Profil- und Verhaltensabhängigkeit von Inhalten

INHALTSVERZEICHNIS

Abbildungsverzeichnis

1 Kundenprofile als Grundlage kontextbasierter Inhaltebereitstellung

2 Der Data Mining Prozess

2.1 Datengewinnung

2.1.1 Datenquellen und Techniken der Datengewinnung

2.1.2 Datenbereinigung und –transformation

2.2 Methoden des Data Minings

2.2.1 Entscheidungsbäume

2.2.2 Assoziationsanalyse

2.2.3 Neuronale Netze

2.3 Evaluation, Interpretation und Anwendung der Ergebnisse

3 Ausgewählte Praxisbeispiele

3.1 E.Piphany

3.2 Amazon

4 Zusammenfassender Überblick und Ausblick in die Zukunft

Literaturverzeichnis

ABBILDUNGSSVERZEICHNIS

Abb. 2 / 1 „Stufen des Data Mining Prozesses“

Abb. 2.2 / 2 „Methoden des Data Minings“

Abb. 2.2.1 / 3 „Entscheidungsbaum zur Analyse der Kreditwürdigkeit“

Abb. 3.2 / 4 „Vorschlagswesen bei Amazon“

1 Kundenprofile als Grundlage kontextbasierter Inhaltebereitstellung

Der globale Wettbewerb „zwingt Unternehmen nicht nur zur Optimierung ihrer operativen Geschäftsprozesse, sondern macht es auch erforderlich, auf der strategischen Ebene schnell auf neue Entwicklungen reagieren zu können, alternative Handlungsweisen abzuwägen und sofort aus den gewonnenen Erkenntnissen die richtigen Entscheidungen abzuleiten.“^[1]

Die neueste Entwicklung ist dabei überall deutlich zu erkennen. Sich über Preispolitik von Konkurrenzunternehmen abzugrenzen ist nur noch schlecht möglich. Personalisierung der Inhalte wird zum neuen Schlagwort. Um die richtigen Inhalte zum optimalen Zeitpunkt und in der besten Form anbieten zu können, ist es unbedingt notwendig, dass der Unternehmer die Wünsche seiner Kunden kennt.

Die Erstellung des dafür notwendigen Kundenprofils soll damit auch zentrales Thema dieser Arbeit sein. Der Data Mining Prozess, der sich zur Profilgenerierung in den letzten Jahren als besonders geeignetes Verfahren erwiesen hat, soll im vorgegebenen Kontext in seinen einzelnen Schritten beschrieben werden.

Zunächst werden die Stufen der Datengewinnung, die sich bis zur letztendlichen Datenbereinigung und Datentransformation erstrecken, erläutert. Dann werden die wichtigsten Methoden des Data Minings mit ihren Problemfeldern und Grenzen aber auch Vorteilen kurz beschrieben.

Ergebnisinterpretation und mögliche Handlungsalternativen schließen den theoretischen Teil der Arbeit ab. Ausgewählte Praxisbeispiele sollen die beschriebenen Prozesse in bestimmten Bereichen veranschaulichen.

Abschließend werden die gewonnenen Ergebnisse zusammengefasst und ein kleiner Ausblick auf mögliche zukünftige Entwicklungen gegeben.

2 Der Data Mining Prozess

Data Mining umfasst den Prozess der Gewinnung neuer, valider und handlungsrelevanter Informationen aus großen Datenbanken und die Nutzung dieser Informationen für betriebswirtschaftliche Entscheidungen.^[2]

Einen guten Überblick über die einzelnen Stufen des Data Minings gibt hierbei folgende Grafik, die sinngemäß von Fayyad^[3] übernommen wurde.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2 / 1 „Stufen des Data Mining Prozesses“^[4]

Als erster Schritt sollte unbedingt eine konkrete Zielbeschreibung erfolgen. Erst wenn die Aufgaben und geforderten Ergebnisse klar umrissen sind, wird man zu einem befriedigenden Ergebnis kommen. Im vorliegenden Fall muss somit nicht nur die Kundenprofilgenerierung im Auge behalten werden, sondern insbesondere auch die Maßnahmen, welche auf Basis der gewonnenen Information ergriffen werden sollen. Welche Daten dürfen im Kundenprofil also auf keinen Fall fehlen? Erst wenn die Antwort darauf eindeutig gefunden ist, kann man daran gehen, sich zu überlegen, woher man diese Information erhalten kann.

Gesammelt werden Daten heutzutage in vielen Unternehmen in sogenannten Data Warehouses. Diese „unterstützen strategische und taktische Entscheidungen, indem sie umfangreiche Auszüge aus operativen Daten periodenweise und zusammengefasst oder detailliert zur flexiblen Analyse bereitstellen.“^[5] Sie stellen also die ideale Grundlage für den Data Mining Prozess dar.

Beginnend mit der Datengewinnung sollen die einzelnen Stufen des Data Minings nun etwas genauer beschrieben und untersucht werden.

2.1 Datengewinnung

Abhängig von der geplanten Bereitstellung der Inhalte lassen sich bei der Datenbeschaffung verschiedene Datenquellen unterscheiden.

Beim sogenannten Pull-Verfahren teilt der Kunde dem Anbieter betreffender Inhalte mit, welche Themengebiete beziehungsweise Produkte ihn interessieren.

