Big Data. Möglichkeiten und Grenzen des Data Mining im Dialogmarketing


Bachelorarbeit, 2014
95 Seiten, Note: 2,5

Leseprobe

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung
1.1 Ziel der Arbeit
1.2 Vorgehensweise und Aufbau der Arbeit
1.3 Abgrenzung der Arbeit

2 Begrifflich-systematische Grundlagen
2.1 Dialogmarketing
2.1.1 Definition des Begriffs Dialogmarketing
2.1.2 Einordnung des Dialogmarketings in das Aufgabenfeld Marketing
2.1.3 Instrumente des Dialogmarketing
2.2 Data Mining
2.2.1 Definition des Begriffs Data Mining
2.2.2 Einordnung von Data Mining ins Dialogmarketing
2.2.3 KDD-Prozess
2.2.4 Aufgaben des Data Minings
2.2.5 Methoden des Data Mining
2.3 Big Data
2.3.1 Definition des Begriffs Big Data
2.3.2 Einordnung von Big Data ins Dialogmarketing
2.3.3 Entwicklung des Trends Big Data
2.4 Zusammenfassung der begrifflich-systematischen Grundlagen

3 Empirische Forschung durch Befragung
3.1 Durchführung von Experteninterviews
3.1.1 Experten bei der SIG
3.1.2 Branche Lebensmittelhersteller
3.1.3 Branche Consulting
3.1.4 Telekommunikationsbranche
3.1.5 Versicherungsbranche
3.1.6 Finanzdienstleistungsbranche
3.2 Erstellung und Durchführung des Fragebogens
3.2.1 Erstellung des Fragebogens
3.2.2 Durchführung des Fragebogens
3.3 Auswertung des Fragebogens und Ergebnisse

4 Möglichkeiten und Grenzen des Data Mining im Dialogmarketing
4.1 Möglichkeiten
4.2 Grenzen
4.3 Zusammenfassung der Ergebnisse

5 Fazit

Anhang

Literaturverzeichnis

Verzeichnis der Internetquellen

Gesprächsverzeichnis

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abb. 1: Marketing als duales Führungskonzept

Abb. 2: Theoriezyklen des sektoralen Marketings

Abb. 3: Die 7 P im Dienstleistungsmarketing

Abb. 4: Eingliederung der Dialogmarketing-Instrumente in den Marketing-Mix

Abb. 5: Einordnung der Dialogmarketing-Medien in den Marketing-Mix

Abb. 6: Einordung des Data Mining ins Dialogmarketing

Abb. 7: Phasen des KDD-Prozess

Abb. 8: Beispiel für eine Clusteranalyse

Abb. 9: Quellen des Datenaufkommens bei Big Data

Abb. 10: Charaktermerkmale von Big Data

Abb. 11: Umfrage zu Big-Data-Aktivitäten in Unternehmen weltweit

Abb. 12: Prognose zum weltweit generierten Datenvolumen bis

Abb. 13: Über welche Kanäle erheben Sie (Kunden-)Daten?

Abb. 14: Wie sind die Daten in Ihrem Unternehmen früher und aktuell gewachsen?

Abb. 15: Wie werden die Daten in Ihrem Unternehmen in Zukunft wachsen?

Abb. 16: Welche Hürden müssen Sie überwinden, um Daten gewinnbringend zu nutzen?

Abb. 17: Wo setzen Sie in Ihrem Unternehmen Data Mining ein?

Abb. 18: Welcher Bereich in Ihrem Unternehmen ist für Data Mining & Big Data zuständig?

Abb. 19: Welche Technologien setzen Sie für Big Data und Data Mining ein?

Tabellenverzeichnis

Tab. 1: interne und externe Datenquellen für Big Data im Dialogmarketing

Tab. 2: Übersicht der abgebeben Stimmen für die Bedeutung von Data Mining & Big Data

Tab. 3: Gründe für das Datenwachstum

Tab. 4: Übersicht der Möglichkeiten und Grenzen des Data Mining im Dialogmarketing

1 Einleitung

Zwei Millionen Suchanfragen in Google, 70 neu registrierte Domains, 571 neu erstellte Websites, Download von 15.000 Liedern in iTunes, Versand von 204 Millionen E-Mails, 278.000 Tweets in Twitter und 1,8 Millionen Likes in Facebook und das in 60 Sekunden.1 So schnell kann man als Mensch online sein. Und täglich kommen neue Domains, Websites, Blog-Einträge und Nachrichten hinzu.2 Wie die Zahlen zeigen, werden fast pausenlos Kurznachrichten über Whatsapp und SMS, Fotos oder der aktuelle Standort um die ganze Welt geschickt. „Die Welt ist heute voll von Daten.“3 Die klassischen Datenbanken, in denen große Mengen und Berge generierter Daten gesammelt werden, können den Datenwust nicht mehr bewältigen und müssen weiterentwickelt werden. Um jedoch mit den Daten effektiv etwas anfangen zu können, wird im ersten Schritt Data Mining benötigt. Mit Hilfe dessen entsteht eine Vielzahl an Möglichkeiten, wie man sich diese Daten und die darin enthaltenen Informationen zu nutze machen kann.

Die Daten gewinnen somit für die Gesellschaft, die Unternehmen und die Wirtschaft immer mehr an Bedeutung. Nicht ohne Grund sagt man, dass die „Daten neben Kapital, Arbeitskraft und Rohstoffen zum vierten Produktionsfaktor werden“.4 Außerdem spricht man davon, dass die Daten das Öl des digitalen Zeitalters sind.5

Befasst man sich konkreter mit diesem Thema, stößt man sehr schnell auf den Begriff Big Data, das zur Zeit in aller Munde ist. Der Datenhype und das Bild eines gläsernen Kunden wurde und wird medial unter anderem durch den Whistleblower Edward Snowden gestärkt.6

Dabei wird nicht nur Big Data uns die nächsten Jahre begleiten. Auch viele weitere Trends, wie beispielsweise der sogenannte „Second-Screen“, werden im täglichen Leben eine Rolle spielen.7 Darunter ist zu verstehen, dass die Konsumenten, während sie eine Sendung oder Show im TV sehen, über soziale Netzwerke wie Facebook und Twitter via iPhone, iPad oder andere Smartphones und Tablets über die Sendung mit anderen Konsumenten und Zuschauern diskutieren und ihre Meinungen austauschen. Das Medium TV bekommt dadurch Konkurrenz, wird gleichzeitig aber auch mobiler. Das führt zurück zu der Erkenntnis wie schnell man als Person (in 60 Sekunden) online und mobil sein kann.

