Data Mining. Einsatzpotenziale zur Verbesserung des Customer-Relationship-Managements


Bachelorarbeit, 2020

68 Seiten, Note: 2,0


Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1. Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Vorgehensweise und Aufbau der Arbeit

2. Datenschutz
2.1 Rechtliche Betrachtung für Datensammlung und Verwendung
2.2 Gesellschaftliche Betrachtung

3. Unternehmensanforderungen
3.1 Organisatorisch
3.2 Technisch

4. Customer-Relationship-Management (CRM)
4.1 Kundenbasierende Unternehmensstrategie
4.2 CRM-Systeme
4.2.1 Operatives CRM
4.2.2 Kollaboratives CRM
4.2.3 Analytisches CRM

5. Data Mining
5.1 Knowledge Discovery in Databases (KDD)
5.2 Prozesse
5.2.1 CRISP-DM
5.2.2 SEMMA
5.3 Künstliche Intelligenz
5.4 Text Mining

6. Nutzungspotenziale von Data Mining im CRM
6.1 Methoden
6.1.1 Klassifikation / Prognose
6.1.2 Segmentierung
6.1.3 Abhängigkeitsentdeckung

7. Einsatzmöglichkeiten in CRM-Schlüsselbereichen
7.1 Vertrieb
7.2 Marketing
7.3 Service

8. Data Mining im Kundenbeziehungs-Lebenszyklus
8.1 Interessentenmanagement
8.2 Kundenbindungsmanagement
8.3 Rückgewinnungsmanagement

9. Fazit und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Umsatz mit CRM-Software in der Welt von 2016 bis 2021

Abbildung 2: Komponenten des CRM-Ansatzes

Abbildung 3: Sicht von Data Warehouse, Data Mining und OLAP

Abbildung 4: KDD Prozess nach Fayyad

Abbildung 5: Data Mining Lebenszyklus nach IBM

Abbildung 6: SEMMA steps

Abbildung 7: Was dank KI im CRM möglich ist bzw. wird

Abbildung 8: Zusammenfassung der Unterschiede zwischen Data Mining und Text Mining

Abbildung 9: Auswahl wichtiger Data Mining-Verfahren

Abbildung 10: Entscheidungsbaum für Einladungen zu Launch-Event (eigene Darstellung)

Abbildung 11: Kundengruppen-Cluster (eigene Darstellung)

Abbildung 12: Customer Journey

Abbildung 13: Kernkonzept des CRM

Abbildung 14: Share of Wallet Formel

Abbildung 15: Portfolioanalyse zur Kundenbewertung

Abbildung 16: Tesla Loyalty Loop

Abbildung 17: Der Kundenbeziehungs-Lebenszyklus nach Strauss

Abbildung 18: Data Mining Unterstützung im Kundenbeziehungslebenszyklus

Tabellenverzeichnis

Tabelle 1: Wesentliche Eigenschaften eines CRM-Systems

Tabelle 2: Korrelationsanalyse (eigene Darstellung)

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Einleitung

“BIG DATA IS NOT ABOUT DATA”1 Das Zitat von Havard Professor Garry King soll verdeutlichen, dass die alleinige Sammlung von Daten nicht ausreicht, sondern für Unternehmen und dessen Unternehmungen erst dann erfolgreich wird, wenn durch statistische und analytische Prozesse aus den gesammelten Daten Erkenntnisse generiert und genutzt werden.2

Während der Begriff von Big Data bisher häufig im Zusammenhang mit der Digitalisierung von Unternehmen stand, bilden sich immer mehr Begrifflichkeiten, die sich mit der eigentlichen Kernthematik der Datenanalyse auseinandersetzen. Anfangs ging es vornehmlich darum, Markt- und Kundendaten zu sammeln, ohne inhaltliche Analysen oder Erkenntnisgewinnung zu betreiben. Data Science, Business Intelligence & Analytics, Advanced Analytics und eine weitere Reihe von Begrifflichkeiten, die zur Auswertung und Verknüpfung von Daten verwendet werden, werden als neue Begrifflichkeiten in diesem Kosmos gehandelt.3

Sie stellen den kostbaren Nutzen in den Mittelpunkt, der sich aus den Daten erschließt. Es lässt sich daraus eine Entwicklung von Big Data hin zu Smart Data erkennen.4

Smart Data verfolgt den Ansatz, durch Automatismen und Algorithmen frühzeitig Verhaltensweisen erkennen zu können. Aus diesen gewonnen Erkenntnissen lassen sich Strategien und Entscheidungsprozesse für das Unternehmen ableiten.5

Das Customer-Relationship-Management, kurz CRM genannt, bildet das verbindende Element, um mittels Data Mining Tools den Kunden und sein Verhalten besser kennen zu lernen. Damit werden gezielte datengestützte Strategien definiert, sodass eine langfristige Beziehung zwischen Unternehmen und Kunde aufgebaut werden kann.

