On the Use of Optimization for Data Mining

Größe: px

Ab Seite anzeigen:

Download "On the Use of Optimization for Data Mining"

Robert Stieber
vor 8 Jahren
Abrufe

1 On the Use of Optimization for Data Mining Theoretical Interactions and ecrm Opportunities Hannes Laber Sommersemester 2004 Seminararbeit an der Abteilung für Informationswirtschaft Wirtschaftsuniversität Wien, UZA II 3.Ebene Augasse 2-6, A-1090 Wien, Austria

der Abteilung für Informationswirtschaft Wirtschaftsuniversität Wien,

2 On the Use of Optimization for Data Mining 1 Einleitung In dieser Arbeit sollen die Begriffe Customer Relationship Management, und Data Mining untersucht werden. Weiters soll der Einfluß von Data Mining auf CRM Applikationen untersucht werden. 2 Begriffsdefinition 2.1 CRM und ecrm CRM fungiert als komplexes Konzept, das strategische Elemente mit organisatorischen Strukturen und technologischer Unterstützung verbindet. CRM stellt einen Eckpfeiler der modernen Unternehmensstrategie dar, bei dem der Kundenlebenszyklus im Mittelpunkt steht. Customer Relationship Management als aktives Management der Kundenbeziehungen umfaßt die Planung, Koordination und Kontrolle aller auf mögliche und bestehende Geschäftsbeziehungen ausgerichteten Aktivitäten im Unternehmen. 2.2 Kundenlebenszyklus Der Kundenlebenszyklus gibt den zeitlichen Verlauf einer Geschäftsbeziehung eines Verbrauchers mit einem Unternehmen wieder. In jeder einzelnen Phase der Geschäftsbeziehung vom Interessenten bis zum Kündiger lassen sich unterschiedliche Bedürfnisse und Anforderungen der Kunden feststellen. Das Konzept von CRM wird deshalb zum Management der einzelnen Kundenlebenszyklusphasen. Das Unternehmen wird durch diesen Ansatz in die Lage versetzt, sein Leistungsangebot in Form von Produkten und Serviceleistungen auf die Erwartungen und den Bedarf der jeweiligen Kundengruppe auszurichten und permanent anzupassen. 1

1 CRM und ecrm CRM fungiert als komplexes Konzept, das strategische Elemente mit organisatorischen Strukturen und technologischer Unterstützung verbindet.

3 2.3 Data Mining Unter Data Mining versteht man das systematische (in der Regel automatisierte oder halbautomatische) Entdecken und Extrahieren unbekannter, nicht trivialer und wichtiger Information aus großen Mengen von Daten. Im Gegensatz zum Abrufen von vorgegebenen Standardabfragen werden im Data Mining, als einem kreativer Prozess, im Arbeitsfortschritt Hypothesen entwickelt und überprüft. Die Datenbestände werden nach Regelmäßigkeiten, Mustern und Strukturen, Abweichungen, jeglicher Art von Beziehungen und gegenseitigen Beeinflussungen untersucht. 3 Data Mining Modelle 3.1 Entscheidungsbäume (Decision Trees) Beim Data Mining werden Entscheidungsbäume zur Bestimmung der Klassenzugehörigkeit von Daten verwendet. Ein Datensatz wandert von der Wurzel des Baumes bis zu einem Blatt. Dabei wird an den inneren Knoten der nächste zu betrachtende Knoten durch den Wert des Datemsatzes für das aktuelle Attribut ausgewählt; ist der Wert des Datensatzes=true,, dann wird in den Ja-Zweig gegangen, sonst in den Nein-Zweig. Steht in einem inneren Knoten nur das Attribut, gibt es in der Regel soviele Knoten wie dieses Attribut Ausprägungen hat und es wird in den entsprechenden Ast verzweigt. Das Blatt, zu dem der Datensatz am Ende gelangt, gibt die Klasse dieses Datensatzes an. 3.2 Neuronale Netzwerke 3.3 Click Stream Data 4 Data Mining Tools Die größten Potenziale für den Einsatz von Data-Mining-Software bestehen in Unternehmen mit enormen Datenmengen, die sortiert, strukturiert und auf bestimmte Trends und Muster hin analysiert werden müssen. Auf dieser Grundlage können Anwender ihr Marketing, ihre Kundenbeziehungen und Kommunikationsstrategien zielgerichtet entwickeln. Führende Anbieter von Data Mining arbeiten daran, statistische Modelle von der Forschung in die Produktion zu überführen. Stellvertretend für die vielen Lösungen auf dem Markt werden im Zuge dieser Arbeit drei Data-Mining-Pakete genauer untersucht:? Clementine von SPSS? Data Engine von MIT? Decisionhouse von Quadstone. 2

