Folgenden Fragen wird im Rahmen der vorliegenden Arbeit nachgegangen:
Was ist unter Personalisierung zu verstehen, welche Personalisierungsverfahren lassen sich identifizieren und wie können diese charakterisiert werden?
Wie lässt sich Kundenbindung erklären? Welche Wirkungszusammenhänge und Determinanten existieren?
Wie wirken Personalisierungsmaßnahmen auf die Kundenzufriedenheit und Kundenbindung?
Mit den aufgezeigten Fragestellungen ist der grobe Aufbau der Arbeit bereits vorgegeben. Im Detail wird in Kapitel 2 zunächst das Konzept des Customer Relationship Marketing (CRM) kurz dargestellt, wobei der Ansatz der Personalisierung in das Konzept des CRM eingeordnet und der Zusammenhang zur Kundenbindung erarbeitet wird.
In Kapitel 3 werden die Möglichkeiten der Personalisierung im Internet aufgezeigt, die den Unternehmen zu Verfügung stehen, um ein erfolgreiches CRM zu betreiben. Objekte der Personalisierung werden klassifiziert, der Prozess der Personalisierung beschrieben und Methoden der Personalisierung vorgestellt. Grundsätzlich lassen sich drei Arten von Personalisierungsmethoden unterscheiden: die kundengetriebene Personalisierung, die anbietergetriebene Personalisierung durch Rule Based Matching und die automatisierte Personalisierung durch Feature Based Filtering und Collaborative Filtering. Bei den letzten beiden Arten handelt es sich um Empfehlungssysteme, die im Fokus der theoretischen Betrachtung liegen.
In Kapitel 4 wird das Konstrukt Kundenbindung näher betrachtet. Die Kundenbindung als Zielgröße des Customer Relationship Marketing wird definiert, Determinanten und Typologien der Kundenbindung werden erarbeitet.
Aufbauend auf dieser theoretischen Basis wendet sich die Arbeit in Kapitel 5 der Frage zu, ob die genannten Empfehlungssysteme als mögliche Personalisierungsmethoden die Kundenbindung bzw. Kundenzufriedenheit beeinflussen können. Um diese Frage beantworten zu können, werden zunächst Wirkungshypothesen auf Basis theoretischer Überlegungen formuliert. [...]
Inhaltsverzeichnis
1 Einleitung
2 Kundenbindung als Zielgröße des Customer Relationship Marketing
2.1 Customer Relationship Marketing
2.1.1 Individualisierung der Marktbearbeitung
2.1.2 Interaktion zwischen Anbieter und Kunde
2.1.3 Integration des Kunden
2.1.4 Selektion und Investition
2.2 Der Kundenbeziehungslebenszyklus als Ausgangspunkt
2.3 Erfolgskette der Kundenzufriedenheit und Kundenbindung
2.4 Kundenbindung im Internet durch Personalisierung
3 Personalisierung im Internet durch den Einsatz von Empfehlungssystemen
3.1 Personalisierung im Rahmen des eCRM
3.2 Objekte der Personalisierung
3.3 Der Personalisierungs-Prozess
3.3.1 Informationsgewinnung
3.3.2 Informationsanalyse
3.3.3 Personalisierung
3.4 Personalisierung durch Empfehlungssysteme
3.4.1 Rule Based Matching
3.4.2 Feature Based Filtering
3.4.3 Collaborative Filtering
3.4.4 Hybride Verfahren
4 Theoretische Erklärungsmodelle zur Kundenbindung aus Kundensicht
4.1 Begriff und Konzeptualisierung der Kundenbindung
4.2 Determinanten der Kundenbindung
4.2.1 Kundenzufriedenheit
4.2.2 Ökonomische Wechselbarrieren
4.2.3 Psychologische Wechselbarrieren
4.2.4 Soziale Wechselbarrieren
4.2.5 Attraktivität des Konkurrenzangebots
4.2.6 Variety Seeking
4.3 Typologie der Bindungszustände
5 Entwicklung eines Modells zur Analyse der Wirkungen von Empfehlungssystemen
5.1 Erfolgsmessung anhand vorökonomischer Zielgrößen
