Unscharfe Kundensegmentierung

Größe: px
Ab Seite anzeigen:

Download "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

Online CRM: Fuzzy Customer Segmentation

Online CRM: Fuzzy Customer Segmentation Online CRM: Fuzzy Customer Segmentation Adrian Glauser Inhalt : 1. Einführung..... 3 2. Unscharfe Logik. 3 3. Klassische Kundensegmentierung. 5 4. Unscharfe Kundensegmentierung.. 6 5. Anwendungsbeispiel....

Mehr

Zur unscharfen Klassifikation von Datenbanken mit fcql

Zur unscharfen Klassifikation von Datenbanken mit fcql Zur unscharfen Klassifikation von Datenbanken mit fcql Andreas Meier, Christian Mezger, Nicolas Werro, Günter Schindler * Universität Fribourg Departement für Informatik Rue Faucigny 2 CH-1700 Fribourg

Mehr

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing Feedback-Management als Daten-Schatz für das Multi-Channel- - Strategische CRM-Unternehmensberatung Vortrag im Rahmen des MTP-Alumni Forums Erfolgsfaktor Kundendialog warum Kunden wiederkommen, Darmstadt,

Mehr

Kundenbindung aus theoretischer Perspektive

Kundenbindung aus theoretischer Perspektive Inhaltsverzeichnis Vorwort Autorenverzeichnis V XIII Erster Teil Begriff und Grundlagen des Kundenbindungsmanagements Christian Homburg und Manfred Bruhn Kundenbindungsmanagement - Eine Einfuhrung in die

Mehr

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

Mehr

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG...

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... Inhaltsübersicht Inhaltsübersicht I INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... 1 1.1 Zielsetzung und Motivation... 1 1.2

Mehr

Wertorientiertes Management von Kundenbeziehungen

Wertorientiertes Management von Kundenbeziehungen Horst-Florian Teja Jaeck Wertorientiertes Management von Kundenbeziehungen Berechnung des Customer Lifetime Value und Einsatz als Steuerungsgröße im CRM Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis

Mehr

1. Einleitung. 1.1. Ausgangssituation

1. Einleitung. 1.1. Ausgangssituation 1. Einleitung In der vorliegenden Arbeit wird untersucht, welche Faktoren den erfolgreichen Ausgang eines Supply-Chain-Projektes zwischen zwei Projektpartnern beeinflussen. Dazu werden zum einen mögliche

Mehr

Produkte kommen und gehen, Kunden bleiben

Produkte kommen und gehen, Kunden bleiben Oliver Holtmann Produkte kommen und gehen, Kunden bleiben Customer-Value-Controlling als Herausforderung zur Steuerung des Kundenwerts Diplomica Verlag Oliver Holtmann Produkte kommen und gehen, Kunden

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Erfolgsfaktoren von Customer Relationship Management Strategien

Erfolgsfaktoren von Customer Relationship Management Strategien Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen Diplomica Verlag Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen

Mehr

Inhaltsverzeichnis THEORETISCHER TEIL. Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis, XXVII

Inhaltsverzeichnis THEORETISCHER TEIL. Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis, XXVII Inhaltsverzeichnis Abbildungsverzeichnis XVII Tabellenverzeichnis XXV Abkürzungsverzeichnis, XXVII 1 Einführung in die Problemstellung 1 1.1 Wiederentdeckung der ökonomischen Bedeutung von langfristigen

Mehr

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol CRM Customer Relationship Management Gliederung Entwicklung und Einführung von Bezugspunkte und CRM - Systeme Veränderte Rahmenbedingungen Entwicklung CRM - Systeme» Deregulierung verstärkt internationalen

Mehr

Teil 1: Effektivität - Wirkungsmechanismen der Kundenbindung

Teil 1: Effektivität - Wirkungsmechanismen der Kundenbindung Inhaltsverzeichnis 1 Einleitung... 8 1.1 Einführung Was ist Loyalty Profiling?... 8 1.2 Motivation, Zielsetzung und Aufbau der Arbeit... 13 Teil 1: Effektivität - Wirkungsmechanismen der Kundenbindung

