6 Werkzeuge. 6.1 Einleitung. Holger Nohr, Hochschule der Medien

Transkript

1 6 Werkzeuge 6.1 Einleitung Holger Nohr, Hochschule der Medien Eine kaum überschaubare Vielfalt von Werkzeugen steht für die Unterstützung der Aufgaben des Wissensmanagements (Maier 2002) und der Analyseaufgaben im Rahmen von CRM durch Ansätze des Business Intelligence (Preuschoff 2002) zur Verfügung. Einzelne dieser Werkzeuge unterstützen dabei jeweils verschiedene Aufgaben und Phasen der beiden Managementansätze (Raimann & Back 2000). Im Rahmen des Forschungsvorhabens stehen Werkzeuge im Mittelpunkt, die es einerseits erlauben Wissen von Kunden eines Unternehmens zu gewinnen und andererseits Wissen über den Kunden aus den vorhandenen Daten- und Informationsbeständen zu erschließen. Für die Aufgabe, Wissen von Kunden zu gewinnen, wird im Projekt beispielhaft der Einsatz und Nutzen von Business Communities im Internet untersucht. Es stellt sich dabei die Frage, wie B2B-Partner diese Plattformen für eine gegenseitige Wissenskooperation sinnvoll anwenden können. Der Ansatz des Business Intelligence d.h. die Analyse der vorhandenen Daten- und Informationsbestände verfolgt das Ziel, Wissen über den Kunden zu erschließen. Aufsetzend auf Data Warehouse-Systeme wird dabei mit analytischen Anwendungen wie bspw. dem Data Mining versucht, das CRM mit relevantem Wissen zu versorgen. Die beiden folgenden Abschnitte geben jeweils eine grundlegende Einführung in die Anwendung von B2B-Communities und Vorgehensweise beim Business Intelligence. Literatur Maier, R. (2002): State-of-Practice of Knowledge Management Systems: Results of an Empirical Study, in: Informatik 1/2002, S Preuschoff, S. (2002): Business Intelligence Gegenstand, Ansätze und Technologien. Hochschule der Medien, Stuttgart (Arbeitspapiere Wissensmanagement 3/2002) Raimann, J.; Back, A. (2000): Software-Tools und Architekturmodell für das Wissensmanagement, in: Controller-News 3/2000, S

2 6.2 B2B-Communities Alexander Roos, Hochschule der Medien Unter Communities werden hier virtuelle Gemeinschaften verstanden, die sich im Internet bilden. Solche Communities sind aus dem Wissenschaftsbereich (open source), dem politisch/religiösen Bereich ( CyberChurch ) und dem Consumerbereich (z.b. Apple, Lego, Märklin) bekannt. Aus Sicht von Unternehmen stellen sich folgende Fragen: Lassen sich Communities bewusst aufbauen? Für welche Zielgruppe(n) und Produkte lassen sich solche Communities aufbauen? Wird dadurch eine höhere Kundenbindung erreicht? Welche Motivation der Beteiligten besteht, an der B2B-Community teilzunehmen? Lassen sich bestehende Erfahrungen aus dem B2C-Bereich auf den B2B- Bereich übertragen? Diese Fragestellungen sollen nachfolgend einführend erörtert werden. In der Literatur wird diese Thematik in Bezug auf den B2B-Bereich bislang wenig behandelt, einen guten Überblick bietet Bullinger, H.-J. et al. (2001). Die bewusste Schaffung von Communities ist sicherlich ein schwieriger und langwieriger Prozess, dies ist aus dem Consumer-Bereich bekannt. Dass sich fanatische Kunden kostenlos um die Verbesserung von Programmen des Herstellers kümmern, sich gegenseitig Tipps geben u.ä., ist schwer planbar, wie auch der Kultstatus bestimmter Produkte und Marken nur partiell durch Marketing-Maßnahmen zu beeinflussen ist. Im B2B-Bereich greift der Kultgedanke von Produkten sicherlich wenig, auch die Option Produkte exklusiv zu beziehen wie aus dem Spielwarenbereich bekannt, ist sicherlich nur von geringer Bedeutung, ebenso wie das Zusammengehörigkeitsgefühl. Außerdem ist die Durchdringung mit Internetzugang z.b. im Handwerksbereich zum Teil noch im Gange, auch sind die Produkte i.d.r. physischer Natur und nicht im Internet austauschbar. Hinzu kommt, dass die Teilnehmer an der B2B-Community potentielle oder tatsächliche Konkurrenten sind. Zu berücksichtigen ist auch, dass B2B-Communities immer Ergänzungen von Vertriebsaktivitäten über andere Kanäle sind, deshalb spielt die interne Anbindung der Community-Plattform eine große Rolle. Dennoch gibt es erfolgreiche Beispiele: z.b. das eines Heizungsherstellers, als Extranet realisiert. Kunden erhalten exklusive Informationen, einen Added Value durch Hilfestellungen des Herstellers bei der Montage in schwierigen Fällen oder bei der Heizungsdimensionierung. Dies führt zu gegenseitigen Tipps und Anregungen, 69

