Beziehungen zwischen Kundenverhaltens- und Kundenbewertungsmodellen

Größe: px
Ab Seite anzeigen:

Download "Beziehungen zwischen Kundenverhaltens- und Kundenbewertungsmodellen"

Transkript

1 Beziehungen zwischen Kundenverhaltens- und Kundenbewertungsmodellen als Seminararbeit an der Wirtschafts- und Sozialwissenschaftlichen Fakultät der Universität Freiburg eingereicht bei Dr. rer. oec. Konrad Walser Departement für Informatik von von Liebherr, Sophie Schmidt-Holzmann, Kamala von Nussbaumen (CH) von Bonn (D) im 8.Semester im 8.Semester Matrikelnummer: Matrikelnummer: Rue de Lausanne 28 Rue du Pont-Muré Freiburg 1700 Freiburg 079/ / Freiburg,

2 Inhaltsverzeichnis I Inhaltsverzeichnis Inhaltsverzeichnis... I 1 Einleitung Ausgangslage Aufbau der Arbeit Kundenverhaltensmodelle Bedeutung der Kundenverhaltensmodelle im CRM Datengrundlage Datentypen der Kundendatenbank Datenerhebungsmethoden Grundlagen des Database Marketing Database Marketing Research Analysis Detection Action Reaction Modell Grundlagen des Data Mining Data Mining Kreislauf Ziele und Methoden des Data Mining Data Mining und der Kundenlebenszyklus Kundenmodelle und Kundenprofile Kundenbewertung Kundenwert Einflussfaktoren des Kundenwerts Einflussfaktoren des Kundennutzen Kundennutzen generieren Kundenauswahl Scoring-Modelle Recency Frequency Monetary Ratio Modell... 24

3 Inhaltsverzeichnis II Vor- und Nachteile von Scoring-Modellen Beziehungen zwischen den Modellen Zusammenhang Ausblick Abbildungsverzeichnis Abkürzungsverzeichnis Literaturverzeichnis Selbständigkeitserklärung... 35

4 Kapitel 1: Einleitung 1 1 Einleitung In dieser Einleitung wird in einem ersten Abschnitt die Ausgangslage erläutert. Dabei wird auf die thematische Einordnung ebenso eingegangen, wie die Problemstellung und Zielsetzung dargestellt werden. In einem weiteren Abschnitt wird der allgemeine Aufbau der vorliegenden Arbeit systematisch vorgestellt. 1.1 Ausgangslage Das Customer Relationship Management (CRM) ist als eine kundenorientierte Unternehmensstrategie zu verstehen. Das CRM versucht, anhand moderner Informationstechnologien auf lange Sicht hin profitable Kundenbeziehungen aufzubauen und zu festigen. Eine immer grösser werdende Herausforderung für das Marketing ist es, Kundenwerte aus Sicht der Anbieterunternehmen zu messen und Kundenbeziehungen wertorientiert zu steuern. Dies lässt sich auch direkt auf das CRM übertragen. Das CRM ist nämlich strikt auf die Analyse der einzelnen Kunden, aber auch einzelner Segmente und aggregierte Kundenverhalten ausgerichtet. 1 Das CRM basiert somit auf der Annahme, dass eine bessere Kundenkenntnis zum wirtschaftlichen Erfolg des Unternehmens beiträgt. Um dies zu erreichen, existieren Kundenverhaltensmodelle wie auch Kundenbewertungsmodelle, die dem CRM dabei helfen sollen, die optimalen Kunden herauszufinden. Diesbezüglich stellen sich allerdings Fragen wie: Welches sind die richtigen Verfahren zur optimalen Kundenanalyse?, Welche Techniken sind im Einzelnen anzuwenden?, Welche Bedeutung haben diese beiden Modelle im CRM- Prozess? oder In welchem Zusammenhang stehen diese Modelle zueinander?. Um diese Fragen zu beantworten, werden in dieser Arbeit die verschiedenen Ansichtspunkte dieser Grundmodelle erklärt. Die Modelle sind im Aufbau des CRM-Modell im Bereich der analytischen Datenbanken eingegliedert. Dieser wesentliche Teil des CRM wird dem analytischen CRM (acrm) zugeordnet. Die Abbildung 1 weist das CRM- System mit den drei zentralen Aufgabenbereichen auf. Daran kann man gut erkennen, dass der Bereich des analytischen CRM, welcher in den folgenden Kapiteln behandelt wird, mit den anderen zwei Bereichen eng in Verbindung steht. Das analytische CRM hat 1 Vgl. Hippner/Wilde (2004), S. 299.

5 Kapitel 1: Einleitung 2 Verknüpfungen zu dem operativen und dem kommunikativen CRM. Somit bleibt nicht aus, dass für das analytische CRM die anderen Bereiche von grosser Bedeutung sind, und dass das ganze System ein komplexes Gebilde darstellt. Wie schon erwähnt, ist dieses Gebilde in drei Teile gegliedert. Im ersten Teil handelt es sich um den strategischen Bereich des CRM. Er beinhaltet in einem ersten Schritt die Kundengewinnung, gefolgt von Cross- und Up-Selling, dann die Kundenbindung und zuletzt die Kundenrückgewinnung. Im zweiten Teil handelt es sich um das operative CRM. Dieser Bereich beinhaltet eine Wirkungskette zwischen dem Marketing, dem Verkauf und dem After Sales Service. Diese Bereiche sind eng mit der operativen Kundenbank verbunden. Wie die Abbildung darstellt, sind sowohl das strategische CRM, als auch das operative CRM eng mit dem analytischen CRM verknüpft, welches die analytischen Datenbanken beinhaltet. Im Folgenden wird erklärt, was die Arbeit beinhaltet und wie sie aufgebaut ist. Strategisches CRM Cross-Selling Up-Selling Kundengewinnung Kundenbindung Kundenrückgewinnung Operatives CRM Marketing Verkauf After Sales Service Kundendatenbank (operativ) Datenbank (analytisch) Analytisches CRM Abbildung 1: CRM-Modell Aufbau der Arbeit Im zweiten Kapitel werden die Grundlagen der Kundenverhaltensmodelle dargestellt. Hierbei wird insbesondere auf die Bedeutung der Kundenverhaltensmodelle im CRM-System eingegangen und anhand 2 Eigene Darstellung.

6 Kapitel 1: Einleitung 3 psychologischer Grundlagentheorien erläutert. Die einzelnen Datentypen werden vorgestellt. Anhand dieser Typologisierung werden verschiedene Datenerhebungstechniken beschrieben. Im Anschluss an diese Einführung in das Thema wird das Database Marketing beschrieben. Dies ist eine Vorgehensweise des Marketings, die das Einbeziehen von Kundendaten und Kundenverhalten im gesamten Prozess beinhaltet. Dazu wird das Research Analysis Detection Action Reaction Modell (RADAR-Modell) des Database Marketing vorgestellt. Zur Unterstützung der einzelnen Prozessschritte des Database Marketing kann das Data Mining dienen. Diese technische Analyseform wird in einem weiteren Abschnitt demonstriert. Hier wird insbesondere auf den Prozess, die Ziele und die Methoden eingegangen. Des Weiteren werden die Einsatzmöglichkeiten des Data Mining im Kundenlebenszyklus (Customer Life Cycle) dargestellt. Aus diesem Verfahren resultieren Kundenmodelle. Diese Kundenprofile werden im letzten Abschnitt erläutert. Im dritten Kapitel geht es um Kundenbewertungsmodelle. Dort werden Grundlagenbegriffe der Kundenbewertung erklärt. Anschliessend wird auf traditionelle Kundenwertmethoden, insbesondere auf die Scoring-Modelle eingegangen. Zum Schluss des Kapitels wird ein Beispiel eines Recency Frequency Monetary Ratio Modells (RFMR-Modell) aufgeführt und die entsprechenden Vorteile wie auch Nachteile eines solchen Scoring-Modells erläutert. Anschliessend an die beiden theoretischen Kapitel, die die Grundlagen der Kundenverhaltensmodelle und der Kundenbewertungsmodelle dargestellt haben, werden im vierten Kapitel die Zusammenhänge und die Beziehung zwischen den beiden Modellen erläutert. In einem letzten Abschnitt wird die gesamte Arbeit kritisch bewertet und weitere Fragestellungen zusammengetragen.

