul

Decide

,,10% Reference Group Targeting effect" 46

Formel 6: Modul

Assign

,,Auswertung TG" 46

Formel 7: Modul

Decide

,,Anpassung?" 47

Formel 8: Modul

Assign

,,Anpassung" 47

Formel 9: Modul

Assign

,,neue Attribute" 48

Formel 10: Einfache Modelle, 6 Tranchen - C&RT-Baumanalyse (TE) XIII

Formel 11: Alle Score-Modelle 10. Tranche - auf beste Ergebnisse gekürzte C&RT-

Baumanalyse (TE) XIII

Formel 12: M D1, M X1 - auf beste Ergebnisse gekürzte C&RT-Baumanalyse (TE) XIV

Formel 13: M D1, M X1 - auf beste Ergebnisse gekürzte C&RT-Baumanalyse (DB TG) .. XIV

Formel 14: Mab1 - auf beste Ergebnisse gekürzte C&RT-Baumanalyse (TE) XIV

Formel 15: Mab1 - auf beste Ergebnisse gekürzte C&RT-Baumanalyse (DB TG) XV

VIII

---

V.

Dateiverzeichnis

Im Falle einer Passwortabfrage bei den Dateien ist das Passwort ,,WFI09CRM"

Dateien zu 3.1 Datengenerierung

ID

Verzeichnis

Name

Typ

Beschreibung

DAT1

\1 verwendete Daten\1 Da-

DAT1_090123 DatenGe-

Arena Datei zur Ausführung der

tenGenerierung Arena\

nerierung.doe

Datengenerierung

DAT2

\1 verwendete Daten\

DAT2_090123 $$ Import

Excel

Datei zum Datenauslesen

ARENA v2.xls

der Arena-Daten

Tabellenblätter: ,,Übersicht" (Aufbau der Datei); ,,IMPORT" (Blatt zum Importieren der Arena-

daten); ,,Aus Arena(2)" (Blatt zum Verknüpfen der Arenadaten mit den Attributen); ,,1" (Ausle-

sen der Daten in gewünschte Form)

DAT3

\1 verwendete Daten\

DAT3_0812 $$ Kampag-

Excel

Datei zum Nachbearbeiten

ne 1,0+MW-Maske

der importierten Daten

DAT4 \1

verwendete

Da-

z.B. 1x3.xls = ,,1. Tranche Excel

Alle aufbereiteten Daten-

ten\DAT4_6 Tranchen Da-

mit 3000 Kundendaten"

dateien nach der Sortie-

ten\ bzw. \ DAT4_10 Tran-

rung erst Tranche dann

=> Datendatei für jede

chen Daten

Muster

Tranche, sowie ggf. Über-

z.B.:

blickdatei und ggf. Mab1-

Dateien

\1 verwendete Daten\

DAT4_6 Tranchen Da-

ten\090123 M2 6x\

Dateien zu 3.2.2 Erstellung der einfachen Modelle in SPSS Clementine

ID

Verzeichnis

Name

Typ

Beschreibung

DAT5

\ DAT5_Überblick

der

Excel

Datei mit Zielen der SPSS-

Untersuchungen.xls

Untersuchung

Tabellenblätter: ,,Übersicht"; ,,Dateiverzeichnis"; ,,Ziele SPSS-Untersuchung"; ,,Ziele Arena-

Untersuchung"

DAT6 \2

SPSS-Modell\

DAT6_Muster

zur

SPSS

Muster zur Modellerstel-

ModellGenerie-

lung in SPSS Clementine

rung.str

DAT9

\2 SPSS-Modell\DAT9_6 Tran-

z.B. 0812 Modell-

SPSS Alle

erstellten

Modelle

chen Untersuchung bzw.

Gen.str

nach der Sortierung erst

DAT9_10 Tranchen Untersu-

Tranche dann Muster

chung

IX

---