Während in vielen Branchen einen Wandel vom Verkäufermarkt hin zum Käufermarkt beobachten werden kann, führt dies zu einem steigenden Grad an Individualisierung des Kunden. Auf Seiten des Unternehmens müssen dadurch Unternehmensstrategien individueller gestaltet werden.6

1.1 Problemstellung

Durch die Vergleichbarkeit und den Zugang für den Kunden zu Unternehmen auf der ganzen Welt, ist es sehr schwierig geworden, sich aus dieser Menge an Angeboten in eine Position zu bringen, in der ein Kunde auch langfristig Kunde bleibt.

Hinzu kommt, dass es durch die immer weiter anwachsenden Datenmengen mittlerweile schwer geworden ist, die Qualität, sowie einen konkreten, zielgerichteten Nutzen aus diesen Datenmengen zu gewinnen. Trotz der vergangenen Entwicklungen gibt es im Bereich des CRM nach wie vor Potenziale zur besseren Nutzung dieser Informationen. Oftmals gibt es hier die Problematik, Zusammenhänge zu erkennen und diese reflektiert zu bewerten. Dies bedeutet, dass sowohl die richtigen als auch die wissensstiftenden Daten zu verwenden sind. Auch die Datenqualität und das Hinterfragen, ob Datenstrukturen bzw. Zusammenhänge auch wirklich bestehen, muss geprüft werden.

Nicht jeder Zusammenhang folgt einer Logik, für die ein Unternehmen eine Maßnahme ableiten sollte. Es muss daher kritisch hinterfragt werden und durch Verifizierung der Daten ermittelt werden, ob der Zusammenhang darüber hinaus noch zusätzliche Einflussfaktoren beinhaltet.

1.2 Zielsetzung

Das Ziel der vorliegenden Arbeit ist aufzuzeigen, wie durch Data Mining das Kundenbeziehungsmanagement verbessert werden kann.

Die Einsatzmöglichkeiten im Bereich des CRMs sollen dazu dienen, sowohl den Prozess als auch den Service zu verbessern. Die Wünsche des Kunden müssen beachtet und einbezogen werden.

Es soll mithilfe des Data Mining eine gute Beziehung zwischen Kunden und Unternehmen aufgebaut werden, um die Kunden langfristig an das Unternehmen zu binden und Vertrauen aufzubauen. Wichtig ist aufzuzeigen, wie anhand der Methoden und Prozesse die Gewinnung von Daten und die dahinter verborgenen Strukturen und Muster erkannt und gezielt eingesetzt werden können, um sich Vorteile gegenüber den Wettbewerbern zu verschaffen.

Ein zentraler Baustein langfristiger Kundenbindung ist die Erkenntnis, wie Kunden in bestimmten Situationen reagieren, um sie bereits vorab bei der Lösung ihrer Probleme unterstützen zu können.

Darüber hinaus ist es im Bereich des Kundenbindungslebenszyklus maßgebend zu erkennen, welche Zielgruppen Potenzial aufweisen gewonnen zu werden, welche Kunden gehalten werden sollten und welche Kunden auf Dauer zu viele Ressourcen binden.

Stellt sich in einem Unternehmen in dieser Hinsicht ein funktionierender Zyklus dar, ist ein gutes Beziehungsmanagement gewährleistet.

1.3 Vorgehensweise und Aufbau der Arbeit

Am Anfang dieser Arbeit erfolgt die Erläuterung der rechtlichen Rahmenbedingungen zum Datenschutz.

Anschließend soll es um die Unternehmensanforderungen gehen, da auch hier eine gewisse Offenheit und Flexibilität gegeben sein muss, um durch die Anwendung von IT-Systemen gesteckte Ziele erreichen zu können. Es erfolgt eine Erklärung und Einordnung der wesentlichen Begrifflichkeiten.

Darauffolgend werden die Prozesse vorgestellt und die Methoden erläutert, mit denen die Wissensgewinnung aus Datenbeständen realisiert wird. Anschließend folgt die Verbindung von Data Mining und CRM. Es wird ersichtlich, welche Brücken hier gebaut werden können und wie das CRM von den Erkenntnissen des Data Mining profitieren kann.

Danach werden die Einsatzmöglichkeiten in den Bereichen Vertrieb, Marketing und Service in Bezug auf das Kundenbeziehungsmanagement erörtert. Um verstärkt auf die verschiedenen Phasen in der Beziehung zum Kunden einzugehen, findet sich der Punkt Data Mining im Kundenbeziehungslebenszyklus wieder. Zum Abschluss der Arbeit wird noch ein Fazit gezogen und ein Ausblick auf zukünftige Entwicklungen gegeben.

2. Datenschutz

Dieses Thema steht bewusst am Anfang dieser Arbeit. Es soll ein Rahmen geschaffen werden und aufzeigen, in welcher Form und zu welchem Zweck, Daten für unternehmerische Interessen gesammelt, analysiert und verwendet werden dürfen.

Aufgrund der diversen Ausprägungen dieser Verordnung wird nur auf die für diese Arbeit wesentlichen Punkte eingegangen.