Mehr

Customer Relationship Marketing

Customer Relationship Marketing Customer Relationship Marketing Marc Müller Die Entwicklung des Marketings hin zum Customer Relationship Marketing lässt sich unter anderem auf die technologische Entwicklung zurückführen. Die Änderungen

Mehr

Kundenbindung im gewerblichen Automobilmarkt

Kundenbindung im gewerblichen Automobilmarkt Andreas Meyer Kundenbindung im gewerblichen Automobilmarkt Eine empirische Kausalanalyse it einem Geleitwort von Prof. Dr. Frank Wimmer GABLER RESEARCH XI Inhaltsverzeichnis Inhaltsübersicht t IX Inhaltsverzeichnis

Mehr

Address: University of Fribourg, Department of Informatics, Boulevard de Pérolles 90, CH-1700 Fribourg/Switzerland.

Address: University of Fribourg, Department of Informatics, Boulevard de Pérolles 90, CH-1700 Fribourg/Switzerland. Andreas Meier is a member of the Faculty of Economics and Social Science and a professor for information technology at the University of Fribourg. He specializes in electronic business, electronic government,

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management KubiS 2008 Bonner Anwendertagung Kundenbindung durch Defection-Management "Identifizieren Sie Ihre abwanderungswilligen Kunden bevor sie weg sind" Thomas Starsetzki Geschäftsführer starsetzki@skopos.de

Mehr

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots Einleitung Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots von Irmela Herzog Im Rahmen der Herbsttagung der AG DANK (Datenanalyse und Numerische Klassifikation)

Mehr

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi Motivation Themenblock: Data Preprocessing We are drowning in information, but starving for knowledge! (John Naisbett) Was genau ist Datenanalyse? Praktikum: Data Warehousing und Data Mining Was ist Data

Mehr

Inhaltsverzeichnis. Inhaltsverzeichnis

Inhaltsverzeichnis. Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis IX Abbildungsverzeichnis XIV Tabellenverzeichnis,...«. XEX Formclverzeichnis....XX Abkürzungsverzeichnis, XXI 1 Einleitung 1 1.1 Problemstellung 1 1.2 Methodik und

Mehr

Strategische Neukundengewinnung im internationalen Industriegütermarketing mittelständischer Unternehmen

Strategische Neukundengewinnung im internationalen Industriegütermarketing mittelständischer Unternehmen Valentino Di Candido Strategische Neukundengewinnung im internationalen Industriegütermarketing mittelständischer Unternehmen Ein konzeptioneller Ansatz auf Basis einer internationalen Marktsegmentierung

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 378 Umsetzung ausgewählter Supply-Chain-Operations-Reference-Metriken durch das

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Customer Relationship Management

Customer Relationship Management UNIVERSITY OF FRIBOURG Seminar Customer Relationship Management Fuzzy RFM Modell Verfasser: Patrik Hugi 6. Semester Wirtschaftsinformatik UniFR Brunngasse 48, 3011 Bern ++41 (0) 79 695 13 78 patrik.hugi@unifr.ch

Mehr

Jenseits der Datenbank: Ausweg zu verkaufen. Vorsprung im Wettbewerb durch one to one - Marketing

Jenseits der Datenbank: Ausweg zu verkaufen. Vorsprung im Wettbewerb durch one to one - Marketing Jenseits der Datenbank: Ausweg zu verkaufen Vorsprung im Wettbewerb durch one to one - Marketing Erfahrungen im Vertrieb 2004 Regionalisierung der Kundenstruktur Aufträge werden kleiner Kunden verhalten

