In dieser Arbeit werden Kundendaten betrachtet. Das Wissen, welches durch die Verarbeitung der Kundendaten generiert wird, liefert eine Grundlage für viele Marketing-Entscheidungen.
Für die Analyse dieser Daten eignet sich unter anderem die Software KNIME. In diesem Zusammenhang wird in den nachfolgenden Kapiteln die Kundenanalyse mit KNIME vorgenommen und aufgezeigt. Als Rahmen für die Kundenanalyse soll die Kundenbewertung aus der Anbieterperspektive gewählt werden. Die Kundendaten werden mit Hilfe grundlegender Bewertungsverfahren in einen Prozess der Wissensgenerierung integriert und in die Analyse-Umgebung KNIME implementiert. Die Anwendung von KNIME bezogen auf die Kundenanalyse mit den Kundenbewertungsverfahren wird evaluiert. Die Voraussetzungen, unter welchen diese Verfahren in KNIME implementierbar sind, werden aufgezeigt.
Es wird verdeutlicht, wie Kundendaten basierend auf den Bewertungsverfahren so analysiert werden können, dass eine übersichtliche Unterteilung der Kunden nach ihrer Attraktivität erfolgen kann. Die Implementierung selbst sowie die Evaluation der Handhabe der Kundenanalyse mit KNIME werden aus der objektiven Perspektive des Verfassers der Arbeit vorgenommen und begründet dargestellt. Als Aussicht für das Weiterverfolgen des Betrachtungsgegenstandes der durch KNIME unterstützter Kundenanalyse, wird darauf eingegangen, ob im Rahmen anderer wissenschaftlicher Arbeiten Möglichkeiten zur Problembewältigung der Mängel der Implementierung aufgezeigt werden können.
Inhaltsverzeichnis
1. Einleitung
2. Kundenanalyse Allgemein
2.1 Kundenanalyse und Kundenwert
2.2 Ziele der Kundenbewertung
2.3 Möglichkeiten der Kundenbewertung
3. Data Mining und Kundenanalyse
3.1 Bedeutung von Data Mining und KDD
3.2 Data Mining - Methoden
4. KNIME
4.1 KNIME-Benutzeroberfläche
4.2 KNIME-Nodes
5. Möglichkeiten von KNIME im Bereich der Kundenbewertung
5.1 Kunden-Deckungsbeitrags-Rechnung
5.2 ABC-Umsatz-Analyse
5.3 Das RFM-Verfahren I
5.4 Das RFM-Verfahren II
5.5 Sonstige Bewertungsverfahren
6. Fazit
Zielsetzung & Themen
Diese Arbeit untersucht die praktische Anwendbarkeit der Open-Source-Software KNIME zur Durchführung systematischer Kundenanalysen und -bewertungen. Dabei steht die Forschungsfrage im Mittelpunkt, wie verschiedene wissenschaftliche Bewertungsmodelle innerhalb des CRISP-DM-Prozessrahmens mittels KNIME implementiert und zur Identifikation attraktiver Kundengruppen genutzt werden können.
- Grundlagen der systematischen Kundenbewertung und Kundenwertbestimmung
- Einführung in den KDD-Prozess und Data Mining Methoden
- Detaillierte Analyse der KNIME-Plattform und ihrer Workflow-Struktur
- Praktische Implementierung von Kunden-Deckungsbeitragsrechnungen und ABC-Analysen
- Anwendung prädiktiver RFM-Verfahren und Portfolio-Modelle zur Kundensegmentierung
Auszug aus dem Buch
3.2 Data Mining - Methoden
Die Methoden von Data Mining lassen sich generell in drei Kategorien untergliedern: „[...] Klassifikation und Prognose“, „Segmentierung“, sowie „Abhängigkeitsentdeckung[...]“. Diese drei Kategorien sind in der Abbildung 5 dargestellt. Die einzelnen Kategorien umfassen unterschiedliche Analyseverfahren, auf welche im Weiteren kurz eingegangen wird.
Klassifikation und Prognose: Das Verfahren Klassifikation prognostiziert die Zuordnung eines Objektes einer vordefinierten Klasse zu. Wenn es beispielsweise um die Kreditwürdigkeit eines Kunden geht, werden die Objekte herangezogen, die einen Einfluss auf die Kreditwürdigkeit eines Kunden haben. Als Klassen könnten in diesem Zusammenhang „ja, kreditwürdig“ und „nein, nicht kreditwürdig“ definiert werden. Das Verfahren Regression ist dem der Klassifikation ähnlich, außer, dass die Klassen von arithmetischer Natur sind. Das Verfahren Entscheidungsbaum ermöglicht eine Graphische Darstellung der Ergebnisse. Diese Darstellung erfolgt durch eine stufenweise Zuordnung eines Anfangsattributes (Wurzel) durch seine Ausprägungen zu anderen Attributen, durch die Ausprägungen welcher entweder zu weiteren oder zu bestimmten Endknoten geführt wird. Bei dem Verfahren Künstliche Neuronale Netzwerke werden Informationen, die aus [...]Schichten miteinander verbundener Neuronen[...] bestehen, verarbeitet. Es erfolgt eine schichtweise Weitergabe von Signalen ausgehend von der Eingabeschicht bis hin zur Ausgabeschicht. Künstliche Neuronale Netzwerke sind zudem ein Teilbereich des maschinellen Lernens, der wiederum ein Bereich der künstlichen Intelligenz ist. Maschinelles Lernen stellt Werkzeuge zum selbstständigen Wissensaufbau und Wissenserweiterung den Datenverarbeitungssystemen zur Verfügung.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung erläutert die steigende Bedeutung von Kundendaten als wertvoller Rohstoff und führt in die Zielsetzung ein, diese Daten mithilfe von KNIME systematisch für Marketing-Entscheidungen zu analysieren.
