Unternehmen sind bestrebt, das Verhalten ihrer Konsumenten zu erfassen und zu analysieren, um dieses Wissen gewinnbringend für sich zu nutzen. Im Internet lässt sich eine erhebliche Masse verfügbarer Daten sammeln, die aussagekräftige Informationen über das Verhalten beinhalten können. Beschrieben durch die Big Data Problematik, ergeben sich jedoch Schwierigkeiten, mit dieser Fülle an Benutzerdaten umzugehen. In dieser Arbeit wurde das Data Mining als Verfahren angewandt, um Daten zu strukturieren und so informative Muster und Zusammenhänge zu finden, die Aussagen über die Nutzergruppen zulassen. Die Arbeit gibt einen Überblick darüber, welche Kontaktpunkte im Hinblick auf die Aspekte des Konsumentenverhaltens besonders informativ sind und welche spezifischen Erkenntnisse über die Nutzer daraus abgeleitet werden können. Dabei wurden das Web Content Mining sowie das Web Usage Mining auf Online Shops, Social Media und Suchmaschinen angewandt. Anhand dessen konnten Rückschlüsse auf das Informationssuchverhalten, die Intention, die Adoption sowie die Evaluation der Nutzer gezogen werden. Die Anwendung des Web Content Mining bestätigte die Eignung des Social Media, das Word-of-Mouth-Verhalten der Konsumenten hinsichtlich des Unternehmens zu analysieren. Dahingegen erwies sich der Online Shop, durch Anwendung des Web Usage Mining, als geeigneter Kontaktpunkt, um Informationen über das Kaufverhalten sowie die Charakterisierung von Käufertypen zu erlangen. Die Kombination des Web Content Mining mit dem Web Usage Mining im Rahmen von Suchmaschinen, stellte die Eignung dieses Kanals hinsichtlich der Analyse des Informationssuchverhaltens sowie der Intention der Nutzer dar.
Inhaltsverzeichnis
1 Einleitung
2 Das Online-Konsumentenverhalten
2.1 Abgrenzung zwischen traditionellem und Online-Konsumentenverhalten
2.2 Das IIAE-Model zur Kategorisierung des Online-Konsumentenverhaltens
3 Datenerhebung über das Konsumentenverhalten im Internet
3.1 Ökonomische Relevanz der Datenerhebung für Unternehmen
3.2 Relevante Kontaktpunkte zur Erhebung von Konsumentendaten
3.3 Herausforderungen von Big Data
4 Data Mining Verfahren zur Analyse des Konsumentenverhaltens
4.1 Definition und Ziele des Data Mining
4.2 Aufgaben des Data Mining
4.3 Methoden des Data Mining
4.3.1 Web Content Mining
4.3.2 Web Usage Mining
4.3.3 Stärken und Schwächen der Methoden
5 Analyse relevanter Kontaktpunkte und ihrer Potenziale durch Anwendung des Data Mining
5.1 Kontaktpunkte
5.1.1 Online Shops
5.1.2 Social Media
5.1.3 Suchmaschinen
5.2 Potenziale und Risiken der Kontaktpunkte hinsichtlich des Informationsgehaltes
6 Fazit und Ausblick
Zielsetzung & Themen
Die Arbeit untersucht, wie Unternehmen das Online-Konsumentenverhalten über verschiedene digitale Kanäle hinweg systematisch erfassen und mithilfe von Data-Mining-Verfahren analysieren können, um wertvolle Erkenntnisse für die Unternehmensstrategie zu gewinnen.
- Methoden des Data Mining im B2C-Kontext
- Analyse des Online-Konsumentenverhaltens
- Datenerhebung in Online-Shops, Social Media und Suchmaschinen
- Herausforderungen durch Big Data
- Ableitung von Potenzialen und Risiken für die Unternehmensführung
Auszug aus dem Buch
4.1 Definition und Ziele des Data Mining
Das Data Mining wird als Teilprozess des Knowledge Discovery in Databases angesehen, das definiert wird als "the non-trivial process of identifying valid, novel, potentially useful and ultimately understandable patterns in data" (Fayyad, Piatetsky-Shapiro und Smyth 1996, S.83). Weiterführend wird das Data Mining definiert als "a step in the KDD process consisting of applying data analysis and discovery algorithms that,[...] produce a particular enumeration of patterns over the data" (Fayyad, Piatetsky-Shapiro und Smyth 1996, S.83). Aufgrund der zunehmenden Technologiesierung des gesamten Prozesses der Wissensgenerierung aus Datenbeständen, verwenden einige Autoren den Begriff des Data Mining und des Knowledge Discovery in Databases synonym. Nach dem heutigen Verständnis wird das Data Mining bspw. definiert als "the analysis of (often large) observational data sets to find unsuspected relationships and to summarize the data in novel ways that are both understandable and useful for the data owner" (Hand, Mannila und Smyth 2001, S.1).
Die fortschrittlichen Technologien bieten zwar die Chance, große Datenmengen zu erheben und zu speichern, ermöglichen jedoch nicht die automatische Generierung von Wissen und einen greifbaren Nutzen aus Unternehmenssicht. Das Data Mining soll mit Hilfe einer sinnvollen Analyse und Interpretation, die Lücke zwischen der immensen Masse an Daten (wie in Kapitel 3.3. beschrieben) und den Potenzialen, die das Internet im Rahmen des Konsumentenverhaltens bietet, schließen. Im Verfahren des Data Mining sollen ungeordnete und komplexe Datenmengen sinnvoll verwertet und Wissen aus den Daten extrahiert werden, das einen potenziellen Nutzen für das Unternehmen darstellt. Das Data Mining kann dabei helfen, das in den Datenbeständen "versteckte" Wissen im Hinblick auf das Verhalten der Konsumenten im Internet zu ergründen, während im Rahmen des Knowledge Managements dieses Wissen effektiv in die Strategie des Unternehmens integriert werden kann (Shaw, Subramaniam, Tan und Welge 2001, S.128).
