Unscharfe Kundensegmentierung

Transkript

1 Seminararbeit im Rahmen des Wahlfaches Electronic Customer Relationship Management Unscharfe Kundensegmentierung vorgelegt am Department of Informatics Information Systems Research Group Prof. Dr. Andreas Meier Universität Fribourg Frühlingssemester 2008 Vorgelegt von: Lukas Gerber Steinbühlallee 114b CH-4123 Allschwil Tel.: 0041(0) Abgabedatum:

2 I Abstract Eine der wichtigsten aktuellen Herausforderungen für Unternehmen ist das Management von Kundenbeziehungen. Diese Arbeit stellt die unscharfe Klassifikation, insbesondere die unscharfe Kundensegmentierung, als mögliches Mittel zur Analyse und Kontrolle von Kundenbeziehungen vor. Theoretisch bringt diese Methode im Vergleich zu einer scharfen Methode viele Vorteile mit sich. Die Anwendung einer unscharfen Logik auf bestehende Management-Instrumente (wie z.b. die ABC-Analyse oder die Portofolio-Analyse) ermöglicht eine bessere und gerechtere Klassifikation und Segmentierung der Kunden eines Unternehmens. Damit wird die Qualität des Kundenbeziehungsmanagements erhöht. Um eine unscharfe Kundensegmentierung in der Praxis optimal umzusetzen, sind jedoch einige wesentliche Aspekte zu berücksichtigen.

3 II Inhaltsverzeichnis Seite ABSTRACT... I INHALTSVERZEICHNIS... II ABBILDUNGSVERZEICHNIS...III ABKÜRZUNGSVERZEICHNIS...IV 1. EINLEITUNG PROBLEMSTELLUNG ZIELSETZUNGEN DER UNTERSUCHUNG VORGEHENSWEISE KONZEPTIONELLE GRUNDLAGEN DER UNTERSUCHUNG RELATIONALE DATENBANKEN KUNDENSEGMENTIERUNG KUNDENWERT UNSCHARFE LOGIK UNSCHARFE KLASSIFIKATION Theoretische Grundlagen des Modells Unscharfe vs. scharfe Klassifikation Fuzzy Classifisation Query Language (fcql) Hierarchical Fuzzy Classification Einsatzbereiche im Management UNSCHARFE KUNDENSEGMENTIERUNG Definition Unscharfe Clusteranalyse Methoden der unscharfen Kundensegmentierung Beispiel: Unscharfe Kundensegmentierung von Online Customers ERKENNTNISSE AUS EINER WIRTSCHAFTLICHEN PERSPEKTIVE ZUSAMMENFASSUNG UND AUSBLICK LITERATURVERZEICHNIS...III

4 III Abbildungsverzeichnis ABBILDUNG 1: KONZEPT DER LINGUISTISCHEN VARIABLE... 9 ABBILDUNG 2: UNSCHARFE KLASSIFIKATION MIT TURNOVER UND PAYMENT BEHAVIOUR... 9 ABBILDUNG 3: SCHARFE (RECHTS) UND UNSCHARFE (LINKS) ABC-ANALYSE ABBILDUNG 4: SCHARFE (A) UND UNSCHARFE (B) PORTOFOLIO-ANALYSE... 17

5 IV Abkürzungsverzeichnis CLV CRM ecrm fcql IT KDD SQL Customer Lifetime Value Customer Relationship Management electronic Customer Relationship Management fuzzy Classification Query Language Information Technology Knowledge Discovery in Databases Structured Query Language