2.1 Rechtliche Betrachtung für Datensammlung und Verwendung

Der rechtliche Rahmen wird in Europa durch die Datenschutz-Grundverordnung vom 27. April 2016, im Folgenden als DSGVO abgekürzt, gesteckt. Diese ist bis spätestens zum 25. Mai 2018 für alle Mitgliedsstaaten in der Europäischen Union (EU) bindend und muss uneingeschränkt umsetzt und eingehalten werden.7

In Deutschland wird die DSGVO darüber hinaus durch eine zusätzliche Regelung, das Bundesdatenschutzgesetz (BDSG), ergänzt. Natürlich gilt auch hier der Grundsatz Europäisches Recht vor nationalem Recht.8

Die Kernaspekte der Gesetze drehen sich im Wesentlichen um den zeitlich begrenzten, anonymisierten und dem Zweck zugeordneten Datenaustausch. Es muss darauf hingewiesen werden, zu welchem Zweck die Daten erhoben werden.

Neben der gesetzlichen Verpflichtung zur Einhaltung von Datenschutz gibt es auch noch weitere wichtige Aspekte. Der allgemeine Datenumgang kann durch Aufklärungsarbeit, bei der die Vorteile der Datenanalyse aufgezeigt werden, zu mehr Akzeptanz führen.

Der Nutzen muss für den Kunden sichtbar sein, damit er personenbezogene Daten für das Unternehmen und dessen Unternehmungen bereitstellt. Nur so ergeben sich Situationen von den beiden Seiten profitieren.

2.2 Gesellschaftliche Betrachtung

Weitläufig ist sowohl im persönlichen als auch im unternehmerischen Umfeld eine gewisse Skepsis im Bereich des Datenverkehrs anzutreffen.9

So konnten anhand der europäischen Studie „Big Data. Wann Menschen bereit sind, ihre Daten zu teilen“, die durch das Vodafone Instituts für Gesellschaft und Kommunikation initiiert wurde, einige Erkenntnisse gewonnen werden, die sowohl Chancen als auch Risiken beinhaltet.

Betrachtungsgegenstand der Untersuchung waren Situationen im Alltag der Probanden, bei denen absichtlich oder unabsichtlich persönliche Daten nach draußen gegeben wurden. Öffentliche Institutionen sammeln und analysieren gezielt Daten zur personenbasierten Kundenansprache für passende Produkte und Dienstleistungen.

Es gab Aussagen die befürwortet oder abgelehnt werden konnten.

Folgende Kernergebnisse konnten festgemacht werden:

- Die Bevölkerung steht dem computergestützten Sammeln von Daten sehr kritisch gegenüber. In Deutschland liegt der Anteil der Bürger, die darin mehr persönliche Nachteile als Vorteile sehen, bei 62 %.
- In Bezug auf die Nutzung der persönlichen Daten zeigen die Befragten wenig Vertrauen gegenüber der Regierung und wirtschaftlich geprägten Firmen. Bei der Aussage, dass Unternehmen den Schutz der privaten Daten respektierten, fand sich lediglich eine Zustimmung von 26 %.
- Ob die Befragten wissen, an welcher Stelle und von welcher Stelle ihre Daten zusammengetragen und gespeichert werden, stimmten nur 20 % zu.

Um als Unternehmen oder Staat das Vertrauen der Kunden beziehungsweise der Bevölkerung zu gewinnen und zu erhalten, muss die Transparenz und die Kommunikation generell verstärkt werden.10

Dabei ist es wichtig zu wissen, für welchen Zweck die erhobenen Daten verwendet werden, um vor Datenmissbrauch und Cyberangriffen geschützt zu sein.

Da es nicht nur Risiken, sondern auch Chancen für zukünftige Entwicklungen liefert gilt es aus zurückliegenden Fehlern zu lernen und trotzdem der Digitalisierung einen Spielraum zu geben, mit der sich das Unternehmen im Rahmen der gesetzlichen Bestimmungen bewegen und weiterentwickeln kann.

In diesem Bereich finden sich zukunftsweisende Potenziale. Durch die Vernetzung von Fahrzeugen untereinander könnte das Verkehrsaufkommen gezielt gesteuert werden, um damit das Risiko von Unfällen zu reduzieren und somit die Todeszahlen im Straßenverehr zu senken. Ein weiterer wichtiger Bereich ist der Gesundheitssektor. Hier könnte durch die massenhafte Sammlung von medizinischen Daten eine frühere und schnellere Erkennung von lebensbedrohlichen Krankheiten erreicht werden um für die Patienten bessere Heilungschancen zu realisieren.

