Die Bewältigung gigantischer Datenvolumen (Big Data) stellt die meisten Unternehmen heute vor erhebliche Probleme. Während es in der Vergangenheit noch hauptsächlich um die Speicherung und Verwaltung mehrerer Tera- oder sogar Petabytes ging, so fragt man sich gegenwärtig, ob und in welchen Branchen diese oft irrelevanten Daten zur Umsatzsteigerung, zu Einsparungen oder zu Prozessoptimierungen genutzt werden können.
Als Stichwort kann hier Predictive Analytics (PA) genannt werden. PA gilt als eine neuartige Methode, bei der auf Basis von prognostizierenden Analysen komplexe wirtschaftliche Zusammenhänge durch Unternehmen identifiziert werden und das daraus ableitbare Wissen als fundierte Entscheidungsgrundlage herangezogen wird. Durch die Identifikation von Mustern und Algorithmen strukturierter und unstrukturierter Datenmengen, lassen sich künftig nicht nur Trends und damit einhergehende Chancen, sondern auch Bedrohungen und damit zusammenhängende Risiken kalkulieren und prognostizieren.
Die vorliegende Arbeit soll aufzeigen, welche Bedeutung PA-Systeme für das Customer Relationship Management (CRM) haben und wie die verschiedenen Systeme bewertet werden können. Darüber hinaus wird veranschaulicht, wie komplexe PA-Systeme auch Input für die Strategische Ausrichtung geben können.
Inhaltsverzeichnis
1. Einleitung
2. Aktuelle Forschungsansätze von Predictive Analytics im Customer Relationship Management
2.1 Funktionen und Prozess der Predictive Analytics
2.2 Relevanz der Predictive Analytics für das Customer Relationship Management
3. Praxisrelevante Kriterien für die Bewertung von Predictive Analytics-Systemen
4. Anwendung von Predictive Analytics Tools zur ganzheitlichen Fokussierung auf das Customer Relationship Management in einer Unternehmung
5. Fazit und Ausblick
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die Bedeutung von Predictive Analytics (PA) Systemen für das Customer Relationship Management (CRM). Ziel ist es aufzuzeigen, wie unterschiedliche PA-Systeme bewertet werden können und welchen strategischen Mehrwert sie für Unternehmen bei der Analyse von Kundendaten und der Ableitung von Handlungsempfehlungen bieten.
- Grundlagen und Prozessschritte von Predictive Analytics
- Verknüpfung von Knowledge Management und CRM
- Bewertungskriterien für Predictive Analytics-Systeme
- Einsatz von System Dynamics zur Modellierung von Kundenwerten
- Strategische Bedeutung von Datenanalysen in modernen Unternehmen
Auszug aus dem Buch
2.1 Funktionen und Prozess der Predictive Analytics
PA beschreibt die Vorhersage zukünftiger Ereignisse, z.B. Trends oder Änderungen im Konsumentenverhalten, durch das Zugrundelegen von Datenmustern oder aussagekräftigen Zusammenhängen, welche durch das Data Mining generiert werden (Hair Jr. 2007, S. 304). Zu diesem Zweck werden komplexe Methoden, wie beispielsweise maschinelles Lernen verwendet (Mishra/Silakari 2012, S. 4434). Die Ausgangsdaten werden durch die Anwendung von weiteren Techniken wie dem Filtern oder der Korrelationsanalyse gesammelt (Mishra/Silakari 2012, S. 4434). Der PA-Prozess kann folglich in vier Schritte unterteilt werden: (1) Sammlung der Ausgangsdaten; (2) Überführung der Ausgangsdaten in ein Arbeitsformat der gewählten Methode des maschinellen Lernens; (3) Erschaffung eines Lernmodells unter Nutzung der transformierten Daten und (4) die Darstellung von Voraussagen unter Anwendung des erstellten Lernmodells (Mishra/Silakari 2012, S. 4434).
Da die Installierung eines solchen Prozesses in vielen Unternehmen einen hohen Aufwand mit sich bringt (z.B. die Implementierung neuer Jobs, wie Data Scientists) hat sich aus der Praxis heraus ein Orientierungs- und Eingliederungsschema, der Predictive Analytics Lifecycle (PAL) entwickelt (Pope 2013, o.S.). Eine Erläuterung des PAL erfolgt in Abbildung 1 (Pope 2013, o.S.).
