Customer Targeting - Überblick über die empirischen Erkenntnisse

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Problemstellung

2 Customer Targeting als Basis eines effektiven Marketings
2.1 Abgrenzung der Einsatzgebiete des Customer Targeting
2.1.1 Notwendigkeit des Customer Targeting
2.1.2 Customer Targeting für ein effizientes Direktmarketing
2.2 Customer Targeting im Beziehungslebenszyklus
2.2.1 Customer Targeting in der Kundenakquisitionsphase
2.2.2 Customer Targeting in der Kundenbindungsphase

3 Operationalisierung des Customer Targeting durch Data Mining Applikationen
3.1 Voraussetzungen für ein effektives Customer Targeting
3.1.1 Erforderliche Daten für das Customer Targeting
3.1.2 Der Data-Mining-Prozess für ein effektives Customer Targeting
3.2 Aufgaben des Data Mining für ein effektives Customer Targeting
3.2.1 Potenzialaufgaben
3.2.2 Beschreibungsaufgaben
3.3 Data-Mining-Techniken für das Customer Targeting
3.3.1 Entscheidungsbäume
3.3.2 Assoziationsregeln
3.3.3 Künstliche Neuronale Netze
3.3.4 Fallbasiertes Schließen
3.3.5 Genetische Algorithmen

4 Empirische Befunde des Customer Targeting in den Phasen einer Kundenbeziehung
4.1 Erkenntnisse in der Kundenakquisitionsphase
4.1.1 Effektives Customer Targeting auf Basis von Reaktionsanalysen
4.1.2 Zielgruppenselektion für standardisierte Direktmarketingaktionen
4.2 Erkenntnisse in der Kundenbindungsphase
4.2.1 Customer Targeting für die Identifikation profitabler Kundensegmente
4.2.2 Customer Targeting als Basis für kundenspezifische Direktmarketingaktionen
4.2.3 Customer Targeting für die Identifikation von veränderten Verhaltensmustern

5 Zusammenfassung

Literaturverzeichnis

Eidesstattliche Erklärung

Abbildungsverzeichnis

Abbildung 1: Dimensionen des Direktmarketings am Beispiel der Postwurfsendung

Abbildung 2: Data-Mining-Verfahren und Techniken

Abbildung 3: Vergleich von GA und Zufallsauswahl für drei Marketingstrategien

Tabellenverzeichnis

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

Tabelle 2: Merkmale und Trefferquote bei unterschiedlichen Zielpunkten

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

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

Tabelle 5: Kundensegmente und entsprechende Marketingstrategie

Tabelle 6: Mittlere innere Clustervarianzen unterschiedlicher Ansätze

Tabelle 7: Umsatzsteigerung durch Reallokation der Direktmarketingaktivitäten

Tabelle 8: Übersicht der Beziehungsphasen und Techniken der betrachteten Studien

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

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

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 55 = 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 relevanten Kunden identifiziert werden können. Die Arbeit soll dazu beitragen, diese Fragen zu beantworten 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 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 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

Abbildung in dieser Leseprobe nicht enthalten

(Quelle: in Anlehnung an Homburg, Kuester und Krohmer 2009, S. 268)

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 stehen. 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 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 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.

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 Informationen 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 Informationen 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 Informationen 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, Sozio-graphika 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 als Soziodemographika bezeichnet. Soziodemographische Merkmale oder Strukturmerkmale können hierfür synonym verwendet werden (Heidel 2008, S 283). Mit Hilfe von soziodemo-graphischen Daten werden meist erste Zielgruppen für bestimmte Produkte abgegrenzt (Böhler 2008, S. 926). Psychographische Merkmale stellen eine weitere Gruppe von Segmentierungskriterien dar. Diese Eigenschaften werden als Ergänzung eingesetzt, da Soziodemographika zwar eine Person beschreiben können, diese Merkmale allerdings keine Aussagen über die Wünsche, Bedürfnisse und Motivationen eines Kunden zulassen (Reinelt und Fauconnier 2005, S. 40). Psychographika lassen sich wiederum in die Gruppen allgemeine Persönlichkeitsmerkmale wie den Lebensstil und produktspezifische Kriterien, zu denen u.a. Einstellungen und Motive zählen, untergliedern. Der Vorteil von Persönlichkeitskriterien liegt vor allem darin, dass diese über eine längere Zeit beständig sind (Freter 2008, S. 93ff.). Segmentierungsansätze erfolgen häufig auf Basis einer Kombination von Soziodemographika und psychographischen Merkmalen. Zwischen psychographischen und soziodemographischen Merkmalen ist allerdings meist nur ein geringer Zusammenhang nachweisbar (Heidel 2008, S 283).