Bereits heute werden einige dieser Potenziale genutzt, um die Ausbreitung von Epidemien mit Bewegungsdaten nachzuverfolgen, auszuwerten, und damit reagieren zu können.11

Um zu diesem Thema einen Einblick in die aktuelle Praxis zu geben, wird beispielhaft die Contact-Tracing-App für die Zurückverfolgung von Infektionsketten mit COVID-19 infizierten Personen genannt. Kernproblem für die Akzeptanz und die damit verbundenen Nutzungszahlen war die Uneinigkeit bezüglich zentraler und dezentraler Datensicherung und das Vertrauen der weiteren Verwendung dieser Daten. Die Einführung dieser App wird nur dann als Erfolg verbucht werden, wenn die Sicherheitsbedenken gegenüber dieser Technologie ausräumt werden konnten. Die Software muss den europäischen und nationalen Datenschutzrichtlinien entsprechen, es muss klar und offen kommuniziert werden, um den Bürgern Sicherheit zu geben. Nur dann wird eine freiwillige Installation folgen. Es muss auch hier das Vertrauen innerhalb der Gesellschaft gegenüber dieser Technologie geschaffen werden.12

Ob sich diese App als Frühwarnsystem durchsetzt, hängt im Wesentlichen davon ab, wie transparent mit den Gegebenheiten umgegangen wird. Es muss, genau wie beim CRM, Vertrauen zwischen allen betroffenen Parteien herrschen.

Nachdem die rechtlichen Grundlagen dargelegt wurden, soll es in Kapitel 2 um die expliziten Anforderungen an Unternehmen gehen, die erfolgreich datengetriebene Prozesse umsetzen möchten.

3. Unternehmensanforderungen

Wie bei allen zielgerichteten Vorhaben, sollte die Akzeptanz für diese Unternehmensausrichtung beim Kunden durch offene und ehrliche Kommunikation bewirkt werden. Um diese Ziele zu erreichen, ist es wichtig, die Vorteile der Unternehmung zu erkennen.

Unternehmen sind dazu aufgefordert, die nötigen Rahmenbedingungen zu schaffen, um effektive und effiziente datenbasierende Projekte bzw. Prozesse zu ermöglichen. Es muss hier eine gewisse Agilität und Offenheit gegeben sein, um der Entfaltung dieser Technologien nicht im Wege zu stehen. Unternehmen, die sich an Analysemethoden des Data Mining bedienen, müssen veraltete Denkmuster und Strukturen durchbrechen, um einen Nutzen aus der Unternehmung zu generieren.

3.1 Organisatorisch

Um spezifische datengetriebene Prozesse und Strukturen überhaupt realisieren zu können, ist es erforderlich, dass Unternehmen über die geforderte Aufbau- und Ablauforganisation für Business Intelligence verfügen. Auch fällt die klare Eingliederung, in welchen Unternehmensbereich diese neuen Stellen und Aufgabenbereiche eingeordnet werden, zunehmend schwerer.

Hier gilt es abzuwägen, ob es sich um ein zeitlich begrenztes Projekt handelt, das sich beispielsweise der Ermittlung von Zielgruppen widmet oder ob es sich um einen langfristigen Prozess dreht, der eine Abteilungsgründung oder eine Implementierung in das Unternehmen rechtfertigt. Letztendlich wird es auf die Neuausrichtung des gesamten Unternehmens hinauslaufen.

Durch solch einen unternehmerisch geprägten kulturellen Wandel ergeben sich Nachfragen und Defizite an entsprechenden Stellen, z. B. dem für diese Unternehmung benötigten Fachpersonal. Es gilt zu prüfen, ob externe Experten für diese Disziplinen eingestellt werden müssen oder ob die Weiterentwicklung des bereits vorhandenen Personalstammes als geeignetes Mittel dient.13

3.2 Technisch

Um die technischen Rahmenbedingungen für die Massendatenverarbeitung und die reibungslose Softwareverfügbarkeit zu schaffen, ist es wichtig, eine stabile und sicherere IT-Infrastruktur aufzubauen. Während früher die klassische IT aus Serverräumen und riesigen Hardwarevorkommen bestanden, die regelmäßig durch Techniker gewartet werden mussten, setzt sich mittlerweile mehr und mehr das Konzept des Cloud-Computings durch. Cloud-Computing bedeutet die Nutzung externer IT-Ressourcen, die flexibel nach Nutzungsbedarf bei speziellen Anbietern zugekauft werden können. Diese Unternehmen stellen die Kapazitäten von Servern oder Anwendungen in Rechenzentren gegen eine Nutzungsgebühr zur Verfügung. Die Anbieter dieser Cloud-Systeme garantieren eine uneingeschränkte Verfügbarkeit und Datensicherheit.14

Durch die immer weiter sinkenden Preise für Software, Speicherplatz oder Rechenleistung über Datennetze wird diese Technologie in Zukunft immer mehr an Zuspruch gewinnen. Bereits im Jahr 2016 setzten 83 % der deutschen Großunternehmen mit mindestens 2000 Mitarbeitern auf diese Technologie. Die Konformität der DSGVO ist auch hier ein wichtiges Thema, mit der sich die Unternehmen auseinandersetzen müssen und deswegen auf eine sichere Infrastruktur zurückgreifen.15

Ein weiterer Vorteil der Cloud-Lösung ist, dass es gegenüber der klassischen IT sowohl die flexible Reduzierung als auch Erhöhung der benötigten Kapazitäten ohne zusätzliche Hardwarekosten gewährleistet. Damit steht der Skalierung der Datenverarbeitung keine hardwareseitige Limitierung im Weg.16