Mehr

Customer Relationship Management CRM

Customer Relationship Management CRM Customer Relationship Management CRM 1.1 Zielsetzung von CRM...2 1.2 Komponenten einer CRM-Lösung...4 1.2.1 Aufgabenbereiche eines CRM-Systems...4 1.2.2 Analytisches CRM...7 1.2.3 Operatives CRM...7 1.2.4

Mehr

IT-Sicherheit mobiler Applikationen zur Unterstützung von Geschäftsprozessen. Bachelorarbeit

IT-Sicherheit mobiler Applikationen zur Unterstützung von Geschäftsprozessen. Bachelorarbeit IT-Sicherheit mobiler Applikationen zur Unterstützung von Geschäftsprozessen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der

Mehr

Teil I Die strategische Dimension des Marketing 31 Video-Fallstudie Land Rover... 32

Teil I Die strategische Dimension des Marketing 31 Video-Fallstudie Land Rover... 32 Vorwort 21 ZurfünftendeutschenAuflage... 21 Lernhilfen in diesem Buch... 25 ZusatzmaterialienfürStudierendeundDozenten... 26 DieAutoren... 26 DieBearbeiter... 28 Teil I Die strategische Dimension des Marketing

Mehr

Beck-Wirtschaftsberater im dtv 50808. Kundenorientierung. Bausteine für ein exzellentes Customer Relationship Management (CRM)

Beck-Wirtschaftsberater im dtv 50808. Kundenorientierung. Bausteine für ein exzellentes Customer Relationship Management (CRM) Beck-Wirtschaftsberater im dtv 50808 Kundenorientierung Bausteine für ein exzellentes Customer Relationship Management (CRM) von Prof. Dr. Manfred Bruhn Prof. Dr. Manfred Bruhn ist Inhaber des Lehrstuhls

Mehr

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFTEN Lehrstuhl für Wirtschaftsinformatik I Informationssysteme Prof. Dr. Günther Pernul Theoretisches Seminar/Skiseminar im Wintersemester 2014/15 Auch im Wintersemester

Mehr

Entstehung und Generierung von Kundenwertpotenzialen im Web 2.0

Entstehung und Generierung von Kundenwertpotenzialen im Web 2.0 Vivian Pindur Entstehung und Generierung von Kundenwertpotenzialen im Web 2.0 Eine analytische Betrachtung unter Berücksichtigung des Social Media Monitoring Verlag Dr. Kovac Hamburg 2013 Inhaltsverzeichnis

Mehr

Anforderungsanalyse für CRM-Systeme in Speditionen

Anforderungsanalyse für CRM-Systeme in Speditionen Anforderungsanalyse für CRM-Systeme in Speditionen Diplomarbeit zur Erlangung des Grades einer Diplom-Ökonomin der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

medien SKRIPTEN Beiträge zur Medien- und Kommunikationswissenschaft Herausgeber: Michael Schenk

medien SKRIPTEN Beiträge zur Medien- und Kommunikationswissenschaft Herausgeber: Michael Schenk Reihe medien SKRIPTEN Beiträge zur Medien- und Kommunikationswissenschaft Herausgeber: Michael Schenk Band 48 Ute GUndling Die Neuausrichtung des Zeitungsmarfcetings durch Customer Relationship Management

Mehr

Seite Vorwort zur 3. Auflage... V Vorwort zur 2. Auflage... VII Vorwort zur 1. Auflage... IX Voice of the Customer... XI

Seite Vorwort zur 3. Auflage... V Vorwort zur 2. Auflage... VII Vorwort zur 1. Auflage... IX Voice of the Customer... XI Seite Vorwort zur 3. Auflage... V Vorwort zur 2. Auflage... VII Vorwort zur 1. Auflage... IX Voice of the Customer... XI Kapitel 1 Grundlagen und Bausteine des Kundenmanagements Was zeichnet eine hohe

Mehr

Datenqualitätsmanagement im Customer Relationship Management

Datenqualitätsmanagement im Customer Relationship Management Wolfgang Leußer Datenqualitätsmanagement im Customer Relationship Management Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XVII XIX XXI