3 zumal die Business-Kunden in der Regel regional orientiert sind und wenig miteinander konkurrieren. Die Grenzen des Unternehmens zwischen und Innen und Außen verschwinden dabei im Idealfall. Ein Beispiel ist, wenn der geniale Tüftler (ein realer Fall eines Maschinenherstellers von der schwäbischen Alb) via Internet kostenlos einem Komponentenhersteller bei dessen Konstruktionen hilft, um seine eigenen Produkte indirekt mit zu verbessern. Allerdings wird dadurch die Frage der Information Policy des Unternehmens bedeutsam. Wie geht man mit Information um, wenn zum Beispiel Produkte der Konkurrenz in bestimmten Bereichen von Community-Teilnehmern in einem Diskussionsforum als vorteilhaft dargestellt werden? Ein weiterer möglicher Vorteil wird von Kelly beschrieben: Der Nebenmarkt ist der Markt (Kelly, Kevin (1999), S. 93). Das bedeutet, dass es in bestimmten Branchen schwierig wird, für das eigentliche Produkt Entgelt zu verlangen. Produkte wie Software werden in manchen Fällen verschenkt und durch Kunden in der Community weiterentwickelt, die Serviceleistungen im Umfeld erbringen den Umsatz. Für den Hersteller und Betreiber der B2B-Community-Plattform ergeben sich folgende Vorteile bzw. Nachteile/Risiken: pro contra + Kundenbindung durch verbesserten Service - Aufwand für Moderation und ständige Aktualisierungen: Gefahr des Hochschaukelns bei Problemen mit Produkten + geringer Aufwand für Schulungen und technische Auskünfte + Ansatzpunkte für Produktverbesserungen durch Kundenkritik + die Option einer hybriden B2B-Community (teilweise im Netz, teilweise physische Treffen und Kontakte) + die B2B-Community ist rund um die Uhr erreichbar. + Instrument des after sales marketing ( Gefühl, die richtige Entscheidung - wie andere auch - getroffen zu haben ) + Verbesserte Gewinnung von Kundenprofilen - Anbindung der Organisation an B2B-Community muss gewährleistet sein für Input und Lerneffekte, ebenso die Kopplung mit anderen Marketing-Aktivitäten (z.b. Call Center, Data Mining); die Vertriebskanäle brauchen den gleichen Datenbestand - Mehrsprachige Angebote sind mit hohem Aufwand verbunden Abb. 1: Vor- und Nachteile einer B2B-Community-Plattform für Hersteller und Betreiber 70

4 Vorteile bzw. Nachteile/Risiken für die Kunden / Teilnehmer an der B2B- Community sind: pro contra + ständig erreichbare Hilfestellungen - Risiko des Wissenstransfers an Konkurrenz + Anregungen für den Produkteinsatz + geringer Aufwand, um an Informationen zu kommen + Möglichkeit, die Produktweiterentwicklung zu beeinflussen Abb. 2: Vor- und Nachteile einer B2B-Community-Plattform für Kunden und Teilnehmer Literatur Bullinger, H.J. et al. (2001): Business Communities - Professionelles Beziehungsmanagement von Kunden, Mitarbeitern und B2B-Partnern im Internet, Galileo 2001 Kelly, Kevin (1999): NetEconomy, München Düsseldorf CRM-Analytics im Fokus von Business Intelligence Peter Lehmann, Hochschule der Medien Vom ERP zum Data Warehouse Als Folge einer angespannten Wirtschaftslage wandelt sich der Verkäufer- zu einem Käufermarkt. Damit wächst der Einfluss des Kunden auf die Produktion. Die Kunden erwarten qualitativ hochwertige Produkte, Verbesserungen im Bestell-, Lager-, Transport-, Versand- und Abnahmeservice. Diese Leistungen sowie der Wert einer Kundenbeziehung müssen in ihren geschäfts- und prozessrelevanten Dimensionen messbar sein, um eine Grundlage zur Analyse, Prognostizierung und Optimierung der Kundenbeziehungen erhalten zu können. Für diese kundenorientierten Leistungsmessungen können keine vollständigen vorherbestimmten DV-Lösungen erarbeitet werden, so dass neue Anforderun- 71