Die Datenbestände werden nach Regelmäßigkeiten, Mustern und Strukturen, Abweichungen, jeglicher Art von Beziehungen und gegenseitigen Beeinflussungen untersucht. 3 Data Mining Modelle 3.

4 5 Customer Relationship Management 5.1 Einsatzbereiche im Vertrieb Im Vertriebsmanagement kann CRM durch folgende Funktionalitäten die Arbeit unterstützen Technische Funktionalitäten? Produktkonfigurator? Elektronische Produktkataloge? Elektronische Kundenakten? Teamselling? Besuchshäufigkeitenoptimierung? Schnittstelle zur Kostenrechnung Markteting Funktionalitäten? Projektmanagement? Zeitmanagement? Vertriebsreporting? Kundenbindungsprogramme? Key-Account-Management? Teilnahme an Messen? Kundenpotentialanalyse? ABC-Analysen? Neu- vs. Altkundenanalysen? One-to-one Marketing-Management? Kundenportfolios? Kundenerfolgsrechnung? Vertriebserfolgsrechnung? Vertriebscontrolling? Zielplanung nach Kunden, Vertriebsmitarbeiter, Periode, Umsätzen und Deckungsbeiträgen 5.2 Personalisierung im Marketing, Sales, Service Automatisierte Personalisierung ist der vermutlich am häufigsten zitierte Vorteil, den ecrm im Gegensatz zu CRM bieten kann. Die segmentbasierte oder in der höchsten Entwicklungsstufe wirkliche 1:1 Personalisierung findet innerhalb von Marketing, Sales und Service Anwendung. Die individuelle Ansprache ist wichtig, da der Kunde oder Interessent nur noch für ihn wirklich relevante Informationen 3

Projektmanagement? Zeitmanagement? Vertriebsreporting? Kundenbindungsprogramme? Key-Account-Management? Teilnahme an Messen? Kundenpotentialanalyse? ABC-Analysen? Neu- vs. Altkundenanalysen?