7 Kapitel 2: Kundenverhaltensmodelle 4 2 Kundenverhaltensmodelle Im Folgenden werden die Kundenverhaltensmodelle beschrieben. In einem ersten Abschnitt wird die Bedeutung der Kundenverhaltensmodelle veranschaulicht. Die Datengrundlage wird im Kapitel 2.2 dargestellt. Aufbauend auf diesen Informationen werden im Kapitel 2.3 die Grundlagen des Database Marketing erläutert und durch das RADAR-Modell systematisiert. Im Kapitel 2.4 werden die Grundlagen des Data Mining gegeben. Im letzten Abschnitt dieses Kapitels werden Kundenmodelle und -profile vorgestellt. Diese Modelle resultieren aus den Daten, die durch das Data Mining analysiert werden. Diese bilden ebenso die Grundlage für das Database Marketing. 2.1 Bedeutung der Kundenverhaltensmodelle im CRM In dem gesamten Kundenbeziehungskreislauf geht es darum, den gewinnbringenden Kunden angepasst, an dessen Bedürfnisse, optimal zu bearbeiten. 3 Im Einzelnen bedeutet dies, dass man in einem ersten Schritt die Personen herausfinden muss, die interessant sind für das Unternehmen. 4 Diese Personen werden daraufhin genau analysiert. Ein Ziel ist es alles über den Kunden zu erfahren, um ihn bestmöglichst kennen zu lernen. Aufbauend auf einer detaillierten Wissensbasis über den Kunden können geeignete Strategien entwickeln werden, um den Kunden bedürfnisgerecht zu führen. 5 Man möchte das Verhalten der Kunden vorhersagen können, so dass auch die Reaktionen der Kunden auf eine bestimmte Werbemassnahme des Unternehmens einschätzt werden können. Aus dieser Sichtweise heraus wäre es somit möglich, nur noch effiziente Massnahmen durchzuführen, die den Kunden definitiv zu dem Verhalten steuern, das vom Unternehmen gewünscht wird. Der Idealfall für ein Unternehmen ist die komplette Vorhersagbarkeit der Reaktionen eines jeden Kunden. Dies wird im Stimulus-Response-Modell dargestellt (S-R-Modell). Dieses Modell ist in der Abbildung 2 (A) veranschaulicht. Dieses Modell geht davon aus, dass der Mensch wie eine Black-Box ist und jedes Verhalten 3 Vgl. Gabler (2002), S ff. 4 Vgl. Schulze (2002), S. 17 ff. 5 Vgl. Zahn et al. (2003), S. 19.

8 Kapitel 2: Kundenverhaltensmodelle 5 des Menschen vorhersagbar ist. Bei einem bestimmten Stimulus reagiert der Mensch immer mit der gleichen Reaktion. Jede Reaktion ist mit dem vorherigen Stimulus gekoppelt. Dieses Modell hat sich aber als zu vereinfacht erwiesen. 6 Das Stimulus-Organismus-Response-Modell (S-O-R-Modell) ist daher eine erweiterte Entwicklung der vorherigen Darstellung. In der Abbildung 2 (B) ist das S- O-R-Modell im Vergleich zum S-R-Modell aufgezeigt. Der Mensch wird hierbei nicht mehr als Black-Box gesehen, sondern als ein Organismus, der sich ständig weiterentwickelt. 7 Dies ist auch die theoretische Grundlage der Kundenverhaltensmodelle. Der Mensch ist ein sich ständig veränderndes Wesen, das aufbauend auf seinen Erfahrungen und Umwelteinflüssen die jeweiligen Reaktionen auf denselben Stimulus ändert. Das Verhalten eines Menschen zu prognostizieren, ist nach diesem Modell nur denkbar, wenn man jedes einzelne Detail seines Organismus kennt. Damit ist die vollständige Vorhersagbarkeit unmöglich. Stimulus Black Box Response A Stimulus Organism Response B Abbildung 2: S-R-Modell (A) und S-O-R-Modell (B) 8 Trotzdem wird der Datenbeschaffung ein grosser Wert zugestanden. 9 Unternehmen möchten zumindest teilweise das Verhalten des Kunden vorhersagen können und brauchen daher die detaillierten Kundendaten. Nur durch einen grossen 6 Vgl. Homburg/Krohmer (2006), S Vgl. Myers (2005), S. 334 ff. 8 In Anlehnung an Schenk (2002). 9 Vgl. Zahn et al. (2003), S. 8.

9 Kapitel 2: Kundenverhaltensmodelle 6 Datenpool kann es ermöglicht werden, den Kunden einzuschätzen und Wahrscheinlichkeiten für gewisse Verhaltensreaktionen anzunehmen. Im Folgenden werden die verschiedenen Daten vorgestellt, die von einem Unternehmen erhoben werden, um eine geeignete Analyse der Kunden vorzunehmen. 2.2 Datengrundlage In diesem Abschnitt werden die möglichen Kundendaten in einer Datenbank systematisiert. Die Erhebungsmöglichkeiten der Informationen werden gezeigt und anhand einiger Bespiele veranschaulicht Datentypen der Kundendatenbank Nach Link/Hildebrandt (1993) kann das Informationsspektrum nach Grund-, Potential-, Aktions- und Reaktionsdaten unterschieden werden. 10 Im Folgenden werden die vier Datentypen anhand von Link/Hildebrandt ausgeführt und durch Beispiele ergänzt. 11 Grunddaten sind Informationen über den Kunden, die sich über einen längeren Zeitraum nicht verändern. Ebenfalls charakterisiert dieser Datentyp Informationen, die nicht mit einem Produkt zusammenhängen. Hierzu zählen vor allen Dingen Adressdaten, d.h. Informationen über den Namen, die Anschrift, die Anrede, die Telefonnummer und die -Adresse. Des Weiteren können Informationen nach verschiedenen Merkmalen strukturiert werden, die es später erleichtern, die Kunden zu charakterisieren. Hierzu gehören geografische Kriterien, soziodemografische Merkmale, psychografische Kriterien und kaufverhaltens- und kauforientierte Kriterien. Geografische Kriterien sind Merkmale eines Kunden, die sich ausschliesslich darauf beziehen, in welchem Viertel, in welcher Region oder in welchem Land er lebt. Das Alter, das Geschlecht, die Ausbildung, der Beruf und der Familienstand sind Beispiele für soziodemografische Kriterien einer Person. Psychografische Kriterien sind z.b. die Meinung oder Einstellung eines Kunden. Kaufverhaltens- oder kauforientierte Kriterien sind Informationen über die 10 Vgl. Link/Hildebrandt (1994), S. 6 ff. 11 Vgl. Link/Hildebrandt (1993), S. 34 ff.