Wenn es gelingt, aus den stetig wachsenden Datenbergen durch geeignete Verfahren und Analysen, wie das bereits erwähnte Data Mining, diese Daten zu strukturieren, kann dies für viele verschiedene Lebens- und Geschäftsbereiche genutzt werden.8

Die vorliegende Arbeit soll genau dieses Themengebiet aufgreifen und die Möglichkeiten, jedoch auch die Grenzen von Data Mining vor allem im Hinblick auf das Dialogmarketing aufzeigen.

1.1 Ziel der Arbeit

Ziel dieser Bachelorarbeit ist es aufzuzeigen, welche Möglichkeiten und Grenzen das Data Mining im Dialogmarketing hat. Hierbei wird der Begriff Big Data aufgegriffen, der in der Fachdiskussion inflationär verwendet wird. Viele kritisieren, dass den weitreichenden Möglichkeiten des Big Data nur eine geringe praktische Relevanz gegenübersteht. Dieses Spannungsfeld soll diese Arbeit empirisch beleuchten und besonders Aspekte des Data Minings sollen dabei betrachtet werden. Durch Experteninterviews und eine Online Survey sollen die Ergebnisse empirisch erhoben und ausgewertet werden.

1.2 Vorgehensweise und Aufbau der Arbeit

Zu Beginn der vorliegenden Arbeit werden in Kapitel 2 allgemeine begriffliche Grundlagen zu den Themen Big Data, Data Mining und Dialogmarketing erläutert. Die Einordnungen der Begriffe Data Mining und Big Data in das Dialogmarketing sollen ebenfalls dargestellt werden. Außerdem werden der Prozess im Data Mining, die Aufgaben und Verfahren hier aufgegriffen und detailliert dargestellt. Die Entwicklung des Trends „Big Data“ wird des Weiteren im zweiten Kapitel veranschaulicht. Das darauffolgende dritte Kapitel dieser vorliegenden Arbeit setzt sich mit der praktischen Umsetzung, einer empirischen Forschung auseinander. Hierfür werden Experteninterviews durchgeführt und ein Fragebogen erstellt und dieser ausgewertet. Die Ergebnisse der Befragung werden ebenfalls in diesem Kapitel gesammelt und festgehalten. In Kapitel 4 folgt dann der Kern dieser Arbeit.

Die Möglichkeiten und Grenzen, welche das Data Mining mit Sicht und Einordnung auf das Dialogmarketing mit sich bringen, werden herausgearbeitet und beleuchtet.

Im letzten Kapitel werden die Erkenntnisse und Ergebnisse der empirischen Forschung nochmals aufgegriffen, zusammengefasst und ein Ausblick wird gegeben.

1.3 Abgrenzung der Arbeit

Aufgrund des begrenzten Umfangs dieser Arbeit wird der Fokus auf die Begriffe und Themen zum Dialogmarketing sowie zu Data Mining und Big Data gelegt. Hinsichtlich des Data Minings wird lediglich in einem groben Überblick auf die Begriffsdefinition, Aufgaben und Methoden eingegangen. Statistische Inhalte sowie deren Verfahren und theoretische Grundlagen werden in dieser vorliegenden Arbeit aufgrund des Bezuges zum Dialogmarketing nicht aufgeführt. Der Prozess, die Aufgaben und Verfahren des Data Minings werden bei den begrifflich-systematischen Grundlagen daher nur erläutert um hier die Vollständigkeit des Begriffes darzustellen und zu ermöglichen. Diese Kapitel und Inhalte finden jedoch bei der empirischen Forschung und Befragung keine Beachtung und werden daher im Zuge der Experteninterviews und der Fragebogenauswertung nicht erwähnt.

2 Begrifflich-systematische Grundlagen

In diesem Kapitel werden die Begrifflichkeiten Dialogmarketing, Data Mining und Big Data erklärt. Die Erläuterungen der Begriffe dienen als Grundlage, um die späteren Zusammenhänge der einzelnen Themen und Kapitel besser verstehen zu können.

2.1 Dialogmarketing

2.1.1 Definition des Begriffs Dialogmarketing

In dieser Arbeit liegt der Schwerpunkt der Thematik in dem Dialogmarketing. Daher wird in diesem Kapitel der Begriff definiert.

In der Literatur liegen viele verschiedene Definitionen zu dem Begriff Dialogmarketing vor. Die Autoren Bird (1990), Gaudi (1976), Holland (1992), Dallmer (1994), Shephard (1990), Mercer (1992) oder Kotler und Bliemel (1995) sind nur einige, die zum Begriff Dialogmarketing ihre eigene Definition aufstellen9 Jedoch sind sich alle in einem Punkt einig: „Allen Definitionen liegt aufgrund der historischen Entwicklung eine Überbetonung des Kommunikationselementes zugrunde.“10 Daraus lässt sich ableiten, dass unter Dialogmarketing alle Marketingaktivitäten zu verstehen sind, die auf eine direkte und individuell gezielte Ansprache der Zielperson und deren Reaktion ausgerichtet sind.11 Die Unternehmen setzen auf eine direkte und dialogorientierte Kommunikation.12 Daher orientiert sich das Dialogmarketing an der Leitidee marktorientierter Unternehmensführung. Hierbei stellt es verschiedene Instrumente bereit, „um die Umsetzung unterschiedlicher Marketingstrategien zu unterstützen“.13 Auf die einzelnen Instrumente, die im Dialogmarketing zur Verfügung stehen und eingesetzt werden, wird in Kapitel 2.1.3 genauer eingegangen.