5.2 Ableitung von Hypothesen zur Wirkung von Empfehlungssystemen
5.3 Konzeptualisierung und Operationalisierung der in den Hypothesen berücksichtigten Konstrukte
5.3.1 Entwicklung eines Modells zur Messung der Qualität von Empfehlungssystemen
5.3.2 Messung der Kundenzufriedenheit und Kundenbindung
6 Das grundlegende Untersuchungsdesign
6.1 Datenerhebung und Datenbasis
6.2 Datenanalyse
6.3 Globale und lokale Gütekriterien
7 Empirische Analyse der Wirkung von Empfehlungssystemen
7.1 Messung der Qualität von Empfehlungssystemen
7.2 Wirkung von Empfehlungssystemen
8 Schlussbetrachtung
Zielsetzung & Themen der Arbeit
Die vorliegende Arbeit untersucht den Einfluss von personalisierten Empfehlungssystemen im E-Commerce auf die Kundenzufriedenheit und die Kundenbindung. Ziel ist es, durch die Entwicklung und empirische Überprüfung eines Kausalmodells zu klären, wie verschiedene Qualitätsdimensionen von Empfehlungssystemen (inhaltliche Güte, Präsentation und Funktionalität) die psychologischen Determinanten der Kundenbindung und damit den ökonomischen Erfolg beeinflussen.
- Grundlagen des Customer Relationship Marketing (CRM) und der Kundenbindung.
- Klassifizierung und Funktionsweise moderner Personalisierungstechniken und Empfehlungssysteme.
- Konzeptualisierung von Wirkungsmodellen zur Messung der Qualität von Empfehlungssystemen.
- Empirische Analyse der Auswirkungen personalisierter Empfehlungen auf Kundenloyalität und Zufriedenheit.
Auszug aus dem Buch
3.4.1 Rule Based Matching
Bei regelbasierten Systemen wird das Matching von Kunden und Produkten anhand von Regeln vorgenommen (Rule Based Matching). Es werden auf der Basis manuell vordefinierter Regeln, häufig in der Form von Wenn-Dann-Regeln, Empfehlungen ausgesprochen; z.B.: „Wenn ein Kunde Produkte der Kategorie X mag, dann empfehle ihm auch Produkte aus der Kategorie Y“. Die Erstellung dieser sog. „Business Rules“ erfolgt durch Marketingexperten, die sich dabei auf die im Rahmen des Web Mining bzw. Data Mining gewonnenen Erkenntnisse stützen. Da die Regeln alleine von dem Unternehmen festgelegt werden, wird hier von einer anbietergetriebenen Personalisierung gesprochen.
Beim Rule Based Maching werden somit die Objekte der Web-Personalisierung anhand von Regeln an die einzelnen Benutzer bzw. Benutzergruppen angepasst. Dies setzt voraus, dass sich sachlogische Regeln formulieren lassen, die den Schluss von Kundeneigenschaften auf geeignete Anpassungen der Personalisierungsobjekte erlauben.
Unter einer Regel wird in diesem Zusammenhang die formale Form verstanden, in der Empfehlungen und Handlungsweisungen ausgedrückt werden. Die Struktur einer Regel lässt sich in Prämisse („Wenn“-Teil) und Schlussfolgerung („Dann“-Teil) aufteilen, wobei beide Teile wiederum aus mehreren, über logische Operatoren (Und, Oder, etc.) verknüpften Klauseln bestehen können. Ein Ansatz, Wissen in Form von Regeln darzustellen, ist der Objekt-Attribut-Wert-Ansatz. Bei diesem Ansatz werden unter Objekten physikalische Einheiten (z.B. Kunden) subsumiert, Attribute sind Objekteigenschaften (z.B. Alter, Kaufhistorie, Navigationsverhalten) und der Wert beschreibt die Ausprägung des Attributs in einer bestimmten Situation.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung stellt die Bedeutung des CRM im elektronischen Handel dar und formuliert die Forschungsfragen zur Wirkung von Personalisierung auf die Kundenbindung.