Daten der Kontakthistorie umfassen zum einen die Kaufhistorie über bisherige Transaktionen und zum anderen vollzogene kommunikative Maßnahmen (Kommunikationshistorie) sowohl aus Kunden- als auch aus Unternehmensperspektive. Zur Kaufhistorie zählen u.a. Zeitpunkt und Menge gekaufter Objekte, Zahlungsgewohnheiten und das allgemeine Kaufverhalten des Kunden (Hippner, Leber und Wilde 2004, S. 164ff.). Diese Kriterien des be-obachteten Kaufverhaltens sind wichtige Indikatoren. Während es sich bei den zuvor beschriebenen Merkmalen um Bestimmungsfaktoren des Kaufverhaltens handelt, stellen diese Faktoren die Ergebnisse eines Kaufentscheidungsprozesses dar (Freter 2008, S. 93ff.). Die Kommunikationshistorie enthält u.a. Angaben über den Kundenstatus und den verwendeten Kommunikationskanal (Hippner, Leber und Wilde 2004, S. 174f.). Informationen über vorherige Direktmarketingaktionen sollten in jedem Fall mit aufgenommen werden. Nur so entsteht ein Informationskreislauf, der es erlaubt, alte Daten zu aktualisieren und mit neuen Informationen die Kenntnisse über einzelne Kunden zu verfeinern (Becker 2009, S. 585).

Für das Customer Targeting werden vermehrt drei Kriterien für die Evaluierung und Segmentierung von Bestandskunden eingesetzt. Diese Merkmale umfassen Recency (R), Frequency (F) und Monetary Value (M) und werden auch als RFM-Ansatz bezeichnet. Recency beschreibt dabei, wie lange ein vergangener Kauf zurück liegt. Der Frequency -Wert gibt an, wie viele Produkte der Kunde gekauft hat und in welchen Zeitintervallen er dies tat. Der Monetary Value soll den gesamten monetären Wert der getätigten Einkäufe widerspiegeln (Lehmann und Winer 2008, S. 146). Regelmäßige Postwurfsendungen zu bestehenden Kunden werden häufig auf Basis von RFM-Informationen getätigt. Allerdings kann der RFM-Ansatz aufgrund der notwendigen Informationen lediglich für aktuelle Kunden verwendet werden. Unterhält das Unternehmen keine Beziehungen zu dem Konsumenten, basieren Direktmarketingaktionen meistens auf der Analyse der Beziehung zwischen soziodemographischen Daten und der Reaktion des Haushaltes auf eine Testwerbung (Kim und Street 2004, S. 224f.).

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

Für die erfolgreiche Auswertung von Datenmengen mit Hilfe von Data-Mining-Applikationen und die Extraktion relevanter Entscheidungsalternativen müssen in jeder Untersuchung verschiedene Phase durchlaufen werden. Hierbei sind teils intensive Interaktionen mit dem Anwender und Rückkopplungsschleifen erforderlich. Die Problemidentifizierung beruht auf kritischen Fragestellungen und/ oder Sachverhalten, die mit einer verbesserten Entscheidungsfähigkeit assoziiert werden. Hier müssen die analytischen Ziele definiert werden und eine Projektplanung erfolgen. Die Datenauswahl befasst sich im Wesentlichen mit der Zusammenstellung, der qualitativen Bewertung und der Bestimmung geeigneter Datenbestände, die wichtige Informationen enthalten könnten. Bei der Datenaufbereitung werden Verfahren u.a. zur Rekonstruktion und Verfeinerung, zur Vereinheitlichung, zur Kombination, zur Kodierung, zur Behandlung fehlender Merkmalswerte und zur Eliminierung redundanter Daten angewendet. Bei der Auswahl geeigneter Data-Mining-Methoden werden die Auswahlkriterien bestimmt, die Methoden bewertet und ein geeignetes Verfahren (Kap. 3.2) sowie die Technik (Kap. 3.3) zur Analyse der vorverarbeiteten Daten ausgewählt. Im nächsten Schritt folgt die Anwendung ausgewählter Methoden, um relevantes Wissen in den vorverarbeiteten Daten zu identifizieren. Hierzu werden Data-Mining-Modelle entwickelt und getestet sowie ggf. miteinander kombiniert. Die Interpretation und Evaluation des entdeckten Wissens durch die Darstellung der Ergebnisse mit Hilfe verschiedener Visualisierungstechniken stellt die nächste Phase dar. In dieser sollen handlungsrelevante Ergebnisse herausgefiltert und unter betriebswirtschaftlichen Gesichtspunkten bewertet werden. Kriterien zur Beurteilung können u.a. die Validität, die Signifikanz und Einzigartigkeit, die Effektivität, die Einfachheit sowie die Generalisierbarkeit darstellen (Hirota und Pedrycz 1999, S. 1575ff.; Wilde 2001, S. 15f.; Wu et al. 2005, S. 292). Jede dieser Phasen kann die Ergebnisqualität direkt beeinflussen. Daher muss jeder einzelne Schritt sorgfältig vorbereitet und durchgeführt werden (Pyle 1999, S. 28).