10 Kapitel 2: Kundenverhaltensmodelle 7 bevorzugte Menge, den bevorzugten Preis oder die Qualität. 12 Potentialdaten hingegen sind Informationen, die zeigen, welchen produktspezifischen Bedarf der Kunde zu einem bestimmten Zeitpunkt hat. Dies sind Daten wie z.b. Informationen über den produktspezifischen Gesamtbedarf, den Bedarfszeitpunkt, die derzeitig vorhandenen Produkte oder der derzeitige Leistungsanspruch. Die Informationen über den Wert des Kunden (siehe Kapitel 3. Kundenbewertungsmodelle) gehören ebenso zu diesem Datentyp. 13 Aktionsdaten dokumentieren alle Massnahmen, die das Unternehmen einleitet, um den Kunden an sich zu binden und eine Beziehung herzustellen. Zu den Aktionsdaten zählen alle Aufzeichnungen über die Aktivitäten des Unternehmens selber, aber auch die Aktionsdaten der Konkurrenzfirmen. Hier müssen insbesondere die Art der Aktivität, die Intensität, die Zeitpunkte, die Häufigkeit und die Inhalte des Kundenkontaktes aufgezeichnet werden. 14 Reaktionsdaten sind alle gesammelten Informationen über die Reaktion des Kunden. Diese Daten geben damit direkt Aufschluss über die Wirksamkeit der eingesetzten Massnahmen und stehen daher in einem engen inhaltlichen Kontext zu den Aktionsdaten. 15 Im folgenden Abschnitt werden die Erhebungsmöglichkeiten für die vier verschiedenen Datentypen dargestellt Datenerhebungsmethoden Um die zu den Grunddaten gehörenden Adressdaten zu generieren kann sich ein Unternehmen dafür entscheiden, die Daten selber zu erheben oder die Informationen von externen Anbietern käuflich zu erwerben. Bei der unternehmenseigenen Generierung können Preisausschreiben, Coupon-Anzeigen, Messekontakte oder Freundschaftswerbung eingesetzt werden. Der Fremdbezug hingegen kann über Adressverlage vorgenommen werden. Die anderen merkmalsbezogenen Informationen können anhand bestehender Kataloge zusammengetragen werden. Hier gibt es z.b. die geografischen Gebiete der 12 Vgl. Link/Hildebrandt (1993), S Vgl. Link/Hildebrandt (1993), S Vgl. Link/Hildebrandt (1993), S Vgl. Link/Hildebrandt (1993), S

11 Kapitel 2: Kundenverhaltensmodelle 8 Marktforschungsunternehmung Nielsen. Ebenso können Regio- oder Life-Style- Typen auf Grundlage der allgemeinen Kundendaten definiert werden. 16 Die Potentialdaten beinhalten Informationen über den Marktanteil, den man bei einem Kunden einnimmt. Bei einem Neukunden ist dieser Marktanteil bei 0%. Bei einem bestehenden Kunden wird dieser Anteil grösser sein, z.b. 30%. Zielvorgaben in diesem Bereich liegen bei 100%, da ein Unternehmen gerne die gesamten Bedürfnisse eines Kunden mit seinen eigenen Produkten befriedigt. Diese Daten müssen aufwändig über Befragungen oder Beobachtungen generiert werden. Jedoch ist es oft schwierig, diese Informationen von den Kunden zu bekommen, da sie ihre zukünftigen Bedarfswerte ungern preisgeben. Eine Ausnahme bilden die Bereiche in denen der Kunde befürchten muss zu einem späteren Zeitpunkt in einen Engpass zu kommen, wenn das Produkt nicht auf Lager ist. In diesem Fall arbeiten die Kunden meistens mit den Unternehmen zusammen, so dass beide eine bessere Planung machen können. Da es sehr schwierig ist, die Daten zu erhalten wird meist von ähnlichen aussagewilligeren Kunden auf andere nicht aussagewilligen Kunden mit ähnlichen Merkmalen geschlossen. Die grösste Schwierigkeit liegt meistens in der Bestimmung des Bedarfszeitpunkts. Die Befragungen können in die Richtung einer Vertragslaufzeit etc. gehen. Des Weiteren benutzt man Expertenbefragungen, um diese Daten zu erhalten. Diese Experten eines Unternehmens können aufgrund von bestimmten Grund- oder Reaktionsdaten auf den zukünftigen Bedarf schliessen. Diese Methode ist sehr kostengünstig und kann sogar automatisiert durch ein Expertensystem vorgenommen werden. Durch die genannten Verfahren werden die Daten nur sehr ungenau erhoben. Trotzdem sollte nicht auf die Generierung der Potenzialdaten verzichtet werden. Diese Aufgaben können jedoch den Marktforschungsunternehmen übergeben werden, da dies die eigenen Anstrengungen erheblich minimiert. 17 Die eigenen Aktionsdaten können mühelos erhoben werden. Hier werden sämtliche Daten bezüglich der Aktivitäten des Unternehmens dokumentiert. Alle kundengerichteten Massnahmen sind hier aufzuführen. Diese Informationen dienen vor allen Dingen der späteren Erfolgskontrolle. Die Kontrolle bietet damit Möglichkeiten, den weiteren Prozess zu optimieren. Diese Daten von anderen 16 Vgl. Link/Hildebrandt (1993), S Vgl. Link/Hildebrandt (1993), S

12 Kapitel 2: Kundenverhaltensmodelle 9 Unternehmen zu erhalten, ist etwas schwieriger. 18 Bei den Reaktionsdaten werden alle Informationen gesammelt, die eine Reaktion des Kunden auf eine Massnahme beinhalten. Dazu gehören alle Anrufe, Aufträge und Beschwerden. Diese Daten können in den Call Centern der Unternehmen direkt erhoben werden und in die Datenbank eingetragen werden. Des Weiteren können die Kundenreaktionen in ökonomischen Erfolgsgrössen gemessen werden, wie z.b. den Deckungsbeitrag oder die Umsatzhöhe. Die Kundeneinstellung oder die Kundenkenntnisse bezüglich der Produkte lassen sich als ausserökonomische Erfolgsgrössen erheben. 19 Aufbauend auf die verschiedenen Datentypen lässt sich dieses Informationsmaterial analysieren und im CRM-System anwenden. Die Ziele des Database Marketing können mit diesen Daten verwirklicht werden. 2.3 Grundlagen des Database Marketing Im folgenden Abschnitt wird die Bedeutung der eben beschriebenen Daten veranschaulicht. Das Database Marketing wird vorgestellt. Anschliessend wird das RADAR-Modell des Database Marketings erläutert Database Marketing Im Database Marketing geht es um die Bearbeitung der Kunden aufbauend auf einer Datenbank. Diese Verfahren versuchen alle Prozessschritte durch die Informationen aus der Datenbank zu unterstützen. 20 Dadurch soll ein individuelles Marketing ermöglicht werden, so dass jeder Kunde eine auf seine persönlichen Eigenschaften hin zugeschnittene Werbebotschaft erhält. Diese individualisierte Ansprache ist die Zielsetzung des Individual-Marketings und gleichzeitig die Grundidee des Database Marketings. 21 Dem richtigen Kunden [soll] zum richtigen Zeitpunkt ein massgeschneidertes Informations- und Leistungsangebot gemacht 18 Vgl. Link/Hildebrandt (1993), S Vgl. Link/Hildebrandt (1993), S Vgl. Link/ Hildebrand (1993), S Vgl. Link/ Hildebrand (1993), S. 29.

13 Kapitel 2: Kundenverhaltensmodelle 10 werden. 22 Dafür müssen die Kundendaten gesammelt werden und anschliessend adäquat analysiert werden Research Analysis Detection Action Reaction Modell Aufbauend auf den Grundideen des Individual-Marketings und des Datebase Marketings kann der Informationsbeschaffungsprozess systematisiert werden. Nach Link/Hildebrandt (1993) kann das Research Analysis Detection Action Reaction (RADAR) Prinzip bei der Datengenerierung helfen und den Analyseprozess optimieren. Das RADAR-Modell ist in der Abbildung 3 dargestellt. R steht für Research und bezeichnet die Beschaffung von Daten über potentielle Kunden. A steht für Analysis und beschreibt den Vorgang zur Analyse der gewonnenen Daten. D bedeutet Detection und beinhaltet das Identifizieren von Chancen und Risiken. Das zweite A symbolisiert Action und beschreibt die Planung und Gestaltung der kundenspezifischen Massnahmen. Das zweite R steht für Reaction und beinhaltet die Reaktionsdaten der Kunden auf die Aktionen des Unternehmens. Aus diesen fünf Prozessschritten muss die Unternehmung, wie ein Radar, die Informationen ermitteln und diese in die Datenbank einfliessen lassen. Die Kundendatenbank wiederum unterstützt die Prozessschritte Analysis, Detection und Action. 23 Research Analysis Kundendatenbank Detection Action Radar Reaction Abbildung 3: RADAR-Modell des Database Marketing Link/ Hildebrand (1993), S Vgl. Link/ Hildebrand (1993), S In Anlehnung an Link/Hildebrand (1993).

