Generell kann beobachtet werden, dass die Menge verfügbarer Informationen in den letzten Jahren stark zugenommen hat und diese Entwicklung sich auch in baldiger Zukunft nicht abschwächen wird. Eine Studie der University of Berkeley kommt zu dem Ergebnis, dass im Jahr 2002 fünf Exabyte neuer Informationen produziert und gespeichert wurden. Das entspricht bei Zugrundelegung der Weltbevölkerung fast 800 Megabyte pro Person. Im Jahr 1999 waren es nur 250 Megabyte pro Erdbewohner, was einem Wachstum von über 300% in drei Jahren entspricht. Das anhaltende exponentielle Wachstum des weltumspannenden unternehmensexternen Wissensspeichers Internet unterstreicht diese Ergebnisse.
Auch im Marketingbereich werden Unternehmen mit diesem Phänomen der „Datenflut“ konfrontiert. Dabei können zwei Einflussbereiche identifiziert werden. Einerseits ermöglicht der technische Fortschritt die Generierung und Speicherung von Daten in noch nie dagewesenem Umfang durch billigere Speichermedien, bessere Speichertechnologien und leistungsfähigere Datenbankverwaltungssysteme. Andererseits führen organisationale Ursachen zu immer größeren Datenbeständen. Hier zeigen sich die Auswirkungen einer zunehmenden Automatisierung. So speichern Anwendungssysteme zur Unterstützung und Steuerung operativer Prozesse wachsende Mengen an Daten aufgrund einer Asymmetrie zwischen Datengewinnung und Datenvernichtung (vertikales Wachstum). Außerdem wird aufgrund zunehmender Umweltkomplexität die Erfassung einer größeren Anzahl von Fakten erforderlich (horizontales Wachstum).
Die bereitstehende Masse von Daten führt jedoch nicht unbedingt zu einer besseren Informationsversorgung im Marketing. Es kann im Gegenteil sogar festgestellt werden, dass das Auffinden der gewünschten Information, die sinnvolle Verdichtung von Daten und generell eine Verwendung zu Zwecken der Entscheidungsunterstützung zu einem immer größeren Problem wird.
Inhaltsverzeichnis
1 Einleitung
2 Rahmen und Umfeld des Data Minings im Marketing
2.1 Die Datenbasis
2.1.1 Daten – Information – Wissen
2.1.2 Mögliche Datenquellen
2.1.3 Data Warehouse und Data Mart
2.2 Die Analyse
2.2.1 Online Analytical Processing (OLAP)
2.2.2 Data Mining
2.2.3 Der Data Mining Prozess oder Knowledge Discovery in Databases (KDD)
3 Data Mining im Marketing entlang des Kundenlebenszyklus
3.1 Mit Data Mining verbundene Marketingkonzepte
3.2 Systematik der Einsatzmöglichkeiten
3.3 Kundenakquisition
3.3.1 Segmentierung potenzieller Kunden
3.3.2 Bearbeitung der ausgewählten Segmente
3.4 Kundenaktivierung
3.4.1 Datensammlung zur Optimierung vorheriger und künftiger Analysen
3.4.2 Risikoerkennung und -beurteilung
3.5 Kundenbeziehungsmanagement
3.5.1 Selektion profitabler Beziehungen – Kundenbewertung
3.5.2 Entwicklung der Beziehungen – Steigerung des Kundenwerts
3.5.3 Pflege der Beziehungen – Kundenbindung und Abwanderungsverhinderung
3.6 Bewertung der Einsatzmöglichkeiten
4 Neuere Entwicklungen und Potenziale für Data Mining im Marketing
4.1 Externe Einflussfaktoren
4.1.1 Technologie
4.1.2 Gesellschaft und Recht
4.2 Anwendungsgebiete
4.2.1 Web Mining im Marketing
4.2.2 Text Mining im Marketing
4.3 Perspektiven im Data Mining Prozess
4.3.1 Datenerhebung und -speicherung
4.3.2 Datenverarbeitung und -analyse
4.3.3 Informationsdarstellung, -interpretation und -nutzung
5 Fazit
Zielsetzung & Themen
Das primäre Ziel dieser Arbeit ist die systematische Erfassung der Einsatzmöglichkeiten von Data Mining im Marketing sowie die fundierte Analyse bestehender Entwicklungspotenziale unter Berücksichtigung technologischer, rechtlicher und gesellschaftlicher Rahmenbedingungen. Die Forschungsfrage konzentriert sich darauf, wie Unternehmen aus der stetig wachsenden Datenmenge mittels Data Mining wertvolles Wissen generieren können, um die einzelnen Phasen des Kundenlebenszyklus effizienter zu gestalten und den Unternehmenserfolg nachhaltig zu steigern.
- Methodische Grundlagen und der KDD-Prozess
- Integration von Data Mining entlang des Kundenlebenszyklus (Akquisition, Aktivierung, CRM)
- Technologische und rechtliche Einflussfaktoren auf Data Mining-Projekte
- Erweiterung durch Web Mining, Text Mining und Multimedia Data Mining
- Perspektiven und zukünftige Herausforderungen an das Data Mining im Marketing
Auszug aus dem Buch
3.3.1 Segmentierung potenzieller Kunden
In der Phase der Kundenakquisition geht es darum, Interessenten aus dem Kreis der Nichtkunden zu gewinnen. Eine undifferenzierte Marktbearbeitung wäre hier aufgrund der vorherrschenden Produkt- und Nachfragevielfalt auf vielen Märkten nicht sinnvoll. Deshalb muss sich das Marketing an den Kundenwünschen orientieren und kundengruppenspezifisch den Markt bearbeiten. Dazu ist eine Segmentierung der Kunden bzw. des Marktes erforderlich, wobei einzelne Kunden so gruppiert werden, dass die gebildeten Gruppen untereinander möglichst heterogen, innerhalb aber möglichst homogen sind. Die Segmente sollten sich dabei auch hinsichtlich Kriterien der Marktbearbeitung unterscheiden, da nur so eine differenzierte Kommunikationspolitik möglich ist.