5 gen an eine neue Art von Informationstechnologie entstehen (vgl. Strotz/Müller (1998), S. 202). Mit dem Begriff Business Intelligence (BI) wird der analytische Prozess zur intelligenten Überwachung, Steuerung und Optimierung der Geschäftsprozesse eines Unternehmens bezeichnet. Business Intelligence umfasst Verfahren, Methoden und Werkzeuge, um entscheidungs- und analyserelevante Daten aus unternehmensinternen und externen Quellen zusammenzufassen und für Analysezwecke optimiert aufzubereiten (vgl. Grothe/Gensch (2000), S ) Die nachfolgende Abbildung 1 zeigt den klassischen Architekturansatz eines Business-Intelligence-Prozesses (in Anlehnung an Gluchowski (2001), S. 10). Operative Daten Staging Data Warehouse HyperCube Anwender Data Mart Datenextraktion und -Transformation Datenspeicherung Datennutzung Abb. 1: klassischer Architekturansatz eines Business-Intelligence-Prozesses Der erste (Prozess-) Schritt ist die Datenextraktion und -transformation. Hierbei werden aus operativen Anwendungssystemen (z. B. ERP-, SCM-, CRM-Systeme) auf Basis von Transformationsregeln alle für den Analyseprozess relevanten Daten extrahiert und entsprechend eines Regelwerks transformiert. Die Daten selbst werden im zweiten Prozessschritt in einer Sekundärdatenbank dem Data Warehouse abgespeichert (Datenspeicherung). In der Regel werden relationale oder multidimensionale Datenbanksysteme verwendet, die die Speicherung in Form von mehrdimensionalen Datenstrukturen (Hypercubes) erlauben und so die adäquate Grundlage für die Analyse der Daten bilden. In 72

6 manchen Fällen erfolgt der Zugriff direkt auf die Daten der (logischen) Datenbankstrukturen bzw. auf fachbezogene Subschemata (Data Marts). Im dritten Prozessschritt steht die Datennutzung mit Auswertungen und Analyse der Daten durch den Endanwender in seiner Terminologie im Vordergrund. Moderne Analysewerkzeuge ermöglichen die Beantwortung von (analytischen) Fragestellungen wie z. B. Was ist passiert?, Warum ist es passiert?, Was wird passieren? oder Was könnte passieren, wenn...?. Hier-bei können die unterschiedlichsten BI-Werkzeuge und BI-Anwendungen wie z. B. Berichtssysteme oder Data-Mining-Werkzeuge eingesetzt werden. In der nachfolgenden Abbildung 2 sind typische Business-Intelligence-Nutzungsformen klassifiziert dargestellt (vgl. Gartner Group (1999), S. 15). BI-Nutzungsformen BI-Werkzeuge BI-Anwendungen Berichtssysteme spezialisierte BI-Werkzeuge horizontale Applikationen vertikale Applikationen Einfache Abfragewerkzeuge Berichtsgeneratoren Managed Query Environments OLAP-Werkzeuge etc. Data Mining Führungsinformationssysteme Geografische Informationssysteme Statistiken Datenvisualisierung etc. Verkaufsanalyse Balance Scorecard Unternehmensbudgetierung Enterprise Performance Management CRM-Analytics etc Gesundheitswesen, Versicherungen, Nachweis von Betrug Financial Services, Verkaufsanalyse Telefongesellschaften Risikoanalyse etc. Abb. 2: Klassifikation von BI-Nutzungsformen CRM-Analytics Unter CRM-Analytics (oder analytisches CRM) versteht man eine BI-Anwendung, um Kundenbeziehungen zu messen, zu prognostizieren und zu optimieren (Gluchowski (2001), S. 13ff.). Die Architektur eines Data Warehouses erlaubt es, alle relevanten Kundeninformationen zu sammeln und konsequent 73

