Kundenprofile durch Data-Mining Auswertungen von Log-Files

Inhaltsverzeichnis

Abkürzungsverzeichnis

1 Kundenindividuelles Marketing und die Konsequenzen für die Auswertung von Kundendaten

2 Auswertung von Kundendaten durch Data-Mining-Verfahren
2.1 Wissenschaftliche Einordnung des Data-Mining-Verfahrens
2.2 Data-Mining-Prozessablauf
2.3 Methoden im Data-Mining-Prozess

3 Data-Mining-Auswertungen von Log-Files
3.1 Datengrundlagen zur Ableitung von Kundenprofilen
3.2 Potenzial von Log-Files zur Generierung von Kundenprofilen

4 Zusammenfassung und Fazit

Literaturverzeichnis

ABKÜRZUNGSVERZEICHNIS

Abbildung in dieser Leseprobe nicht enthalten

1 Kundenindividuelles Marketing und die Konsequenzen für die Auswertung von Kundendaten

Im Konzept des Massenmarketing, bei dem nicht der einzelne Kunde, sondern anonyme Märkte im Fokus stehen, wird darauf abgezielt, weitgehend standardisierte und in hoher Stückzahl hergestellte Produkte über Massenmedien zu vermarkten und an möglichst viele Kunden zu verkaufen.¹ Der zunehmende Wettbewerb zwingt die Unternehmen dazu, neue Konzepte des Marketing zur Generierung von Wettbewerbsvorteilen zu ent- wickeln. Aus diesem Grund besteht der Trend zu einem Konzept des Individual Marke- ting. Darunter ist im Extremfall zu verstehen, dass jedem Kunden, zu dem für ihn opti- malen Zeitpunkt und mit den auf seine individuellen Verhältnisse zugeschnittenen Ar- gumenten, ein maßgeschneidertes Leistungsangebot gemacht wird.² Vom Konzept des Massenmarketing zum Konzept des Individual Marketing existieren im Prinzip zwei verschiedene Wege. Zum einen über maßgeschneiderte Produkte auf der Produkt- bzw. Leistungsebene zu einem Customized Marketing und zum anderen über die Intensivie- rung der Kundenbeziehung hin zu einem Relationship Marketing (vgl. Abb.1).³

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Der Weg vom Massen-Marketing zum Individual Marketing ⁴

Beide Wege haben zur Folge, dass der Bedarf an spezifischen Kundeninformationen steigt. Im Leistungserstellungsprozess nimmt dieser Bedarf zu, da als Grundlage einer Konzeption maßgeschneiderter Produkte im Konzept des Customized Marketing zunächst kundenindividuelle Informationen vorhanden sein müssen. Ebenso dienen diese kundenindividuellen Informationen als Grundlage zur verstärkten interaktiven Kundenansprache (z.B. mittels Direktwerbung) und gewinnen auch im Konzept des Relationship Marketing an Bedeutung.

Die Idee des Individual Marketing ist nicht neu, denn vor der Zeit des Massenmarketing stellte dieses Konzept den Standard dar (z.B. Tante-Emma-Laden, Schreiner oder Schuster).⁵ Jedoch resultiert aus der Übertragung des Konzeptes auf die heutige Zeit der Unterschied, dass nicht mehr einige wenige Personen interagieren, sondern einige Tausende oder gar Millionen.⁶ Außerdem wächst der Umfang verfügbarer Daten pro Kunden stark an, da z.B. Kundenbindungssysteme oder Internetservices die kundenin- dividuelle Datensammlung, neben den ohnehin vorhandenen Daten aus der Kunden- verwaltung, fördern. Daraus ergibt sich der Bedarf für die Unternehmen, große Daten- bestände auf wichtige Informationen hin zu analysieren und die Ergebnisse für sich nutzbar zu machen. Zur Auswertung dieser Datenbestände können sog. Data-Mining- Verfahren herangezogen werden.

2 Auswertung von Kundendaten durch Data-Mining-Verfahren

2.1 Wissenschaftliche Einordnung des Data-Mining-Verfahrens

Database Marketing bildet den Oberbegriff für ein gezielt auf den Kunden ausgerich- tetes Marketing auf der Basis kundenindividueller Informationen aus einer Datenbank.⁷ Einen elementaren Bestandteil innerhalb des Database Marketing bildet die Fähigkeit, das für die verschiedensten marketingpolitischen Fragen in einer Datenbank vorhandene Wissen zu extrahieren und es zur Beantwortung dieser Fragen zu benutzen. Dazu wird das Verfahren Data-Mining (sog. Datenmustererkennung) bzw. Wissensentdeckung in Datenbanken (englisch: Knowledge Discovery in Databases) herangezogen, um eine Analyse und Prognose von bestimmten Verhaltensweisen und Trends durchzuführen. Das Verfahren stellt somit eine Disziplin mit Schnittstellen zu Statistik, Datenbank Technologie, Mustererkennung, maschinellem Lernen und anderen Bereichen dar.⁸