Zusammenfassung der Kapitel
1 Einleitung: Die Arbeit führt in die Bedeutung des Internets als Informationsquelle ein und begründet die Notwendigkeit von Data-Mining-Verfahren, um die digitale Datenflut gewinnbringend nutzbar zu machen.
2 Das Online-Konsumentenverhalten: Es erfolgt eine Abgrenzung zum traditionellen Konsumentenverhalten sowie eine Kategorisierung der Aspekte mittels des IIAE-Modells.
3 Datenerhebung über das Konsumentenverhalten im Internet: Dieses Kapitel erläutert die ökonomische Relevanz der Daten, identifiziert zentrale Kontaktpunkte und thematisiert die Herausforderungen durch Big Data.
4 Data Mining Verfahren zur Analyse des Konsumentenverhaltens: Hier werden Definition, Ziele und zentrale Aufgaben des Data Mining sowie die Methoden Web Content und Web Usage Mining ausführlich dargestellt.
5 Analyse relevanter Kontaktpunkte und ihrer Potenziale durch Anwendung des Data Mining: Es wird praktisch aufgezeigt, wie Data Mining konkret auf Online-Shops, Social Media und Suchmaschinen angewandt werden kann, inklusive einer kritischen Bewertung.
6 Fazit und Ausblick: Die Arbeit fasst die Ergebnisse zusammen und gibt einen Ausblick auf die zukünftige Bedeutung der Verknüpfung heterogener Datenquellen sowie die Notwendigkeit der strategischen Zielsetzung.
Schlüsselwörter
Data Mining, Online-Konsumentenverhalten, Web Content Mining, Web Usage Mining, Big Data, Digitale Fußspuren, Nutzersegmentierung, Kaufverhalten, Social Media, Suchmaschinenoptimierung, Informationssuchverhalten, Wissensgenerierung, Kundenzentrierung, Digitale Identität, Warenkorbanalyse
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der Erfassung und Messung des Online-Konsumentenverhaltens über verschiedene digitale Kanäle und der Nutzung von Data-Mining-Verfahren, um diese Daten für Unternehmen interpretierbar zu machen.
Was sind die zentralen Themenfelder der Arbeit?
Zentrale Themen sind das Online-Konsumentenverhalten, die verschiedenen Data-Mining-Methoden wie Web Content und Web Usage Mining sowie die Analyse spezifischer digitaler Kontaktpunkte.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist es, die Potenziale der verschiedenen Online-Kontaktpunkte aufzuzeigen und darzustellen, mit welchen Data-Mining-Methoden Unternehmen daraus Erkenntnisse über ihre Kunden gewinnen können.
Welche wissenschaftliche Methode wird primär verwendet?
Die Arbeit basiert auf einer theoretischen Literaturanalyse und strukturierten wissenschaftlichen Definitionen zum Data Mining, um die Anwendungsmöglichkeiten auf das Konsumentenverhalten herzuleiten.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen des Data Mining, die Kategorisierung des Konsumentenverhaltens und die praktische Analyse der Kontaktpunkte Online-Shop, Social Media und Suchmaschine.
Welche Schlüsselwörter charakterisieren diese Arbeit?
Schlüsselbegriffe sind unter anderem Data Mining, Online-Konsumentenverhalten, Web Content Mining, Web Usage Mining, Big Data, Nutzersegmentierung und Kaufverhalten.
Wie unterscheidet sich die Analyse in Online-Shops von der in Social Media?
Während im Online-Shop primär Web Usage Mining zur Analyse des Navigations- und Kaufverhaltens genutzt wird, fokussiert sich die Analyse in Social Media auf Web Content Mining zur Untersuchung von Word-of-Mouth und Meinungsbildern.
Welche Rolle spielt die Big-Data-Problematik für das Data Mining?
Big Data stellt die Ausgangssituation dar, in der die immense Datenmenge eine Herausforderung für die Speicherung und Auswertung bildet, während Data Mining die notwendige Lösung darstellt, um aus diesen Daten "smartes" Wissen zu generieren.
Warum sind Suchmaschinen für die Unternehmensanalyse besonders relevant?
Suchmaschinen offenbaren das unbewusste Informationssuchverhalten und die spezifischen Suchbegriffe der Nutzer, was Unternehmen hilft, die Nutzerintention besser zu verstehen und ihre eigene Sichtbarkeit zu optimieren.
Was sind die kritischen Risiken bei der Analyse von Kontaktpunkten?
Risiken sind unter anderem die Limitation bei der Datenerhebung in isolierten Kanälen, die Fehlinterpretation von Sprache oder Ironie im Text Mining sowie die Veränderung von Nutzerpräferenzen über Zeit.
- Citar trabajo
- Isabell Stupak (Autor), 2015, Online-Marketing. Wie kann Konsumentenverhalten über verschiedene Kanäle hinweg erfasst und gemessen werden?, Múnich, GRIN Verlag, https://www.grin.com/document/442360