Mehr

Das IPML Weiterbildungsprogramm Customer Relationship Management: Der Weg zum kundenorientierten Unternehmen

Das IPML Weiterbildungsprogramm Customer Relationship Management: Der Weg zum kundenorientierten Unternehmen Das IPML Weiterbildungsprogramm Customer Relationship Management: Der Weg zum kundenorientierten Unternehmen 1 Customer Relationship Management: Der Weg zum kundenorientierten Unternehmen Motivation Unter

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

2 THEORETISCHE GRUNDLAGEN ZUM KUNDENBINDUNGSMANAGEMENT 11

2 THEORETISCHE GRUNDLAGEN ZUM KUNDENBINDUNGSMANAGEMENT 11 INHALTSVERZEICHNIS ABBILDUNGSVERZEICHNIS XVII TABELLENVERZEICHNIS XIX ABKÜRZUNGSVERZEICHNIS XXI 1 EINLEITUNG 1 1.1 Zur Notwendigkeit eines Kundenbindungsmanagements auf Business-to-Consumer Märkten.1 1.2

Mehr

ASQT 2015. 13. Anwenderkonferenz für Softwarequalität, Test und Innovation

ASQT 2015. 13. Anwenderkonferenz für Softwarequalität, Test und Innovation ASQT 2015 13. Anwenderkonferenz für Softwarequalität, Test und Innovation Kongress Graz 16. u. 17. April 2015 www.asqt.org Motivation In den letzten 50 Jahren haben zwei Wellen der Informationstechnologie

Mehr

Logistische Leistungsdifferenzierung im Supply Chain Management

Logistische Leistungsdifferenzierung im Supply Chain Management Stefan Alexander Doch Logistische Leistungsdifferenzierung im Supply Chain Management Theoretische und empirische Entwicklung eines Gestaltungsansatzes für die Differenzierung der logistischen Leistungserstellung

Mehr

Pricing Strategie Ansatz

Pricing Strategie Ansatz Pricing Strategie Ansatz aprciot marketing consulting Agenda. Ziel Phasen im Projekt Selektion & Modellierung Pricing Komponenten Projekt Zeitplan Pricing Projekt Ziel. Ziel ist es, eine Pricing Policy

Mehr

Kundenzufriedenheits- Analyse 4.0

Kundenzufriedenheits- Analyse 4.0 Kundenzufriedenheits- Analyse 4.0 Kundenzufriedenheit ist eine subjektive Grösse Das Konsum- und Entscheidungsverhalten von Menschen lässt sich nicht fixen Kategorien zuschreiben. Es zeigen sich situative

Mehr

Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder

Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder 1 2 3 Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder die Forschungsziele. Ein erstes Unterscheidungsmerkmal

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Schriftenreihe des Fachbereiches Wirtschaft Sankt Augustin

Schriftenreihe des Fachbereiches Wirtschaft Sankt Augustin Schriftenreihe des Fachbereiches Wirtschaft Sankt Augustin Andreas Gadatsch, Thilo Knuppertz, Sven Schnägelberger Geschäftsprozessmanagement - Eine Umfrage zur aktuellen Situation in Deutschland Band 9

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Reihe Portfoliomanagement, Band 28: INVESTMENT CONSULTING IM INSTITUTIONELLEN ASSET MANAGEMENT von Bastian Runge 724 Seiten, Uhlenbruch Verlag, 05/2012 EUR 98,- inkl. MwSt. und Versand ISBN 978-3-933207-78-4

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Diskussion eines hybriden Projektmanagements im Vergleich zu klassischem und agilem Projektmanagement. Bachelorarbeit

Diskussion eines hybriden Projektmanagements im Vergleich zu klassischem und agilem Projektmanagement. Bachelorarbeit Diskussion eines hybriden Projektmanagements im Vergleich zu klassischem und agilem Projektmanagement Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Ziele und Strategien bei der Einführung von CRM