Die Entstehung des Begriffs Dialogmarketing beginnt mit dem Versand von Werbebriefen, sogenannten Mailings. Der Überbegriff hierfür ist Direct-Mail. Da Werbebriefe versendet werden, entsteht schnell der Begriff der Direktwerbung. Fortführend entwickeln sich daraus das Direktmarketing und schließlich das Dialogmarketing.14

Wie zu Beginn dieses Kapitels angesprochen, soll bzw. wird die Zielperson, der Kunde oder Interessent sein kann, direkt angesprochen und eine direkte Reaktion auf die Werbebotschaft wird anvisiert. Aus diesem Grund werden die beiden Begriffe Direktmarketing und Dialogmarketing meist als Synonyme verwendet.15 Der wenn auch geringfügige Unterschied besteht darin, dass das Direktmarketing auf eine Reaktion der Zielperson und das Dialogmarketing auf einen langfristigen Dialog mit der Zielperson ausgerichtet ist. Daher ist beim Direktmarketing des Öfteren auch die Rede vom Direct Response Marketing, wenn direkte Kontakte mit dem Kunden gezielt unterstützt und ermöglicht werden.16

In dieser Arbeit wird daher bei Erwähnung des Begriffs Dialogmarketing synonym auch das Direktmarketing angesprochen. Das Dialogmarketing wird zudem auch als One-to-One-Marketing bezeichnet. Das bedeutet, dass eine Kommunikation bzw. ein Dialog zwischen einer Person (Anbieter) und einer anderen Person (User) besteht. Der Anbieter kennt seinen Kunden, in diesem Fall den User, und verfügt über verschiedene Informationen, beispielsweise wie der Kunde angesprochen werden möchte, was er sich wünscht oder was er bereit ist, für ein Produkt auszugeben. Der Kunde bzw. User verfügt ebenfalls über Informationen über den Anbieter, wie Produkte oder Dienstleistungen.17 Diese und sämtliche weitere Informationen zur Zielperson, wie Alter, Adresse, Interessen, Lebensstil usw., werden durch Marketingaktivitäten erhoben und gesammelt. Diese Informationen werden auch als personenbezogene Daten bezeichnet und in Datenbanken gesammelt. Damit die Daten effektiv und gezielt genutzt und eingesetzt werden können, müssen sie zu Beginn der Bearbeitung ausgewertet werden. Hier kommt als wichtiges „Instrument“ bzw. „Werkzeug“ im Dialogmarketing das sogenannte Data Mining zum Einsatz. Mit Data Mining können sämtliche in Datenbanken gesammelte personenbezogene Daten ausgewertet werden und somit Muster, Zusammenhänge und Trends ermittelt und erkannt werden.18 Die genaue Definition des Data Minings und weitere Begriffe, die damit zusammenhängen, werden in Kapitel 2.2 aufgegriffen.

Zusammengefasst bedeutet Dialogmarketing „die richtige Zielperson zum richtigen Zeitpunkt mit dem richtigen Thema über das richtige Medium bzw. den richtigen Kanal zu erreichen“.19

2.1.2 Einordnung des Dialogmarketings in das Aufgabenfeld Marketing

Unter dem Begriff Marketing wird zum einen die Unternehmensfunktion verstanden.20 Das bedeutet, dass hier Ziele und Strategien festgelegt, Maßnahmen ergriffen und Kontrollen durchgeführt werden müssen. Zum anderen wird unter Marketing das Leitbild des Managements eines Unternehmens verstanden. Mit dem Leitbild ist „eine marktorientierte Koordination aller betrieblichen Funktionsbereiche eines Unternehmens gemeint“.21 Insgesamt betrachtet wird Marketing als marktorientierte Unternehmensführung bzw. duales Führungskonzept interpretiert.22

Die folgende Abbildung veranschaulicht den Zusammenhang der beiden Begriffe, die das Marketing charakterisieren.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Marketing als duales Führungskonzept23

Im Zuge des Marketings bzw. des Marketingmanagements müssen Marketingziele entwickelt, anhand der Ziele verschiedene Marketingstrategien abgeleitet und für die Strategien die passenden Instrumente des Marketing-Mix bestimmt werden.24

Das Dialogmarketing findet seine Einordnung ins Marketing bereits bei dem dualen Führungskonzept. In Kapitel 2.1.1 wird angesprochen, dass das Dialogmarketing sich an eine marktorientierte Unternehmensführung anlehnt. Zudem sollen auch hier Marketingstrategien entwickelt und der optimale Marketing-Mix angewendet werden. Die Instrumente des Marketing-Mix, die dem Dialogmarketing zur Verfügung stehen, in diesen eingegliedert. Die Dialogmarketing-Instrumente werden im Einzelnen im darauffolgenden Kapitel genauer erläutert. Das Festlegen und Entwickeln von Marketingstrategien ist ein Bestandteil der strategischen Marketingplanung, die wiederum den Rahmen für die operative Marketingplanung bildet.25 In der operativen Planung werden daher die Instrumente und der passende Marketing-Mix festgelegt.

Wie die Abbildung von Meffert, Burmann und Kirchgeorg zeigt, gliedern sich die Datenbanksysteme ins Dienstleistungsmarketing ein. Daher wird im Folgenden der Blick nicht auf die klassischen „vier P“ gelegt, sondern auf die „sieben P“.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Theoriezyklen des sektoralen Marketings26

Unter den „vier P“ sind folgende zu verstehen:27

- Product = Leistungs- und Programmpolitik
- Price = Preis- und Konditionspolitik
- Place = Distributionspolitik
- Promotion = Kommunikationspolitik

In der Dienstleistungsbranche kommen zudem weitere drei P hinzu:28

People (Dienstleistungspersonal), Processes (Dienstleistungserstellungsprozess) und

Physical Facilities (physisch fassbare Leistungspotenziale des Anbieters). Die folgende Abbildung gibt einen Überblick über die Zusammensetzung der „sieben P“.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Die 7 P im Dienstleistungsmarketing29

Wie zuvor gezeigt, ist das Dialogmarketing darauf ausgerichtet, einen direkten Kontakt mit der Ziel- bzw. Kontaktperson herzustellen. Alle Instrumente des Marketing-Mix, „die auf eine unmittelbare Reaktion der Zielperson abheben“, gehören zum Dialogmarketing.30

Die Dialogmarketing-Instrumente sind, wie Abbildung 4 veranschaulicht, in die Distributions-, Kommunikations- und Personalpolitik eingegliedert.31 Die Produkte, die angeboten werden, die dafür festgelegten Preise und Konditionen bleiben oft unverändert. Daher legt das Dialogmarketing den Fokus nicht auf die übrigen Bestandteile der „sieben P“.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Eingliederung der Dialogmarketing-Instrumente in den Marketing-Mix32

2.1.3 Instrumente des Dialogmarketing

In Kapitel 2.1.2 wurde die Einordnung des Dialogmarketings ins System des Marketings aufgezeigt. In diesem Kapitel wird nun konkret auf die einzelnen Instrumente des Marketing-Mix, dessen Medien und Werbemöglichkeiten, eingegangen. Im Einzelnen sind dies die Distributionspolitik, die Kommunikationspolitik und die Personalpolitik.