Seit den 1980er Jahren werden im Marketing statistische Verfahren zur Segmentierung verwendet. Neben Mittelwerten, Standardabweichungen und Histogrammen wird auch die traditionelle statistische Clusteranalyse eingesetzt. Neuere Methoden des Data Mining bieten jedoch insbesondere zwei Vorteile. Zum einen lassen sie sich auch auf extrem große Datenbestände anwenden, zum anderen erlauben sie eine wesentlich feinere und präzisere Segmentierung.
Künstliche Neuronale Netze (KNN), die heute im Data Mining (auch) zur Segmentierung eingesetzt werden, entstanden aus Versuchen heraus, das menschliche Gehirn in seiner Funktionsweise - insbesondere mit seiner Lernfähigkeit - nachzubilden. In der einfachsten Form besteht ein KNN aus drei Schichten: einer Eingabeschicht (input layer), einer verdeckten Schicht (hidden layer) und einer Ausgabeschicht (output layer). Die Eingabeschicht ist aus einem oder mehreren Neuronen zusammengesetzt, die unabhängige Variablen sind. Auch die Ausgabeschicht besteht aus einem oder mehreren Neuronen, die abhängige Variablen sind und von der Eingabeneuronen bestimmt werden. Die verdeckte Schicht verbindet Ein- und Ausgabeschicht und deren Neuronen.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung thematisiert die zunehmende Datenflut in Unternehmen und stellt die Notwendigkeit von Data Mining Methoden heraus, um aus großen Datenmengen entscheidungsunterstützendes Wissen zu gewinnen.
2 Rahmen und Umfeld des Data Minings im Marketing: Dieses Kapitel definiert die grundlegenden Begriffe der Datenbasis, erläutert die Bedeutung von Data Warehouses und führt in die theoretischen Konzepte der Datenanalyse und des KDD-Prozesses ein.
3 Data Mining im Marketing entlang des Kundenlebenszyklus: Hier werden konkrete Anwendungsgebiete von Data Mining entlang der Phasen Akquisition, Aktivierung und Kundenbeziehungsmanagement sowie die entsprechenden Methoden und Marketingkonzepte detailliert aufgezeigt.
4 Neuere Entwicklungen und Potenziale für Data Mining im Marketing: Das Kapitel widmet sich technologischen, gesellschaftlichen und rechtlichen Einflüssen und betrachtet zukunftsweisende Felder wie Web Mining, Text Mining und Multimedia Data Mining.
5 Fazit: Das abschließende Kapitel fasst die Erkenntnisse zusammen und betont die Notwendigkeit, Data Mining nicht als isoliertes technisches Werkzeug, sondern als ganzheitlichen Bestandteil eines professionellen Wissensmanagements zu begreifen.
Schlüsselwörter
Data Mining, Marketing, Kundenlebenszyklus, Knowledge Discovery in Databases, KDD, Web Mining, Text Mining, CRM, Customer Relationship Management, Kundenwert, Segmentierung, Künstliche Neuronale Netze, Entscheidungsbäume, Datenschutz, Wissensmanagement
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundlegend?
Die Arbeit analysiert, wie Data Mining Methoden im Marketing eingesetzt werden können, um aus der „Datenflut“ strategisch relevantes Wissen zu gewinnen und so den Unternehmenserfolg zu steigern.
Welche zentralen Themenfelder stehen im Mittelpunkt?
Die Arbeit behandelt die Systematik von Data Mining Verfahren, deren Anwendung entlang des Kundenlebenszyklus sowie neue Trends wie Web- und Text-Mining.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist, Anwendungsbereiche von Data Mining im Marketing systematisch aufzuzeigen und die daraus resultierenden Entwicklungspotenziale unter Berücksichtigung aktueller technologischer und rechtlicher Rahmenbedingungen zu bewerten.
Welche wissenschaftliche Methode wird primär verwendet?
Die Arbeit nutzt eine systematische theoretische Literaturanalyse, um den Status Quo und die Potenziale von Data Mining Methoden im Marketing zu erläutern.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die methodischen Grundlagen (Kapitel 2), die praktische Anwendung entlang des Kundenlebenszyklus (Kapitel 3) und einen Ausblick auf zukunftsweisende Entwicklungen (Kapitel 4).
Welche Schlüsselbegriffe prägen die Arbeit?
Zentrale Begriffe sind Data Mining, CRM, Kundenlebenszyklus, Web Mining, Text Mining, Entscheidungsbäume und Künstliche Neuronale Netze.
Wie spielt das Web Mining eine Rolle für das Marketing?
Web Mining erlaubt es, Navigationspfade von Internetnutzern zu analysieren und Inhalte sowie Personalisierung optimal auf individuelle Bedürfnisse anzupassen.
Welche Herausforderungen bestehen für den Einsatz von Text Mining?
Neben der semantischen Mehrdeutigkeit natürlicher Sprache stellen vor allem „dirty texts“ mit Tippfehlern oder unsauberer Syntax eine Hürde dar, die zunehmend durch fortgeschrittene Korrekturverfahren angegangen wird.
- Quote paper
- Bastian Schoenrade (Author), 2005, Einsatzmöglichkeiten von Data Mining im Marketing: Status Quo und Entwicklungspotenzial, Munich, GRIN Verlag, https://www.grin.com/document/40766