3.2 Aufgaben des Data Mining für ein effektives Customer Targeting

Für das Customer Targeting werden häufig mehrere Data-Mining-Techniken gleichzeitig bzw. nacheinander eingesetzt, was in den betrachteten Studien in Kapitel vier deutlich wird. Im Folgenden soll zunächst eine Beschreibung der Aufgabengebiete und zugehörigen Verfahrensweisen (Kap. 3.2) sowie der Data-Mining-Techniken (Kap. 3.3) erfolgen. Hierbei wird der Schwerpunkt auf Techniken gelegt, die vermehrt in den betrachteten Untersuchungen zum Einsatz kommen. Da die vorgestellten Studien teils ihre Ergebnisse mit anderen Ansätzen vergleichen, sind in Abbildung 2 auch nicht im Detail besprochene Techniken enthalten.

Abbildung 2: Data-Mining-Verfahren und Techniken

Abbildung in dieser Leseprobe nicht enthalten

(Quelle: in Anlehnung an Alpar und Niedereichholz 2000, S. 13; Berendt et al. 2004, S. 3ff.; Hippner,

Merzenich und Wilde 2004, S. 249)

Data-Mining-Verfahren können grundsätzlich nach zwei Aufgabentypen differenziert werden, Potenzialaufgaben und Beschreibungsaufgaben. Mit den Potenzialaufgaben sollen aus bereits bekannten Merkmalen eines Konsumenten unbekannte oder zukünftige Eigenschaften abgeleitet werden. Diese Informationen können mittels Klassifikation und Prognose ergründet werden. Beschreibungsaufgaben sollen hingegen Zusammenhänge zwischen einzelnen Daten erkennen und auf diese Weise relevante Muster herausarbeiten. Hierfür sind die Segmentierung und die Abhängigkeitsanalyse geeignet (Berendt et al. 2004, S. 3ff.).

3.2.1 Potenzialaufgaben

Bei der Klassifikation wird die Annahme getroffen, dass es eine Anzahl von Objekten gibt, welche verschiedenen Klassen angehören. Der Klassenname als symbolischer Wert ist für jedes Objekt bekannt. Die Zielsetzung besteht darin, ein Modell zu entwickeln, um neue, unbekannte Objekte der richtigen Klasse zuzuweisen (Nakhaeizadeh, Reinartz und Wirth 1998, S. 8). Die Zuordnung eines Objektes zu einer von mehreren Klassen erfolgt dabei auf Basis seiner Merkmalsausprägungen (Agrawal et al. 1996, S. 308). Geeignete Techniken zu Klassifikation sind u.a. künstliche neuronale Netze und Entscheidungsbaumverfahren (Hippner, Merzenich und Wilde 2004, S. 251). Ein Klassifikationsbeispiel stellt die Analyse von Kündigern dar. Hierbei werden kundenbezogene Merkmale gesucht, die eine möglichst hohe Korrelation zum Kündigungsverhalten der Konsumenten aufweisen. Ein derartiges Modell zur Klassifikation kann im Anschluss zur Prognose der Kündigungswahrscheinlichkeit bei Bestandkunden verwendet werden (Bensberg 2002, S. 208).

Mit der Prognose werden die unbekannten numerischen Werte eines Merkmals auf Basis früherer Werte diese Kriteriums oder anderer Merkmale bestimmt. Die vorhergesagten Werte beziehen sich oft, aber nicht immer, auf zukünftige Zeitpunkte. Die Prognose verwendet kontinuierliche Werte, wohingegen die Klassifikation diskrete Werte benutzt. Für Prognoseaufgaben werden neben verschiedenen ökonometrischen und statistischen Verfahren auch neuronale Netze verwendet (Alpar und Niedereichholz 2000, S. 10). Die Vorhersage von Börsenkursen ist ein typisches Prognosebeispiel. Allgemein sind sich die Klassifikation und die Prognose sehr ähnlich. Ein wesentlicher Unterschied bei der Prognose besteht in der Vorhersage numerischer Werte, wohingegen mit der Klassifikation symbolische Werte bestimmt werden (Nakhaeizadeh, Reinartz und Wirth 1998, S. 9).