Im vorigen Kapitel wurde schon das charakteristische Merkmal der DialogmarketingInstrumente angesprochen. Sie streben einen direkten Kontakt und Dialog mit dem Kunden oder dem Interessenten an. Deshalb zählen zum Dialogmarketing nur die Medien, die Aufforderungen zu einer Reaktion der angesprochenen Person enthalten.33

„Die Distributionspolitik bezieht sich auf die Gesamtheit aller Entscheidungen und Handlungen, welche die Verteilung von materiellen oder immateriellen Leistungen vom Hersteller zum Endkäufer […] betreffen.“34 Mit Blick auf das Dialogmarketing werden bei diesem Marketing-Instrument Medien bzw. Werbemöglichkeiten wie der Direktvertrieb von Produkten über den Außendienst eingesetzt. Weitere Möglichkeiten, um in direkten Dialog mit dem Kunden zu treten, sind der klassische Versandhandel bzw. Ladenverkauf, der Handel über das Internet, wie beispielsweise Online-Shopping, oder auch TV-/ Tele-Shopping.35

Die Kommunikationspolitik beschreibt „die Gesamtheit der Kommunikationsinstrumente und - maßnahmen, die eingesetzt werden […]“.36 Sie umfasst „die systematische Planung, Ausgestaltung, Abstimmung und Kontrolle aller Kommunikationsmaßnahmen […], um die Kommunikations- und Marketingziele zu erreichen“.37 Hier wird zwischen der einstufigen direkten Kommunikation und der mehrstufigen Kommunikation unterschieden.38

Die einstufige direkte Kommunikation umfasst alle Aktivitäten, um Kunden oder Interessenten möglichst gezielt zu erreichen. Die Zielpersonen können durch verschiedene Instrumente bzw. Medien des Dialogmarketings angesprochen werden. Zum Beispiel können Telefonanrufe für die Ansprache eingesetzt werden. Außerdem ist es möglich, die Personen mit Mailings, E-Mails, SMS oder einem Besuch des Außendienst-Mitarbeiters zu erreichen.39

Im Dialogmarketing gibt es zudem auch die mehrstufige Kommunikation. Hier wird ein direkter individueller Kontakt mit der Zielperson angestrebt. Der Kontakt mit der Zielperson kommt dabei meist über eine schriftliche Kommunikation zustande, auf die telefonische, persönliche oder kombinierte Kontakte folgen.40 Unter die mehrstufige Kommunikation fallen Medien, die eine Aufforderung an den Kunden enthalten.41 Mögliche Aufforderungen, bei denen eine Reaktion des Kunden erreicht werden soll, sind beispielsweise Coupons, die in Zeitschriften oder der Haushaltswerbung beigefügt sind oder an die Zielpersonen per Post oder E-Mail gesendet werden.42 Außerdem bieten sich Antwortkarten, die zurückgesendet werden, ebenfalls gut als Aufforderung an. In Printanzeigen können Telefonnummer oder eine Hotline notiert sein, die von der Zielperson angerufen werden sollen. TV-Spots können als Aufforderung an den Kunden oder Interessenten auf die jeweilige Homepage verweisen. Homepages von Unternehmen können einen Call-Back-Button enthalten, der ebenfalls eine Aufforderung zur Reaktion der angesprochenen Person ist. Ein weiteres „Mittel zur Aufforderung“ sind die sogenannten QR-Codes. Sie können in digitalen Medien und im Fernsehen erscheinen oder auf Plakaten, auf Anzeigen in Zeitschriften oder der Haushaltswerbung abgedruckt werden.43

Weitere Medien, die für die Kommunikation mit dem Kunden oder dem Interessenten herangezogen werden können, sind unter anderem die klassischen Medien mit einer Direct- Response-Möglichkeit, ein persönliches Verkaufsgespräch, das telefonisch als Telemarketing oder schriftlich als Direktwerbung geführt wird. Ebenso können adressierte Werbesendungen, Haushaltswerbung, auch door-to-door genannt, Kataloge, Postwurfsendungen, Anzeigen und Beilagen, Werbung in TV oder Radio oder auch Plakate mit Response-Elementen eingebunden werden.44 Fragebogenaktionen mit Dankeschön- Präsenten, Informationsmaterialien zu einem eigenen Produkt wie Package-Promotion oder Garantiekarten können als weitere Instrumente für die Kommunikation herangezogen werden.45

Messen, Veranstaltungen, Schulungen, Seminare und Kongresse können ebenfalls genutzt werden, um mit den Kunden oder Interessenten in Kontakt und somit in Kommunikation zu treten.46

Unter der Personalpolitik wird die Analyse, Planung, Umsetzung und Kontrolle von verschiedenen Entscheidungen verstanden, „die mit der Einstellung von Mitarbeitern, dem Arbeitsplatz der Mitarbeiter, der Entwicklung der Mitarbeiter und der Kommunikation mit und zwischen den Mitarbeitern zusammenhängen“.47 Legt man hier den Blick auf das Dialogmarketing, sind der Außendienst mit den entsprechenden Mitarbeitern eine gute Möglichkeit, um mit dem Kunden oder Interessenten Kontakt aufzunehmen. Weitere Möglichkeiten, die unter die Personalpolitik fallen, sind beispielsweise ein Customer Service Center, der Innendienst, der ebenfalls Kontakt mit den Kunden hat, und weitere Mitarbeiter und Führungskräfte im Unternehmen, die mit ihren Kunden oder Interessenten in Kontakt stehen.