6 1 1. Einleitung 1.1 Problemstellung In den letzen Jahren haben die Kundenbeziehungen in fast allen Branchen eine immer wichtigere Rolle eingenommen und es ist zu erwarten, dass sich diese Entwicklung auch in Zukunft fortsetzen wird. Aus diesem Grund ist das Thema Customer Relationship Management (CRM) für die meisten Unternehmen zu einem Schlüsselbegriff geworden. Diese Entwicklung spiegelt sich unter anderem in den Umsatzzahlen der CRM- Hersteller wieder. Eine Analyse von Forrester Research beziffert das weltweite Volumen des CRM-Geschäftes im Jahre 2006 mit 8,4 Milliarden Dollar und es wird bis zum Jahr 2010 eine jährliche Wachstumsrate von rund 7 % erwartet [vgl. Pichler 2007, S. 27]. Die wesentlichen Ziele des CRMs sind die Pflege dauerhafter und profitabler Kundenbeziehungen und die Steigerung des Kundenwertes für das Unternehmen. Das Electronic Customer Relationship Management, das sich mit der Umsetzung des CRM mit Hilfe elektronischer Medien befasst, ist dabei besonders in den Vordergrund geraten. Dies ist auf die Entfaltung der aktuellen Informationsgesellschaft und deren umfangreiche Datenbestände zurückzuführen. In diesem Bereich wurden verschiedene Methoden und Techniken zur Verwirklichung der Ziele des Kundenbeziehungsmanagements entwickelt. Eine der Methoden besteht in der Kundensegmentierung. Diese bezweckt eine Aufteilung sämtlicher Kunden des Unternehmens in Untergruppen, um die spezifischen Bedürfnisse der Gruppen entsprechend befriedigen zu können. Diese Arbeit stellt das Konzept der unscharfen Klassifikation, insbesondere der unscharfen Kundensegmentierung, vor. Dieses Konzept bietet sich als ein mögliches Instrument zur Kundensegmentierung im Rahmen des CRM an. 1.2 Zielsetzungen der Untersuchung In dieser Arbeit soll überprüft werden, ob das Konzept der unscharfen Kundensegmentierung als mögliches Instrument des CRM einen Zusatznutzen für

7 2 Unternehmen generieren kann. Dabei ist die Frage nach dem Nutzen-Aufwand- Verhältnis von besonderem Interesse. Ziele der Untersuchung: Erläuterung der Begriffe Relationale Datenbanken, Kundensegmentierung und Kundenwert und deren Verknüpfung zum CRM. Veranschaulichung der wesentlichen Konzepte der unscharfen Klassifikation, insbesondere der unscharfen Kundensegmentierung. Analyse der Vor- und Nachteile für das Unternehmen bei der Anwendung eines unscharfen Klassifikationsmodells und Zusammenfassung der daraus resultierenden Erkenntnisse. 1.3 Vorgehensweise Um die oben genannten Ziele zu erreichen, wird die Arbeit wie folgt strukturiert: Im nachfolgenden Kapitel zwei werden die konzeptionellen Grundlagen der Untersuchung dargelegt. Der Leser wird dabei mit den grundlegenden Begriffen dieser Arbeit konfrontiert um darauf aufbauend diese Begriffe in einem bestimmten Zusammenhang zu beurteilen. In Abschnitt 2.1 werden die relationalen Datenbanken vorgestellt und ihre Bedeutung im Bereich des CRM veranschaulicht. Danach zeigt Abschnitt 2.2 die Idee der Kundensegmentierung auf, bevor in Abschnitt 2.3 der Begriff Kundenwert diskutiert wird. Kapitel drei bildet den Schwerpunkt dieser Arbeit. Abschnitt 3.1 stellt die Idee der unscharfen Klassifikation vor. Dabei werden die theoretischen Grundlagen dieser Klassifikationsart erklärt, die Vor- und Nachteile gegenüber einer scharfen Klassifikation analysiert, die Konzepte Fuzzy Classification Query Language und Hierarchical Fuzzy Classification besprochen, sowie deren mögliche Einsatzbereiche im Management aufgezeigt. Anschliessend wird in Abschnitt 3.2 das Konzept der unscharfen Kundensegmentierung tiefgründig besprochen. Zunächst wird dieses

8 3 Konzept genau definiert, anschliessend werden die unscharfe Cluster-Analyse und die Methoden der Kundensegmentierung vorgestellt, bevor ein einfaches Beispiel den praxisorientierten Standpunkt der Arbeit aufzeigt. Abschliessend werden die Erkenntnisse zur unscharfen Logik in Abschnitt 3.3 aus einer wirtschaftlichen Perspektive zusammengefasst. Kapitel vier bildet mit der Zusammenfassung der Untersuchung und dem Ausblick den Abschluss dieser Arbeit. 2 Konzeptionelle Grundlagen der Untersuchung 2.1 Relationale Datenbanken In der aktuellen Informationsgesellschaft weisen die meisten betrieblichen Informationssysteme umfassende Datenbestände auf. Diese werden vorwiegend in relationalen Datenbanken verwaltet. Unternehmen und Organisationen sind an Instrumenten interessiert, welche bedeutsame Informationen aus ihren Datenbanken extrahieren können. Aus diesem Grund zählen Datenbanksysteme mit ihren Sprach- und Auswertungsfunktionen neben der Kommunikationsinfrastruktur zu den Schlüsseltechnologien unserer Gesellschaft [vgl. Meier 2007, S. IX]. Der Prozess des Knowledge Discovery in Databases (KDD) ist in dieser Hinsicht von besonderem Interesse. Das eigentliche Ziel eines solchen KDD-Prozesses ist die Reduktion der Komplexität der Daten resp. das Erkennen von Mustern in grossen Datenbeständen [Meier et al. 2003, S. 1]. Im Rahmen des KDD-Prozesses nimmt die Phase des Data Mining eine zentrale Rolle ein. In dieser Modellierungsphase wendet man Modellierungs- und Entdeckungstechniken auf bereits verarbeitete Daten an [vgl. Timm 2002, S. 2]. Falls Instrumente des Data Mining (wie beispielsweise Klassifikationsmethoden) verwendet werden, verwandelt sich die mehrdimensionale Datenbank in eine Wissensbank [vgl. Meier 2007, S. 177].