14 Kapitel 2: Kundenverhaltensmodelle 11 Diese Systematisierung der Prozessschritte deckt sich mit der vorherigen Strukturierung der Daten im Kapitel 2.2. Die Grund- und Potentialdaten werden in der Analysephase erhoben. Hingegen werden die Aktionsdaten in der Aktionsphase vom Unternehmen generiert und in der Phase Reaction werden die Reaktionsdaten der Kunden erhoben. Das Unternehmen muss sinngemäss seinen Radar in die optimalen Richtungen lenken und die bestmöglichsten Informationen generieren. Ausgerichtet auf die Datengenerierung kann ein optimales Marketing auf Datenbasis erfolgen. 25 Im Folgenden wird das Data Mining vorgestellt. Dies ist ein technisches Verfahren, welches das Database Marketing unterstützen kann. 2.4 Grundlagen des Data Mining Die Phasen des RADAR-Modells können mittels des Data Mining unterstützt werden. Das Data Mining ist eine technische Lösung zur Auswertung von grossen Datenmengen. Der Begriff Data Mining kommt ursprünglich aus dem Bergbau. Mining wird assoziert mit grossem technischem Aufwand enorme Gesteinsmengen maschinell ab[zu]bauen und aufzuarbeiten [ ], um Edelmetalle und Edelsteine zu fördern. 26 Im Data Mining werden analog dazu grosse Datenmengen durch verschiedenste Techniken gebündelt und nach neuen Informationen untersucht. 27 Das Data Mining soll den Traum eines gläsernen Kunden[s] verwirklichen. 28 Durch die Durchsuchung der gesamten Informationen über einen Kunden sollen exakte Kundenprofile erstellt werden, die eine individuelle Ansprache des Kunden ermöglichen. 29 Durch verschiedene Techniken, die im Abschnitt genauer erläutert werden, kann das Data Mining aus grossen unüberschaubaren Datensätzen Muster herausfinden, die zur Einteilung der Kunden dienen. Durch die Strukturierung der Daten lassen sich die Kundeninformationen zu einzelnen Kundenmodellen zusammenfassen. 25 Vgl. Link/Hildebrand (1993), S Wilde/Hippner (2004), S Vgl. Berry/Linoff (1997), S Wilde/Hippner (2004), S Vgl. Wilde/Hippner (2004), S. 313.

15 Kapitel 2: Kundenverhaltensmodelle 12 Im Gegensatz zu bisherigen Methoden bietet das Data Mining eine erhebliche Automatisierung der Überprüfung der Zusammenhänge innerhalb der Daten. 30 Im Folgenden wird der Data Mining Kreislauf dargestellt. Anschliessend werden die Ziele definiert und die Methoden erläutert. Zum Abschluss dieses Abschnittes wird gezeigt, in welchen Phasen des Kundenlebenszyklus das Data Mining eingesetzt werden kann Data Mining Kreislauf Der Data Mining Kreislauf kann anhand des Prozessmodells CRISP-DM (Cross Industry Standard Process for Data Mining 31 ) dargestellt werden. Dieses Modell zeigt einen typischen Data Mining Ablauf in sechs Phasen. Im Folgenden wird in Anlehnung an Meyer et al. (2001) dieser Prozess dargestellt. 32 Die Reihenfolge der Phasen kann je nach dem spezifischen Projekt flexibel verändert werden. Der äussere Kreis symbolisiert die oft Phasen übergreifenden Lernprozesse und Abhängigkeiten (siehe Abbildung 4). Das Modell passt sich ständig an Änderungen und neuen Gegebenheiten an. Jedes Data Mining Projekt beginnt mit einem spezifischen Geschäftsproblem. Dieses Problem muss in Zusammenhang mit den vorhandenen Daten in ein Data Mining Ziel umformuliert werden. Diese Phase wird Business Understanding genannt. In der zweiten Phase müssen die Daten betrachtet werden. Eine inhaltliche Auseinandersetzung mit den vorhandenen Rohdaten wird durchgeführt. Diese Phase wird als Data Understanding bezeichnet. In der Phase Datenaufarbeitung werden die Datensätze meist bereinigt, selektiert, aggregiert und umformatiert. Erst in der Folgephase Modellierung werden die Data Mining Algorithmen eingesetzt und die Modellierungstechniken ausgewählt und durchgeführt. In der Evaluierungsphase werden die gewonnenen Ergebnisse gesichtet und beurteilt. Die resultierenden Erkenntnisse wirken sich wieder auf die nächsten Projekte aus, so dass eine direkte Rückkopplung zur ersten Phase besteht. In der letzten Phase des Prozesses werden 30 Vgl. Wilde/Hippner (2004), S CRISP ist eine Initiative zur Bildung eines standardisierten Prozessmodells. Dieses Modell soll technologie- und branchenunabhängig sein. Die Initiative ist gefördert von der Europäischen Kommission und den Unternehmen SPSS, NCR, DaimlerChrysler und OHRA. 32 Vgl. Meyer et al. (2001), S. 123 ff.

16 Kapitel 2: Kundenverhaltensmodelle 13 die Ergebnisse umgesetzt und implementiert. 2. Data Understanding 3. Datenaufarbeitung 1. Business Understanding 4. Modellierung 6. Umsetzung der Ergebnisse 5. Evaluation Abbildung 4: Data Mining Prozess Ziele und Methoden des Data Mining Wie im vorangegangenen Kapitel beschrieben wurde, steht am Anfang eines jeden Data Mining Projekts ein Geschäftsproblem. Dieses Problem soll gelöst werden. Aufgrund dessen werden die konkreten Data Mining Ziele festgelegt. Diese möglichen Ziele werden im Folgenden vorgestellt und erläutert. Ebenso werden die dazugehörigen Data Mining Methoden beschrieben. Die Beschreibungen stützen sich auf die Ausführungen von Nakhaeizadeh et al. (1998). 34 Ein Ziel des Data Mining ist die so genannte Segmentierung. Hierbei möchte man die Daten so aufspalten, dass Teilmengen entstehen, die in sich homogen sind. Die so entstehenden Segmente sollen interessante und sinnvolle Teilmengen oder Klassen bilden. 35 Grosse Datenmengen werden durch diese Verfahren übersichtlicher und können zu weiteren Entscheidungen beitragen. Dieses Ziel 33 In Anlehnung an Meyer et al. (2001), S Vgl. Nakhaeizadeh et al. (1998), S. 7 ff. 35 Nakhaeizadeh et al. (1998), S. 7.