3.2.2 Beschreibungsaufgaben

Die Segmentierung verfolgt das Ziel, Daten in interessante und sinnvolle Klassen oder Teilmengen aufzuspalten. Auf Basis einer Segmentierung können z.B. Kunden mit ähnlichen Kaufverhaltensmustern gruppiert und gezielt beworben werden (Nakhaeizadeh, Reinartz und Wirth 1998, S. 7). Das Verfahren identifiziert dabei zuvor unbekannte, homogene Segmente von Individuen. Diese Kundensegmente weisen dabei sich ähnelnde Merkmalswerte auf und können durch die im nächsten Kapitel beschriebene Technik eigenständig ermittelt werden (Hippner, Rentzmann und Wilde 2004, S. 19). Die Segmentierung wird auch eingesetzt, um zunächst homogene Teilmengen zu identifizieren, die dann mit weiteren Verfahren leichter zu analysieren sind. In diesem Fall dient sie also zur Vorbereitung einer Analyse (Nakhaeizadeh, Reinartz und Wirth 1998, S. 7). Für die Segmentierung eignen sich viele Merkmale wie z.B. Soziodemographika, Psychographika sowie das Kundenverhalten (Bensberg 2002, S. 209).

Die Abhängigkeitsanalyse sucht nach Beziehungen zwischen verschiedenen unterschiedlichen Objekten oder nach Bezügen zwischen Merkmalen eines Vorganges oder Objektes (Alpar und Niedereichholz 2000, S. 10). So lassen sich signifikante Abhängigkeiten zwischen Merkmalswerten feststellen und die Wahrscheinlichkeit des Auftretens eines Wertes auf Basis von gegebenen Informationen vorhersagen (Nakhaeizadeh, Reinartz und Wirth 1998, S. 10). Diese Zusammenhänge können zu einem bestimmten Zeitpunkt bestehen (Alpar und Niedereichholz 2000, S. 10). So kann z.B. auf Basis einer Warenkorbanalyse ermittelt werden, welche Produkte häufig zusammen gekauft werden (Hippner, Rentzmann und Wilde 2004, S. 19). Darüber hinaus können auch verschiedene Zeitpunkte betrachtet werden. Die Analyse von Kreditkartentransaktionen kann ergeben, dass einige Zeit nach einem Produktkauf noch ein Komplementärprodukt erworben wird (Alpar und Niedereichholz 2000, S. 10).

3.3 Data-Mining-Techniken für das Customer Targeting

Die in Abbildung 2 dargestellten Data-Mining-Techniken umfassen nur einen Teil der in der Literatur verwendeten Verfahren. Eine detaillierte Beschreibung der aufgeführten Techniken würde den Rahmen dieser Arbeit sprengen. Aus diesem Grund werden im Folgenden nur die Techniken, die in den vorgestellten Studien (Kap. 4) vermehrt zum Einsatz kommen, näher betrachtet. Zu diesen zählen Entscheidungsbäume, Assoziationsregeln, Künstliche Neuronale Netze, Fallbasiertes Schließen sowie als Ergänzung die Genetischen Algorithmen.

3.3.1 Entscheidungsbäume

Bei Entscheidungsbäumen (EB) werden Objekte mit bekannter Klassenzuordnung schrittweise auf Basis einzelner Merkmale in Segmente aufgeteilt, welche in sich möglichst homogen und untereinander möglichst heterogen sind. Der daraus entstandene Baum enthält Verzweigungskriterien, auf deren Basis Regeln gebildet werden können. Diese Regeln können dann auch auf Objekte angewendet werden, die bislang nicht zugeordnet worden sind (Alpar und Niedereichholz 2000, S. 11). Die schrittweise Verzweigung erfolgt auf Basis von Partitionierungsregeln und einem Schwellenwert. Das Merkmal mit der trennschärfsten Klassifikation der Daten wird dabei in jedem Schritt für die weitere Unterteilung verwendet. Im Anschluss wird der Baum mit dem sogenannten Stutzungsschritt auf eine sinnvolle Größe gekürzt. Dadurch wird das Overfitting reduziert und das Modell kann auch für neue Daten verwendet werden. Da die einzelnen Schritte auch für Laien einfach nachzuvollziehen sind, werden Entscheidungsbäume häufig im Data Mining für die automatische Regelgenerierung eingesetzt (Hippner, Merzenich und Wilde 2004, S. 251f.; Küsters 2001, S. 109f.).

