Gezielte CRM Strategien zur Bestandskundenausschöpfung, Loyalisierung sowie Neukundengewinning im Marketing bedienen sich heutzutage etablierten Methoden des Data Mining bzw Knowledge Discovery in Databases.
Der Autor beschreibt anhand von praktischen Beispielen der Banken- sowie Versicherungsbranche die Möglichkeiten und Einsatzszenarien. Anschaulich werden die Stärken sowie Limitationen von Verfahren beschrieben. Es wird mit dem Irrglauben aufgeräumt, man brauche einfach nur Datenmengen automatisch durch Analysemethoden durchlaufen zu lassen. Notwendige Vorüberlegungen betreffen die Formulierung des Business Problems sowie die adäquate Aufbereitung der Daten.
Es wird zudem das breite Spektrum der unterschiedlichen Methodenansätze zu gerichteten bzw ungerichteten Verfahren vorgestellt und die Algorithmen erläutert.
Eine ausgewogene Mischung aus konzeptionellen Betrachtungen mit praktischem Bezug geben dem Leser einen breiten Überblick mit genug Detailwissen.
Inhaltsverzeichnis
1. Einleitung
1.1. Motivation
1.2. Aufbau der Arbeit
2. Kundenorientierte Marketingbestrebungen
2.1. Kundenpotential
2.2. Kundensegmentierung
2.3. Direct Marketing
2.4. Database Marketing
3. Der Bankenbereich
3.1. Unternehmen
3.2. Das Bankgeschäft
3.3. Bankleistung
3.4. Bankmarketing
3.4.1. Qualitätspolitik
3.4.2. Preispolitik
3.4.2.1. Kreditgeschäft
3.4.2.2. Zahlungsverkehr
3.4.3. Vertriebspolitik
3.4.4. Kommunikationspolitik
3.5. Mögliche Einsatzfelder des Data Mining
4. Knowledge Discovery in Databases (KDD)
4.1. Begriffsdefinition
4.2. Der KDD-Prozeß
4.3. Data Mining
4.3.1. Einordnung des Begriffs
4.3.2. Aufgaben des Data Mining
4.3.3. Auslöser der Entwicklung
4.3.4. Probleme im Vorfeld
4.3.4.1. Datenproblematik
4.3.4.2. Verfahrensproblematik
5. Datengrundlagen
5.1. Informationsniveau
5.1.1. Betrachtung einzelner Merkmale
5.1.2. Betrachtung gemischter Merkmale
5.2. Datencharakteristika
5.2.1. eindimensionale Auswertung
5.2.1.1. Deskriptive Statistik
5.2.1.2. Lageparameter
5.2.1.3. Streuungsparameter
5.2.1.4. Induktive Statistik
5.2.2. Zweidimensionale Auswertung
5.3. Weiterführende Datenbearbeitung
5.3.1. Transformation
5.3.2. Skalierung qualitativer Daten
6. Verfahren
6.1. Modellbildung
6.1.1. Modellformulierung
6.1.2. Modellentstehung
6.1.3. Modellevaluierung
6.1.4. Modellanwendung
6.2. Einteilung in Verfahrensgruppen
6.2.1. Gerichtete Verfahren
6.2.1.1. Darstellung der verschiedenen Verfahrenstypen
6.2.1.2. Vorgehensweise der Verfahren
6.2.1.3. Verfahrensvergleich
6.2.2. Ungerichtete Verfahren
6.2.2.1. kombiniert ungerichtet-gerichtetes Vorgehen
6.3. Statistik
6.3.1. Korrelationsanalyse
6.3.1.1. Kontingenzanalyse
6.3.1.2. Pearsonsche Korrelationsanalyse
6.3.1.3. Multiple Korrelation
6.3.1.4. Kanonische Korrelation
6.3.1.5. Chi-Quadrat-Unabhängigkeitstest
6.3.2. Regression
6.3.2.1. Kategoriale Regression
6.3.2.2. Multikollinearität
6.3.3. Varianzanalyse
6.4. Numerische Taxonomie
6.4.1. Clusteranalyse
6.4.1.1. Unterscheidung der verschiedenen Verfahren
6.4.1.2. Agglomerative Methoden
6.4.1.3. Partionierende Methoden
6.4.1.4. Unscharfe Verfahren
6.4.1.5. Konzeptionelles Clustern
6.4.2. K-Nächste-Nachbarn
6.4.3. Diskriminanzanalyse
6.5. Entscheidungsbäume
6.5.1. Charakteristika und Ablaufschema
6.5.2. AID
6.5.3. CART
6.5.3.1. Modellgüte
6.5.3.2. Modellerstellung
6.5.3.3. Kostenbetrachtung
6.5.3.4. Pruning
6.5.4. CHAID
6.5.5. FAID
6.5.6. C4.5
6.5.6.1. Der ID3-Algorithmus
6.5.6.2. Erweiterungen zum C4.5-Algorithmus