17 Kapitel 2: Kundenverhaltensmodelle 14 erreicht man anhand der Clusteranalyse. In der Statistik gibt es verschiedene Methoden, Cluster von Daten zu bilden. 36 In der Praxis kann diese Verfahrensgruppe dazu dienen, interessante von uninteressanten Segmenten zu trennen. Dies ist z.b. bei der Auswahl der Zielgruppe besonders wichtig. Ein weiteres Ziel des Data Mining ist die Klassifikation von Daten. Hierbei können ex ante definierten Klassen neue Objekte zugeordnet werden. Ausgehend von einer Segmentierung können Klassen gebildet werden. Neu dazukommende Daten können nach den definierten Merkmalen den verschiedenen Klassen zu geordnet werden. Hierzu werden die Klassifikationsmethoden verwendet. Zu diesen Methoden gehören Verfahren wie die statistische Diskriminanzanalyse, aber auch künstliche neuronale Netze, baumbasierte Entscheidungsverfahren und regelbasierte Verfahren. 37 Die Klassifikation kann z.b. bei der Entscheidung über die Kreditwürdigkeit eines Kunden bedeutend sein. Erfahrungswerte können anhand der Klassifikationsmethoden zeigen, ob der Kunde der Klasse der Kreditwürdigen oder der Klasse der Nicht-Kreditwürdigen angehört. 38 Des Weiteren bietet Data Mining die Möglichkeit, Prognosen zu erstellen. Dadurch möchte man auf fehlende Merkmale eines Kunden schliessen können. Andererseits möchte man aber auch eine Vorhersage über zukünftiges Verhalten des Kunden machen können. Mittels statistischer Verfahren, wie die einfache oder multiple Regressionsanalyse, werden diese Ziele erreicht und eine Prognose möglich gemacht. Auch Verfahren der neuronalen Netzwerke bieten sich zur Zielerreichung an. 39 Diese Methoden können z.b. im Bereich des Qualitätsmanagment eingesetzt werden. Hier kann es von grosser Bedeutung sein, Daten der Herstellung und Verarbeitung zu analysieren und um von diesen Informationen auf die Qualität der Produkte schliessen zu können. 40 Im kommenden Abschnitt wird gezeigt, wie das Data Mining den gesamten Kundenlebenszyklus unterstützen kann. 36 Vgl. Nakhaeizadeh et al. (1998), S. 17 f. 37 Vgl. Nakhaeizadeh et al. (1998), S. 11 ff. 38 Vgl. Nakhaeizadeh et al. (1998), S Vgl. Nakhaeizadeh et al. (1998), S Vgl. Nakhaeizadeh et al. (1998), S. 25.

18 Kapitel 2: Kundenverhaltensmodelle Data Mining und der Kundenlebenszyklus Nach Wilde/Hippner (2004) kann das Data Mining den gesamten Kundenlebenszyklus (Customer Life Cycle) unterstützen und in den verschiedenen Phasen eingesetzt werden. In der Abbildung 5 ist der Kundenlebenszyklus abgebildet. Abbildung 5: Kundenlebenszyklus 41 In der ersten Phase, in der die potentiellen Kunden identifiziert werden müssen, kann das Data Mining den Prozess unterstützen. Das Data Mining kann die Zielgruppenselektion erleichtern, indem aus den vorhandenen Personendaten Segmente gebildet werden. Anhand der später beschriebenen Scoring-Modelle werden diese Segmente bewertet, so dass die interessanten Klassen sichtbar werden. In dieser Phase stützt man sich auf Adressdaten, Kontaktverläufe und soziodemografische und geografische Daten. Wenn die Person aktueller Kunde des Unternehmens geworden ist, beginnt eine neue Phase. Hier können die Warenkörbe analysiert werden. Die Cross-Selling oder Up-Selling Möglichkeiten werden ermittelt. In dieser Phase kann man auf Zahlungsdaten, Produktnutzung, Kommunikationspräferenzen und sogar Selbstauskünfte des Kunden zurückgreifen und die Analyse vornehmen. Die letzte Phase beinhaltet die verlorenen und die reaktivierten Kunden. Dieses Kundensegment ist besonders sorgfältig zu bearbeiten. Hierbei können Churn-Analysen den Prozess unterstützen. In dieser Phase kann man z.b. den Kündigungsgrund als Datenbasis benutzen. 41 Wilde/Hippner (2004), S.20.

19 Kapitel 2: Kundenverhaltensmodelle Kundenmodelle und Kundenprofile Mittels der gemeinsamen Sammlung der vier Datentypen soll der Versuch gemacht werden, aus diesen Informationen ein möglichst realitätsgetreues Kundenmodell zu entwickeln. 42 Das Date Mining unterstützt die Ziele des Database Marketing, indem es grosse Datenmengen mittels der beschriebenen Verfahren zu einzelnen Kundenmodellen abstrahiert und ordnet. Die gefundenen Kundenmodelle dienen dazu, die einzelnen Personen zu Personengruppen, so genannten Segmenten, zusammenzufassen. Diese Segmente sind in sich homogen und im Vergleich zu anderen Segmenten heterogen. 43 So können die Massnahmen auf die verschiedenen Segmente zugeschnitten werden. Man muss nicht jede Person einzeln betrachten, sondern kann gezielte Segmentsansprachen erarbeiten. Die Segmente müssen jedoch einheitlich sein und auch über die Zeit hinweg stabil bleiben. Nur so ist eine Pflege und Kontrolle der Segmentsstrategien möglich. 44 Ist die Kontinuität nicht gewährleistet, würden sich Segmente für das Marketing ebenso darstellen, wie Einzelpersonen. Die einzelnen Segmente würden sich immer wieder neu zusammensetzten, so dass ständig eine Strategieanpassung vorgenommen werden muss. Um geeignete Strategien ableiten zu können und die Segmente sinnvoll bearbeiten zu können, müssen die zusammengefassten Kunden ähnliche Bedürfnisse haben und die gleichen Kundenprozesse bevorzugen. Darauf aufbauend können die Kunden bedürfnisgerecht und individuell angesprochen werden. Der Kunde fühlt sich, als würde er persönlich angesprochen, da die Ansprache auf ihn zugeschnitten ist. In der Realität gehört er jedoch zu einem Kundensegment, in dem alle Personen ähnliche Bedürfnisse und Eigenschaften haben wie er. Ebenso kann das Klassifikationsverfahren des Data Mining dazu beitragen, dass der gesamte Marketing-Prozess auf die Kundenbedürfnisse ausgerichtet wird. Jeder neue Kunde kann mittels der Klassifikation den bestehenden Klassen zugeordnet werden. So kann ein Neukunde innerhalb kürzester Zeit eine individuelle Werbeansprache erhalten. Die Prognosemethoden können dazu dienen, die bestehenden Segmente 42 Vgl. Link/Hildebrand (1994), S Vgl. Reichhold (2006), S Vgl. Reichhold (2006), S. 169.

20 Kapitel 2: Kundenverhaltensmodelle 17 einzuschätzen und z.b. die Abwanderungswahrscheinlichkeit auf Grundlage allgemeiner Merkmale eines Segments zu bestimmen. 45 Im Allgemeinen kann man summierend feststellen, dass mittels des Data Mining Kundenmodelle oder Kundenprofile erstellt werden. Wie Neckel/Knobloch (2005) es darstellen, beruhen Kundenprofile auf den genannten Datentypen, die im Data Mining analysiert werden. Neckel/Knobloch (2005) fassen die Grund- und Potentialdaten in Deskriptionsdaten und die Aktions- und Reaktionsdaten in Transaktionsdaten zusammen. Diese Datenmengen ergeben ein Kundenprofil. Das Data Mining ermöglicht die automatische Zusammenstellung dieser Daten zu einem übersichtlichen Kundenmodell. 46 Da nicht alle Kunden für ein Unternehmen interessant sind, müssen aufbauend auf den Kundenmodellen, die Kundensegmente in Rangreihenfolgen gebracht werden. Hierzu versucht man, die Kundensegmente zu bewerten. Diese Verfahren und Möglichkeiten der Kundenbewertung werden im folgenden Kapitel genauer erläutert. 45 Vgl. Meyer et al. (2001), S Vgl. Neckel/Knobloch (2005), S. 58 f.