Die folgende Abbildung gibt nochmals einen gesamten Überblick über die einzelnen Medien und ihre Eingliederung in das jeweilige Instrument des Marketing-Mix.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Einordnung der Dialogmarketing-Medien in den Marketing-Mix48

Wichtig ist im Dialogmarketing, dass ein Medium nur zum Dialogmarketing zählt, wenn es eine Aufforderung zur Reaktion der angesprochenen Person enthält. Sind bei den für die Kommunikation und den Dialog mit der Zielperson eingesetzten Medien diese Aufforderungen enthalten und die Zielpersonen reagieren auf die Werbebotschaft, liegt hier eine Response der Reaktion auf die Aufforderung vor. Diese Kunden, bei denen eine Reaktion vorliegt, werden zusammen mit weiteren Datenmerkmalen und Informationen über die jeweilige Person in Datenbanken gespeichert, was in Kapitel 2.1.1 bereits angesprochen wurde. Da hier Data Mining von besonderer Bedeutung ist, wird im folgenden Kapitel dieser Begriff aufgegriffen und detaillierter dargestellt.

2.2 Data Mining

2.2.1 Definition des Begriffs Data Mining

Der Begriff Data Mining hat wie viele andere Begriffe unterschiedliche Definitionen von verschiedenen Autoren. Die erste Definition des Data Minings wird im Jahr 1996 jedoch von Usama Fayyad vorgelegt.49 Er definiert den Begriff wie folgt: „Data Mining is a step in the KDD process that contains of applying data analysis and discovery algorithms that produce a particular enumeration of patterns or models over the data. KDD is the non-trivial process of identifying valid, novel, potentially useful, and ultimately understandable pattern in data”.50 Übersetzt man die Definition ins Deutsche, ist darunter „das semi-automatische Aufdecken von Mustern mittels Datenanalyse-Verfahren“ zu verstehen.51 Wortwörtlich übersetzt bedeutet der Begriff „Daten-Bergbau“.52 Simpler ausgedrückt bedeutet Data Mining die Datenmustererkennung und wird „als Oberbegriff für rechnergestützte Analyseverfahren verwendet“.53 Hierbei wird meistens mit sehr großen Datenbeständen gearbeitet. Es verbindet Methoden verschiedenster Wissenschaftsbereiche wie beispielsweise die Statistik, die künstliche Intelligenz beziehungsweise das maschinelle Lernen, die Informatik und allen voran die Datenbanksysteme.54 Ist von Data Mining die Rede, fällt hier oft zusätzlich der Begriff Knowledge Discovery in Databases (KDD), der auch in der Definition von Fayyad genannt wird. Die Abgrenzung dieser beiden Begriffe ist folgende:55

KDD beschreibt den Prozess zur Durchführung der Datenmustererkennung, Data Mining hingegen ist die Technik zur Datenmustererkennung.

Weitere gleichbedeutende Begriffe zu Data Mining, die in der Theorie auftreten, sind knowledge extraction, database exploration, data archeology, information harvesting, data dredging oder auch database mining.56 Die Bezeichnungen KDD und Data Mining haben sich unter den Begriffen der eben genannten Auswahl durchgesetzt. Mittlerweile werden sie als Synonyme verwendet, jedoch ist der Begriff Data Mining in Deutschland beliebter als KDD und wird daher bevorzugt verwendet bzw. genannt.57

In diesem Kapitel wird an der einen oder anderen Stelle das Datenmuster bzw. die Daten- mustererkennung angesprochen. Unter Muster allgemein können beispielweise Kaufmuster, Bildmuster, Verhaltensmuster oder Sprachmuster verstanden werden. Sie spielen aufgrund des hohen Informationsflusses und der großen Datenmenge im Data Mining eine zentrale Rolle.58 Diese Datenmengen können beispielsweise folgende sein:59

- Industrielle Prozessdaten = Automatisierung von industriellen Prozessen in der Fertigung
- Marketing = Nutzung von Kunden- oder Produktdaten, z.B. Warenkorbanalyse
- Textdaten und strukturierte Daten = Textdokumente und E-Mails
- Bilddaten = elektronische Kameras und satellitenbasierte Bildquellen, z.B. Google Earth
- Biomedizinische Daten = Erbgutanalyse

Data Mining hat bei allen genannten Datenarten verschiedene Ziele, wie zum Beispiel eine Steigerung der Wettbewerbsfähigkeit, eine Optimierung der Preisgestaltung oder auch die Vorhersage von Strukturen. Das übergeordnete und zentrale Ziel des Data Minings ist jedoch ganz konkret „das Wissen aus Daten zu extrahieren“.60

2.2.2 Einordnung von Data Mining ins Dialogmarketing

Wie in Kapitel 2.1 beschrieben, werden viele verschiedene Merkmale und Informationen über Kunden und Daten über unterschiedliche Medien im Dialogmarketing generiert. Diese Daten sollten dementsprechend sinnvoll und effizient genutzt und eingesetzt werden. In Kapitel 2.1.2 wird das Dialogmarketing in das System des Marketings eingeordnet. Hier wird auf das Dienstleistungsmarketing und die darin enthaltenen Datenbanksysteme Bezug genommen. Durch die unterschiedlichen Medien, die im Dialogmarketing genutzt werden, um mit den Zielpersonen zu kommunizieren, steigt die Anzahl der Informationen und der Daten über die Zielpersonen. Somit steigt nach und nach auch das Datenvolumen in den Datenbanken bzw. Databases. Die Databases, die eine organisierte Sammlung von Daten auf einem Dateiträger sind, fallen unter das Database-Marketing, das für eine zielgruppenorientierte Marktbearbeitung auf Basis solch einer Database zuständig ist.61 Wichtig hierbei ist anzumerken, dass die Konzeption des Database-Marketing auf zwei Grundüberlegungen basiert: „1. Der Kunde ist zu finden und zu halten sowie 2. sein gesamtes Potential zu erkennen und zu nutzen.“62 Des Weiteren ist das Database-Marketing durch einige Faktoren gekennzeichnet, wie beispielsweise durch den kundenindividuellen Marketing-Mix oder das computer- und datengestützte Dialogmarketing.63