6.6. Neuronale Netze
6.6.1. Einsatzfeld
6.6.2. Überblick über Aufbau und Funktionsweise
6.6.3. Entstehung und Entwicklung
6.6.4. Multi-Layer Perceptron mit Backpropagation
6.6.4.1. MLP-Topologie
6.6.4.2. Backpropagation-Lernregel
6.6.4.3. Genetischer Algorithmus
6.6.5. Radiale Basisfunktionen
6.7. Vektorquantifizierung
6.7.1. Kohonen-SOM
6.7.1.1. Gerichtete SOM
6.7.1.2. Fuzzy-SOM
6.7.2. Lernende Vektorquantifizierung
6.7.2.1. Erweiterte LVQ
7. Beschriebene Anwendungsfälle in der Literatur
7.1. Anwendung von Verfahren
7.1.1. Kundensegmentierung unter Nutzung externer Daten
7.1.2. Kundensegmentierung anhand Fuzzy-Datenanalysen
7.1.3. Marktsegmentierung bei Privatkunden auf der Basis von Einstellungen
7.1.3.1. Gerichtetes Erlernen von Kundenbedürfnissen
7.2. Vergleiche von Verfahren
7.2.1. STATLOG-Studie
7.2.2. Studie von Curram/ Mingers
7.2.3. Vergleiche von Berry/ Linoff
8. Anwendungsbeispiele
8.1. Bank
8.1.1. Die Datenbasis
8.1.2. Selektion
8.1.3. Preprocessing
8.1.4. Data Mining Schritt
8.1.4.1. Diskriminanzanalyse
8.1.4.2. CHAID
8.1.4.3. CART
8.1.4.4. Quest
8.1.4.5. Neuronales Netz
8.1.5. Interpretation
8.1.6. Kohonen-Netz
8.2. Versicherung
8.2.1. Die Datenbasis
8.2.2. Stornoanalyse
8.2.2.1. Bivariate Deskriptive Statistik
8.2.2.2. Diskriminanzanalyse
8.2.2.3. CHAID
8.2.2.4. CART
8.2.2.5. Neuronales Netz
8.2.2.6. Interpretation
8.2.2.7. Kohonen-Netz
8.2.3. Cross Selling
8.3. Bausparen
8.3.1. Die Datenbasis
8.3.2. Selektion
8.3.3. Preprocessing
8.3.4. Data Mining Schritt
8.3.4.1. Bivariate deskriptive Statistik
8.3.4.2. CHAID
8.3.4.3. Diskriminanzanalyse
8.3.4.4. Neuronales Netz
8.3.5. Interpretation
9. Darstellung der verwendeten Software
9.1. Statistik
9.1.1. SPSS
9.2. Entscheidungsbäume
9.2.1. CHAID
9.2.2. AnswerTree
9.2.3. Scenario
9.3. Neuronale Netze
9.3.1. SENN
9.3.2. SphinxVision
10. Kritische Würdigung
Zielsetzung und Forschungsgegenstand
Die vorliegende Arbeit untersucht die Anwendungsfelder und die Leistungsfähigkeit verschiedener Data-Mining-Verfahren im Bereich Financial Services (Banken und Versicherungen), um durch eine fundierte Datenanalyse Kundenpotentiale besser auszuschöpfen und Marketingmaßnahmen effizienter zu gestalten.
- Methodische Einordnung von Data Mining im Kontext des Knowledge Discovery in Databases (KDD).
- Detaillierte Analyse und Vergleich verschiedener statistischer, regelbasierter und musterbasierter Algorithmen.
- Untersuchung der spezifischen Anforderungen an die Datenqualität und Vorverarbeitung im Finanzsektor.
- Anwendung der Verfahren an konkreten Beispielen zur Stornoanalyse und Segmentierung im Banken- und Versicherungsbereich.
- Bewertung der Leistungsfähigkeit gängiger Softwareprodukte für Data-Mining-Aufgaben.
Auszug aus dem Buch
Die Branche der Banken und Versicherungen
Die Branche der Banken und Versicherungen, die in Europa als eine der wenigen Wirtschaftszweige von kontinuierlichem Wachstum und steigenden Gewinnen geprägt war, befindet sich momentan in einem strukturellen Anpassungsprozeß. Dieser spiegelt sich in Unternehmensübernahmen bzw. -fusionen oder Konzentrationsbestrebungen wieder. Die einhergehenden Rationalisierungen haben das Ziel, die Erfolgsquoten zu erhöhen und Kosten zu senken. Sie müssen unter anderem auf der Marketingseite durch eine bessere Nutzung der vorhandenen und Erschließung neuer Kundenpotentiale erreicht werden. Der Schlüssel dazu bieten neue Informationstechnologien und Methoden wie das Data Mining.