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

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

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

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

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

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

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

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

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

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Thomas Artur Roner Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Diplom.de Inhaltsverzeichnis Abkürzungsverzeichnis Abbildungsverzeichnis I II 1. Einleitung 1 2. Begriffsklärungen

Mehr

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Autoren: Alexander Schramm Marcus Mertens MuniConS GmbH Einleitung Unternehmen verfügen heute über viele wichtige Informationen

Mehr

FH-Mannheim. Studiengang Informatik SS2005 KDM. Prof. Dr. A.Schmücker-Schend. Data Mining Anwendungen. Übungsblatt 2 Aufgabe 3

FH-Mannheim. Studiengang Informatik SS2005 KDM. Prof. Dr. A.Schmücker-Schend. Data Mining Anwendungen. Übungsblatt 2 Aufgabe 3 FH-Mannheim Studiengang Informatik SS2005 KDM Prof. Dr. A.Schmücker-Schend Data Mining Anwendungen Übungsblatt 2 Aufgabe 3 Abgabe bis zum 12. Mai 2005 Gruppe 13 NAME MATRIKELNUMMER UNTERSCHRIFT Uli Ruffler

Mehr

Schober Targeting System ecommerce

Schober Targeting System ecommerce Schober Targeting System ecommerce Crossmediale, systematische Marktbearbeitung Vom einzelnen Baustein bis zur Gesamtstrategie Modulare Lösungen sofort einsetzbar IST IHR INFORMATIONS- MANAGEMENT UP to

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

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

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

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

Customer Value Management. Der Wertbeitrag. Andrew Tatam. April 2009

Customer Value Management. Der Wertbeitrag. Andrew Tatam. April 2009 Customer Value Management Der Wertbeitrag Andrew Tatam April 2009 Flughafenstr. 52 22335 Hamburg Sitz der Gesellschaft: Hamburg Geschäftsführer Gerhard Meister HRB 82816, AG Hamburg Customer Value Management

Mehr

Analytisches CRM im Dialogmarketing

Analytisches CRM im Dialogmarketing Analytisches CRM im Dialogmarketing Von Marco Denzl und Hauke Friedrich, gkk DialogGroup, München Das Dialogmarketing ist eine dynamische und interaktive Form der Marktbearbeitung. Im Gegensatz zu klassischen

Mehr

Hinweis: Der Artikel wurde veröffentlicht in ew-spezial IV 2014: Stadtwerke S. 38-42

Hinweis: Der Artikel wurde veröffentlicht in ew-spezial IV 2014: Stadtwerke S. 38-42 Fachartikel Hinweis: Der Artikel wurde veröffentlicht in ew-spezial IV 2014: Stadtwerke S. 38-42 Status quo und Wege zur optimalen Marketingsteuerung bei Energieversorgern Eine aktuelle Kurzstudie der

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

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

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

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

Zusammenfassung der Dissertation "Convenience im Handel"

Zusammenfassung der Dissertation Convenience im Handel Zusammenfassung der Dissertation " im Handel" im Handel ist das vom Kunden wahrgenommene Ausmaß der Vermeidung von Einkaufskosten in Form von Zeit sowie physischer, kognitiver und emotionaler Mühe. Dieses

Mehr

Big Data So heben Sie den Schatz vom Silbersee! Monetarisieren von Kundenbeziehungen in der digitalen Welt!

Big Data So heben Sie den Schatz vom Silbersee! Monetarisieren von Kundenbeziehungen in der digitalen Welt! Big Data So heben Sie den Schatz vom Silbersee! oder: Monetarisieren von Kundenbeziehungen in der digitalen Welt! Über Kampagnen, Paid Content & Co Impulsvortrag zur Mitgliederversammlung am 13.06.2014

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

Schober Targeting System Touristik

Schober Targeting System Touristik Schober Targeting System Touristik IST IHR INFORMATIONS- MANAGEMENT UP to DATE? Nur wer die relevanten Informationen über seine Kunden und seinen Markt hat und wer sie zielgerichtet verwerten kann, ist

Mehr

CRM Architektur. New Economy CRM Architektur Page 1

CRM Architektur. New Economy CRM Architektur Page 1 CRM Architektur Titel des Lernmoduls: CRM Architektur Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.2 Zum Inhalt: Dieses Modul beschreibt mögliche Architekturen von CRM-Systemen. Insbesondere

Mehr

Konzeption eines Inbound-induzierten Vertriebs

Konzeption eines Inbound-induzierten Vertriebs Horst Tisson Konzeption eines Inbound-induzierten Vertriebs Optimierung von Service- und Vertriebsprozessen bei eingehenden Kundenkontakten im Call Center am Beispiel von Versicherungsunternehmen Verlag

Mehr

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit Universität Passau Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth Masterarbeit "Identifikation von Erfolgsfaktoren für eine Facebook- Recruiting-Strategie"

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

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Papier O Nein X Ja, und zwar O Schmierpapier O Liniertes Papier X Kariertes Papier Taschenrechner X Nein O Ja

Papier O Nein X Ja, und zwar O Schmierpapier O Liniertes Papier X Kariertes Papier Taschenrechner X Nein O Ja FONTYS INTERNATIONALE HOGESCHOOL ECONOMIE KLAUSUR 4 ProgRESS-code und OER: Zeit: Dozent(en): Datum: Studiengang: Anzahl Seiten: Gebrauch von Lehrmitteln Papier O Nein Ja, und zwar O Schmierpapier O Liniertes

Mehr

Customer Relationship Management - Ihre optimale Lösung

Customer Relationship Management - Ihre optimale Lösung Customer Relationship Management - Ihre optimale Lösung Werner Gottschlich Vertriebssystem der Zukunft? - Was bedeutet CRM? Kunden finden - Kunden gewinnen - Kunden binden Basis: Kundenbedürfnisse, -wünsche

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

Geschäftsprozessmanagement

Geschäftsprozessmanagement Geschäftsprozessmanagement Der INTARGIA-Ansatz Whitepaper Dr. Thomas Jurisch, Steffen Weber INTARGIA Managementberatung GmbH Max-Planck-Straße 20 63303 Dreieich Telefon: +49 (0)6103 / 5086-0 Telefax: +49

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

1. Problemüberblick und Zielrichtung

1. Problemüberblick und Zielrichtung 1. Problemüberblick und Zielrichtung Unternehmen sammeln viele Daten über ihre Kunden, ihr Kontakt- und Umsatzverhalten. Diese Daten werden hauptsächlich zur Abwicklung der Geschäftsprozesse benötigt.

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

Mehr

Zyklus des CRM. CRM-Informationsarchitektur mit intelligenten Agenten. Kauf. Willkommenspaket gewünschte Leistung sicherstellen. Persönlicher Kontakt

Zyklus des CRM. CRM-Informationsarchitektur mit intelligenten Agenten. Kauf. Willkommenspaket gewünschte Leistung sicherstellen. Persönlicher Kontakt Zyklus des CRM. Persönlicher Kontakt Kauf Start Willkommenspaket gewünschte Leistung sicherstellen Call Center Zurückgewinnung Kennenlernen Service Beratung Dialog-Medien Trennung CRM-Informationsarchitektur

Mehr

Service Innovation Lab. Produktentwicklung im Dienstleistungsunternehmen

Service Innovation Lab. Produktentwicklung im Dienstleistungsunternehmen Service Innovation Lab Produktentwicklung im Dienstleistungsunternehmen 2 Wettbewerbsvorteile durch Dienstleistungsinnovation Die Erlangung von neuen oder die Sicherung bestehender Wettbewerbsvorteile

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

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT April 2013 ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT von Maren Weiß & Prof. Dr. Michael Durst Welche Rolle spielen Trends in den Frühen Phasen im Innovationsmanagement? Wie setzen Unternehmen Trends

Mehr

Data-Mining im Customer-Relationship-Management

Data-Mining im Customer-Relationship-Management Data-Mining im Customer-Relationship-Management Yaniv Schwerin 05.06.2007 Übersicht 1 Einleitung und Motivation Motivation CRM-Ansatz 2 Data-Mining im Unternehmen Betrachtung der Daten Customer Lifecycle