5 oder Angebote fordert und er so seine kritische Ressource Zeit besser nutzen kann. Er verlangt zudem, dass das Unternehmen mit jedem Kontakt über seine individuellen Bedürfnisse dazulernt und folglich für zukünftige Interaktionen Mehrwert schafft. Grundsätzliche Möglichkeiten der Personalisierung bestehen über Customization (der Kunde selbst bestimmt über seinen Content ), Hinterlegen von statischen Regeln (die Organisation bestimmt den Content über statische Kriterien der einzelnen Kundensegmente wie z.b: Alter, Geschlecht, Einkommen) oder Collaborative Filtering (dynamischer Content / Produkt- Vorschläge werden automatisch aufgrund des Userverhaltens generiert). Der Erfolg der drei Varianten ist insbesondere online erzielbar, da die Umsetzung immer realtime erfolgt. Sie eignen sich je nach definierten Kundesegmenten, gesamte Kundenanzahl und Online-Zugriffe sowie spezifischer Prozeßgestaltung mehr oder weniger. 5.3 Technologien Internet Technologie und offene Middleware Architekturen von ecrm Software bieten andere Möglichkeiten als traditionelle CRM Tools. Durch die digitale Kommunikation bedingt bietet jedes operative Tool zumindest rudimentäre analytische Möglichkeiten, die ein Response-Tracking und Analysen von Kundenverhalten unterstützen. So sind z.b. mehrstufige Online Kampagnen möglich, die automatisch auf der jeweiligen Response aufbauen. Personalisierte Angebote können zur richtigen Zeit mit dem richtigen Inhalt plaziert werden, und im Servicebereich können Kunden individuell bedient werden. Durch die vorwiegend offenen Middleware Architekturen ist zudem die Integration in bestehende Systeme wesentlich günstiger und schneller zu bewerkstelligen, also kürzere Time-to-Market bei geringeren Integrationskosten. 6 CRM Applikationen 6.1 Applix Applix, Anbieter von Business Intelligence und Business Performance Management- Lösungen, stellt mit Applix Interactive Planning eine Web-basierte Applikation für unternehmensweite Planung, Forecasting und Analyse zur Verfügung. Die Webbasierte Applikation für Planung, Budgetierung und Forecasting bindet alle beteiligten Unternehmenseinheiten in den Planungsprozess ein und automatisiert dessen Ablauf. 4

Grundsätzliche Möglichkeiten der Personalisierung bestehen über Customization (der Kunde selbst bestimmt über seinen Content ), Hinterlegen von statischen Regeln (die Organisation bestimmt den

6 7 Literaturverzeichnis [Netlex01] Netlexikon: Begriff Data Mining Abruf am [EdeHer03] Edelstein, Herb: Data Mining in Depth: Description is not prediction Abruf am [EdeHer01] Edelstein, Herb: Pan For Gold in the Clickstream Abruf am [TheKu] Thearling, Kurt: Data Mining and Customer Relationships Abruf am [SaaGar98] Saarenvirta, Gary: Mining Customer Data Fall 1998 Abruf am [RamRag02] Ramakrishnan, Raghu: Tree Struktures for Mining Association Rules Data Mining and Knowledge Discovery. Liverpool 2004 [EdeHer] Edelstein, Herb: Building profitable Customer Relationship with Data Mining Abruf am [PaBaTuAl] Padmanabhan, Balaji; Tuzhilin, Alexander: On the Use of Optimization for Data Mining: Theoratical Interactions and ecrm Opportunities Management Science Vol.49, No 10, October 2003 [ManHei01] Mannila, Heikki: Mining Frequent Patterns without Candidate Generation: A frequent pattern tree approach Data Mining and Knowledge Discovery. Liverpool

articleid=6388, 2003-03 Abruf am 2004-04-18 [EdeHer01] Edelstein, Herb: Pan For Gold in the Clickstream http://www.informationweek.com/828/prmining.

7 [EdeHer02] Edelstein, Herb: Introduction to Data Mining and Knowledge Discovery (Third Edition), Potomac Abruf am [JüTh01] Jüttner, Thomas: Konzept und Einsatzbereiche des CRM im Vertrieb Abruf am [LeiGün01] Leibrandt, Günter: Das Customer Relationsship Management Neu.pdf, Abruf am [RunMar] Runge, Marc: Eine Unterscheidung von CRM und ecrm ist zwingend notwendig Abruf am [KotBli] Kotler/Bliemel: Marketing-Management, 10. Auflage, Stuttgart

pdf, Abruf am 2004-04-18 [LeiGün01] Leibrandt, Günter: Das Customer Relationsship Management www.outcome-ub.de/outcomecms/media/datenblaetter/whitepapercrm- Neu.

Ähnliche Dokumente

Business Model Canvas

Business Model Canvas Business Model Canvas ist ein strategisches Management Tool, mit dem sich neue und bestehende Geschäftsmodelle visualisieren lassen. Demnach setzt sich ein Geschäftsmodell aus neun