Es handelt sich bei diesen Daten zumeist um statische Informationen, die oftmals nur geringen Änderungen unterworfen sind. Die Datenqualität ist zudem gut einschätzbar, da es im bekundeten Interesse des Nachfragers liegt, für ihn geeignete Inhalte zu erlangen.

Gerade Neukunden sind jedoch oftmals auch nur schwer davon zu überzeugen, dass die Bereitstellung ihrer Informationen für sie einen Mehrnutzen generiert. Darunter leidet in Folge natürlich auch die Datenqualität, da der Kunde unter Umständen zur Angabe falscher Daten greift, sobald diese vom Anbieter gefordert werden. Dem kann man gegebenenfalls durch ein Anreizsystem entgegenwirken, wobei selbstverständlich Kosten-Nutzen-Aspekte zu berücksichtigen sind.

Wird der Content vom Anbieter ohne vorherige Vorgaben des Kunden bereitgestellt, handelt es sich um ein Push-Verfahren. Doch auch hier wird der Anbieter des Produkts nur dann ein hohes Maß an Kundenzufriedenheit erreichen, wenn er die Wünsche und Ansprüche kennt und ihnen gerecht zu werden vermag. Produkt und Service müssen also an die Vorstellungen des Kunden angepasst werden, um ihn dazu zu bewegen, auch weiterhin das Angebot zu nutzen und nicht zu einem Konkurrenten zu wechseln. Er benötigt also gerade hier Informationen über sowohl das Verhalten als auch Profildaten des Kunden.

2.1.1 Datenquellen und Techniken der Datengewinnung

Dem Anbieter stehen hierbei verschiedene Datenquellen zur Verfügung.

Neben die klassischen Kundenkontaktstellen, wie Direktmarketing und Vertrieb, treten unter anderem der technische Kundendienst. Aber auch in Logistik, Debitorenverwaltung oder Beschwerdemanagement fallen ununterbrochen Daten über die Kunden an.^[6] Als Möglichkeit sind unter anderem Transaktionsdaten bei getätigten Käufen oder aber auch Beschwerdebriefe in Papierform zu nennen.

Eine immer wichtiger werdende Quelle ist heutzutage das Internet.

Gerade Informationen, die ein Nutzer eines Angebots beispielsweise auf einer Internetseite allein durch sein Verhalten bei der Nutzung preis gibt, enthält oft wertvolle Anhaltspunkte für die spätere Profilgenerierung.

Um solche Daten zu erlangen, bedient man sich verschiedener Technologien. Hier sind vor allem der Log-In, die Logfile-Analyse und die Clickstream-Analyse zu nennen.

Die Voraussetzung für die Untersuchung des Nutzungsverhaltens ist die eindeutige Identifizierung von Benutzern des Angebots, um sie später einer ausgewählten Kundengruppe zuordnen zu können.

Die einfachste Art den Benutzer zu identifizieren stellt der sogenannte Log-In dar. Der Kunde registriert sich auf der Internetseite mit einem Benutzernamen und erhält oder wählt dafür ein Passwort. Es lässt sich so leicht feststellen, wann welcher Nutzer das Angebot in Anspruch nimmt. Die „Nutzung einer Website wird in der Regel durch den Webserver protokolliert, indem sämtliche Zugriffsinformationen in einem Logfile gespeichert werden.“^[7]

Bei der Logfile-Analyse werden nun eben diese Zugriffsinformationen untersucht. Als Problem ist hier vor allem zu sehen, dass es sich „vorwiegend um rein deskriptive Analysen zur Nutzung der Website unabhängig vom Verhalten einzelner Besucher“^[8] handelt.

Eine bessere Lösung zur Erschließung von Verhaltensdaten findet man hier in der Clickstream-Analyse. Man ermittelt in ihrem Zuge, welchen Aktivitäten ein Benutzer während einer Session nachgeht. „Eine Session ist ein zusammenhängender Besuch eines Benutzers auf einer Website – vergleichbar mit einem Besuch eines (potenziellen) Käufers in einem Laden“^[9]

Möglich gemacht wird dies beispielsweise durch Cookies, URL Rewriting, Java Applets oder auch Session Trackings. Diese Verfahren seien hier aufgrund des begrenzten Umfangs der Arbeit nur genannt und sollen nicht weiter beschrieben werden. Ziel der Clickstream-Analyse ist es, präferierte Klickpfade des Nutzers herauszufiltern. Somit kann man den statischen Teil der gesammelten Daten durch dynamische Komponenten ergänzen. Da das Verhalten des Benutzers ständigen Änderungen unterworfen sein kann, sollten diese Daten auch beständig in den auszuwertenden Datenbestand einfließen, um damit auch beständig Aktualität des Kundenprofils zu gewährleisten.

[...]

^[1] Grothe / Gentsch (2000) S.25.

^[2] Vgl. Cabena / Hadjinian /Stadler / Verhees / Zanasi (1998) S.12.

^[3] Fayyad / Piatetsky-Shapiro / Smyth (1996) o.A..

^[4] Vgl. Küsters (2002) S. 129.

^[5] Lusti (1999) S. 125.

^[6] Vgl. Hippner/Wilde (2002) S. 60.

^[7] Vgl Meyer/Weingärtner/Jahke/Lieven (2001) S. 4

^[8] Vgl Meyer/Weingärtner/Jahke/Lieven (2001) S. 17

^[9] Vgl Meyer/Weingärtner/Jahke/Lieven (2001) S. 4