Mehr

7.4 Analyse anhand der SQL-Trace. 7.3.5 Vorabanalyse mit dem Code Inspector

7.4 Analyse anhand der SQL-Trace. 7.3.5 Vorabanalyse mit dem Code Inspector 7.4 Analyse anhand der SQL-Trace 337 7.3.5 Vorabanalyse mit dem Code Inspector Der Code Inspector (SCI) wurde in den vorangegangenen Kapiteln immer wieder erwähnt. Er stellt ein paar nützliche Prüfungen

Mehr

capaneo crmmatch TECHNOLOGIEN

capaneo crmmatch TECHNOLOGIEN capaneo crmmatch Mehrwert durch verknüpfte Offline- und Online-Daten Zielgenaue Display-Werbung auf Basis Ihrer CRM-Daten Wertschöpfungssteigerung des Customer Lifetime Value Bestandskunden auch online

Mehr

CARL HANSER VERLAG. Heinrich Holland. Dialogmarketing Planung, Medien und Zielgruppen 3-446-22098-4. www.hanser.de

CARL HANSER VERLAG. Heinrich Holland. Dialogmarketing Planung, Medien und Zielgruppen 3-446-22098-4. www.hanser.de CARL HANSER VERLAG Heinrich Holland Dialogmarketing Planung, Medien und Zielgruppen 3-446-22098-4 www.hanser.de 9 1 Was ist Dialogmarketing? 1.1 Dialogmarketing und klassisches Marketing Die Entwicklung

Mehr

Vielfältige Medienlandschaft

Vielfältige Medienlandschaft Vielfältige Medienlandschaft Telefon Smartphone TV Set TV Filiale GAA CITIBANK May I help you? John Doe VISA Laptop Mastercard SMARTCARD PDA PC PC card Karte POS Terminal, Kiosk SB-Zellen Telefonzelle

Mehr

Schober Targeting System für Versicherungen

Schober Targeting System für Versicherungen Schober Targeting System für Versicherungen Crossmediale, systematische Marktbearbeitung Vom einzelnen Baustein bis zur Gesamtstrategie Modulare Lösungen sofort einsetzbar IST IHR INFORMATIONS- MANAGEMENT

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung Next Best Product Kundenspezifische Produktangebote in einer Multichannel Umgebung - Mag. Thomas Schierer - Erste Bank der oesterreichischen Sparkassen AG Agenda Erste Bank Allgemeine Information CRM in

Mehr

Fallstudie: Lead-Generierung im automobilen Luxussegment

Fallstudie: Lead-Generierung im automobilen Luxussegment Fallstudie: Lead-Generierung im automobilen Luxussegment 1. PROJEKTAUFGABE Das hier dokumentierte Pilotprojekt wurde von der Beratungs- gesellschaft ABELN+SOMMER in den Monaten März September 2004 für

Mehr

Kundenbeziehungsmanagement: B2B ist nicht B2C!

Kundenbeziehungsmanagement: B2B ist nicht B2C! Kundenbeziehungsmanagement: B2B ist nicht B2C! Unterschiedliche Anforderungen an CRM- Lösungen für Business-To-Business und Business-To-Consumer? Titel des Interviews: Name: Funktion/Bereich: Organisation:

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

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

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

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting.

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Schober Group Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Mag. (FH) Alexandra Vetrovsky-Brychta Wien, 23.10.2012 Mehr IQ für Ihre Kundendaten Seite 2 Agenda Themen

Mehr

Copyright dr.huldi.management.ch ag, Meilen 2011 1

Copyright dr.huldi.management.ch ag, Meilen 2011 1 Neukundengewinnung mit CRM? Vorgehen Erfahrungen - Beispiele Ersteller und Copyright: Dr. oec. HSG Christian Huldi, dr.huldi.management.ch ag, General-Wille-Strasse 201, CH-8706 Meilen AZ Direct AG, Blegistrasse

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

Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren

Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren Customer Relationship Management Lösungen von ERM sind flexible Komplettlösungen, mit denen Sie Ihre

Mehr

E-Mail Marketing Runde um Runde

E-Mail Marketing Runde um Runde Wir powern Ihr E-Mail Marketing Runde um Runde Mehr Response durch Interessen-Tracking Mit relevanten Inhalten punkten Möchten Sie als werbetreibendes Unternehmen heute nicht in der Flut von Informationen

Mehr

Marketing in Zeiten von Big Data

Marketing in Zeiten von Big Data Mehr Wissen. Gezielter Handeln. Marketing in Zeiten von Big Data Data Driven Marketing Mehr Wissen. Gezielter Handeln. Seit über 50 Jahren beschäftigen sich die Unternehmen der infas Holding AG mit der

Mehr

Marketing Automation. Nehmen Sie Ihren Kunden an die Hand! Datenanalyse: Die Planung: Fallbeispiel

Marketing Automation. Nehmen Sie Ihren Kunden an die Hand! Datenanalyse: Die Planung: Fallbeispiel Nehmen Sie Ihren Kunden an die Hand! Individuelle Kommunikation ist das wichtigste Element einer langfristigen und erfolgreichen Kundenbeziehung. Ab dem ersten Kontakt gilt es, die Wünsche zu erkennen

Mehr

Vom Customer Relationship Management (CRM) zum Social Customer Value Management (SCVM)

Vom Customer Relationship Management (CRM) zum Social Customer Value Management (SCVM) Prof. Dr. Heike Simmet Hochschule Bremerhaven Vom Customer Relationship Management (CRM) zum Social Customer Value Management (SCVM) Die Nutzung des Customer Relationship Managements (CRM) als übergreifende

Mehr

Customer Relationship Management (CRM) Effizienter Baustein eines erfolgreichen Netzwerkmanagements

Customer Relationship Management (CRM) Effizienter Baustein eines erfolgreichen Netzwerkmanagements Customer Relationship Management (CRM) Effizienter Baustein eines erfolgreichen Netzwerkmanagements Das Netz der Netze 2. Informations- und Erfahrungsaustausch für Netzwerker in Heilbronn-Franken Prof.

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Kundencontrolling im Service & Vertrieb

Kundencontrolling im Service & Vertrieb Kundencontrolling im Service & Vertrieb Hamburg, Mai 2004 Dozentin: Marilla Bax Service Manager (KVD) Vortrag Agenda Service wo stehen wir heute Nutzen Kundencontrolling Instrumente des Kundencontrolling

Mehr

1 Einleitung. 1.1 Unser Ziel

1 Einleitung. 1.1 Unser Ziel 1 Dieses Buch wendet sich an alle, die sich für agile Softwareentwicklung interessieren. Einleitend möchten wir unser mit diesem Buch verbundenes Ziel, unseren Erfahrungshintergrund, das dem Buch zugrunde

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

CRM, Management der Kundenbeziehungen

CRM, Management der Kundenbeziehungen CRM, Management der Kundenbeziehungen Günter Rodenkirchen Wir machen Gutes noch besser Agenda Brauche ich überhaupt ein CRM System? Was soll ein CRM System können? Anwendungsbereiche Ziele und Erwartungen

Mehr

Churn Prediction. Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen. CRM & Research / Ing. Werner WIDHALM.

