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.