Dieser kleine Exkurs soll zeigen, dass der Aufbau des Data Mining beziehungsweise die Nutzung von Cloud basierter CRM-Software nicht gleichbedeutend mit einem hohen Investitionsvolumen ist. Flexibel können hier sowohl Rechenkapazitäten als auch Software Anwendungen angeschafft werden. Diese werden meist über einen monatlichen Beitrag in Anspruch genommen. Dies ist ganz besonders für junge Unternehmen interessant, die dadurch schnell und kostengünstig an eine hochwertige Infrastruktur gelangen und gleichzeitig ab dem Gründungszeitpunkt eine kundenbeziehungsorientierte Unternehmensstrategie verfolgen.

4. Customer-Relationship-Management (CRM)

Das CRM beschäftigt sich mit dem Beziehungsmanagement zwischen dem Unternehmen und seinen Kunden. Während früher das Produkt und die Qualität des Produktes im Vordergrund standen, rückt nun immer mehr die Dienstleistung und der Service in den Vordergrund. Durch die hohe Verfügbarkeit und Vergleichbarkeit der Waren und Dienstleistungen ist es zunehmend wichtiger, sich auf die Betreuung des Kunden zu fokussieren.17

„Customer Relationship Management umfasst den Aufbau und die Festigung langfristig profitabler Kundenbeziehungen durch abgestimmte und kundenindividuelle Marketing-, Sales- und Servicekonzepte mit Hilfe moderner Informations- und Kommunikationstechnologien.“18

Zukünftig sollen Möglichkeiten geschaffen werden, diese Kundenbetreuung so effizient und effektiv wie möglich zu gestalten. Da jeder Kunde über spezielle Eigenheiten verfügt, wird diese mit zunehmender Individualisierung immer schwieriger.

Hierzu soll das CRM unterstützen und Rahmenbedingungen schaffen, um bestmöglich auf die Interessen der Kunden eingehen zu können. Die Prozesse sollen weitestgehend standardisiert und automatisiert werden. Allerdings muss eine gewisse Flexibilität gegeben sein, da jeder Kunde spezielle Wünsche und Interessen hat.

Hippner teilt das CRM in zwei Gestaltungsbereiche auf. Der Erste ist die kundenbasierende Unternehmensstrategie und der zweite die CRM-Systeme.19

4.1 Kundenbasierende Unternehmensstrategie

Durch die immer weiter steigende Wettbewerbsintensität und die damit ermöglichte Sprunghaftigkeit der Kunden, ist das CRM als Unternehmensstrategie zu verstehen.

Es gilt die gesamte Wertschöpfungskette und Unternehmensorganisation anhand des Kunden auszurichten. Der bloße Verkauf eines Produktes oder einer Dienstleistung ist nicht mehr ausreichend, um die langfristige Bindung des Kunden an das Unternehmen sicherzustellen. Allerdings sollte geprüft werden, für welche Kunden sich dieser Einsatz auch bezahlt macht. Die Erkenntnis, dass nicht alle Kunden für das Unternehmen die gleiche "Wertigkeit" besitzen, wird zunehmend wichtiger.20

Um die vorhandenen Ressourcen so effektiv wie möglich einzusetzen, ist es denkbar festzulegen, in welche Kundengruppen mehr oder weniger Betreuungskapazitäten gesteckt werden. Eine Kategorisierung kann dazu führen, dass die Kommunikationskanäle unterschiedlich gewählt werden. Während es bei einer Kontaktaufnahme zum C-Kunden als ausreichend erscheint über E-Mail oder Telefon zu kommunizieren, sollte der A-Kunde durch einen persönlichen Kontakt zum Vertriebsmitarbeiter die höhere Wertschätzung erfahren.

Um diese Einordnung des Kunden anhand seiner Daten vornehmen zu können, ist es notwendig, auf ein verknüpftes CRM-System zurück zu greifen.21

4.2 CRM-Systeme

Aufgrund steigender Komplexität ist eine Softwareunterstützung aus diesem Bereich gar nicht mehr wegzudenken. Die Software soll dabei helfen, die Informationen über den Kunden zu jederzeit für jedermann zugänglich zu machen.22 Eine einfachere Verwaltung sämtlicher Kundendaten erleichtert das Arbeiten und sorgt dafür, dass effizienter auf die Wünsche und Probleme des Kunden eingegangen werden kann. Daneben verfügt solch ein CRM-System über weitere Eigenschaften, die sowohl die interne als auch die externe Kommunikation verbessern sollen. Der Marktführer Salesforce hat die wesentlichen Eigenschaften seines CRM-Systems in der folgenden Tabelle zusammengefasst.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Wesentliche Eigenschaften eines CRM-Systems23

Dieser Auszug verschafft einen Überblick mit welchen Disziplinen sich eine CRM-Software auseinandersetzt. Selbstverständlich können diese Umfänge von Anbieter zu Anbieter abweichen. Was alle Systeme vereint ist die Sammlung von Daten, um dadurch gezielt kundenorientierte Unternehmensstrategien ableiten zu können.

