Durch immer bessere technische Möglichkeiten werden in Unternehmen immer größere Mengen an Daten in Data Warehouses vorgehalten. Diese Daten liefern z.B. Informationen zum Unternehmen selbst, zu Prozessen oder über Kunden. Oft stellen diese Datenbestände bzw. deren Analyse den Erfolgsfaktor einer Unternehmung dar. Für die Marketingkommunikation werden bspw. mit Testmailings die positiven sowie negativen Reaktionen einer kleinen Anzahl potentieller Kunden untersucht. Die Ergebnisse werden mit Daten über das Kundenumfeld in Verbindung gebracht. Daraus erstellte Charakteristika (Profile) können durch eine gezielte Kundenansprache bei der eigentlichen Kommunikation für eine höhere Effizienz der Maßnahme sorgen.
Data Mining (DM) zählt, neben OLAP (Online Analytical Processing), zu den wichtigsten aktuellen Analysemethoden. Mit DM lassen sich automatisiert -ohne Benutzerinteraktion- Muster in Daten z.B. durch statistische Verfahren oder künstliche neuronale Netze erkennen. Viele Projekte scheitern, da die durch DM gewonnenen Ergebnisse von den Unternehmen nicht ausreichend oder gar falsch genutzt werden. Ausschlaggebend ist häufig die mangelnde Vorbereitung auf die Nutzung der Ergebnisse bzw. ein nicht ausreichender Reifegrad bzgl. Dialogmarketing und Profiling. Diese Hypothese ist eine der Grundlagen dieser Arbeit. Der Schwerpunkt wird dabei auf die Marketingkommunikation im B2B- und B2C-Bereich gelegt.
Im theoretischen Teil wird beschrieben was DM darstellt und wo es einzuordnen ist. Die verschiedenen Methoden bzw. Instrumente werden kurz betrachtet und klassifiziert. Um verschiedene Arbeitshypothesen zu bewerten, wird im empirischen Teil der Arbeit mittels einer Befragung das Bewusstsein von Unternehmen bzgl. verschiedener Faktoren untersucht. Innerhalb der Umfrageergebnisse werden die Faktoren identifiziert, die den Erfolg von Data Mining positiv beeinflussen.
Ebenso wird das Reifegradmodell der CPC The Profiling Company GmbH vorgestellt und herausgearbeitet, welche DM-Techniken bei welchem Reifegrad Anwendung finden sollten. Dabei werden jeweils die vier Dimensionen Daten, Prozesse, Systeme und Organisation des Modells einbezogen. Anhand von Beispielen wird gezeigt, was mit den erzielten Ergebnissen im Einzelfall erreicht werden kann und wie bzw. in welchen Formen sie in den Kommunikationsprozess integrierbar sind.
Inhaltsverzeichnis
1 Hinführung zum Thema
1.1 Wissensentdeckung als Erfolgsfaktor
1.2 Definition zentraler Begriffe
1.3 Ziel und Gang der Untersuchung
2 Data Mining in der Praxis
2.1 Überblick
2.2 Operationen des Data Mining
2.2.1 Beschreibungsprobleme
2.2.2 Vorhersageprobleme
2.3 Ausgewählte Techniken des Data Mining
2.3.1 Künstliche Neuronale Netze
2.3.2 K-Nächste-Nachbarn
2.3.3 Entscheidungsbäume
2.3.4 Visualisierung
2.4 Ausgewählte Anwendungsbereiche im CRM
2.4.1 Kundensegmentierung
2.4.2 Zielgruppenselektion
2.4.3 Warenkorbanalyse
3 Erfolgsfaktoren des Data Mining
3.1 Herleitung erfolgskritischer Faktoren
3.1.1 Systematisierung der Erfolgsfaktoren
3.1.2 Kritische Erfolgsfaktoren von Data-Mining-Projekten
3.1.2.1 Mental-kulturelle Faktoren
3.1.2.2 Organisatorische Faktoren
3.1.2.3 Informationstechnische Faktoren
3.1.2.4 Externe Ressourcen
3.2 Durchführung der Umfrage
3.3 Ergebnisse der Umfrage
3.4 Interpretation der Ergebnisse
4 Reflektion am Reifegradmodell
4.1 Reifegradstufen des Modells
4.1.1 Massenkommunikation
4.1.2 Direktwerbung
4.1.3 Direktmarketing
4.1.4 Dialogmarketing
4.1.5 Profiling
4.2 Dimensionen des Reifegradmodells
4.2.1 Daten
4.2.2 Prozesse
4.2.3 Systeme
4.2.4 Organisation
4.3 Reflektion der Studienergebnisse
4.3.1 Gegliedert nach Dimensionen
4.3.2 Harmonische Gesamtsicht
4.4 Integration in den Kommunikationsprozeß
5 Zusammenfassung und Ausblick
I Empirische Studie
I.1 Weitere Umfrageergebnisse
I.2 Analyseergebnisse zur Umfrage
I.3 Fragebogen
II Begriffsabgrenzungen
II.1 Informationsbegriff
II.2 Datenhaltung
Zielsetzung und thematische Schwerpunkte
Ziel der Arbeit ist es, erfolgskritische Faktoren für die Implementierung und den operativen Betrieb von Data-Mining-Projekten in Unternehmen zu identifizieren und zu kategorisieren. Basierend auf einer theoretischen Fundierung der Data-Mining-Methoden und einer empirischen Analyse werden Faktoren herausgearbeitet, die einen problemlosen Übergang von der Projektphase in den operativen Status ermöglichen sollen.