7 zu ordnen. Dazu gehören nicht nur strukturierte, (alpha-) numerische Daten, die meist Antworten auf die Fragen nach dem Wer, Wie und Was geben, nicht aber Fragen nach dem Warum beantworten können. Auch semi-strukturierte und unstrukturierte Daten werden benötigt, um z. B. das in einem Text verborgene Wissen aufzudecken. So verrät etwa die Verkaufsanalyse, dass ein ehemaliger Stammkunde die Unternehmensfiliale nur noch selten aufsucht, nicht jedoch, warum er fernbleibt. Die Antwort liefert aber die Analyse der Korrespondenz, falls sich der Kunde über mangelhaften Service beschwert hat (Reincke (2003)). In der nachfolgenden Abbildung 3 ist ein Data Warehouse im seinem Kontext zwischen kundenbezogenen Informationsquellen und analytischen CRM-Anwendungen dargestellt. Informationsquellen CRM-Anwendungen Stammdaten Kundendemographie Kundenzufriedenheit Kundenkontakte Transaktionsdaten Kundenreaktionen Kundenreklamationen Marktdaten zu Kunden Unternehmensdaten von Wettbewerbern, die mit unseren Kunden Geschäfte machen Umfragen CRM Analytics Data Warehouse Modellierung des Kundenverhalten Beurteilung des Kundenwertes Kundenprofitabilität Customer Lifetime Value Kundenprofile Kundenscoring Optimierung des Kundenportfolios Kundenplanung und Prognose Abb. 3: CRM-Analytics im Kontext einer Data-Warehouse-Anwendung 74

8 6.3.3 Data Mining und analytische Applikationen Mit Data Mining wird der automatische oder semiautomatische Prozess bezeichnet, um unbekannte, verständliche und potentiell nützliche Muster, Regeln und Abhängigkeiten aus (großen) Datenmengen herauszufinden. Dabei kommen Methoden aus den Bereichen Statistik, Datenbanktechnologie, Neuronalen Netzen und Maschinellem Lernen zu Einsatz (Hagedorn et al. (1997), S. 601f.). Data-Mining-Verfahren lassen sich auf die Analyse von Kundendaten im Data Warehouse anwenden (Berry/Linoff (1997)). Einige Beispiele: Definition homogener Kundensegmente im Marketing, Vertrieb und Kundenservice: Dabei werden Analysemethoden wie Clustering und Klassifikation angewendet. Beim Clustering werden Datensätze (Kundendaten) mit ähnlichen Eigenschaften ohne Vorgaben von Attributseigenschaften ( intelligent ) gruppiert, während bei der Klassifikation Datensätze aufgrund von zuvor festgelegten Klassifikationsregeln zu Gruppen zusammengefasst werden. Ein Verfahren dazu ist die Verwendung von Entscheidungsbäumen. Aus einem Entscheidungsbaum lassen sich Falls-Dann-Regeln ableiten, um Kunden zu klassifizieren (z. B. wenn ein Kunde älter als 40 ist und ein Einkommen > hat, dann ist er kreditwürdig ). Entscheidungsbäume werden häufig bei der ABC- Analyse von Kundenprofilen eingesetzt. Identifikation von Top-Kunden. Beim RFM-Scoring (Recency, Frequency, Moneytary Value) wird versucht, nach einem gewichteten Berechnungsschema das Kaufverhalten eines Kunden zu bewerten. Aktive Kunden etwa erhalten mehr Punkte als Kunden, die keine Transaktionen getätigt haben. Über mathematische lineare und nicht-lineare Regressionsverfahren können beim Vorliegen von kontinuierlichen (Punkt-) Werten Vorhersagen getroffen werden. Steigerung des Kundenumsatzes durch exakt auf den Kunden zugeschnittene Angebote. Analysemethoden wie z. B. die Untersuchung auf Produktassoziationen (welche Produkte werden häufig zusammen gekauft?) unterstützen beim Cross-Selling und Up-Selling. Eine der Methoden ist die Warenkorbanalyse. Dabei werden die Einkäufe von Kunden analysiert, um Rückschlüsse auf das Kaufverhalten zu ziehen. Die nachfolgende Abbildung 4 zeigt einige Beispiele für die Verwendung von Data-Mining-Verfahren in Verbindung mit CRM-Analytics. 75