Bei Betrachtung der Entwicklung der letzten Jahre in Abbildung 1 wird schnell klar, dass mittlerweile durch alle Branchen und Unternehmensgrößen ein softwaregestütztes Kundenbeziehungsmanagementsystem zur Grundausstattung gehört. Durch die damit verbundenen prognostizierten Umsatzsteigerungen mit CRM-Software lässt sich erkennen, dass dieser Bereich in den nächsten Jahren noch weiter ausgebaut wird.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Umsatz mit CRM-Software in der Welt von 2016 bis 202124

Trotzdem gilt es auch hier zu beachten, dass sich messbare Effekte erst mit der Zeit realisieren lassen, da Kennzahlen wie Kundenzufriedenheit und die damit einhergehenden Zugewinne nur schwer erkennbar und abzubilden sind.

Untergliedert wird das CRM in die Kategorien des operativen, des kollaborativen und analytischen Bereiches.25 Im Folgenden wird eine Einordnung der Aufgabengebiete vorgenommen. Das Data Mining ist ein Prozess, der sich hauptsächlich im analytischen CRM abspielt und mit seinen Erkenntnissen die Gestaltung des operativen und kollaborativen CRM beeinflusst.26

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Komponenten des CRM-Ansatzes27

4.2.1 Operatives CRM

Das operative CRM stellt die Grundlage für die weitere Datenverarbeitung im analytischen CRM bereit. Hier wird der Datenpool aufgebaut. Es werden Informationen wie Namen, Adressen, gekaufte Produkte, E-Mail-Adressen und weitere Basisinformationen durch die Kundenkontakte zusammengetragen und diese durch erneute Kontaktaufnahmen zum Kunden immer weiter optimiert. Dies betrifft sowohl die Aktivitäten im Frontoffice als auch die Aktivitäten im Backoffice.28

Das operative CRM soll die bestmögliche Vernetzung von Frontoffice zu Backoffice Anwendungen gewährleisten. Ein Ineinandergreifen der CRM-Anwendungen mit dem ERP System hilft beispielsweise dem Kundenberater während des Austausches mit dem Kunden, direkt auf alle benötigten Daten zugreifen zu können. Eine Existenz von mehreren unabhängigen Inselsystemen soll verhindert werden.29

Die Haupteinsatzgebiete finden sich in Vertrieb, Marketing und Service. So kommt es im Vertrieb zum Tragen, dass, wie bereits genannt, dem Kundenberater durch die verknüpften Systeme ausführliche Details für die Beratung oder Nachbereitung zur Verfügung stehen. Es können Produktdetails, Argumentationsketten, aber auch weitreichendere Anwendungen wie das Angebotswesen oder Terminübersichten integriert werden.

Das Marketing greift die Informationen für Kundenansprache, Produktentwicklung oder Werbekampagnen auf.

Im Einsatzgebiet des Service gehören die Dokumentation und Analyse von Reklamationen zu den Hauptaspekten. Damit lassen sich die Eckdaten der Bearbeitung, wie Länge der Gespräche, Kosten oder Wartedauer für die Kunden, auswerten. Auf diese Weise können Optimierungen bewirkt werden und z. B. ein Helpdesk eingerichtet werden, der die verschiedenen Thematiken der Kunden aufnimmt.30

4.2.2 Kollaboratives CRM

Das kollaborative CRM soll die Steuerung aller Kommunikationskanäle zum Kunden übernehmen. Als Grundlage kann beispielsweise ein CIC (Customer Interaction Center) dienen.31

Darüber hinaus wird das kollaborative CRM genutzt, um den Aktionsradius über das Unternehmen hinaus zu erweitern. Auf diese Weise werden Partner, Lieferanten und Händler einbezogen, um die kollaborative Unterstützung gegenüber dem Kunden zu signalisieren. Durch die Unterstützung des Kunden über die ganze Wertschöpfungskette hinweg, zeigt sich die Dimension eines ganzheitlichen abteilungs- und unternehmensübergreifenden CRM-Ansatzes. Hierunter wird verstanden, dass zwischen Lieferanten, externen Vertriebskanälen, externen Dienstleistern und Logistikunternehmen ein einheitliches CRM-Konzept genutzt wird, um so die gesamten Prozesskosten zu minimieren und die Prozessgeschwindigkeiten zu maximieren.