Zusammenfassung der Kapitel
1. Einleitung: Dieses Kapitel führt in die Problematik von Big Data ein und erläutert die Relevanz von Predictive Analytics als fundierte Entscheidungsgrundlage für Unternehmen.
2. Aktuelle Forschungsansätze von Predictive Analytics im Customer Relationship Management: Hier werden die methodischen Grundlagen von PA sowie deren spezifische Bedeutung und Integration in CRM-Systeme analysiert.
3. Praxisrelevante Kriterien für die Bewertung von Predictive Analytics-Systemen: Dieses Kapitel stellt verschiedene Kataloge zur Evaluierung von PA-Lösungen vor, unter anderem basierend auf Ansätzen von Butler Analytics und Forrester Research.
4. Anwendung von Predictive Analytics Tools zur ganzheitlichen Fokussierung auf das Customer Relationship Management in einer Unternehmung: Hier wird der Einsatz von System Dynamics zur Modellierung komplexer Kundenbeziehungen und zur Prognose von Customer Lifetime Values erläutert.
5. Fazit und Ausblick: Das Kapitel resümiert den Stellenwert von PA für CRM-Ziele und gibt einen Ausblick auf künftige Entwicklungen wie Echtzeit-Analysen und die Herausforderungen der Datensicherheit.
Schlüsselwörter
Predictive Analytics, Customer Relationship Management, CRM 2.0, Big Data, Data Mining, Predictive Analytics Lifecycle, Customer Lifetime Value, System Dynamics, Markow-Kette, Analytical CRM, Datenanalyse, Unternehmensstrategie, Maschinelles Lernen, Systemreife, Kundenzufriedenheit
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit thematisiert den Einsatz und die Bewertung von Predictive Analytics Systemen im Kontext des Customer Relationship Managements.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der methodischen Funktionsweise von PA, der Integration in CRM-Strukturen, Bewertungskriterien für Softwarelösungen sowie fortgeschrittenen Modellierungsansätzen wie System Dynamics.
Was ist das primäre Ziel der Arbeit?
Ziel ist es, die Bedeutung von PA für das CRM aufzuzeigen und einen Leitfaden für die Bewertung solcher Systeme in der Unternehmenspraxis zu bieten.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer Literaturanalyse aktueller Forschungsansätze und Praxismodelle, ergänzt durch die Veranschaulichung komplexer systemtheoretischer Ansätze zur Kundenwertbestimmung.
Was wird im Hauptteil behandelt?
Im Hauptteil werden der Prozess von PA, die Relevanz für das CRM, Bewertungskriterien und ein Modell zur ganzheitlichen Fokussierung auf Kundenbeziehungen mittels System Dynamics behandelt.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind unter anderem Predictive Analytics, CRM, Customer Lifetime Value, Big Data und System Dynamics.
Was ist der Predictive Analytics Lifecycle (PAL)?
Der PAL ist ein Orientierungs- und Eingliederungsschema, das Unternehmen dabei hilft, den komplexen Prozess der Predictive Analytics strukturiert umzusetzen.
Wie unterstützen Markow-Ketten das Customer Relationship Management?
Markow-Ketten werden verwendet, um auf Basis einer begrenzten Vorgeschichte Wahrscheinlichkeiten für zukünftiges Kundenverhalten zu berechnen, was eine präzisere Kalkulation des Customer Lifetime Value ermöglicht.
Warum ist die Bewertung von PA-Systemen für Unternehmen wichtig?
Da die Implementierung neuer Systeme mit hohem Aufwand verbunden ist, dienen Bewertungskriterien wie Systemreife, Wirtschaftlichkeit und Performance dazu, die für das Unternehmen beste Lösung zu identifizieren.
- Citar trabajo
- Felix Zappe (Autor), Daniel Gräbener (Autor), Samira Moawad (Autor), 2015, Relevanz und Bewertungskriterien für Predictive Analytics Tools im Customer Relationship Management, Múnich, GRIN Verlag, https://www.grin.com/document/318733