„Die organisierte Sammlung von Informationen aus den unterschiedlichsten Quellen, die einheitlich aufgezeichnet und jederzeit abrufbar sind“, wird daher unter den Begriffen Database bzw. Datenbanksystemen zusammengefasst.64 Als weitere Definition des Begriffs Database-Marketing kann gesagt werden, „dass es die kunden- und interessenten- individuelle Planung, Ausgestaltung, Koordination und Kontrolle sämtlicher Marketingkonzepte und -aktivitäten […] mit dem Ziel verbesserter Kundenbindung und effizienterer Neukundengewinnung ist“.65 Zusammenfassend kann gesagt werden, dass das „Database-Marketing die Lehre von der datenbankgesteuerten Kommunikation mit Marketing-Zielgruppen“ ist.66 Die Datenbanken werden in den Unternehmen meist auch als Data Warehouse bezeichnet. Data Warehouse ist eine „zentrale Datenbank, auf deren Inhalte Nutzer schnell, leicht und systematisch zugreifen können“.67 William H. Innon definiert den Begriff wie folgt: „A data warehouse as a collection of integrated, subject-oriented databases designed to supply the information required for decision-making.“68 Übersetzt bedeutet das so viel, dass ein Data Warehouse eine Sammlung von integrierten, fachorientierten Datenbanken ist, um für die Entscheidungsfindung erforderliche Informationen zu liefern. Eine weitere Definition von Data Warehouse ist folgende: „Ein Data Warehouse repräsentiert eine von Datenbanken getrennte Analyse-Datenbank, die primär zur Unterstützung des Entscheidungsprozesses im Unternehmen genutzt wird […] und dient zur langfristigen Speicherung von historischen, bereinigten, validierten, synthetisierten, operativen, internen und externen Datenbeständen.“69 Ein Data Warehouse wird deshalb in Unternehmen eingesetzt, um die Daten in ein einheitliches System zu integrieren und dort zu speichern. Für eine erfolgreiche Kommunikation mit den Kunden im Dialogmarketing ist solch ein professionelles Informationssystem wie das Data Warehouse in den Unternehmen erforderlich.70 Dafür müssen sowohl interne als auch externe Daten erfasst, gespeichert und für die Planung und Kontrolle aufbereitet werden.71 Das Data Warehouse ist oft die Datenbasis für das Data Mining. Somit kann man sagen, dass das Data Mining zum Einsatz kommt, wenn Unternehmen ein Data Warehouse besitzen. Daher wenden die Unternehmen gleichzeitig das Database-Marketing an, welches sich in die Datenbanksysteme und das wiederum ins Dienstleistungsmarketing bzw. Dialogmarketing eingliedern lässt.

Abbildung 6 gibt nochmal einen Überblick, wie sich das Data Mining ins Dialogmarketing einordnet.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Einordung des Data Mining ins Dialogmarketing72

2.2.3 KDD-Prozess

Wie in Kapitel 2.2.1 genannt, werden die Begriffe Data Mining und KDD synonym verwendet. Schaut man sich jedoch den Prozess des Data Minings bzw. des KDD an, erkennt man, dass das Data Mining nur ein Bestandteil dieses Prozesses ist. Allerdings ist das

Data Mining das „Herzstück“ dieses Prozesses.73 Das bedeutet also, dass Data Mining oft in den Prozess der KDD eingeordnet wird.74 Data Mining ist also nur der Analyseprozess, der Begriff hat sich jedoch in den letzten Jahren für den gesamten Vorgang eingebürgert.75 Daher wird in diesem Kapitel der Prozess als KDD-Prozess betitelt und im Folgenden detaillierter aufgegriffen. Wie Abbildung 7 zeigt, gliedert sich der Prozess in fünf Phasen bzw. Schritte.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 7: Phasen des KDD-Prozess76

Bevor mit dem Prozess begonnen wird, „stehen zunächst nur Rohdaten zur Verfügung, die meistens ungeordnet, fehlerhaft, unvollständig, redundant oder unwichtig sind“.77 Hier setzt die erste Phase des Prozesses ein. Die erste Phase des KDD-Prozesses befasst sich mit der Datenauswahl und Datenselektion und wird als Vorbereitung zusammengefasst. Sie beinhaltet alle Arbeitsschritte, die für die Selektion geeigneter Daten notwendig sind.78 Da die Daten, wie bereits erwähnt, zu Beginn noch nicht nutzbar sind, muss eine Auswahl und Selektion dieser Daten erfolgen. Hierfür werden aus den Rohdaten nur diejenigen Daten ausgewählt, die für eine weitere Ver- und Bearbeitung und Analyse sinnvoll sind.79 Am Schluss dieser Phase steht dann ein ausgewählter und selektierter Rohdatensatz zur Verfügung. In der zweiten Phase, der Datenaufbereitung, werden die Daten, wie der Name schon sagt, für den nächsten Schritt, also die dritte Phase, aufbereitet. In diesem Schritt sollen die Strukturen der Rohdaten kennengelernt und Mängel beseitigt werden.80 Außerdem wird der Rohdatensatz in der Vorverarbeitung, wie die zweite Phase auch genannt wird, normalisiert, gesäubert oder gefiltert. Zusätzlich werden hier „fehlende Einträge ergänzt und Fehler korrigiert“.81 Außerdem wird hier eine Transformation und Reduktion der Daten durchgeführt, um sie für die Data-Mining-Verfahren bzw. -Methoden geeignet einsetzen zu können. Der Datensatz, der in diesem Schritt vorverarbeitet wurde, wird nun in der Phase der Datenanalyse weiter verarbeitet.82 Im Rahmen dieses Schrittes werden verschiedene Data-Mining-Methoden auf die vorbereiteten Datensätze angewandt.83 Welche Data-Mining- Methoden es im Einzelnen gibt, wird in Kapitel 2.2.5 näher beschrieben. Die vierte Phase, das schon betitelte Herzstück des Prozesses, ist die Datenmusterkennung bzw. das Data Mining. Diese und die dritte Phase können auch als eine gemeinsame Phase genannt und zusammengefasst werden und sind daher in der Abbildung auch näher zusammengerückt. Jedoch soll hier das Data Mining als ein wichtiger Bestandteil des gesamten KDD-Prozesses aufgezeigt werden. Wie der Name schon sagt, findet in diesem Schritt die eigentliche Analyse der Datensätze statt. Hier werden also Muster in den Daten identifiziert bzw. erkannt.84 Das Ergebnis dieser Phase ist ein Modell, das „die Datensätze beschreibt und interessante Muster, Auffälligkeiten und strukturelle Abhängigkeiten in den Daten erkennen lässt“.85 Die Ergebnisse, die sich aus dem Data Mining bzw. dem Modell erschließen lassen, „können meist nicht unmittelbar verwendet werden“.86 Die Modelle bzw. deren Ergebnisse müssen hinsichtlich Aufbau und Auswirkungen interpretiert, dokumentiert und hinsichtlich ihrer Einsetzbarkeit ausgewertet bzw. evaluiert werden. Dies geschieht in der fünften Phase, der Interpretation und Evaluation.