Die im Marketing am weitesten verbreiteten Entscheidungsbaumansätze sind u.a. das aus der Statistik stammende CART (Classification and Regression Trees) und das im Bereich des maschinellen Lernens entwickelte C4.5-Verfahren (Küsters 2001, S. 110). Der C4.5-Algorithmus, welcher eine Erweiterung des ID3-Ansatzes ist, sucht genau wie das CART rekursiv jeden Entscheidungsknoten ab und wählt die optimale Unterteilung, bis keine weiteren Teilungsmöglichkeiten mehr gegeben sind. Allerdings gibt es einige wichtige Unterschiede bei den beiden Techniken. Im Gegensatz zum CART ist der C4.5 nicht auf binäre Unterteilungen beschränkt. Dadurch ist er in der Wahl seiner Form freier. Des Weiteren produziert der C4.5 standardmäßig einen Ast für jede Merkmalsausprägung, wodurch der Baum breiter aber nicht so tief wie beim CART wird. Zudem wird die Homogenität jedes Knotens bei beiden Techniken unterschiedlich gemessen (Larose 2005, S. 116). Während CART den Gini-Index verwendet, misst beim C4.5 die Entropie die Verunreinigung der Knoten. Hierbei wird die Unterteilung gesucht, die zur kleinstmöglichen Entropie führt (Meyer 2002, S. 208).

3.3.2 Assoziationsregeln

Um Assoziationsregeln zu identifizieren, werden Merkmalswerte betrachtet, die in verschiedenen Datensätzen vorkommen und gegenseitig abhängig sind (Alpar und Niedereichholz 2000, S. 11). Es werden also Elemente einer Menge gesucht, die häufig bei einer Transaktion zusammen auftreten, wobei eine Transaktion sowohl der Besuch von verschiedenen Links einer Webseite als auch einen einfachen Einkauf beschreibt. Allgemein folgen diese Assoziationsregeln dem Muster wenn Element A, dann auch Element B (Hippner, Merzenich und Wilde 2004, S. 249f.; Hettich und Hippner 2001, S. 427ff.). A bezeichnet hierbei die Linke-Hand-Seite (LHS) und ist die Bedingung einer Assoziationsregel. B beschreibt die Rechte-Hand-Seite (RHS) und stellt die Folgerung dar. Am häufigsten finden Assoziationsregeln in der Warenkorbanalyse Anwendung (Chen, Chiu und Chang 2005, S. 775).

Die ermittelten Regeln können auf Basis ihrer Abhängigkeitsstärke sowie der Häufigkeit ihres Vorkommens in den Datensätzen bewertet werden (Alpar und Niedereichholz 2000, S. 11). Hierfür werden die beiden Maßzahlen Support und Konfidenz verwendet, wobei der Support die Häufigkeit der Assoziationsregel und die Konfidenz die Stärke des Zusammenhangs zwischen zwei Regeln widerspiegelt (Hippner, Merzenich und Wilde 2004, S. 249f.; Hettich und Hippner 2001, S. 427ff.). Assoziationsregeln können jegliche Anzahlen von Merkmalen auf beiden Seiten haben (Chen, Chiu und Chang 2005, S. 775). Neben einzelnen Elementen können also auch Klassen, Ordnungen oder Systeme, sogenannte Taxonomien, betrachtet werden. Hier ist eine Einteilung in bestimmte Warengruppen ebenso möglich wie die Bildung einer Gruppe mit Sonderangeboten (Hettich und Hippner 2001, S. 438).

In der Verhaltensforschung können Assoziationsregeln zur Identifizierung von Korrelationen zwischen Kundenprofilen verwendet werden. Diese Profile werden meistens durch demographische Daten und gekaufte Produkte beschrieben. Die LHS kann dann aus Daten des Kundenprofils, wie z.B. Alter, Geschlecht und jährliches Einkommen, bestehen. Die RHS erfasst die gekauften Artikel (Song, Kim und Kim 2001, S. 157f.).