Ziele und Strategien bei der Einführung von CRM Ziele und Strategien bei der Einführung von CRM Viele Unternehmen nutzen CRM für sich, um ihre Kundennähe zu verbessern und Ihr Geschäft auszubauen. Dieser Kurzvortrag zeigt die Ziele und strategischen

Mehr

Anmeldung zum Seminar Produktionsmanagement SS 2014

Anmeldung zum Seminar Produktionsmanagement SS 2014 Lehrstuhl für Produktionswirtschaft Prof. Dr. Marion Steven ProduktionsManagement Sommersemester 2014 Anmeldung zum Seminar Produktionsmanagement SS 2014 Liebe Studierende, bitte füllen Sie das Anmeldeformular

Mehr

Seminar CRM SS 2006. Data Warehouses und Customer Relationship Management

Seminar CRM SS 2006. Data Warehouses und Customer Relationship Management Seminar CRM SS 2006 Data Warehouses und Customer Relationship Management Jan Guggisberg & Urs Dietrich 1. Der Einsatz von Data Warehouses im Customer-Relationship-Management 2 2. Die Einführung eines Data

Mehr

Beim Kunden wahrgenommene Qualität von IT-Services Ein wichtiger Faktor in der Beschaffung von Cloud Services

Beim Kunden wahrgenommene Qualität von IT-Services Ein wichtiger Faktor in der Beschaffung von Cloud Services Beim Kunden wahrgenommene Qualität von IT-Services Ein wichtiger Faktor in der Beschaffung von Cloud Services BICCnet Arbeitskreistreffen "IT-Services" am 14. November bei fortiss Jan Wollersheim fortiss

Mehr

Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg

Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg Sequential Pattern Analysis Historische Aspekte Data Mining als Teildisziplin

Mehr

Workshop 3: Strategisches Marketing

Workshop 3: Strategisches Marketing BPW Business School Strategie Workshop 3: Strategisches Marketing Anthony-James Owen Guerrilla Marketing Group BPW Business ist eine Initiative des Businessplan-Wettbewerbs Berlin-Brandenburg Weitere Informationen

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Spezialisierungskatalog

Spezialisierungskatalog Spezialisierungskatalog Inhaltsverzeichnis: 1. Friedrich Schiller Universität 2. TU Ilmenau 3. FH Erfurt 4. FH Jena 5. FH Nordhausen 6. FH Schmalkalden 7. BA Gera 8. BA Eisenach 1. Friedrich-Schiller-Universität

Mehr

Gordana Bjelopetrovic

Gordana Bjelopetrovic Gordana Bjelopetrovic Am Beispiel des Projektes Weiterbildung Online - eine Initiative mittelständischer Unternehmen in Nordhessen " Verlag Dr. Kovac Hamburg 2008 IX Inhaltsverzeichnis INHALTSVERZEICHNIS

Mehr

On the Use of Optimization for Data Mining

On the Use of Optimization for Data Mining On the Use of Optimization for Data Mining Theoretical Interactions and ecrm Opportunities Hannes Laber Sommersemester 2004 Seminararbeit an der Abteilung für Informationswirtschaft Wirtschaftsuniversität

Mehr

Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen. Bachelorarbeit

Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen. Bachelorarbeit Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaften

Mehr

Data Mining - Clustering. Sven Elvers

Data Mining - Clustering. Sven Elvers Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006) Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger

Mehr

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.