Im Falle eines Bestandskunden, der bereits im System erfasst ist, können durch die Rufnummernerkennung sämtliche Kundeninformationen sowie Kundenbesonderheiten, frühere Gesprächsergebnisse, Mail- und Briefinhalte sowie Argumentationshilfen dem Kundenberater angezeigt werden, bevor er das Gespräch aufnimmt. Das sind alles Aufgaben, die ein CIC Systems übernehmen kann. So können die Reaktions- und Interaktionsfähigkeit gegenüber dem Kunden gesteigert werden.32

4.2.3 Analytisches CRM

Das analytische CRM soll dazu dienen, Daten für langfristige Geschäftsvorhaben zu sammeln. Gegenüber einem operativen CRM, mit dessen Hilfe die Anliegen des Tagesgeschäftes bewältigt werden sollen, zielt das analytischen CRM auf eine zukunftsorientierte Verbesserung der kundenbezogenen Geschäftsprozesse ab. Anhand von aufgezeichneten Kundendaten, die über die Kontaktpunkte des operativen CRM (Telefon, E-Mail oder Direktkontakt) gesammelt werden, werden diese Informationen in (Customer) Data Warehouse Systemen abgespeichert.33

Auch der zentrale Bereich des Data Mining liegt im Bereich des analytischen CRM. Hier geht es um die elektronische Verwertung von systematisch gesammelten Kundendaten. Diese Kundendaten können sehr oberflächliche Informationen wie beispielweise die Anschrift enthalten oder auch bereits tiefgehende Kenntnisse zum Kaufverhalten des Kunden besitzen. Wichtig ist, an allen Kontaktpunkten möglichst viele smarte Informationen über den Kunden zu sammeln, um später durch die Vielschichtigkeit der Informationen präzisere Analysen zu erhalten.

Data Warehouse

Data Warehouse setzt sich mit der Sammlung und Speicherung von kundenbezogenen Daten auseinander. Die Daten werden in sortierter und strukturierter Form in das Data Warehouse übertragen.

Die folgende Abbildung zeigt wie die Verknüpfung dieser Systeme funktioniert. Es werden kundenbezogene Daten im Bereich des operativen CRM gesammelt, sortiert und strukturiert in Data Warehouse Systemen abgelegt. Für anschließende Auswertungen im Bereich von Online Analytical Processing oder Data Mining können auf diese bereits gewonnenen Daten zurückgegriffen werden.34

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Sicht von Data Warehouse, Data Mining und OLAP35

Online Analytical Processing (OLAP)

OLAP steht für Online Analytical Processing. Dabei handelt es sich um ein Werkzeug, mit dem Abfragen aus einer Datenbank durchgeführt werden können. Vorteil dieser Abfragen ist, dass die Informationen auf die jeweiligen Unternehmensbereiche zugeschnitten werden, denn OLAP bietet die Möglichkeit die Daten aus mehreren Blickwinkeln zu betrachten. So lässt sich durch einen Würfel mit verschiedenen Dimensionen je nach gewünschtem Unternehmensbereich die Analyse und damit die ausgewerteten Daten betrachten. Dabei können sich die Fragestellungen der Analyse beispielsweise auf das umsatzstärkste Produkt beziehen oder auch die Häufigkeit von Serviceanfragen. Dies ermöglicht für die entsprechenden Abteilungen, dass Informationen anhand deren spezifischen Interessenlage generiert werden können.

Die Mehrdimensionalität wird dadurch geprägt, dass aus einer OLAP Analyse sowohl für den Produktmanager ersichtlich ist, wie sich das Produkt im Markt verhält, als auch der Verkäufer Umsatzinformation für sein Gebiet aus derselben Analyse ziehen kann.36

Data Mining

Während bei OLAP mehrdimensionale Datenanalysen für Zusammenfassungen und Abfragen erstellt werden, ermöglicht das Data Mining anhand von Datenstrukturen die automatische Erkennung von Mustern innerhalb dieser Daten. Dies führt dazu, dass aus diesen Erkenntnissen Strategien für das Unternehmen abgeleitet werden können. Hierfür werden unterstützende Prozesse und Werkzeuge wie beispielsweise Künstliche Neuronale Netze (KNN), Klassifikations- und Regressionsbäume, Clusteranalyse, Assoziations- und Sequenzanalyse sowie Regressionsanalyse eingesetzt. Einige dieser Analysen werden im weiteren Verlauf dieser Arbeit noch genauer behandelt.37

5. Data Mining

“The fruits of knowledge growing on the tree of data are not easy to pick.”38

Das einleitende Zitat soll sinngemäß darauf abzielen, dass selbst wenn erhebliche Mengen an Daten vorhanden sind, es sich mitunter schwierig gestalten kann, die richtigen und für die Unternehmung wichtigen Daten zu extrahieren, um davon zu profitieren.

Das Data Mining wird beschrieben als "[...] Extraktion implizit vorhandenen, nicht trivialen und nützlichen Wissens aus großen, dynamischen, relativ komplex strukturierten Datenbeständen [...]"39.

Es wird untersucht, welche Zusammenhänge hinter gesammelten Datenbeständen stecken und wie diese Erkenntnisse für strategische oder operative Maßnahmen genutzt werden können. Wissen wird hier aus der Erkenntnis von Mustern in Bezug auf die vom Anwender festlegten Regularien gewonnen. Als Muster werden Beziehungen zwischen Datensätzen bezeichnet, die Regelmäßigkeiten oder Unregelmäßigkeiten aufweisen.40

Durch das Data Mining kann ein breites Spektrum an Analysen realisiert werden, wie beispielsweise die Ermittlung von Zielgruppen oder die klassische ABC-Analyse. Es gibt eine Vielzahl von Einsatzmöglichkeiten, aus denen Erkenntnisse geschöpft werden können.