Churn Prediction. Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen. CRM & Research / Ing. Werner WIDHALM. Churn Prediction Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen CRM & Research / Ing. Werner WIDHALM Juni 2012 Datamining in der Bank Austria Datamining Anwendungsgebiete im CRM der

Mehr

Wettbewerbsvorteile durch Kundenloyalität

Wettbewerbsvorteile durch Kundenloyalität Zürich, 10. Mai 2005 Wettbewerbsvorteile durch Erkenntnisse aus empirischen Studien in der Finanzbranche Bruno Catellani, ValueQuest GmbH catellani@valuequest.ch ValueQuest GmbH 2005, info@valuequest.ch

Mehr

Schober Targeting System Automotive

Schober Targeting System Automotive Schober Targeting System Automotive IST IHR INFORMATIONS- MANAGEMENT UP to DATE? Nur wer die relevanten Informationen über seine Kunden und seinen Markt hat und wer sie zielgerichtet verwerten kann, ist

Mehr

Diskriminanzanalyse Beispiel

Diskriminanzanalyse Beispiel Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode

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

6 Zusammenfassende Bewertung und Ausblick

6 Zusammenfassende Bewertung und Ausblick 437 6 Zusammenfassende Bewertung und Ausblick Immer wieder scheitern Projekte zur Software-Gestaltung im Öffentlichen Dienst bzw. sie laufen nicht wie geplant ab. Dies ist für sich genommen nicht weiter

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

CRM im Online-Bereich für die Druck- und Medienindustrie

CRM im Online-Bereich für die Druck- und Medienindustrie CRM im Online-Bereich für die Druck- und Medienindustrie Vorlesung an der Berufsakademie Mannheim Dr. Gerald Lembke www. 30.03.2007 Was ist noch mal Customer-Relationship-Management? CRM ist eine kundenorientierte

Mehr

Welcome to the Club!

Welcome to the Club! Customer Relationship Management Welcome to the Club! Prolog Viele Leute glauben, dass wir das Zeitalter des Internets erreicht haben. Tatsächlich ist es eher zutreffend, dass wir das Zeitalter des Kunden

Mehr

Der Turbo für Ihr Unternehmen MOTIONDATA CRM. innovativ. effizient. bewährt

Der Turbo für Ihr Unternehmen MOTIONDATA CRM. innovativ. effizient. bewährt Der Turbo für Ihr Unternehmen MOTIONDATA CRM innovativ effizient bewährt Mit dem MOTIONDATA CRM geben Sie Ihrem Unternehmen ein Powertool. Durch gezielte Kundenbearbeitung verbessern Sie Ihre Abschlussrate

Mehr

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES]

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES] NOW YOU KNOW [ SERIES] Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 001 Potential ontologiebasierter Wissens- Lösungen

Mehr

«Wir teilen unser Wissen und Erfahrung» erfolgsorientiert systematisch. RLC René Lisi Consulting

«Wir teilen unser Wissen und Erfahrung» erfolgsorientiert systematisch. RLC René Lisi Consulting «Wir teilen unser Wissen und Erfahrung» erfolgsorientiert systematisch RLC René Lisi Consulting Stallikerstrasse 1a CH 8906 Bonstetten/ZH Phone : +4176 309 33 89 Email : rene.lisi@share4you.ch Web : www.share4you.ch.

Mehr

Business and Data Understanding. Business und Data Understanding

Business and Data Understanding. Business und Data Understanding Business und Data Understanding Gliederung 1. Grundlagen 2. Von Data Warehouse zu Data Mining 3. Das CRISP-DM Referenzmodell 4. Die Phasen Business- und Data Understanding 5. Überblick der weiteren Phasen

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

Forschungsbereich Value-based Customer Relationship Management (CRM)

Forschungsbereich Value-based Customer Relationship Management (CRM) Forschungsbereich Value-based Customer Relationship Management (CRM) Reminder: Wertorientiertes CRM Schwerpunkte im Forschungsbereich Ziel: Steigerung des Unternehmenswerts Wertorientiertes Customer Relationship

Mehr

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Inhaltsverzeichnis Summary... 4 Keywords... 4 Granularität der Daten... 5 Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Partitionierung der Datenbestände... 7 Vergrößerter Aktionsradius von

Mehr

Modul: Kundenbindungsmanagement Univ.-Prof. Dr. Christinne Volkmann Univ.-Prof. Dr. Nicolae Al. Pop. Beantworten Sie bitte folgende Fragen:

Modul: Kundenbindungsmanagement Univ.-Prof. Dr. Christinne Volkmann Univ.-Prof. Dr. Nicolae Al. Pop. Beantworten Sie bitte folgende Fragen: Beantworten Sie bitte folgende Fragen: 1. Die Hauptdimensionen des Internen Marketings sind: a) die organisatorische Dimension; b) die zeitliche Dimension; c) die inhaltliche Dimension; d) gar keine davon.

Mehr

Professionelles Management der Neukundengewinnung: Die 12 Erfolgsfaktoren für profitables Wachstum. Prof. Dr. Jürgen Lürssen

Professionelles Management der Neukundengewinnung: Die 12 Erfolgsfaktoren für profitables Wachstum. Prof. Dr. Jürgen Lürssen Bayreuth, 10. März 2011 Professionelles Management der Neukundengewinnung: Die 12 Erfolgsfaktoren für profitables Wachstum 1 Die Lage Neukundengewinnung ist unverzichtbar für Wachstum! Trotzdem: Management

Mehr

Conversion Attribution

Conversion Attribution Conversion Attribution Eines der Trendthemen über das zurzeit jeder spricht ist Attribution. Das heißt allerdings nicht, dass auch jeder weiß was genau Attribution ist, was man damit machen kann und für

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

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

Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests. Masterarbeit

Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests. Masterarbeit Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests Masterarbeit zur Erlangung des akademischen Grades Master of Science (M.Sc.) im Masterstudiengang Wirtschaftswissenschaft

Mehr

Excellence im Key Account Management (KAM)

Excellence im Key Account Management (KAM) Excellence im Key Account Management (KAM) Ein Assessment auf Basis des St. Galler KAM Konzepts Kurzversion Treiber für den Auf-und Ausbau des KAM Für den Auf- und Ausbau des Key Account Management können

Mehr

Bericht. Stadtbauamt, Fachbereich Stadtentwicklung, Jurastrasse 22, 4901 Langenthal Telefon 062 916 21 11, Telefax 062 923 21 76, www.langenthal.

Bericht. Stadtbauamt, Fachbereich Stadtentwicklung, Jurastrasse 22, 4901 Langenthal Telefon 062 916 21 11, Telefax 062 923 21 76, www.langenthal. Erfassung und Auswertung von Daten für Aussagen über eine nachhaltige Gestaltung und Nutzung des Stadtraums als Grundlage für die Siedlungsrichtplanung Bericht Datum: 4. Februar 2013 Bearbeiter: Tina Hurni,

Mehr

Werkstatt-Reihe»Kundenwertmanagement«

Werkstatt-Reihe»Kundenwertmanagement« Projektvorstellung Werkstatt-Reihe»Kundenwertmanagement«Wedekind, Kai In Zusammenarbeit mit Projektmanager Versicherungsforen Leipzig GmbH 1 Die Idee Kundenwertmodelle werden in der Versicherungspraxis

Mehr

Supply Chain Controlling: Entwicklung und Diskussion

Supply Chain Controlling: Entwicklung und Diskussion Supply Chain Controlling: Entwicklung und Diskussion von Christoph Eiser Erstauflage Diplomica Verlag 2015 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 95485 266 6 schnell und portofrei erhältlich

Mehr

«Das Kundenunternehmen bauen» Ergebnisse der Umfrage vom Mai 2014 Autoren: Tom Buser, Carolina Imburgia

«Das Kundenunternehmen bauen» Ergebnisse der Umfrage vom Mai 2014 Autoren: Tom Buser, Carolina Imburgia «Das Kundenunternehmen bauen» Ergebnisse der Umfrage vom Mai 2014 Autoren: Tom Buser, Carolina Imburgia YukonDaylight 2014 Inhalt Aufbau und Inhalt Seite 3 Methode und Auswertung Seite 4 Bausteine für

Mehr

Corporate Publishing und CRM

Corporate Publishing und CRM MEDIENTAGE MÜNCHEN 2001 Corporate Publishing und CRM Prof. Dr. Peter Winkelmann - Marketing und Vertrieb FH Landshut - Prof. Dr. Peter Winkelmann Marketing und Vertrieb FH Landshut www.vertriebssteuerung.de

Mehr