Mehr

Geo-Analyse-Paket Mit CRM & Geomarketing Vertriebspotenziale heben

Geo-Analyse-Paket Mit CRM & Geomarketing Vertriebspotenziale heben Geo-Analyse-Paket Mit CRM & Geomarketing Vertriebspotenziale heben Erfahren Sie, wie Sie durch Verknüpfung von CRM und Geomarketing zusätzliche Vertriebspotenziale heben und Marketingmaßnahmen optimieren

Mehr

Grundlagen des CRM. Dr.-Ing. Jubran Rajub

Grundlagen des CRM. Dr.-Ing. Jubran Rajub Grundlagen des CRM Dr.-Ing. Literatur H. Hippner, K. D. Wilde (Hrsg.): Grundlagen des CRM, Konzepte und Gestaltung, Gabler Verlag, Wiesbaden (2007). K.C. Laudon, J.P. Laudon, D. Schoder: "Wirtschaftsinformatik

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

Ways and methods to secure customer satisfaction at the example of a building subcontractor

Ways and methods to secure customer satisfaction at the example of a building subcontractor Abstract The thesis on hand deals with customer satisfaction at the example of a building subcontractor. Due to the problems in the building branch, it is nowadays necessary to act customer oriented. Customer

Mehr

Fundamentals of Software Engineering 1

Fundamentals of Software Engineering 1 Folie a: Name Fundamentals of Software Engineering 1 Grundlagen der Programmentwurfstechnik 1 Sommersemester 2012 Dr.-Ing. Stefan Werner Fakultät für Ingenieurwissenschaften Folie 1 Inhaltsverzeichnis

Mehr

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3 xi Teil A Grundlagen und Methoden 1 1 Customer Relationship Management ein Bezugsrahmen 3 1.1 Die Entwicklung zum kundenzentrierten Unternehmen 3 1.2 Ziel und Kernkonzepte des CRM 5 1.2.1 Ziel: Profitable

Mehr

Das Phänomen der De-Internationalisierung

Das Phänomen der De-Internationalisierung Astrid Jagenberg Das Phänomen der De-Internationalisierung Ein reales Phänomen oder nur ein theoretisches Konstrukt? LIT INHALT Zusammenfassung Inhaltsverzeichnis Abbildungsverzeichnis i iii vii 1 Einleitung

Mehr

CRM Planen und Umsetzen welche Fragen auch für Sie relevant sind

CRM Planen und Umsetzen welche Fragen auch für Sie relevant sind Crystal Forum 2013 Clouds Zürich CRM Planen und Umsetzen welche Fragen auch für Sie relevant sind Institut für Finanzdienstleistungen Zug IFZ Prof. Dr. Nils Hafner Leiter Customer Focus T direkt +41 41

Mehr

Process-Oriented Measurement of Customer Satisfaction - POMS

Process-Oriented Measurement of Customer Satisfaction - POMS Process-Oriented Measurement of Customer Satisfaction - POMS Kundenzufriedenheit (KZF) wird weithin als eine wichtige Voraussetzung für andauernden Unternehmenserfolg genannt. Wissenschaftliche Studien,

Mehr

Betriebswirtschaftslehre des Handels 1: Handelsmanagement und Handelscontrolling

Betriebswirtschaftslehre des Handels 1: Handelsmanagement und Handelscontrolling Betriebswirtschaftslehre des Handels 1: Handelsmanagement und Handelscontrolling 2 Handelscontrolling Prof. Dr. Hendrik Schröder 2-47 Betriebswirtschaftslehre des Handels 1 Handelsmanagement und Handelscontrolling

Mehr

Kundenbeziehungsmanagement (CRM) Kundenkompetenz wichtiger als Fachkompetenz? Dr. Johann Fischl, August 2013

Kundenbeziehungsmanagement (CRM) Kundenkompetenz wichtiger als Fachkompetenz? Dr. Johann Fischl, August 2013 Kundenbeziehungsmanagement (CRM) Kundenkompetenz wichtiger als Fachkompetenz? Dr. Johann Fischl, August 2013 Womit können Sie heute Ihre Kunden noch positiv überraschen und beeindrucken? Produkte werden

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr

Unsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung

Unsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung Management Briefing Unsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung Erhalten Sie die Einblicke, die Sie brauchen, um schnell auf Nachfrageschwankungen reagieren zu können Sales and

Mehr

Web Analytics & Web Controlling

Web Analytics & Web Controlling Edition TDWI Web Analytics & Web Controlling Webbasierte Business Intelligence zur Erfolgssicherung von Andreas Meier, Darius Zumstein 1. Auflage Web Analytics & Web Controlling Meier / Zumstein schnell

Mehr

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder.