Data-Mining (im weiteren abgekürzt mit DM) beschreibt nicht nur eine Technik, son- dern beinhaltet vielmehr eine ganze Reihe von Methoden, mit denen versucht wird, aus großen Datenbanken entscheidungsrelevante Informationen zu extrahieren. Diese In- formationen galten bisher entweder als verborgen oder wurden für nicht analysierbar gehalten.⁹ Solche Technologien setzen sich aus statistischen Modellen und/oder Verfah- ren der künstlichen Intelligenz zusammen.¹⁰ Dabei ergänzt das DM die statistischen Verfahren um neuen Analysemethoden, die den Prozess der Datenanalyse beschleuni- gen und dadurch erleichtern sollen. Als Vorteil wird darüber hinaus erachtet, dass nicht mehr wie bisher durch die klassische Statistik die gesamte Datenbasis untersucht wer- den muss, sondern dass durch DM die Selektion und Identifikation von für weitere Analysen relevanten Daten vorgenommen werden kann.

DM beschreibt somit eine Vielzahl von Methoden (vgl. Kap.2.3), die je nach Frage- stellung einzeln oder in Kombination miteinander verwendet werden können. In der Literatur besteht weitestgehend Einigkeit darüber, dass man mittels DM nur von einem Managementproblem zu einer Lösung gelangt, wenn die Methoden der Wissensentdeckung in Datenbanken (im weiteren abgekürzt mit WED) als Prozess verstanden werden, welcher sich in einzelne iterativ zu durchlaufende Phasen gliedert.

Man grenzt dabei die Begriffe WED und DM geringfügig voneinander ab. WED meint in diesem Kontext den gesamten Prozess der Wissensentdeckung aus Daten anhand einer Problemstellung, während DM die eigentliche Prozedur der Datenanalyse mit Hilfe ausgewählter Methoden darstellt. So kann DM als Teilbereich der WED verstanden werden.¹¹ Im Folgenden werden jedoch die Begriffe DM und WED synonym verwendet, d.h. der Prozesscharakter steht im Vordergrund.

2.2 Data-Mining-Prozessablauf

Die Modellqualität eines DM-Prozesses hängt sehr stark von der Qualität der benutzten Daten und den sonstigen Umweltfaktoren ab (z.B. Änderungshäufigkeit der Daten im Zeitablauf). Zur Umsetzung einer DM-Lösung bedarf es der Interaktion der betriebli- chen Disziplinen. Es müssen sowohl Marketingmanager, DM-Spezialisten und EDV- Mitarbeiter (z.B. Datenbankadministratoren) als auch Mitarbeiter des Außendienstes, der Kundenbetreuung und des Controllings aktiv an der Konzeptionierung eines DM- Modells mitwirken. Es sind ferner grundsätzliche Fragen zu klären, wie z.B. die Frage, ob ein echter Bedarf für DM besteht, der den immensen Aufwand eines DM-Prozesses rechtfertigen würde.¹²

Die Abgrenzung der einzelnen Prozessschritte des DM bzw. WED wird in der Literatur unterschiedlich diskutiert. NAKHAEIZADEH, REINARTZ und WIRTH unterteilen den DMProzess in neun Phasen, während KRAHL, WINDHEUSER und ZICK sieben Phasen vorschlagen.¹³ DASTANI schlägt, ebenso wie PEACOCK, eine Segmentierung des DMProzesses in zehn Einzelschritte vor.¹⁴ Dadurch soll der komplexe Wissensentdeckungsprozess, in möglichst kleine Phasen unterteilt werden, die iterativ zur Vermeidung von Anwendungsfehlern durchlaufen werden können.

Aus Gründen des Umfangs der Arbeit wird exemplarisch der Prozess nach DASTANI vorgestellt. Die zehn Schritte im Einzelnen werden im Folgenden erörtert:¹⁵

1.) Zielformulierung

Zunächst ist das zu bewältigende Problem genau zu analysieren, wobei zu allgemeine Aussagen vermieden werden sollten (z.B. wir möchten mehr Umsatz machen). Zusätzlich sollten die Rahmenbedingungen geklärt werden, die die Ergebnisse des DMProzesses unbrauchbar machen könnten. So könnten z.B. finanzielle, organisatorische oder politische Gründe, bestimmte Implikationen der DM-Lösung einschränken. Danach sollte das eigentliche Ziel so detailliert wie möglich formuliert werden (hinsichtlich Erwartungen, Kosten, Zeit, etc.).

2.) Ziel-Operationalisierung

Hier geht es darum, das formulierte Ziel in ein DM-Ziel zu transformieren, um daran die Möglichkeiten einer DM-Analyse ausrichten zu können. Bspw. kann es für das Management eines Unternehmens ein Ziel sein, durch geeignete Maßnahmen zur Kundenbindung Kundenabwanderungen zu verhindern. Daraus lässt sich das operative Ziel ableiten, abwanderungsgefährdete Kunden zu erkennen. Im Kontext des DM ergibt sich daraus die Aufgabenstellung, ein Modell zu entwickeln, mit dem die zukünftige Abwanderungswahrscheinlichkeit prognostiziert werden kann.

