Leseprobe
Inhaltsverzeichnis
Abbildungsverzeichnis ...2
Tabellenverzeichnis ...3
Abkürzungsverzeichnis ...4
1. Einleitung ...5
2. Aktuelle Forschungsansätze von Predictive Analytics im Customer Relationship Management ...5
2.1 Funktionen und Prozess der Predictive Analytics ...5
2.2 Relevanz der Predictive Analytics für das Customer Relationship Management ...6
3. Praxisrelevante Kriterien für die Bewertung von Predictive Analytics-Systemen ...8
4. Anwendung von Predictive Analytics Tools zur ganzheitlichen Fokussierung auf das Customer Relationship Management in einer Unternehmung ...10
5. Fazit und Ausblick ...11
Literaturverzeichnis ...13
1. Einleitung
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 (McIIvaine 2013, o.S.). 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 (Martin o.J., o.S.). 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.
2. Aktuelle Forschungsansätze von Predictive Analytics im Customer Relationship Management
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.).
[Abb. in dieser Leseprobe nicht enthalten]
Der Predictive Analytics Lifecycle - Prozessschritte, Verantwortungsträger und Aufgaben ; Quelle: Pope 2013, o.S.
2.2 Relevanz der Predictive Analytics für das Customer Relationship Management
Die Schnittstelle zwischen CRM und PA wird unter anderem von Xu und Walton dargestellt. Demnach werden IT-basierte CRM-Systeme mittlerweile in vielen Branchen eingesetzt und weiterführende Forschungen mit dem Ziel einer Optimierung dieser Systeme betrieben (Xu/Walton 2005, S. 955). Ein Entwicklungsansatz zukünftiger CRM-Systeme ist die Verknüpfung von kundenbezogenem „Knowledge Management“ (KM) und CRM, um sowohl im operativen Geschäft sowie in der strategischen Planung von Synergieeffekten, vor allem durch das Teilen und Erarbeiten von Wissen über den Kunden, zu profitieren (Xu/Walton 2005, S. 955). Zur Spezifizierung dieses Vorgehens nutzen Ranjan und Bhatnagar den Begriff „analytical CRM“ (aCRM) (Ranjan/Bhatnagar 2011, S. 132). Dessen Zweck ist es, die aus dem operativen Geschäft gewonnen Kundendaten mit den Methoden der PA zu analysieren und somit Trends des Konsumentenverhaltens vorherzusagen (Ranjan/Bhatnagar 2011, S.136). ACRM ist somit die Form der PA, wie sie im CRM angewandt wird.
Welche Daten für die Erstellung der oben genannten Analysen verwandt werden, aus welchen Quellen diese bezogen werden und welche Daten schlussendlich geliefert werden können, zeigen Ranjan und Bhatnagar in Abbildung 2 (Ranjan/Bhatnagar 2011, S. 141).
[Abb. in dieser Leseprobe nicht enthalten]
Abbildung 2: Quellen und Inhalte verschiedener Typen des CRM; Quelle: Ranjan/Bhatnagar 2011, S. 141.
Die so entstandenen Daten sollen der Beantwortung der folgenden Leitfragen dienen (Ranjan/Bhatnagar 2011, S. 136):
- Welche Produktbündel können verkauft werden?
- Welche Kunden sind am profitabelsten?
- Welche Kunden könnten abwandern?
- Welche Angebote könnten sich zu Profittreibern entwickeln?
- Welche Trends dominieren den Markt in Zukunft?
- Wie kann zum Cross-selling beigetragen werden?
- Wie kann zum Up-selling beigetragen werden?
Xu und Walton berichten von Umfragen, die zeigen, dass die Gewinnung strategisch bedeutsamer Informationen für die Unternehmung sowie die Gewinnung von Neukunden weniger wichtig für die Nutzung von CRM-Systemen ist (Xu/Walton 2005, S. 959). Die Anwendung dieser Systeme findet klar in den fortgeschrittenen Phasen des Kundenlebenszyklus statt, da hier das Ziel der Weiterentwicklung oder Wiederaufnahme der Kundenbeziehung durch Steigerung der Kundenzufriedenheit priorisiert wird (Xu/Walton 2005, S. 955).
[...]