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. Präsenzübung Service 2.1. CRM Customer-Relationship Management a) Anliegen des CRM Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. CRM, auch Beziehungsmanagement

Mehr

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28. PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt

Mehr

SQL (Structured Query Language) Schemata Datentypen

SQL (Structured Query Language) Schemata Datentypen 2 SQL Sprachelemente Grundlegende Sprachelemente von SQL. 2.1 Übersicht Themen des Kapitels SQL Sprachelemente Themen des Kapitels SQL (Structured Query Language) Schemata Datentypen Im Kapitel SQL Sprachelemente

Mehr

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Systematische Potenzialanalyse und ein generisches Prozessmodell Berlin, 22.03.2006 Andreas Reuß Universität Ulm Sektion

Mehr

Social Software im Change Management. Bachelorarbeit

Social Software im Change Management. Bachelorarbeit Social Software im Change Management Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen Fakultät der

Mehr

Entwicklung eines CRM Systems

Entwicklung eines CRM Systems Entwicklung eines CRM Systems In diesem Skript werden alle möglichen Elemente die zur Entwicklung eines CRM Systems notwendig sind angesprochen. Im Rahmen Ihrer Analyse Ihres Beispielunternehmens/ Ihrer

Mehr

Entscheidungsbaumverfahren

Entscheidungsbaumverfahren Entscheidungsbaumverfahren Allgemeine Beschreibung Der Entscheidungsbaum ist die Darstellung einer Entscheidungsregel, anhand derer Objekte in Klassen eingeteilt werden. Die Klassifizierung erfolgt durch

Mehr

SQL structured query language

SQL structured query language Umfangreiche Datenmengen werden üblicherweise in relationalen Datenbank-Systemen (RDBMS) gespeichert Logische Struktur der Datenbank wird mittels Entity/Realtionship-Diagrammen dargestellt structured query

Mehr

Projektrisikomanagement im Corporate Risk Management

Projektrisikomanagement im Corporate Risk Management VERTRAULICH Projektrisikomanagement im Corporate Risk Management Stefan Friesenecker 24. März 2009 Inhaltsverzeichnis Risikokategorien Projekt-Klassifizierung Gestaltungsdimensionen des Projektrisikomanagementes

Mehr

Diplomarbeit. vorgelegt von. Ivan Mahnet. Matrikel Nr. 612904 13. Fachsemester. Wintersemester 2009/2010

Diplomarbeit. vorgelegt von. Ivan Mahnet. Matrikel Nr. 612904 13. Fachsemester. Wintersemester 2009/2010 Diplomarbeit Zur Erlangung des akademischen Titels Diplom-Gesundheitsökonom (FH) Dimensionierung einer Rohrpostanlage in einem Krankenhaus der Maximalversorgung vorgelegt von Ivan Mahnet Matrikel Nr. 612904

Mehr

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement CMC-KOMPASS: CRM Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement 1 CROSSMEDIACONSULTING 18.05.2010 Unser Verständnis von CRM: Customer Relationship Management ist weit mehr als ein IT-Projekt

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

Planung und Messung der Datenqualität in Data-Warehouse-Systemen

Planung und Messung der Datenqualität in Data-Warehouse-Systemen Planung und Messung der Datenqualität in Data-Warehouse-Systemen DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung der Würde eines

Mehr

Kundenbeziehungsmanagement

Kundenbeziehungsmanagement Detailprogramm 7 Module > Do. 17.09.2015 Sa. 06.02.2016 Berufsbegleitender Diplomlehrgang Kundenbeziehungsmanagement CRM Leitidee Unsere Unternehmen sehen sich heute mit einem immer schneller wandelnden

Mehr