- Grundlagen von Data Mining und Knowledge Discovery in Databases (KDD)
- Methodische Vorgehensweisen und Anwendungsbereiche im Customer Relationship Management (CRM)
- Empirische Untersuchung der Erfolgsfaktoren (mentale, organisatorische, technische Aspekte)
- Reflektion der Studienergebnisse anhand eines Reifegradmodells
- Integration von Data Mining in den Kommunikationsprozess
Auszug aus dem Buch
2.3.1 Künstliche Neuronale Netze
Die ursprüngliche Intention der Künstlichen Neuronalen Netze (KNN) lag in der Simulation der Informationsverarbeitung im menschlichen Gehirn. Heute werden sie u.a. auch zur Prognose, Klassifikation und Clusterbildung eingesetzt.
Allgemein gesprochen identifiziert ein KNN mittels eigenständiger oder manueller Anpassung mathematischer Funktionen Muster in Trainingsdaten, die zur Klassifikation weiterer Daten genutzt werden können. Somit existiert beispielsweise die Möglichkeit, durch ein trainiertes Künstliches Neuronales Netz neue Kundenprofile vorher definierten Klassen zuordnen zu lassen.
Konkret besteht ein KNN aus einer Menge miteinander verbundener Verarbeitungseinheiten. Diese verknüpfen Eingabedaten der Inputschicht innerhalb des Netzes mittels mathematischer Funktionen und leiten das Ergebnis an nachfolgende Einheiten weiter. Die Informationen in der Outputschicht stellen das Ergebnis der Verarbeitungsprozesse dar. Dabei ist eine Stärke dieser Technik das hochparallele Verarbeiten der Eingabedaten, welches durch das Verknüpfen der Verarbeitungseinheiten und ihrer Funktionen ermöglicht wird. Dadurch können sehr komplexe, nicht-lineare Abhängigkeiten (Muster) in den Eingabeinformationen identifiziert und abgebildet werden.
Zusammenfassung der Kapitel
1 Hinführung zum Thema: Dieses Kapitel führt in die Thematik der Wissensentdeckung in Datenbanken ein und definiert den Rahmen sowie die Zielsetzung der Arbeit.
2 Data Mining in der Praxis: Hier werden die methodischen Grundlagen des Data Mining, die wichtigsten Operationen sowie ausgewählte Techniken und Anwendungsbereiche im CRM-Kontext erläutert.
3 Erfolgsfaktoren des Data Mining: Dieses zentrale Kapitel herleitet und systematisiert kritische Erfolgsfaktoren für Data-Mining-Projekte und präsentiert die Ergebnisse der empirischen Umfrage sowie deren Interpretation.
4 Reflektion am Reifegradmodell: Die gewonnenen Erkenntnisse werden hier an einem spezifischen Reifegradmodell reflektiert und in den Kommunikationsprozess integriert.
5 Zusammenfassung und Ausblick: Das Kapitel fasst die wesentlichen Erkenntnisse der Arbeit zusammen und gibt einen Ausblick auf die zukünftige Relevanz von Data-Mining-Techniken.
Schlüsselwörter
Data Mining, Knowledge Discovery in Databases, KDD, Customer Relationship Management, CRM, Erfolgsfaktoren, Reifegradmodell, Empirische Studie, Datenqualität, Kundensegmentierung, Algorithmen, Business Intelligence, Datenmanagement, Prozessintegration, Marketingkommunikation.
Häufig gestellte Fragen
Worum geht es grundsätzlich in dieser Diplomarbeit?
Die Arbeit untersucht die kritischen Erfolgsfaktoren bei der Implementierung und dem operativen Einsatz von Data-Mining-Projekten, insbesondere im Kontext von Marketing und Customer Relationship Management.
Was sind die zentralen Themenfelder der Studie?
Die zentralen Felder umfassen die theoretischen Grundlagen der Data-Mining-Techniken, die Analyse organisationaler Voraussetzungen und die praktische Überprüfung dieser Faktoren durch eine empirische Befragung von Unternehmen.
Was ist das primäre Ziel der Untersuchung?
Das Ziel besteht darin, jene Faktoren aufzudecken, die ein erfolgreiches Einführen von Data Mining begünstigen und einen reibungslosen Übergang vom Projektstatus in den operativen Betrieb in Unternehmen fördern.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit kombiniert eine Literaturanalyse zur theoretischen Fundierung mit einer empirischen Online-Umfrage unter Unternehmen, deren Ergebnisse mittels statistischer Korrelationsanalysen ausgewertet werden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine detaillierte Darstellung der Data-Mining-Praxis, eine Herleitung von Erfolgsfaktoren (mental-kulturell, organisatorisch, technisch) und eine abschließende Reflektion der Ergebnisse anhand eines praxisnahen Reifegradmodells.
Durch welche Schlüsselwörter lässt sich die Arbeit charakterisieren?
Die wichtigsten Schlagworte sind Data Mining, CRM, Erfolgsfaktoren, Reifegradmodell, empirische Studie und Datenqualität.
Wie unterscheidet sich der Ansatz des Data Mining vom OLAP laut der Arbeit?
Während OLAP ein interaktives Werkzeug zur Verifikation von Hypothesen durch den Benutzer darstellt, zielt Data Mining darauf ab, automatisch Muster und Hypothesen in großen Datenbeständen zu generieren.
Welche Rolle spielt das Management in diesem Kontext?
Das Commitment des Managements ist entscheidend, da es nicht nur Budgetfragen beeinflusst, sondern auch die für das Projekt notwendige Aufmerksamkeit und die strategische Einbettung in die Unternehmenskultur sicherstellt.
- Quote paper
- Dipl. Wirt.-Inform. (FH) Timo Wlecke (Author), 2006, Erfolgsfaktoren des Data Mining - Eine theoretisch und empirisch fundierte Studie, Munich, GRIN Verlag, https://www.grin.com/document/61387