2. Kundenanalyse Allgemein: Dieses Kapitel definiert den Begriff der Kundenanalyse und des Kundenwerts aus Unternehmenssicht und erläutert die Notwendigkeit von Kundenbewertungsmodellen zur Ressourcenallokation.
3. Data Mining und Kundenanalyse: Hier werden die theoretischen Grundlagen des Knowledge Discovery in Databases (KDD) Prozesses sowie verschiedene Data-Mining-Kategorien wie Klassifikation und Segmentierung vorgestellt.
4. KNIME: Dieses Kapitel stellt die Software KNIME als visuelle Data-Mining-Umgebung vor und beschreibt die Benutzeroberfläche sowie die funktionalen Rollen der verschiedenen Module (Nodes).
5. Möglichkeiten von KNIME im Bereich der Kundenbewertung: Der Hauptteil demonstriert die praktische Implementierung verschiedener Verfahren wie Deckungsbeitragsrechnung, ABC-Analyse und RFM-Methoden in KNIME anhand konkreter Workflow-Beispiele.
6. Fazit: Das Fazit bewertet KNIME als äußerst geeignetes Werkzeug für die Kundenanalyse, sofern die Komplexität der Modelle die mathematischen Standardwerkzeuge übersteigt und die Integration externer R-Skripte erforderlich wird.
Schlüsselwörter
Kundenanalyse, Kundenbewertung, KNIME, Data Mining, KDD, CRISP-DM, Kundenwert, Deckungsbeitragsrechnung, ABC-Analyse, RFM-Verfahren, Customer-Lifetime-Value, Segmentierung, Portfolio-Analyse, Marketing-Entscheidungen, Kundendaten.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie Unternehmen Kundendaten systematisch auswerten können, um den Wert einzelner Kunden zu bestimmen und Marketingentscheidungen datenbasiert zu optimieren.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen die betriebswirtschaftliche Kundenbewertung, Data-Mining-Theorie sowie die technische praktische Umsetzung mittels der Software KNIME.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, verschiedene wissenschaftliche Kundenbewertungsverfahren in der Software KNIME abzubilden und deren Anwendungsmöglichkeiten sowie Implementierungshürden zu evaluieren.
Welche wissenschaftliche Methode wird verwendet?
Die Autorin nutzt den CRISP-DM-Standardprozess als Rahmen, um verschiedene mathematische und statistische Segmentierungsverfahren in KNIME-Workflows zu übertragen.
Was wird im Hauptteil behandelt?
Der Hauptteil widmet sich der konkreten technischen Umsetzung von Modellen wie der Kunden-Deckungsbeitragsrechnung, der ABC-Umsatzanalyse und verschiedenen Varianten des RFM-Verfahrens.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Begriffe sind KNIME, Kundenbewertung, Data Mining, RFM-Verfahren und Customer-Lifetime-Value.
Wie unterscheidet sich KNIME von Standard-Tabellenkalkulationen?
Im Gegensatz zu Tabellenkalkulationen ermöglicht KNIME die visuelle Modellierung komplexer, wiederholbarer Datenprozesse (Workflows) und die einfache Integration fortgeschrittener statistischer Methoden.
Ist KNIME auch für komplexe Customer-Lifetime-Value Berechnungen geeignet?
Ja, laut der Arbeit ist dies möglich, stellt jedoch aufgrund der benötigten individuellen Datenstrukturen und der hohen Modellkomplexität eine der schwierigsten Implementierungen in KNIME dar.
Welche Rolle spielt die Programmiersprache R in dieser Arbeit?
R wird genutzt, um spezifische mathematische Anforderungen oder komplexe Berechnungen innerhalb von KNIME durchzuführen, für die es keine nativen Standard-Nodes gibt.
Für wen ist die in der Arbeit beschriebene Vorgehensweise relevant?
Die Arbeit richtet sich an Wirtschaftsanalysten und Marketingfachleute, die den Übergang von manuellen Excel-Analysen zu automatisierten, skalierbaren Data-Mining-Prozessen vollziehen möchten.
- Quote paper
- Natalia Vasileva (Author), 2017, Die Kundenanalyse mit der Konstanz Information Miner, Munich, GRIN Verlag, https://www.grin.com/document/910076