9 4 In den letzten Jahren werden Erkenntnisse aus dem Gebiet der unscharfen Logik auf Datenbanken und Datenmodellierung angewendet [vgl. Meier et al. 2003, S. 2]. Dadurch existieren neben den scharfen relationalen Datenbankabfragesprachen wie z.b. SQL (Structured Query Language) nun auch unscharfe Abfragesprachen wie z.b. fcql (fuzzy Classification Query Language). Letztere wird in Abschnitt vertieft behandelt. Die Identifikation von Kunden- oder Marktsegmenten verlangt aussagekräftige Daten über aktuelle und zukünftige Kunden und deren Kaufgewohnheiten. Die Theorie besagt, dass eine grosse Anzahl von Daten zu einem besseren Einblick verhilft. In der Praxis produzieren jedoch operativ betriebliche Informationssysteme umfangreiche Datenbestände [Schindler 1998, S. 1], die vorwiegend in relationalen Datenbanken verwaltet werden. Diese Flut an Informationen erschwert das Auffinden von sinnvollen Informationen und Wissen für das Unternehmen. Deswegen spielen im Bereich der Kundensegmentierung die Technologie der Datenbanken eine wichtige Rolle [vgl. Simha/Iyengar 2005, S. 324]. 2.2 Kundensegmentierung Jedes Unternehmen hat eine andere Art von Kunden. Kunden haben unterschiedliche Bedürfnisse und Erwartungen bezüglich der Produkte und Dienstleistungen, ungleiche Kauf- und Gebrauchsgewohnheiten der gekauften Produkte und ein unterschiedliches Informations- und Kommunikationsverhalten [vgl. Peppers and Rogers 1997, S. 31]. Aus diesem Grund ist eine Unterteilung der Kunden in Gruppen mit ähnlichen Charakteristiken sinnvoll. Oftmals wird die Segmentierung von Kunden als Ausgangspunkt eines systematischen Kundenmanagements gesehen. Unter Kundensegmentierung wird die Aufteilung sämtlicher potenzieller und aktueller Kunden in bezüglich ihrer Marktreaktion intern homogene, untereinander heterogene Untergruppen (Kundensegmente) sowie die Bearbeitung eines oder mehrerer dieser Kundensegmente [Bruhn 2001, S. 95], verstanden. Jedoch besteht die Kernfrage der Segmentierung vielmehr darin, welches der Kundengruppen bzw. Segmente dem Unternehmen den eigentlichen Geschäftserfolg ermöglichen können. Viele

10 5 Kundengruppen im Markt sind zwar an einem Produkt interessiert, verfügen jedoch über keine Zahlungsbereitschaft [vgl. Albiez et al. 2008, S. 848]. Für die Aufteilung der Kunden in Untergruppen, die hinsichtlich ihrer Reaktion auf Aktivitäten des Unternehmens Ähnlichkeiten aufweisen, sind Segmentierungskriterien zu bestimmen. Diese sollten die nachfolgenden Anforderungen erfüllen [vgl. Bruhn 2001, S. 96; Homburg/Sieben 2008, S. 506f.]: Messbarkeit und Operationalisierbarkeit: Die Kriterien sollten mit gängigen Marktforschungsmethoden ermittelbar sein. Wirtschaftlichkeit: Bei der Erhebung der Kriterien sollte der Segmentierungsnutzen die hierfür anfallenden Kosten überkompensieren Zugänglichkeit: Die Kriterien sollten so gewählt werden, dass das Kundensegment gezielt erreichbar und isolierbar ist. Kaufverhaltensrelevanz: Als Kriterien sind Indikatoren zu wählen, die einen Bezug zum Käuferverhalten aufweisen. Zeitliche Stabilität: Die Segmentierungskriterien sollten über den Planungszeitraum weitgehend stabil sein. Im Rahmen des CRM ist es von grosser Bedeutung, eine intelligente und am Kaufverhalten ausgerichtete Segmentierung der Kunden durchzuführen [Homburg/Sieben 2008, S. 507]. Dabei spielt die Art der Segmentierungskriterien eine entscheidende Rolle. Es existiert ein Vielzahl von Kriterien zur Kundensegmentierung (auch Customer Performance Indicators genannt), welche in endogene und exogene Kriterien unterteilt werden können. Im Rahmen des CRM liegt der Schwerpunkt auf den endogenen Kriterien, welche vom Unternehmen steuerbar sind. Es lassen sich folgende Gruppen von endogenen Segmentierungskriterien differenzieren [vgl. Bruhn 2001, S. 97f.]: Ökonomische Kriterien (Kundendeckungsbeitrag, Customer Lifetime Value, Kundenwert, Kundenumsatz, ) Psychologische Kriterien (Kundenzufriedenheit, Beziehungsqualität, Kundentreue, Kundennutzen, )

11 6 Verhaltensbezogene Kriterien (Kundenbindung, Mund-zu-Mund-Kommunikation, Zahlungsverhalten, Wiederkaufsverhalten ) 2.3 Kundenwert Bei der Frage nach dem Kundenwert muss zwischen zwei möglichen Perspektiven unterschieden werden. Aus der Perspektive des Kunden ist der Kundenwert der Nutzen, den die Leistung eines Unternehmens beim Kunden stiftet (Kundennutzen). Aus der Sicht des Unternehmens ist der Kundenwert der ökonomische Beitrag, den der Kunde dem Unternehmen stiftet [vgl. Albiez el al. 2008, S. 854]. Im Rahmen dieser Arbeit wird ausschliesslich näher auf die letztgenannte Perspektive eingegangen. Zur Bestimmung des Kundenwertes können verschiedene Analyseverfahren eingesetzt werden. Grundlegend lässt sich zwischen statischen und dynamischen Analyseverfahren unterscheiden. Beim statischen Verfahren der Kundenwertanalyse beträgt der Betrachtungszeitraum in der Regel ein Jahr. Dabei werden anhand der Daten des Rechnungswesens die im Unternehmen anfallenden Kosten den jeweiligen Kunden zugeordnet. Demgegenüber verfolgt das dynamische Verfahren der Kundenwertanalyse das Ziel, die gesamte Lebenszeit des Kunden über seinen Kundenbeziehungslebenszyklus abzubilden. In diesem Zusammenhang spricht man von der Methodik des Customer Lifetime Value (CLV) [vgl. Homburg/Sieben 2008, S. 510]. Das Customer Relationship Management verfolgt die Optimierung des Kundenwertes in einer Organisation mit Hilfe der Datenanalyse als Ziel. Deshalb erfüllt die Kundenwertanalyse eine wichtige Aufgabe innerhalb des CRM. Durch diese Analyse soll der Wert der verschiedenen Kundensegmente identifiziert werden [vgl. Simha/Iyengar 2005, S. 324].

12 7 3 Unscharfe Logik Die unscharfe Logik (Fuzzy Logic) wurde 1965 von Lofti A. Zadeh mit dem Zeitschriftenartikel Fuzzy Sets eingeführt. Darin begründet Zadeh den Gebrauch von unscharfen Mengen mit der Problematik, dass Gegenstände der physischen Welt und des Denkens nicht immer eindeutig einer Klasse, das heisst einem Oberbegriff, zuzuordnen sind [vgl. Zadeh 1965, S. 338 ff.; Cromme 2005, S. 133]. Seit einiger Zeit werden die Erkenntnisse aus diesem Bereich der unscharfen Logik auf Datenbanken und Datenmodellierung angewendet [vgl. Meier 2007, S. 178]. 3.1 Unscharfe Klassifikation Theoretische Grundlagen des Modells Objekte einer relationalen Datenbank können durch ein scharfes oder unscharfes Verfahren klassifiziert werden. Die scharfe Klassifikation (sharp classification) nimmt eine dichtochome Zuweisung der Datenbankobjekte zur Klasse vor, d.h. die Mengenzugehörigkeitsfunktion des Objekts zur Klasse beträgt 0 (für nicht einhalten) oder 1 (für einhalten). Anders sieht es bei der unscharfen Klassifikation (fuzzy classification) aus. Dieses Verfahren lässt für die Mengenzugehörigkeitsfunktion Werte zwischen 0 und 1 zu. Dadurch wird eine differenzierte Interpretation der Klassenzugehörigkeit ermöglicht [vgl. Meier et al. 2003, S. 3]. Im fuzzy-relationalen Datenmodell mit Kontexten (Kontextmodell) ist jedem Attribut Aj, definiert auf einem Wertebereich D(Aj), ein Kontext zugeordnet. Ein Kontext K(Aj) ist eine Partition von D(Aj) in Äquivalenzklassen. Ein rationales Datenbankschema mit Kontexten R(A,K) besteht daher aus einer Menge von Attributen A=(A1,,An) und einer Menge assoziierter Kontexte K=(K1(A1),,Kn(An)) [vgl. Werro/Stormer/Meier 2006, S. 257]. Um aus scharfen Kontexten unscharfe Klassen herzuleiten, werden den Äquivalenzklassen vorerst verbale Begriffe zugeordnet. Dadurch verbindet sich eine

13 8 Vorstellung über die zur Äquivalenzklasse gehörenden Elementen mit unscharfer Zuordnung. Mit Hilfe dieser linguistischen Variabeln können die Äquivalenzklassen der Attribute auf eine instinktivere Art beschrieben werden. Ausserdem wird jeder Term durch eine unscharfe Menge repräsentiert, die durch eine Zugehörigkeitsfunktion µ auf den Wertebereichen der Attribute definiert ist [vgl. Meier et al. 2003, S. 5]. Das folgende einfache Beispiel soll die theoretischen Grundlagen der unscharfen Klassifikation veranschaulichen: Kunden werden ausschliesslich anhand von zwei Attributen beurteilt, nämlich turnover (Umsatz) und payment behaviour (Zahlungsverhalten). Die beiden qualifizierenden Attribute werden je in zwei Äquivalenzklassen zerlegt. Die entsprechenden Attribute und Kontexte für das CRM lauten [vgl. Meier 2007, S. 178 ff.; Werro/Stormer/Meier 2006, S. 257]: Turnover in CHF pro Monat: Der Wertebereich für den Umsatz in CHF soll durch [ ] definiert sein. Zudem werden die beiden Äquivalenzklassen [0..499] für low turnover und [ ] für high turnover gebildet. Payment behaviour der Kunden: Der Werteberreich [in advance, on time, behind time, too late] gilt für das Attribut des Zahlungsverhaltens. Der Werteberreich wird in den beiden Äquivalenzklassen [in advance, on time] für attractive payment behaviour und [behind time, too late] für non attractive payment behaviour. Die Beschreibung der vagen Terme high turnover und low turnover mit den Zugehörigkeitsfunktionen µ high turnover und µ low turnover bewirkt, dass der Wertebereich D(turnover) unscharf partitioniert wird. Analog wird auch der Werteberreich D(payment behaviour) durch die Terme attractive und non attractive unterteilt. Dadurch entstehen im Kontextmodell Klassen mit kontinuierlichen Übergängen, d.h. unscharfe Klassen. Dies führt zur essentiellen Erkenntnis der unscharfen Klassifikation: A customer can belong to more than one class at the same time. This leads to differentiated marketing concepts and helps to improve customer equity [Meier et al. 2005, S. 1090].

14 9 In Abbildung 1 ist die Definition des Merkmals turnover als linguistische Variable gegeben. Diese Variable hat die Termmenge T(turnover)=[low,high] mit den verbalen Begriffen low und high zur Beschreibung der beiden Äquivalenzklassen [0..499] resp. [ ]. Abbildung 1: Konzept der linguistischen Variable (Quelle: [Werro/Stormer/Meier 2006, S. 257] Wie in Abbildung 2 dargestellt, führt die Definition der Äquivalenzklassen der Attribute turnover und payment behaviour zu einem zweidimensionalen Klassifikationsraum. Die resultierenden Klassen C1 bis C4 können beispielsweise durch Marketingstrategien wie Commit Customer (C1), Improve Loyalty (C2), Augment Turnover (C3) oder Don t Invest (C4) charakterisiert werden. Abbildung 2: Unscharfe Klassifikation mit turnover und payment behaviour (Quelle: [Werro/Stormer/Meier 2006, S. 257] Unscharfe vs. scharfe Klassifikation Nachdem die theoretischen Grundlagen der unscharfen Klassifikation gelegt wurden, soll diese Methode nun mit dem klassischen Konzept der scharfen Klassifikation verglichen werden. Der Gebrauch von unscharfen Klassifikationen im Rahmen des

15 10 CRM bringt einige Vorteile für das Unternehmen mit sich [vgl. Meier/Werro 2006, S. 502 ff.]: Der wesentliche Vorteil besteht darin, dass ein Kunde nicht nur zu einer einzigen, sondern zu mehreren Klassen gleichzeitig gehören kann. Dadurch widerspiegeln die unscharfen Kundensegmente die Realität besser und ermöglichen es dem Unternehmen, Kunden nach ihrem wirklichen Wert zu behandeln. Eine solche individuelle Behandlung ermöglicht es den Managern das Marketingbudget genauer zu berechnen und möglicherweise Kosten einzusparen. Die unscharfe Klassifikation ermöglicht, im Gegensatz zur scharfen Klassifikation, den Gebrauch von nicht-numerischen Attributen. Mit Hilfe dieser linguistischen Variablen und Terme können Äquivalenzklassen instinktiver beschrieben werden und eine sprachliche Formulierung der Datenbankabfragen wird ermöglicht. Ein weiterer Vorteil für das Kundenbeziehungsmanagement ist das Potential für mass customization (individualisierte Massenfertigung), denn unscharfe Klassifikationen führen zu Transparenz und gerechteren Entscheidungen bzgl. der Kundensegmentierung. Die Durchführung einer Marketingaktion ist sehr kostenaufwendig. Aus diesem Grund muss das richtige Kundensegment ausgewählt werden. Die unscharfe Klassifikation bietet wesentliche Vorteile bei der Planung und Selektion von Kundenuntergruppen. Es existiert jedoch ein erheblicher Nachteil bei der Methode der unscharfen Klassifikation. Die Definition der Attribute, der Äquivalenzklassen und der Zugehörigkeitsfunktionen stellt eine anspruchsvolle Aufgabe dar. Um diese Aufgabe ordnungsgemäß zu bewältigen ist die Zusammenarbeit von Marketing-Spezialisten, Data-Architects und eventuell auch von Webshop-Administratoren unabdingbar. Beyond this, a methodology is needed fort he entire planning, designing, and testing process [Meier et al. 2005, S. 1093].

16 Fuzzy Classifisation Query Language (fcql) Fuzzy Classification Query Language ist ein Instrument des Data Mining in Informationssystemen, welches die relationalen Datenbanken mit der unscharfen Logik verbindet. Mit dieser Klassifikationssprache können unscharfe Klassen definiert und abgefragt werden. Die Struktur von fcql basiert auf der Idee von SQL (Structured Query Language), der Standardsprache im Umgang mit Datenbanken [vgl. Werro et al. 2005a, S. 4]). Im Vergleich zu anderen unscharfen Klassifikationsmethoden besteht der Hauptvorteil dieses Systems darin, dass keine Modifikation der Funktionalität der bestehenden relationalen Datenbank nötig ist. Des Weiteren operieren Klassifikationsabfragen mit der Sprache fcql auf einer linguistischen Ebene mit vagen Kontexten. Dadurch müssen den Anwendern weder die scharfen Zielwerte noch die Kontexte, sondern lediglich der Spaltenname des objektidentifizierenden Merkmals und die Tabelle oder Sicht, in der die Merkmalswerte enthalten sind, bekannt sein. Der Anwender kann eine Klasse spezifizieren oder Merkmale mit einer verbalen Beschreibung ihrer Ausprägungen angeben [vgl. Meier et al. 2003, S. 4]. Die Strukturen der Klassifikationssprachen SQL und fcql sehen folgendermassen aus [vgl. Schindler 1998a]): SQL: select Merkmale from Tabellen where Selektionsbedingung mit Kontextbezeichnung fcql: classify Objekt from Tabelle with Klassifikationsbedingung Im Unterschied zu SQL wird die Projektionsliste bei der select-klausel durch den Spaltennamen des zu klassifizierenden Objektes ersetzt. Ausserdem wird anstatt der where-klausel (Selektionsbedingung) des SQL eine with-klausel (Klassifikationsbedingung) benutzt [vgl. Meier et al. 2001, S. 6].