Ein zusätzlicher Einsatzfall ist die Analyse von Warenkörben. Die Warenkorbanalyse kann Muster in gemeinschaftlich gekauften Gütern erkennen, die für das Unternehmen nicht offensichtlich sind. Anhand dieser gewonnen Erkenntnisse des Käuferverhaltens können zukünftige Marketingmaßnahmen resultieren. Im Verlauf dieser Arbeit wird auf diese Analyse noch präziser eingegangen.

5.1 Knowledge Discovery in Databases (KDD)

Der KDD wird als Gesamtprozess der Wissenserforschung durch Datenbanken verstanden. Damit ist auch die Auswahl der Daten, die Aufbereitung der Daten, das Analyseverfahren sowie die Interpretation der Analysen gemeint.

Die folgende Abbildung soll den Ansatz von KDD verdeutlichen. In vielen Texten und vor allem der praktischen Anwendung im Unternehmen wird das Data Mining und das KDD meist synonym verwendet. In diesem Zusammenhang wird das Data Mining im weiteren Sinne verstanden und stellt somit den vollständigen Prozess der Wissensentdeckung dar.41

[...]


1 King (2016/2016, S. VII)

2 vgl. King (2016/2016)

3 vgl. Schlömer et al. (6, 8, 11)

4 vgl. Kohn (2017)

5 vgl. Schlömer et al. (S. 30)

6 vgl. Neckel und Knobloch (2015, S. 3)

7 vgl. (Verordnung (EU) 2016/679 des Europäischen Parlaments und des Rates - vom 27. April 2016 - zum Schutz natürlicher Personen bei der Verarbeitung personenbezogener Daten, zum freien Datenverkehr und zur Aufhebung der Richtlinie 95/46/EG (Datenschutz-Grundverordnung), 2016)

8 vgl. (Konsolidierte Fassungen des Vertrags über die Europäische Union und des Vertrags über die Arbeitsweise der Europäischen Union 17. Erklärung zum Vorrang, 2012)

9 vgl. Burkert (2016)

10 vgl. Vodafone Institut für Gesellschaft und Kommunikation GmbH (2016, S. 6–7)

11 vgl. Vodafone Institut für Gesellschaft und Kommunikation GmbH (2016, S. 3)

12 vgl. Tagesschau.de (2020)

13 vgl. Böken et al. (2013, S. 43–45)

14 vgl. Fehling und Leymann (2018)

15 vgl. Bitkom e.V. (2018)

16 vgl. Frank et al. (2019, S. 88–90)

17 vgl. Neckel und Knobloch (2015, S. 5)

18 Hippner, Leußer und Wilde (2011, S. 18)

19 vgl. Hippner, Hubrich und Wilde (2011, S. 18)

20 vgl. Neckel und Knobloch (2015, S. 5)

21 vgl. Neckel und Knobloch (2015, S. 5)

22 vgl. Helmke et al. (2013, S. 7)

23 Salesforce.com (2020)

24 Statista Research Department (2019)

25 vgl. Helmke et al. (2013, S. 11)

26 vgl. Helmke et al. (2013, S. 14)

27 Helmke et al. (2013, S. 11)

28 vgl. Manhart (2008b)

29 vgl. Helmke et al. (2013, S. 11)

30 vgl. Manhart (2008b)

31 vgl. Helmke et al. (2013, S. 11)

32 vgl. Manhart (2008b)

33 vgl. Hippner et al. (2004 // 2003, S. 17)

34 vgl. Manhart (2008d)

35 Alpar und Niedereichholz (2000, S. 14)

36 vgl. Manhart (2008c)

37 vgl. Alpar und Niedereichholz (2000, S. 13–16)

38 Frawley et al. (1992, S. 67)

39 Bissantz und Hagedorn (2009, S. 139)

40 vgl. Bissantz und Hagedorn (2009, S. 139)

41 vgl. Manhart (2008a)

Ende der Leseprobe aus 68 Seiten

Details

Titel
Data Mining. Einsatzpotenziale zur Verbesserung des Customer-Relationship-Managements
Hochschule
Hochschule Wismar
Note
2,0
Autor
Jahr
2020
Seiten
68
Katalognummer
V936267
ISBN (eBook)
9783346320100
ISBN (Buch)
9783346320117
Sprache
Deutsch
Schlagworte
Data Mining, CRM, Customer Relationship Management, Data Science, Data Analytics, Data, DM, IT, Industrie 4.0, Python, Business Analytics, AI
Arbeit zitieren
Michael Schuster (Autor), 2020, Data Mining. Einsatzpotenziale zur Verbesserung des Customer-Relationship-Managements, München, GRIN Verlag, https://www.grin.com/document/936267

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Data Mining. Einsatzpotenziale zur Verbesserung des Customer-Relationship-Managements



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden