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.
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.
Inhaltsverzeichnis
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
Zielsetzung & Themen
Die Arbeit untersucht das Spannungsfeld zwischen den theoretischen Möglichkeiten von Data Mining und Big Data und deren tatsächlicher praktischer Relevanz im Bereich des Dialogmarketings. Das Hauptziel ist die empirische Analyse, ob und wie diese Technologien zur effizienteren Kundengewinnung und -bindung eingesetzt werden können, unter Berücksichtigung bestehender Grenzen wie Datenschutz und technischer Komplexität.
- Grundlagen des Dialogmarketings, Data Mining und Big Data.
- Empirische Forschung mittels Experteninterviews aus verschiedenen Branchen.
- Durchführung einer Online-Umfrage zu Big-Data-Aktivitäten in Unternehmen.
- Analyse der Hürden bei der praktischen Implementierung von Data-Mining-Prozessen.
- Identifikation von Möglichkeiten und Grenzen des Data Mining im Dialogmarketing.
Auszug aus dem Buch
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. 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”.
Übersetzt man die Definition ins Deutsche, ist darunter „das semi-automatische Aufdecken von Mustern mittels Datenanalyse-Verfahren“ zu verstehen. Wortwörtlich übersetzt bedeutet der Begriff „Daten-Bergbau“. Simpler ausgedrückt bedeutet Data Mining die Datenmustererkennung und wird „als Oberbegriff für rechnergestützte Analyseverfahren verwendet“. 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. 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: KDD beschreibt den Prozess zur Durchführung der Datenmustererkennung, Data Mining hingegen ist die Technik zur Datenmustererkennung.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet die zunehmende Bedeutung von Daten als Produktionsfaktor und führt in die Thematik von Big Data und Data Mining im Kontext des Dialogmarketings ein.
2 Begrifflich-systematische Grundlagen: In diesem Kapitel werden die theoretischen Fundamente der Bereiche Dialogmarketing, Data Mining und Big Data erarbeitet und in den Marketing-Mix eingeordnet.
3 Empirische Forschung durch Befragung: Dieses Kapitel beschreibt die empirische Datenerhebung mittels Experteninterviews und einer Online-Umfrage, um Meinungen und den Status quo von Big-Data-Aktivitäten in Unternehmen zu ermitteln.
4 Möglichkeiten und Grenzen des Data Mining im Dialogmarketing: Hier werden die Ergebnisse der empirischen Forschung zusammengeführt, um die Chancen und Herausforderungen für den Einsatz von Data Mining in der Praxis zu bewerten.
5 Fazit: Das Fazit fasst die Ergebnisse zusammen und reflektiert die Relevanz der untersuchten Technologien für die Zukunft der Unternehmenssteuerung und Kommunikation.
Schlüsselwörter
Big Data, Data Mining, Dialogmarketing, KDD-Prozess, Kundenbindung, Datenanalyse, Database-Marketing, Experteninterviews, Online-Survey, Datenwachstum, Mustererkennung, One-to-One-Marketing, Datenschutz, Datenquellen, Clusteranalyse.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit analysiert die Möglichkeiten und Grenzen von Data Mining und Big Data im spezifischen Kontext des Dialogmarketings, basierend auf theoretischen Grundlagen und einer empirischen Untersuchung.
Was sind die zentralen Themenfelder?
Die Arbeit behandelt die Einordnung von Data Mining in das Marketing, den KDD-Prozess, die Bedeutung von Big Data als Trend und die praktische Umsetzung dieser Konzepte in Unternehmen.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, das Spannungsfeld zwischen den propagierten weitreichenden Möglichkeiten von Big Data und der oft geringen praktischen Relevanz in Unternehmen empirisch zu beleuchten.
Welche wissenschaftliche Methode wird verwendet?
Es werden qualitative Experteninterviews mit Vertretern verschiedener Branchen geführt und eine quantifizierbare Online-Umfrage (Survey) zur Auswertung von Unternehmenserfahrungen durchgeführt.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in theoretische Begriffsbestimmungen, die empirische Forschung (Interviews und Befragung) sowie die anschließende kritische Diskussion der Anwendungsmöglichkeiten und Hürden.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den prägenden Begriffen zählen Data Mining, Dialogmarketing, Big Data, Kundenorientierung, Datennutzung und Datenschutz.
Welche Rolle spielt der Datenschutz laut den befragten Experten?
Der Datenschutz wird von fast allen Experten als eine der größten Hürden für die Datennutzung identifiziert, wobei ethische Bedenken und gesetzliche Bestimmungen (BDSG) eine zentrale Rolle spielen.
Warum wird Big Data teilweise als Hype bezeichnet?
Einige Experten stufen Big Data als Modewort ein, da die praktische Umsetzung in vielen Unternehmen noch fehlt und die reine Masse an Daten ohne gezielte Verarbeitung keinen Mehrwert generiert.
Was unterscheidet Data Mining von Big Data?
Data Mining wird als Technik zur Mustererkennung verstanden, während Big Data das gesamte Umfeld enormer Datenmengen beschreibt, die oft in Echtzeit verarbeitet werden müssen.
- Arbeit zitieren
- Alisa Laura Löwenstrom (Autor:in), 2014, Big Data. Möglichkeiten und Grenzen des Data Mining im Dialogmarketing, München, GRIN Verlag, https://www.grin.com/document/285719