Der Begriff des Data Mining ist erst in den 90er Jahren entstanden. Unter diesem Titel werden gemeinsam Verfahren diskutiert und verglichen, die jedoch schon seit langem in unterschiedlichen Wissenschaftsbereichen existieren. Dazu gehören die drei Gebiete Statistik, Maschinelles Lernen und Datenbanktechnologien. Die Zusammenführung unter einer zentralen Bezeichnung erleichtert die Entstehung einheitlicher Begriffsbestimmungen und Vorgehensweisen. Durch situationsspezifische Selektion wird somit eine adäquate Behandlung der diversen Aufgabenstellungen ermöglicht. Als Alternative des Schlagwortes Data Mining verwendet man auch die Begriffe Datenanalyse oder Datenmustererkennung.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung stellt die Motivation dar, Data Mining als Methode zur Erschließung von Kundenpotentialen in der Finanzbranche einzusetzen, und skizziert den Aufbau der gesamten Arbeit.
2. Kundenorientierte Marketingbestrebungen: Hier werden die theoretischen Konzepte wie Kundenpotential, Kundensegmentierung und Database Marketing als zentrale Anwendungsfelder für Data Mining erörtert.
3. Der Bankenbereich: Dieses Kapitel beschreibt die Strukturen der deutschen Bankenlandschaft und identifiziert typische Problemstellungen sowie Einsatzgebiete für Data Mining innerhalb des Bankgeschäfts.
4. Knowledge Discovery in Databases (KDD): Hier werden der Begriff Data Mining sowie der gesamte KDD-Prozeß (Selektion, Preprocessing, Transformation, Data Mining, Interpretation) fundiert hergeleitet.
5. Datengrundlagen: Dieses Kapitel widmet sich der Bedeutung der Datenqualität, der Skalierung von Merkmalen und der statistischen Datencharakterisierung als essenzielle Basis für jede Analyse.
6. Verfahren: Dies ist das Kernkapitel der Arbeit, welches systematisch verschiedene Lernverfahren (Statistik, Entscheidungsbäume, Neuronale Netze) vorstellt, kategorisiert und in ihrer Vorgehensweise vergleicht.
7. Beschriebene Anwendungsfälle in der Literatur: Hier erfolgt eine kritische Aufarbeitung existierender Studien und Literaturquellen, um Stärken und Schwächen der verschiedenen Ansätze in der Praxis zu beleuchten.
8. Anwendungsbeispiele: Dieses Kapitel präsentiert die eigenen praktischen Analysen des Autors in den Bereichen Bank, Versicherung und Bausparen, inklusive der Auswertung mit unterschiedlichen Algorithmen.
9. Darstellung der verwendeten Software: Hier findet eine Bewertung der eingesetzten Softwareprodukte anhand von Kriterien wie Performance, Methodenvielfalt und Benutzerfreundlichkeit statt.
10. Kritische Würdigung: Das abschließende Kapitel fasst die Ergebnisse zusammen, diskutiert Grenzen der Methoden und gibt einen Ausblick auf die Bedeutung der Datenqualität.
Schlüsselwörter
Data Mining, Finanzdienstleistungen, Kundensegmentierung, Knowledge Discovery in Databases, Bankmarketing, Entscheidungsbäume, Neuronale Netze, Stornoanalyse, Kundenpotential, Statistik, Maschinelles Lernen, Database Marketing, Modellbildung, Cross Selling, Datenanalyse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie Data-Mining-Verfahren eingesetzt werden können, um Kundenpotentiale bei Finanzdienstleistern (Banken und Versicherungen) besser zu identifizieren und zu nutzen.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind das Bankmarketing, die theoretischen Grundlagen des Data Mining und des Maschinellen Lernens sowie die praktische Anwendung dieser Verfahren zur Kundensegmentierung.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, dem Leser einen Überblick über gängige Data-Mining-Methoden zu verschaffen, ihre Anwendbarkeit im Finanzsektor zu demonstrieren und eine Entscheidungshilfe für deren Einsatz zu bieten.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit kombiniert eine theoretische Fundierung des Knowledge Discovery in Databases (KDD) mit einem umfassenden Verfahrensvergleich sowie eigenen praktischen Anwendungsbeispielen an echten Bank- und Versicherungsdaten.
Was wird im Hauptteil behandelt?
Der Hauptteil umfasst eine tiefgehende methodische Beschreibung von statistischen Verfahren, Entscheidungsbäumen und Neuronalen Netzen sowie die kritische Aufarbeitung existierender Literatur.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Data Mining, Finanzdienstleistungen, Kundensegmentierung, Stornoanalyse, Entscheidungsbäume und Neuronale Netze.
Wie wichtig ist die Datenqualität für die Ergebnisse?
Der Autor betont, dass die Datenqualität (Vollständigkeit, Aktualität) entscheidend ist, da selbst modernste Algorithmen bei schlechter Datenbasis keine verwertbaren oder korrekten Ergebnisse liefern können.
Welche Software wird für die Analysen herangezogen?
Für die Untersuchung wurden verschiedene spezialisierte Softwareprodukte verwendet, darunter SPSS, AnswerTree, Scenario, SENN und SphinxVision, deren Leistungsumfang detailliert bewertet wird.
- Quote paper
- Hans-Peter Neeb (Author), 1999, Einsatzmöglichkeiten von ausgewählten DATA MINING VERFAHREN im Bereich Financial Services, Munich, GRIN Verlag, https://www.grin.com/document/6924