17 12 Eine Datenbankabfrage mit fcql im Bereich Customer Relationship Management könnte beispielsweise folgendermassen aussehen: classify from with Customer CustomerRelation Turnover is large and Payment behaviour is attractive Diese Abfrage besteht aus dem Bezeichnen des zu klassifizierenden Objekts (Customer), dem Namen der Grundtabelle (CustomerRelation), den kritischen Merkmalsnamen (Turnover resp. Payment behaviour) sowie aus den Namen der vordefinierten Äquivalenzklassen (large resp. attractive). Diese Klassifikationsabfrage würde die Klasse C1, definiert als Aggregation von den Termen large und attractive, als Antwort haben (siehe Abbildung 2, Abschnitt 3.1.1) Hierarchical Fuzzy Classification In echten Applikationen kann das Datenbankschema einer unscharfen Klassifikation eine Vielzahl von Attributen, linguistischen Variablen und Termen besitzen. Dies führt zu einem mehrdimensionalen Klassifikationsraum mit einer grossen Anzahl von Klassen. Durch die Kombination aller Attribute kann das Extrahieren von Informationen der resultierenden Klassen unübersichtlich werden. Dieses Problem, das auch bei scharfen Klassifikationen präsent ist, wird teilweise durch den Gebrauch von unscharfen Klassen gelöst. Indem ein kontinuierlicher Übergang zwischen den Klassen vorliegt, sind weniger Äquivalenzklassen erforderlich. Das Problem der Komplexität besteht jedoch weiterhin, wenn die Anzahl linguistischer Variablen exponentiell mit der Anzahl Klassen wächst. Um die Übersicht beizubehalten, kann ein mehrdimensionaler unscharfer Klassifikationsraum in eine Hierarchie von unscharfen Klassifikationsebenen zerlegt werden. Dadurch wird es möglich, aussagekräftige Definitionen für jede der Klassen zu erzielen. Die Zerlegung eines mehrdimensionalen unscharfen Klassifikationsraumes reduziert auch die Komplexität und erlaubt somit die Optimierung in der Modellierungsphase [vgl. Meier/Werro 2007, S. 180].

18 Einsatzbereiche im Management Der Ansatz der unscharfen Klassifikation und das Instrument des fcql sind mehr als ein neues Konzept oder Teil einer Software. Die unscharfe Klassifikation kann als Managementmethode und das fcql als ein mächtiges Instrument zur Analyse und Kontrolle eines Unternehmens betrachtet werden. Wenn geeignete Informationen in einer Datenbank verfügbar sind, kann die Leistung eines Unternehmens anhand der unscharfen Klassifikation erfolgreich gemessen werden. Diese Analyse und Kontrolle von qualitativen und quantitativen Leistungsindikatoren kann in folgenden Bereichen erfolgen: Strategic Management, Supply Chain Management, Total Quality Management, Risk Management und Customer Relationship Management. Im Rahmen dieser Arbeit nimmt der Einsatzbereich des CRM eine zentrale Rolle ein [vgl. Meier/Schindler/Werro 2007, S. 22]. 3.2 Unscharfe Kundensegmentierung Definition Auf den endogenen Kundensegmentierungskriterien (siehe Abschnitt 2.2) wie beispielsweise zufrieden und unzufrieden oder treu und untreu aufbauend können Kunden voneinander getrennt werden. Aufgrund der Vorteile, die eine unscharfe Klassifikation gegenüber einer scharfen mit sich bringt, sollte die Segmentierung und Evaluation von Kunden ebenfalls auf einer unscharfen Art und Weise erfolgen. Die unscharfe Kundensegmentierung wird als fuzzy classification of the company s current customers into similar, fuzzy segments, using different customer performance indicators definiert [Zumstein 2007, S. 63]. Unter den Kriterien der Kundensegmentierung (customer performance indicators) werden die ökonomischen, psychologischen und verhaltensbezogenen endogenen Kriterien verstanden.