2 Kundenbindung als Zielgröße des Customer Relationship Marketing: Dieses Kapitel erörtert das CRM-Konzept, den Kundenbeziehungslebenszyklus und die Erfolgskette von Kundenzufriedenheit und Kundenbindung.
3 Personalisierung im Internet durch den Einsatz von Empfehlungssystemen: Hier werden die technischen Möglichkeiten der Personalisierung, insbesondere verschiedene Empfehlungssysteme wie Rule Based Matching oder Collaborative Filtering, detailliert beschrieben.
4 Theoretische Erklärungsmodelle zur Kundenbindung aus Kundensicht: Das Kapitel definiert Kundenbindung und untersucht ihre zentralen Determinanten wie Zufriedenheit und verschiedene Wechselbarrieren.
5 Entwicklung eines Modells zur Analyse der Wirkungen von Empfehlungssystemen: Hier werden Wirkungshypothesen für Empfehlungssysteme aufgestellt und ein entsprechendes Messmodell konzeptualisiert.
6 Das grundlegende Untersuchungsdesign: Dieses Kapitel beschreibt die methodische Vorgehensweise bei der E-Mail-Befragung sowie die Kriterien für die Modellbeurteilung.
7 Empirische Analyse der Wirkung von Empfehlungssystemen: Die empirischen Ergebnisse zur Qualität von Empfehlungssystemen und deren kausaler Einfluss auf die Kundenbindung werden hier präsentiert und diskutiert.
8 Schlussbetrachtung: Die Arbeit schließt mit einer Zusammenfassung der wissenschaftlichen Erkenntnisse sowie einem Ausblick auf zukünftigen Forschungsbedarf.
Schlüsselwörter
Customer Relationship Marketing, Kundenbindung, Personalisierung, Empfehlungssysteme, Kundenzufriedenheit, Web Mining, Rule Based Matching, Collaborative Filtering, Feature Based Filtering, Kausalanalyse, Online-Handel, E-Commerce, Wechselbarrieren, Kundenprofil, Servicequalität.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit?
Die Arbeit analysiert den Einfluss von personalisierten Empfehlungssystemen im Internet auf die Kundenzufriedenheit und die Kundenbindung.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf CRM-Strategien, verschiedenen Personalisierungstechniken (Empfehlungssystemen) sowie der theoretischen und empirischen Analyse von Kundenbindungsmodellen.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist die Kausalitätsprüfung, ob und inwieweit der Einsatz von Empfehlungssystemen die Kundenzufriedenheit und letztlich die Kundenbindung positiv beeinflusst.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt einen quantitativen Ansatz, basierend auf einer E-Mail-Befragung von Amazon-Kunden, und wertet die Daten mittels Kausalanalyse (Strukturgleichungsmodellierung) mit der Software AMOS aus.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung der Kundenbindung, die methodische Darstellung von Empfehlungsverfahren und die anschließende empirische Prüfung der aufgestellten Hypothesen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich vor allem über Begriffe wie CRM, Kundenbindung, Empfehlungssysteme, Kausalanalyse und Personalisierung definieren.
Welche Rolle spielt das Kundenprofil bei der Personalisierung?
Das Kundenprofil dient als notwendige Datenbasis für Empfehlungen; die Funktionalität, mit der Nutzer ihr Profil verwalten können, ist laut den Ergebnissen ein wesentlicher Treiber für die Zufriedenheit.
Warum ist das Feature Based Filtering für manche Bereiche weniger geeignet?
Es stößt an Grenzen, wenn subjektive Merkmale wie Geschmack oder Qualität im Vordergrund stehen, da dieses Verfahren primär auf objektive Eigenschaften fokussiert.
- Quote paper
- Ralf Kaumanns (Author), 2003, Electronic Customer Relationship Marketing (eCRM). Kundenbindung im Internet durch Personalisierung, Munich, GRIN Verlag, https://www.grin.com/document/38808