9 Anforderungen an CRM-Analytics Modellierung des Kundenverhalten Beurteilung des Kundenwertes Kundenprofitabilität Customer Lifetime Value Kundenprofile Kundenscoring Verfahren des Data-Mining Clustering hierarchisch partitionierend Klassifikation Entscheidungsbäume K-nächste Nachbarn Neuronale Netze Regression Optimierung des Kundenportfolios Kundenplanung und Prognose Assoziation Warenkorbanalyse Assoziationsregeln Sequenzanalyse Abb. 4: Beispiele für die Verwendung von Data-Mining-Verfahren in Verbindung mit CRM-Analytics Markttendenzen und Forschungsbedarf Untersuchungen der Meta Group zufolge verschieben sich die Anforderungen an das analytische CRM vom Abteilungsprojekt weg und hin zur Unternehmensstrategie (Meta Group, 2001). Das analytische CRM wird laut Meta Group zukünftig von folgenden Trends beeinflusst: Von der Kundenanalyse zur Beziehungsanalyse Die Tendenz in Richtung unternehmensübergreifende Zusammenarbeit schafft einen wachsenden Bedarf an Analysemöglichkeiten. Lieferanten, Partner und Mitarbeiter sind in die Analyse von Kundenbeziehungen einzubeziehen. Die Zusammenarbeit über Unternehmensgrenzen hinweg erfordert, Informationen mit den Partnern und Lieferanten zu teilen. Dazu gehört beispielsweise der Austausch und die Pflege von gemeinsamen Stammdaten, die in den jeweiligen Data-Warehouse-Systemen abgespeichert werden. 76

10 CRM-Analytics für das Business Performance Measurement Die Balanced Scorecard (Kaplan/Norton (2001)) ist eine Methode, mit der man die Strategie eines Unternehmens in Form von definierten Zielen beschreiben und messen kann. CRM-Kenngrößen werden dabei als übergeordnete Indikatoren für die Leistungsfähigkeit von Unternehmen betrachtet. Kundenbezogene Maßnahmen wie Kundenzufriedenheit und Kundenprofitabilität sind wichtige Faktoren für die Kommunikation und Messung der Strategie im Unternehmen. Planungsmethoden im Marketing, Vertrieb und Kundenservice Viele Unternehmen entwickeln die momentbezogene und retrospektive Planung von Budgets hin zu einer rollierenden, kontinuierlichen Planung mit Prognosemodellen. Beispielsweise werden die aus Vergangenheitsdaten gewonnenen Verhaltensmuster genutzt, um zukünftiges Verhalten vorherzusagen. Das Zusammenspiel von Data Mining und Prognosemodelle für das analytische CRM in Verbidung mit Data-Warehouse-Technologie steht im Fokus der zukünftigen Forschungsaktivitäten Literatur Bauer, A.; Günzel, H. (Hrsg., 2001): Data Warehouse Systeme. Architektur, Entwicklung, Anwendung. 1. Auflage, Heidelberg 2001 Berry, M. J. A., Linoff, G. (1997), Data Mining Techniques : For Marketing, Sales and Customer Support, New York 1997 Gartner Group (1999): Business Intelligence. In: Computerwoche, Heft 20, S. 15 Gluchowski, P. (2001): Business Intelligence: Konzepte, Technologien und Einsatzbereich. In: HMD, 222, Dez Grothe, M.; Gentsch, P. (2000): Business Intelligence aus Informationen Wettbewerbsvorteil gewinnen. Addison-Wesley, München 2000 Hagedorn, J.; Bissantz, N.; Mertens, P. (1997): Data Mining (Datenmustererkennung): Stand der Forschung und Entwicklung, in: Wirtschaftsinformatik, 39/1997, S Kaplan, R. S.; Norton, D. (2001): Balanced Scorecard, Stuttgart 2001 Meta Group (2001): Putting Marketing Wheels to the Customer Life Cycle, Research Note, ADS 886, abgefragt am

11 Reincke, U. (2003): Analyse-Tools klassifizieren Texte nach dem Inhalt. In: Computerzeitung, Nr. 6, S. 20 Strotz, W; Müller, H.-D. (1998): Das skalierbare Data Warehouse - ein Anwenderbericht. In: Chamoni, P.; Gluchowski, P.: Analytische Informationssysteme - Data 78