3.) Daten-Audit

In diesem Schritt sind die vorliegenden Daten hinsichtlich ihres möglichen Beitrags zur Problemlösung zu beurteilen. Dabei ist hauptsächlich die Qualität der Daten ent- scheidend. Kriterien für die Datenqualität sind vor allem Vollständigkeit, Nachvollzieh- barkeit und Richtigkeit der Daten. Sofern die Daten im Unternehmen nicht in einer zentralen Datenbank vorliegen, kann sich das Daten-Audit als schwierig erweisen und es bedarf einem erheblich höheren Arbeitsaufwand als bei einem umgesetzten Datawarehouse-Konzept.

4.) Methodenwahl

Ausgehend von der Aufgabenstellung und den Erkenntnissen aus den Voruntersuchungen sind geeignete DM-Methoden zu wählen.¹⁶ Die Entscheidung über die Methodenwahl hängt von einigen Faktoren ab. Zunächst ist es wichtig, die Datenstruktur zu beachten und zu sehen, ob im konkreten Fall z.B. diskrete oder normalverteilte stetige Variablen vorliegen. Ebenso kann die Wahl der Methode von Erfahrungswerten oder persönlichen Präferenzen des DM-Spezialisten beeinflusst werden. Im Vordergrund sollte jedoch das Erreichen des Managementziels stehen und nicht die wissenschaftliche Exaktheit. Transparente und nachvollziehbare Lösungen stellen für die Akzeptanz der DM-Ergebnisse einen wesentlichen Erfolgsfaktor dar.

5.) Flatfile-Erstellung

Das Flatfile ist eine Datei, die ausschließlich die für bestimmte Fragestellung relevanten Daten enthält. Zu deren Erstellung sind häufig Aggregationsprozesse notwendig. Bspw. benötigt man i.d.R. nicht alle Kaufdaten der Kunden, sondern lediglich den Gesamtumsatz, die Zahl der gekauften Produkte oder durchschnittliche Kauffrequenzen.

6.) Datentransformation

Die in ein Flatfile aufgenommenen Ausgangsdaten müssen nun in eine Form gebracht werden, die von der gewählten DM-Methode bearbeitet werden kann. So können bestimmte Methoden nur diskrete Merkmale verarbeiten (z.B. CHAID bei der Erstellung von Entscheidungsbäumen). Andere können nur binär kodierte Merkmale verwenden (z.B. genetische Algorithmen) oder wiederum andere können stetige, binär kodierte, als auch diskrete Merkmale verarbeiten (z.B. Neuronale Netze).

7.) Entwicklung der DM-Lösung

Der nächste Schritt beinhaltet die Analyse der aus dem Flatfile extrahierten Daten mit Hilfe der ausgesuchten DM-Methode. Die Ergebnisse der Analyse sollten dann zunächst visualisiert und damit für den Endbenutzer (z.B. Marketingmanager oder Kunden- betreuer) praktikabler gemacht werden. Dabei müssen Lösungsansatz, Lösungsweg und das Ergebnis transparent und den Endbenutzern begreiflich gemacht werden. Die ei- gentliche Interpretation der Daten muss mit den Auftraggebern abgestimmt werden.

[...]

¹ Vgl. Peter, S. / Schneider, W. (1994), S.7f.

² Vgl. Link, J. / Hildebrand, V. (1997), S. 17.

³ Vgl. ebenda, S. 17.

⁴ Quelle: Ebenda, S. 17.

⁵ Vgl. Link, J. / Hildebrand, V. (1997), S. 17.

⁶ Vgl. Blattberg, R.C. / Deighton, J. (1991), S.5f.

⁷ Vgl. Link, J. / Hildebrand, V. (1993), S. 30

⁸ Vgl. Hand, D. J. (1998), S. 112.

⁹ Vgl. Fayyad, U. M. / Piatetsky-Shapiro, G. / Smith, P. (1996), S. 6; Nakhaeizadeh, G. / Reinartz, T. / Wirth, R. (1998), S.2f.

¹⁰ Vgl. Chamoni, P. (1998), S. 301.

¹¹ Vgl. Küppers, B. (1999), S. 23f.

¹² Vgl. Dastani, P. (1997), S. 256.

¹³ Vgl. Nakhaeizadeh, G. / Reinartz, T. / Wirth, R. (1998); Krahl, D. / Windheuser, U. / Zick, F.-K. (1998).

¹⁴ Vgl. Dastani, P. (1997), S. 256ff; Peacock, P.R. (1998a), S. 16ff.

¹⁵ Vgl. zu den DM-Prozessdarstellungen Dastani, P. (1997), S. 257ff.

¹⁶ Einen Überblick über die Methoden des DM gibt das Kapitel 2.3.