19 Unscharfe Clusteranalyse Jede Klasse oder Kombination von Klassen einer ein-, zwei- oder mehrdimensionalen unscharfen Klassifikation kann als unscharfes Segment definiert werden. Es wurde angenommen, dass die Klassen, in denen die Daten klassifiziert wurden, bekannt und fix sind. In der Realität passen die Daten jedoch meistens nicht in die gegebenen Klassen. Klassen sollten sich den Daten anpassen und nicht umgekehrt. Bei solchen Identifikationsprozeduren der Klassen kann die Methode der Clusteranalyse verwendet werden [vgl. Zumstein 2007, S.64]. Die Clusteranalyse selbst ist ein Teilgebiet der Datenanalyse und beschäftigt sich mit dem Auffinden von Gruppen und Gruppierungen. Dabei sollen Daten oder Ziele mit gleichen oder ähnlichen Merkmalen gefunden und einer Klasse (Cluster) zugeordnet werden. Eine Methode zur Nutzung der Möglichkeiten der Fuzzy-Logik bei der Datenanalyse ist die Fuzzy-Clusteranalyse [vgl. Grossmann 2002, S. 1]. Um unscharfe Klassen von den Daten abzuleiten, können nicht-disjunktive Algorithmen gebraucht werden. Die bekanntesten Algorithmen der Fuzzy-Clusteranlayse sind der fuzzy-c- Means-algorithm (FCM), der Gustafson-Kessel-algorithm, der Gath-Gevaalgorithm und der Fuzzy-Maximum-Likelihood-Estimation-algorithm (FMLE) [vgl. Höppner et al. 1999, S. 35 ff.]. Der Gebrauch solcher Algorithmen führt dazu, dass die Grenzen zwischen den verschiedenen Segmente fliessend verlaufen. Unscharf klassifizierte Elemente können dementsprechend mehreren Segmenten angehören. Die Methode der unscharfen Segmentierung und die Definition von unscharfen Segmenten ermöglicht eine genaure Darstellung der Position von Kunden. Die Wahrscheinlichkeit von Fehlklassifikationen wird reduziert und Kundensegmente können flexibler gemanagt werden [vgl. Zumstein 2007, S.65]. Da die Logik der unscharfen Segmentierung nicht von der genauen Form der Segmente oder von der Segmentierung abhängt, wird die Methode der unscharfen Clusteranalyse in den übrigen Abschnitten dieser Arbeit nicht angewendet.

20 Methoden der unscharfen Kundensegmentierung Es existieren eindimensionale und mehrdimensionale Methoden der Kundensegmentierung und evaluation. Eine eindimensionale Kundensegmentierung kann anhand bestimmter Kriterien oder z.b. durch die ABC-Methode durchgeführt werden. Methoden der mehrdimensionalen Kundensegmentierung sind z.b. die Portofolio-Analyse oder die Scoring-Methode. Eine weitere mehrdimensionale Methode bildet die unscharfe Klassifikation. Diese Art der Klassifikation kann zusätzlich auf die anderen (eindimensionalen und mehrdimensionalen) Methoden angewendet werden. Dadurch wird die Logik der unscharfen Klassifikation auf die betroffenen Verfahren angeknüpft. Beispielhaft werden nachfolgend die eindimensionale ABC-Analyse und die mehrdimensionale Portfolio-Analyse vertieft analysiert und sowohl als scharfe als auch als unscharfe Methoden dargestellt. Die ABC-Analyse ermöglicht den Vergleich von Umsatzkennzahlen zwischen verschiedenen Kunden. Dabei werden die Kunden entsprechend ihres Umsatzes, den der Anbieter mit ihnen macht, in eine Reihenfolge gebracht. Dies wird in einem zweidimensionalen Diagramm mit den Achsen kumulierter Anteil am Kundenbestand und kumulierter Umatzanteil dargestellt. Auf der erstgenannten Achse werden die jeweiligen Kunden abgetragen, wobei auf der linken Seite der Achse mit den Umsatzstärksten begonnen wird. Häufig wird hierbei ersichtlich, dass ein relativ kleiner Kundenanteil einen relativ grossen Umsatzanteil ausmacht [vgl. Bruhn 2001, S.217]. In diesem Zusammenhang wird oft von der 20:80-Regel gesprochen. Anhand der resultierenden Kurve lassen sich die Kunden in A-, B- und C-Kunden einteilen, wobei am meisten in die A-Kunden investiert werden sollte. Abbildung 4 zeigt auf der linken Seite die unscharfe ABC-Analyse mit den fliessenden Grenzen zwischen A-, B- und C-Kunden und auf der rechten Seite die klassische scharfe ABC-Analyse. Mit der scharfen Analyse werden möglicherweise Kunden mit ähnlicher Umsatzstärke in unterschiedliche Kundensegmente eingeteilt (Ford-Smith oder Brown-Miller) und Kunden mit relativ unterschiedlicher Umsatzstärke in das