Eine wichtige Anmerkung hierbei und bezugnehmend auf die Abbildung ist noch, „dass zwischen den einzelnen Schritten jederzeit Rückkopplungen möglich sind.“87 Das bedeutet, dass jede einzelne Phase sorgfältig geplant und durchgeführt werden muss.88 Daher ist es bei manchen Fällen notwendig, einzelne Phasen zu wiederholen oder zwischen den unterschiedlichen Phasen zu wechseln, um optimale Ergebnisse zu erzielen.

2.2.4 Aufgaben des Data Minings

Da der KDD-Prozess nun detailliert aufgezeigt wurde, wird nun auf die konkreten Aufgaben des Data Minings eingegangen.

Die Abweichungsanalyse ist eine Aufgabe, die das Data Mining impliziert. Weitere in der englischen Literatur verbreitete Begriffe für diese Aufgabe sind unter anderem outlier detection, novelty detection, anomaly detection oder exception mining.89 Hierunter versteht man die Ermittlung und Offenlegung von Objekten, auch Ausreißer genannt, die durch verschiedene Merkmalswerte von einer Norm oder einem Wert abweichen.90 Die Unregelmäßigkeiten der Objekte werden verglichen und regelmäßige Vergleichsgruppen aufgestellt.91 Datensätze, die im Vergleich zu dem restlichen Datensatz untypisch sind und auffallen, sollen bei der Abweichungsanalyse gefunden werden.92 Diese Aufgabe des Data Minings kann beispielsweise im Controlling angewendet werden. Ein Beispiel hierfür wäre, dass die Entwicklung der Kostensteigerung auf Unternehmensebene mit der Kosten- Entwicklung in niedrigeren Stufen, zum Beispiel Abteilungen, verglichen wird und eine Erklärung für diese Veränderungen bzw. Abweichungen gefunden wird.93 Eine geeignete Methode, die für die Abweichungsanalyse eingesetzt werden kann, ist unter anderem die Regressionsanalyse, die im nächsten Kapitel genauer erläutert wird.94

Eine weitere Aufgabe des Data Minings ist die Assoziationsanalyse. Hier soll der Datenbestand mit Blick auf „Häufigkeiten des gleichzeitigen Auftretens von Objekten“ analysiert werden.95 Die Assoziationsanalyse liefert also „Vorhersagen über das Auftreten eines Objektes in Abhängigkeit anderer Objekte“.96 Des Weiteren sollen in Daten enthaltende Assoziationsregeln entdeckt werden, die auch die Ergebnisse der Assoziationsanalyse darstellen. Assoziationsregeln sind als „logische Implikationen“ zu verstehen.97 Ein Beispiel für eine logische Implikation wäre Folgendes: Wenn jemand im Supermarkt eine Tüte Chips kauft, dann kauft diese Person wahrscheinlich auch Bier. Dieses Beispiel fällt auch unter den Begriff der Warenkorb-Analyse in Supermärkten, bei der analysiert wird, welche Artikel von den Konsumenten zusammen gekauft wurden. Ein guter Aspekt der Warenkorb-Analyse ist der, dass sie auf das E-Commerce übertragen werden kann. Auch im Online-Shop ist eine Analyse von gemeinsam gekauften Artikeln möglich. Die Kunden können somit individuell auf verschiedene Angebote aufmerksam gemacht werden und letztendlich über personalisierte E-Mails angesprochen werden. Hier tritt das One-to-One-Marketing wieder in den Fokus. Jedoch kann die Assoziationsanalyse nicht nur bei Supermärkten eingesetzt werden. Weitere Anwendungsgebiete sind die Bank- und Versicherungsbranche oder auch die Medizin.

[...]


1 Vgl. Qmee (Hrsg.) (2013), blog.qmee.com/qmee-online-in-60-seconds/; Abruf: 16.04.2014

2 Vgl. Wartala, R. (2012), S. 15

3 Ebenda, S. 16

4 Deutsche Welle (Hrsg.) (2013), http://www.dw.de/kampf-um-einen-neuen-rohstoff-big-data/a- 16578387; Abruf: 16.04.2014

5 Gesellschaft für Informatik (Hrsg.) (2013), http://www.gi.de/nc/service/informatiklexikon/detailansicht/article/big-data.html; Abruf: 16.04.2014

6 Vgl. Geiselberger, H./ Moorstedt, T. (2013)

7 Vgl. WirtschaftsWoche (Hrsg.) (2013), http://www.wiwo.de/technologie/gadgets/gadgets-big-data- und-co-diese-technik-trends-kommen-2013/7551064.html; Abruf: 28.11.2013

8 Vgl. Gesellschaft für Informatik (Hrsg.) (2013), http://www.gi.de/nc/service/informatiklexikon/detailansicht/article/big-data.html; Abruf: 16.04.2014

9 Vgl. Bruns, J. (1998), S. 24 f.

10 Ebenda, S. 25

11 Vgl. Schwarz. T. (2008), S. 16

12 Vgl. ebenda, S. 22

13 Vgl. Kreutzer, R. (2009), S. 4

14 Vgl. Schwarz, T. (2008), S. 15

15 Vgl. Kreutzer, R. (2009), S. 4

16 Vgl. Mann, A. (2004), S. 130 i.V.m. Dallmer, H. (2002), S. 8; Holland, H. (1992), S. 4; McDonald, W. J. (1998), S. 2; Schleuning, C. (1997), S. 63