Die Entdeckung von Assoziationsregeln gestaltete sich prinzipiell leicht, da Lösungen durch Enumeration auffindbar sind. Problematisch sind vor allem große Datenmengen, in denen aufgrund der Kombination der Merkmalswerte ein nicht überschaubarer Lösungsraum entsteht. Daher wurden verschiedene Algorithmen wie z.B. Apriori entwickelt, welcher im ersten Schritt alle Relationen ermittelt, die einen prozentualen Mindestsupport aufweisen und im zweiten Schritt auf Basis einer prozentualen Mindestkonfidenz diese Relationen zu Assoziationsregeln verarbeitet (Küsters 2001, S. 115f.).

3.3.3 Künstliche Neuronale Netze

Künstliche neuronale Netze sind in fast allen Aufgabengebieten einsetzbar, da sie Zusammenhänge sowohl in einfachen linearen als auch in hoch komplexen Problemstellungen erkennen können (Wiedmann, Buckler und Buxel 2001, S. 26). Es ist nicht notwendig, explizit einen funktionalen Zusammenhang zwischen verschiedenen Merkmalen zu unterstellen. Mit dieser Technik können auch nichtlineare Strukturen in Datensätzen entdeckt und modelliert werden. Neuronale Netze werden vor allem für hoch komplexe Probleme mit vielen Einflussfaktoren, nichtlinearen Wirkungszusammenhängen sowie Verzerrungen durch externe Einflüsse eingesetzt, da mit ihnen dennoch generalistische Aussagen möglich sind (Nakhaeizadeh, Reinartz und Wirth 1998, S. 13).

Der Ablauf funktioniert in vereinfachter Form wie folgt. Neuronen werden in verschiedenen Schichten angeordnet. Alle Neuronen einer Schicht sind mit denen der Nachbarschicht verbunden. Die erste Schicht wird als Inputschicht, die letzte als Outputschicht bezeichnet. Jedes Neuron gewichtet und summiert die Inputdaten und sendet nur dann ein Signal an das folgende Neuron, wenn ein zuvor definierter Schwellenwert überschritten ist. In das neuronale Netz werden solange Inputdaten eingespeist, bis es die gewünschten Ergebnisse präsentiert, wobei das Netz durch die Anpassung der Gewichte in der Summationsfunktion lernt (Alpar und Niedereichholz 2000, S. 10f.). Auf Basis von Trainingsdaten stellt das Netz Zusammenhänge her oder lernt eine Funktion, mit deren Hilfe dann Rückschlüsse für neue Datensätze möglich sind. Das Training des Netzes erfolgt, indem die Gewichte zwischen den Neuronenknoten mittels Lernalgorithmen iterativ bestimmt werden. Durch die Anpassung der Gewichte sollen die Werte der Zielvariablen möglichst gut durch die Netzfunktion erklärt werden (Nakhaeizadeh, Reinartz und Wirth 1998, S. 13).

Man spricht von überwachtem Lernen, wenn die Ergebnisse bereits bekannt sind. Dies ist z.B. der Fall, wenn bereits eine Zuordnung von Objekten zu Klassen erfolgte. Neuronale Netze, die unüberwachtes Lernen vollziehen, bezeichnet man u.a. als Self Organising Maps (SOM), zu Deutsch selbstorganisierende Netze. Diese Ansätze sind besonders für Segmentierungs- und Prognoseaufgaben geeignet (Alpar und Niedereichholz 2000, S. 10f.). Neben der SOM ist die Adaptive Resonance Theory (ART) eine weitere häufig eingesetzte Technik für unüberwachtes Lernen. Hierbei wird zwischen ART1, welche auf binäre Daten anwendbar ist, und ART2, die für stetige Daten genutzt werden kann, unterschieden (Kuo, Liao und Tu 2005, S. 356f.). Während überwachte Netze Inputs und Outputs für das Training des Netzwerks benötigen, brauchen unüberwachte Netze nur einen Input. Hier werden die Gewichte auf Basis einer Energiefunktion verändert. Allgemein existieren eine Vielzahl von Netzwerktypen, die mit den unterschiedlichsten Funktionen zur Erfüllung ihrer Aufgaben ausgestattet sind (Wiedmann und Buckler 2001, S. 53ff.). Allerdings können neuronale Netze die Zusammenhänge nicht immer verständlich darstellen, weshalb sie häufig mit anderen Methoden kombiniert werden (Wiedmann, Buckler und Buxel 2001, S. 26f.). Im Rahmen dieser Arbeit werden der Einfachheit halber Netze für überwachtes Lernen als ANN bezeichnet.

[...]