17 Vgl. Kracke, B. (2001), S. 168

18 Vgl. ebenda, S. 110

19 Vgl. Schwarz, T. (2008), S. 22

20 Vgl. Kreutzer, R. (2009), S. 3

21 Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 14

22 Vgl. ebenda, S. 13

23 Eigene Darstellung in Anlehnung an: Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 13

24 Vgl. Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 20

25 Vgl. Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 22

26 Enthalten in: Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 29

27 Vgl. Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 22 i.V.m. Meffert, H./ Bruhn, M. (2012a), S. 240

28 Vgl. Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 22 i.V.m. Meffert, H./ Bruhn, M. (2012a), S. 240

29 Eigene Darstellung

30 Kreutzer, R. (2009), S. 6

31 Vgl. ebenda

32 Eigene Darstellung

33 Vgl. Schwarz, T. (2008), S. 18

34 Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 543

35 Vgl. Kreutzer, R. (2009), S. 7

36 Vgl. Meffert, H./ Bruhn, M. (2012a), S. 282

37 Vgl. Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 606

38 Vgl. Kreutzer, R. (2009), S. 5

39 Vgl. ebenda

40 Vgl. Dallmer, H./ Thedens, R. (1981), S. 825

41 Vgl. Kreutzer, R. (2009), S. 5

42 Vgl. Schwarz, T. (2008), S. 18 ff.

43 Schwarz, T. (2008), S. 18 ff. i.V.m. Kreutzer, R. (2009), S. 5 f.

44 Vgl. Kracke, B. (2001), S. 9 f.

45 Vgl. Löffler, H./ Scherfke, A .(2000), S. 68

46 Vgl. Holland, H. (2002), S. 87

47 Bruhn, M./ Meffert, H. (2012b), S. 618

48 Eigene Darstellung

49 Vgl. Farkisch, K. (2011), S. 97

50 Ebenda i.V.m. Fayyad U./ Piatetsky-Shapiro G./ Smyth P. (1996b), http://www.aaai.org/ojs/index.php/aimagazine/article/view/1230/1131; Abruf: 05.02.2014

51 Müller, R./ Lenz, H. (2013), S. 75

52 Vgl. Schwenke, M. (2006), S. 120

53 Vgl. Müller, R./ Lenz, H. (2013), S. 75 i.V.m. Piazza, F. (2010), S. 31

54 Vgl. Piazza, F. (2010), S. 31

55 Vgl. Pietsch, T./ Memmler, T. (2003), S. 59 i.V.m. Düsing, R. (2000), S. 74 f.

56 Vgl. Petersohn, H. (2005), S. 10

57 Vgl. ebenda i.V.m. Piatetsky-Shapiro, G. (2007), S. 99 ff.

58 Vgl. Petersohn, H. (2005), S. 10 f.

59 Vgl. Runkler, T. (2010), S. 1 f.

60 Ebenda, S. 2 i.V.m. Berthold, M./ Hand, D. (1999)

61 Vgl. Poth, L./ Poth, G./ Pradel, M. (2008), S. 69 i.V.m. Huldi, C./ Kuhfuß, H. (2000), S. 136

62 Schleuning, C. (1997), S. 64

63 Vgl. Schweiger, A./ Wilde, K. (1993), S. 93

64 Kirchner, G./ Sobeck, S. (1990), S. 117

65 Vgl. Dallmer, H. (2002), S. 869

66 Schüring, H. (1991), S. 101

67 Ebenda, S. 69

68 Humphries, M./ Hawkins, M./ Dy, M. (1999), S. 34

69 Kurz, A. (1999), S. 50 i.V.m. Kurz, A. (1998), S. 249 ff.

70 Vgl. Meffert, H./ Burmann, C./ Kirchgeorg, M. (2012), S. 688

71 Vgl. ebenda

72 Eigene Darstellung

73 Vgl. Bankhofer, U./ Vogel, J. (2008), S. 256

74 Vgl. Piazza, F. (2010), S. 31

75 Vgl. Glaser, P. (2014), S. 16

76 Eigene Darstellung

77 Runkler, T. (2010), S. 2

78 Vgl. Pietsch, T./ Memmler, T. (2003), S. 69

79 Vgl. Petersohn, H. (2005), S. 11

80 Vgl. Pietsch, T./ Memmler, T. (2003), S. 71

81 Runkler, T. (2010), S. 3

82 Vgl. Runkler, T. (2010), S. 3

83 Vgl. Piazza, F. (2010), S. 37

84 Vgl. Farkisch, K. (2011), S. 98

85 Müller, R./ Lenz, H. (2013), S. 76

86 Runkler, T. (2010), S. 3

87 Vgl. Bankhofer, U./ Vogel, J. (2008), S. 256

88 Vgl. Hippner, H./ Merzenich, M./ Wilde, K. (2004), S. 791

89 Vgl. Piazza, F. (2010), S. 50 i.V.m. Hodge, V./ Austin, J. (2004), S. 85

90 Vgl. Pietsch T./ Memmler, T. (2003), S. 64 f. i.V.m. Piazza, F. (2010), S. 50 und Nakhaeizadeh, G./ Reinartz, T./ Wirth, R. (1998), S. 10

91 Piazza, F. (2010), S. 50

92 Müller, R./ Lenz, H. (2013), S. 80

93 Farkisch, K. (2011), S. 99 f.

94 Pietsch, T./ Memmler, T. (2003), S. 64 f. i.V.m. Nakhaeizadeh, G./ Reinartz, T./ Wirth, R. (1998), S. 10

95 Vgl. Petersohn, H. (2005), S. 28

96 Vgl. Wiedmann, K./ Buckler, F. (2001), S. 27

97 Müller R./ Lenz, H. (2013), S. 81

Ende der Leseprobe aus 95 Seiten

Details

Titel
Big Data. Möglichkeiten und Grenzen des Data Mining im Dialogmarketing
Hochschule
Duale Hochschule Baden-Württemberg, Stuttgart, früher: Berufsakademie Stuttgart
Note
2,5
Autor
Jahr
2014
Seiten
95
Katalognummer
V285719
ISBN (eBook)
9783656861638
ISBN (Buch)
9783656861645
Dateigröße
2583 KB
Sprache
Deutsch
Schlagworte
Big Data, Data Mining, Dialogmarketing, Data Mining im Dialogmarketing
Arbeit zitieren
Alisa Laura Löwenstrom (Autor), 2014, Big Data. Möglichkeiten und Grenzen des Data Mining im Dialogmarketing, München, GRIN Verlag, https://www.grin.com/document/285719

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Big Data. Möglichkeiten und Grenzen des Data Mining im Dialogmarketing


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden