Analytisches Customer Relationship Management

Transkript

1 Analytisches Customer Relationship Management Konzeption und Realisierung auf Basis der Business-Intelligence-Instrumente Data Warehouse und Data-Mining DISSERTATION der Technischen Universität Dortmund, Wirtschafts- und Sozialwissenschaftliche Fakultät zur Erlangung des akademischen Grades eines Doktors der Wirtschafts- und Sozialwissenschaften (Dr. rer. pol.) vorgelegt von Dipl.-Kfm. Dirk Hiestermann Dortmund 2008

2 Inhaltsübersicht II INHALTSÜBERSICHT INHALTSVERZEICHNIS... III ABBILDUNGSVERZEICHNIS...XII TABELLENVERZEICHNIS... XVIII ABKÜRZUNGSVERZEICHNIS... XIX 1 EINFÜHRUNG KONZEPTRAHMENEBENE DES ACRM BETRIEBSWIRTSCHAFTLICHE EBENE DES ACRM IT-EBENE DES ACRM ANWENDUNGSEBENE DES ACRM IMPLEMENTIERUNG DES ACRM FALLSTUDIE ZUM ACRM ZUSAMMENFASSUNG UND AUSBLICK LITERATURVERZEICHNIS ANHANG

3 Inhaltsverzeichnis III INHALTSVERZEICHNIS INHALTSVERZEICHNIS... III ABBILDUNGSVERZEICHNIS...XII TABELLENVERZEICHNIS... XVIII ABKÜRZUNGSVERZEICHNIS... XIX 1 EINFÜHRUNG Problemstellung Ableitung der Anforderungen Aufbau der Arbeit Kapitelaufbau Leitbilder Zielsetzungen der Arbeit KONZEPTRAHMENEBENE DES ACRM Überblick Einordnung und Untersuchungsschwerpunkte Leitbild Konzeptrahmenebene CRM als kundenorientierter Unternehmensführungsansatz Strategische Neuausrichtung auf Grundlage der CRM-Philosophie Entwicklungslinien zum CRM Bestimmung des acrm-ansatzes Begriffsabgrenzung und Definition des acrm Ziele des acrm Bestimmungsfaktoren des acrm... 27

4 Inhaltsverzeichnis IV 2.4 Aufbau der acrm-architektur Überblicksdarstellung der acrm-architektur Einsatz der Software-Funktionen des ocrm-systems für die Abbildung der CRM-Prozesse Marketing Vertrieb Service Einsatz der analytischen Funktionen zur Erzielung von Optimierungspotenzialen Interessentenmanagement Kundenbindungsmanagement Rückgewinnungsmanagement Business Intelligence im Rahmen des acrm Historie Begriffsabgrenzung und Definition von Business Intelligence Einsatz der BI-Instrumente für das acrm Integration der BI-Instrumente als Basis für ein dynamisches acrm-system Data Warehouse als BI-Instrument Entstehungsgründe und Anforderungen Klassische Architekturansätze Integration des OLAP-Ansatzes Integration der Planung Integration des Cockpits Data-Mining als BI-Instrument Begriff Aufgabentypen Zuordnung der Data-Mining-Methoden zum Aufgabentyp Klassifikation Multi-Layer Perzeptron Entscheidungsbäume Prognose Radiales Basisfunktionsnetz Multi-Layer Perzeptron Gruppierung K-Means-Verfahren... 73

5 Inhaltsverzeichnis V Kohonen-Netz Assoziation Assoziationsverfahren Sequenzverfahren Ergebnisse Konzeptrahmenebene des acrm Inhaltliche Ergebnisse Leitfaden Konzeptrahmenebene BETRIEBSWIRTSCHAFTLICHE EBENE DES ACRM Überblick Einordnung und Untersuchungsschwerpunkte Leitbild Betriebswirtschaftliche Ebene im Zusammenhang mit der Konzeptrahmenebene Basisaufgaben im analytischen CRM Kundensegmentierung Ziele Verfahren Voraussetzungen Kundenwertberechnung Ziele Verfahren Voraussetzungen Kundenloyalitätsermittlung Ziele Verfahren Voraussetzungen Kundenstufenfestlegung Ziele Verfahren Voraussetzungen Zusammenfassende Darstellung im Hinblick auf die Konzept- und Prozesssicht des acrm Konzept für die Entwicklung und Umsetzung der CRM-Strategie Grundkonzept der CRM-Strategieentwicklung auf Basis von Bestandskunden 112

6 Inhaltsverzeichnis VI CRM-Portfolio CRM-Maßnahmenableitung aus dem CRM-Portfolio über Annahmen Voraussetzung Erweitertes Konzept der CRM-Strategieentwicklung auf Basis des gesamten Kundenlebenszyklus Umsetzung der CRM-Strategie Konzept für das CRM-Controlling Funktionen Steuerungsfunktion Koordinationsfunktion Informationsversorgungsfunktion Effektivitäts- und Effizienzmessungen über CRM-Kennzahlen Ableitung aus dem Closed-Loop-Ansatz und Kundenstufenkonzept CRM-Kennzahl-Definitionen und Aussagekraft Vergleich der CRM-Kennzahlen mit den Potenzialkennzahlen Strategischer Closed-Loop-Prozess CRM-Portfolio-Entwicklung Ermittlung der acrm-basiswerte Anwendung von Data-Mining im CRM-Portfolio CRM-Strategie: Entwicklung von profitablen CRM-Maßnahmen CRM-Portfolio-Planung BI-gestützte CRM-Planung CRM-Planungsprozess Strategische CRM-Analyse Operativer Closed-Loop-Prozess Kampagnenentwicklung Kampagnen-/Ergebnisplanung Unterstützung der CRM-Prozesse Operative CRM-Analyse Ergebnisse Betriebswirtschaftliche Ebene des acrm Inhaltliche Ergebnisse Leitfaden Betriebswirtschaftliche Ebene

7 Inhaltsverzeichnis VII 4 IT-EBENE DES ACRM Überblick Einordnung und Untersuchungsschwerpunkte Leitbild IT-Ebene im Zusammenhang mit der Konzeptrahmenebene Business-Intelligence-(BI)-Data Warehouse Entwicklung zum dynamischen System BI-Data-Warehouse-Architektur auf Basis des Layer-Konzeptes Modellierung der Basis-Datenbank Auswahl der relevanten Daten für das acrm Enterprise Data Store als klassisches Konzept Ziele des Enterprise Data Store (EDS) Umsetzung Enterprise Data Warehouse als BI-Konzept Ziele des Enterprise Data Warehouse (EDW)-Layers Ziele des Operational Data Store (ODS)-Layers Umsetzung Vergleich und Bewertung der beiden Basis-Datenbank-Ansätze Modellierung der Data Marts On-Line Analytical Processing (OLAP) Multidimensionaler Datenwürfel Architekturkonzepte Technische Realisierung auf Basis von Starschema-Konzepten Einfaches Starschema Snowflakeschema Erweitertes Starschema Vergleich und Bewertung der Starschema-Konzepte Modellierungsempfehlungen für das erweiterte Starschema Standardisierte Vorgaben bei der Dimensionsmodellierung Abbildung der Planwerte im Starschema Abbildung der Versionierung für die organisatorische Koordination Abbildung der Hierarchieebenen für die hierarchische Koordination Performanceoptimierung über Aggregatsbildungen

8 Inhaltsverzeichnis VIII 4.5 Ableitung der Anforderungen an die Datenbeschaffung Datenextraktion Datentransformation Datenbereinigung einzelner Datenquellen Harmonisierung mehrerer Datenquellen Verdichtung Anreicherung Datenextraktion und -transformation aus Datenflusssicht Ergebnisse IT-Ebene des acrm Inhaltliche Ergebnisse Leitfaden IT-Ebene ANWENDUNGSEBENE DES ACRM Überblick Einordnung und Untersuchungsschwerpunkte Leitbild Anwendungsebene im Zusammenhang mit der Konzeptrahmenebene, betriebswirtschaftlichen Ebene und IT-Ebene acrm-aufgabendefinition acrm-aufgabenbeschreibung Zielkonkretisierung mit Ableitung des Data-Mining-Aufgabentyps Aufbau der Daten im BI-Data Warehouse Ableitung der relevanten Daten aus der acrm-aufgabendefinition Anpassung der Basis-Datenbank für den Data-Mining-Einsatz Anwendung von Data-Mining Auswahl der Data-Mining-Methode Iterativer Data-Mining-Prozess Datenpreprocessing Data-Mining-Analyse Bewertung des Data-Mining-Ergebnisses Nutzung des Data-Mining-Ergebnisses Verteilung ins ocrm-system und ins Cockpit Controlling der acrm-aufgabe

9 Inhaltsverzeichnis IX 5.6 Ergebnisse Anwendungsebene des acrm Inhaltliche Ergebnisse Leitfaden Anwendungsebene IMPLEMENTIERUNG DES ACRM Überblick Einordnung und Untersuchungsschwerpunkte Ableitung des Implementierungsvorschlags aus dem Konzeptionsteil des acrm Identifizierung der acrm-aufgaben aus dem Closed-Loop-Ansatz Fokussierung auf die Data-Mining-Aufgaben des strategischen Closed-Loop-Prozesses Ableitung des CRM-Controllings aus den definierten CRM- und Potenzialkennzahlen mit Anforderungen an die Cockpitausgestaltung Modellierung des Cockpits für die Führungskräfte und Mitarbeiter Einordnung in die ausgeprägte BI-Data-Warehouse-Architektur für die acrm-implementierung Zentrales Navigationsinstrument Kunden-Cockpit-Sicht Aufbau der Basis-Datenbank für die acrm-implementierung Auswahl der relevanten Datenobjekte Modellierung des Enterprise Data Warehouse Abbildung der Data-Store-Objekte (DSO) im ersten EDW-Layer Abbildung der Data-Store-Objekte (DSO) im zweiten EDW-Layer Problembereiche der Modellierung der CRM-Portfolio-Tabelle Datenbeschaffung für das Enterprise Data Warehouse Aufbau der Data Marts für die Ausgestaltung des CRM-Controllings Modellierung auf Basis des erweiterten Starschema-Konzeptes Zentrale Kundenstammdaten CRM-Portfolio-Starschema Kampagnen-/Ergebnis-Starschema Kontakt-Starschema Angebots-/Auftrags-/Rechnungs-Starschema

10 Inhaltsverzeichnis X 6.6 Anwendung des Data-Minings für die acrm-implementierung Überblick über die Data-Mining-Modelle für ein automatisiertes Kundengruppen- und -stufenmanagement Entwicklung des Data-Mining-Layers im Enterprise Data Warehouse Datenbasis der Data-Mining-Modelle Modellierung des Data-Mining-Layers Verteilung der Data-Mining-Ergebnisse ins ocrm-system und ins Cockpit Verteilung der Kundengruppenergebnisse Verteilung der Kundenstufenergebnisse Realisierung des Datenflusskonzeptes Zusammenfassende Darstellung des automatisierten Kundengruppen- und -stufenmanagements Ergebnisse Implementierung des acrm FALLSTUDIE ZUM ACRM Überblick Einordnung und Untersuchungsschwerpunkte Anwendung des acrm-phasenansatzes acrm-aufgabendefinition Einordnung in den Closed-Loop-Ansatz Berücksichtigung der acrm-bestimmungsfaktoren Kundenprofitabilität Kundenlebenszyklus Differenzierung Kundenstabilität Dynamik Zielkonkretisierung mit Ableitung des Data-Mining-Aufgabentyps Aufbau der Daten im BI-Data Warehouse Ableitung der relevanten Daten aus der acrm-aufgabendefinition Anpassung der Basis-Datenbank für den Data-Mining-Einsatz

11 Inhaltsverzeichnis XI 7.4 Anwendung von Data-Mining Auswahl der Data-Mining-Methode mit Festlegung der Vorgehensweise zur Ableitung der CRM-Strategie Einsatz des Kohonen-Netzes mit Unterstützung des Ward-Verfahrens Entwicklung des Ablaufschemas Iterativer Data-Mining-Prozess Datenpreprocessing Data-Mining-Analyse Bewertung des Data-Mining-Ergebnisses Ableitung der CRM-Strategie Nutzung des Data-Mining-Ergebnisses Verteilung ins ocrm-system und ins Cockpit Controlling der acrm-aufgabe Ergebnisse Fallstudie zum acrm ZUSAMMENFASSUNG UND AUSBLICK Erfüllte Anforderungen an das acrm Gesamtergebnisse Entwicklung eines umfassenden acrm-konzeptes Weiterentwicklung des acrm-ansatzes bei der Umsetzung der acrm-aufgaben Erarbeitung eines allgemeingültigen Realisierungsvorschlags Überprüfung des entwickelten acrm-ansatzes anhand einer Fallstudie Weiterer Handlungsbedarf Fazit LITERATURVERZEICHNIS ANHANG

12 Abbildungsverzeichnis XII Abbildungsverzeichnis Abb. 1.1: Anforderungen an das analytische CRM... 4 Abb. 1.2: Kapitelaufbau für die Konzeption und Realisierung des analytischen Customer Relationship Managements... 5 Abb. 1.3: Zentrale Leitbilder der acrm-konzeption... 8 Abb. 1.4: Realisierung des acrm auf Basis der acrm-konzeption Abb. 1.5: Realisierung der Fallstudie anhand des acrm-phasenansatzes Abb. 1.6: Forschungsziele dieser Arbeit Abb. 2.1: Einordnung und Untersuchungsschwerpunkte Konzeptrahmenebene des acrm Abb. 2.2: Leitbild Konzeptrahmenebene (acrm-konzeptionsdreieck) Abb. 2.3: Entwicklungslinien zum CRM Abb. 2.4: Konkretisierung der CRM-Philosophie Abb. 2.5: acrm-ansatz im Rahmen des acrm-konzeptionsdreiecks Abb. 2.6: Einordnung der acrm-architektur im Rahmen des acrm- Konzeptionsdreiecks Abb. 2.7: Analytische CRM-Architektur Abb. 2.8: Marketing-,Vertriebs- und Servicefunktionen des operativen CRM-Systems Abb. 2.9: Analytische Funktionen des acrm im Interessenten-, Kundenbindungs- und Rückgewinnungsmanagement Abb. 2.10: Einsatz der Business-Intelligence-Instrumente für das acrm im Rahmen des acrm-konzeptionsdreiecks Abb. 2.11: Business-Intelligence-Ebenen mit den Instrumenten für das analytische CRM.. 50 Abb. 2.12: Einstufige Data-Warehouse-Architektur Abb. 2.13: Zweistufige Data-Warehouse-Architektur Abb. 2.14: Zweistufige Data-Mart-Architektur Abb. 2.15: Dreistufige Hub and Spoke -Architektur Abb. 2.16: Data-Mining-Aufgabentypen Abb. 2.17: Zuordnung der Data-Mining-Methode zum Data-Mining-Aufgabentyp Abb. 2.18: Neuronales Netz für die Bonitätsprüfung Abb. 2.19: Entscheidungsbaum für die Klassifikation des Kundenwertes Abb. 2.20: Schematischer Aufbau eines Radialen Basisfunktionsnetzes Abb. 2.21: Darstellung eines Kohonen-Netzes Abb. 2.22: Vor- und Nachteile der Data-Mining-Methoden... 80

13 Abbildungsverzeichnis XIII Abb. 2.23: Ergebnisse Konzeptrahmenebene des acrm Abb. 2.24: Leitfaden für die Entwicklung eines unternehmensbezogenen acrm- Konzeptrahmens Abb. 3.1: Einordnung und Untersuchungsschwerpunkte Betriebswirtschaftliche Ebene des acrm Abb. 3.2: Leitbild Betriebswirtschaftliche Ebene im Zusammenhang mit der Konzeptrahmenebene Abb. 3.3: Einordnung der acrm-basisaufgaben in die Aufgabensicht der betriebswirtschaftlichen Ebene Abb. 3.4: Merkmale für die Kundensegmentierung Abb. 3.5: Schema einer Kundendeckungsbeitragsrechnung Abb. 3.6: Vor- und Nachteile der einzelnen Kundenwertmethoden Abb. 3.7: Faktoren der Kundenloyalität Abb. 3.8: Ermittlung der Kundenloyalität im acrm-konzept Abb. 3.9: Abbildung des Kundenlebenszyklus durch Kundenstufen Abb. 3.10: Einordnung der Entwicklung/Umsetzung der CRM-Strategie in die Konzeptsicht der betriebswirtschaftlichen Ebene Abb. 3.11: CRM-Portfolio Abb. 3.12: CRM-Maßnahmenableitung aus dem CRM-Portfolio Abb. 3.13: Integration der Kundenstufen in den Kundengruppen Abb. 3.14: Potenzialkennzahlen im Kundenlebenszyklus als Basis für die Kampagnenentwicklung Abb. 3.15: Einordnung des CRM-Controllings in die Konzeptsicht der betriebswirtschaftlichen Ebene Abb. 3.16: Ableitung der CRM-Kennzahlen aus dem Closed-Loop-Ansatz und dem Kundenstufenkonzept Abb. 3.17: CRM-Kennzahlen-Definitionen Abb. 3.18: Einordnung des strategischen Closed Loops in die Prozesssicht der betriebswirtschaftlichen Ebene Abb. 3.19: Schritte für die Entwicklung des CRM-Portfolios zur Ableitung der CRM- Strategie Abb. 3.20: Übertragung der ermittelten Kundengruppen auf die Akquisekunden mithilfe von Data-Mining Abb. 3.21: Beispiel für die Ableitung kundengruppenbezogener CRM-Maßnahmen für den Kundenangang (Marketing-Mix) und der Kundenbeziehung Abb. 3.22: Beispiel einer BI-gestützten CRM-Portfolio-Planung

14 Abbildungsverzeichnis XIV Abb. 3.23: CRM-Planungsprozess zur Erstellung und Abstimmung des Planungs-CRM- Portfolios Abb. 3.24: Einordnung des operativen Closed Loops in die Prozesssicht der betriebswirtschaftlichen Ebene Abb. 3.25: Strategische und taktische Kennzahlen als Vorgaben für die Kampagnenentwicklung Abb. 3.26: Ergebnisse Betriebswirtschaftliche Ebene des acrm Abb. 3.27: Leitfaden für die Entwicklung eines unternehmensbezogenen acrm- Konzeptes auf der betriebswirtschaftlichen Ebene Abb. 4.1: Einordnung und Untersuchungsschwerpunkte IT-Ebene des acrm Abb. 4.2: Leitbild IT-Ebene im Zusammenhang mit der Konzeptrahmenebene Abb. 4.3: BI-Data-Warehouse-Architektur auf Basis des Layer-Konzeptes Abb. 4.4: Einordnung der Basis-Datenbank in die BI-Data-Warehouse-Architektur (IT-Ebene) Abb. 4.5: Ausschnitt eines SER-Modells für Kundenaufträge Abb. 4.6: Modifiziertes SER-Modell für den Enterprise Data Store (EDS) Abb. 4.7: Enterprise Data Warehouse mit dem EDW- und ODS-Layer Abb. 4.8: Realisierung der Kundenaufträge/Kundenzufriedenheitsdaten im Enterprise Data Warehouse Abb. 4.9: Einordnung OLAP/Data Marts ins Layer-Konzept des BI-Data Warehouse (IT-Ebene) Abb. 4.10: OLAP-Würfel Abb. 4.11: Starschema in SERM-Darstellung Abb. 4.12: Starschema-Variante am Beispiel der Verkaufsdaten- u. -positionsnummer Abb. 4.13: Snowflakeschema Abb. 4.14: Schema des Erweiterten Starschemas Abb. 4.15: Modellierung eines erweiterten Starschemas am Beispiel von Verkaufsdaten (Tabellendarstellung) Abb. 4.16: Abbildung der Gebietshierarchie in einer Dimensionstabelle Abb. 4.17: Aggregatsspeicherung für die Optimierung von OLAP Abb. 4.18: Erweitertes Fact-Constellation-Starschema Abb. 4.19: Einordnung der Datenbeschaffung ins Layer-Konzept im BI-Data Warehouse (IT-Ebene) Abb. 4.20: Data Matching zwischen Kundenzufriedenheits- und Artikelstammdaten Abb. 4.21: Datenextraktion und -transformation am Beispiel von Auftragsdaten Abb. 4.22: Ergebnisse IT-Ebene des acrm

15 Abbildungsverzeichnis XV Abb. 4.23: Leitfaden für die Entwicklung eines unternehmensbezogenen acrm- Konzeptes auf der IT-Ebene Abb. 5.1: Einordnung und Untersuchungsschwerpunkte Anwendungsebene des acrm Abb. 5.2: Leitbild Anwendungsebene (acrm-phasenansatz) Abb. 5.3: Zusammenhang der ersten acrm-phase des Leitbildes Anwendungsebene mit den zentralen Leitbildern der Konzeptrahmenebene und betriebswirtschaftlichen Ebene Abb. 5.4: Zusammenhang der acrm-phasen 2-4 des Leitbildes Anwendungsebene mit dem zentralen Leitbild der IT-Ebene Abb. 5.5: Einordnung der acrm-aufgabendefinition ins Leitbild acrm-phasenansatz" (Anwendungsebene) Abb. 5.6: Aufgabendefinition mit Zielkriterium und Ableitung des Data-Mining- Aufgabentyps Abb. 5.7: Einordnung des Aufbaus der Daten im BI-Data Warehouse im Leitbild acrm- Phasenansatz (Anwendungsebene) Abb. 5.8: Exemplarische CRM-Daten Abb. 5.9: Erstellung des Data-Mining-Layers im Enterprise Data Warehouse als Basis für die Data-Mining-Anwendungen Abb. 5.10: Einordnung der Anwendung des Data-Minings ins Leitbild acrm- Phasenansatz (Anwendungsebene) Abb. 5.11: Vorgestellte Data-Mining-Methoden in Abhängigkeit vom Data-Mining- Aufgabentyp Abb. 5.12: Vor- und Nachteile der Data-Mining-Methoden Abb. 5.13: Iterativer Data-Mining-Prozess im Rahmen der BI-Data-Warehouse- Architektur Abb. 5.14: Datenpreprocessing im Rahmen des iterativen Data-Mining-Prozesses Abb. 5.15: Data-Mining-Analyse im Rahmen des iterativen Data-Mining-Prozesses Abb. 5.16: Bewertung im Rahmen des iterativen Data-Mining-Prozesses Abb. 5.17: Einordnung der Nutzung des Data-Mining-Ergebnisses ins Leitbild acrm- Phasenansatz (Anwendungsebene) Abb. 5.18: Rückführung der Data-Mining-Ergebnisse in den EDW für das ocrm-system Abb. 5.19: Verteilung der Data-Mining-Ergebnisse über das Cockpit auf Basis von Data Marts Abb. 5.20: Unterschiedliche Data-Mining-Ergebnisarten Abb. 5.21: Ergebnisse Anwendungsebene des acrm

16 Abbildungsverzeichnis XVI Abb. 5.22: Leitfaden für die Lösung einer acrm-aufgabenstellung (Anwendungsebene) 240 Abb. 6.1: Einordnung und Untersuchungsschwerpunkte Implementierung des acrm. 241 Abb. 6.2: Implementierung des analytischen CRM auf Basis der acrm-konzeption Abb. 6.3: Relevante Data-Mining-Aufgaben für die acrm-implementierung Abb. 6.4: Überblick über die realisierte BI-Data-Warehouse-Architektur für die acrm- Implementierung Abb. 6.5: Cockpit-Entwurf als zentrales Kundenentwicklungs-, Frühwarn- und Navigationsinstrument Abb. 6.6: Beispiel für ein Kunden-Cockpit (Kundenebene) Abb. 6.7: Überblicksdarstellung des Basis-Datenbank-Aufbaus in Form des EDW (einschließlich der Datenbeschaffung) für die acrm-implementierung Abb. 6.8: Modellierung des Enterprise Data Warehouse für die acrm-implementierung durch zwei EDW-Layer Abb. 6.9: Falsche Modellierung der CRM-Portfolio-Tabelle aus Analysesicht Abb. 6.10: Richtige Modellierung der CRM-Portfolio-Tabelle aus Analysesicht Abb. 6.11: Einordnung der Data Marts/Stammdaten in die BI-Data-Warehouse- Architektur für die acrm-implementierung Abb. 6.12: Zentrale Kundenstamm-Modellierung für alle Data Marts (Tabellendarstellung) Abb. 6.13: CRM-Portfolio-Starschema (SERM-Darstellung) unter Berücksichtigung der realisierten Kennzahlen Abb. 6.14: Kampagnen-/Ergebnis-Starschema für die acrm-implementierung (SERM- Darstellung) Abb. 6.15: Kontakt-Starschema für die acrm-implementierung (SERM-Darstellung) Abb. 6.16: Angebots-/Auftrags-/Rechnungs-Starschema für die acrm-implementierung (SERM-Darstellung) Abb. 6.17: Einordnung des Data-Minings und des Data-Mining-Layers in die BI-Data- Warehouse-Architektur Abb. 6.18: Erweiterung des Enterprise Data Warehouse um den Data-Mining-Layer als Datengrundlage für die Data-Mining-Modelle der acrm-implementierung Abb. 6.19: Verteilung der Kundengruppenergebnisse innerhalb der BI-Data-Warehouse- Architektur Abb Datentransferprozess mit den Klassifikationsergebnissen des Präventionsmodells für den CRM-Portfolio-Data Mart Abb. 6.21: Ergebnisse Implementierung des acrm Abb. 7.1: Einordnung und Untersuchungsschwerpunkte Fallstudie zum acrm

17 Abbildungsverzeichnis XVII Abb. 7.2: Anwendung des acrm-phasenansatzes für die Entwicklung einer CRM- Strategie am Beispiel eines optischen Industrie- und Handelsunternehmens Abb. 7.3: Einordnung der Fallstudie in den Closed-Loop-Ansatz als Ausgangspunkt der acrm-aufgabendefinition Abb. 7.4: Brillen-/Glasstrukturierung unter dem Gesichtspunkt der Kundenprofitabilität für die Fokussierung der Fallstudie Abb. 7.5: Kundenstufenentwicklung zum Gleitsichtglaskunden Abb. 7.6: acrm-zielkonkretisierung der Fallstudie mit Ableitung des Data-Mining- Aufgabenttyps Abb. 7.7: Anwendung der acrm-phase Aufbau der Daten im BI-Data Warehouse für die Entwicklung der CRM-Strategie Abb. 7.8: Anpassung des Enterprise Data Warehouse für den Data-Mining-Einsatz Abb. 7.9: Durchführung der 3. acrm-phase Anwendung von Data-Mining für die Entwicklung der CRM-Strategie Abb. 7.10: Ablaufschema für die Entwicklung einer CRM-Strategie Abb. 7.11: Inverser Scree-Test für die Bestimmung der Zielgruppen-/Clusteranzahl Abb. 7.12: CRM-Strategie: Entwickelte strategische Stoßrichtungen für das optische Industrie- und Handelsunternehmen Abb. 7.13: Anwendung der 4. acrm-phase Nutzung des Data-Mining-Ergebnisses für die Entwicklung der CRM-Strategie Abb. 7.14: Rückführung der Zielgruppenergebnisse in den Data-Mining-Layer für die Verteilung ins ocrm-system und ins Cockpit Abb. 7.15: Ergebnisse Fallstudie zum acrm Abb. 8.1: Gesamtergebnisse der Dissertation im Überblick

18 Tabellenverzeichnis XVIII Tabellenverzeichnis Tab. 3.1: Lebenszyklusorientierte Kundendeckungsbeitragsrechnung Tab. 3.2: Gängige Fragen zur Ermittlung der Kundenloyalität bei den Kunden Tab. 3.3: Beurteilung der verschiedenen Erhebungsformen Tab. 3.4: Operationalisierung der Kundenstufen Tab. 3.5: Vergleich der CRM-Kennzahlen mit den Potenzialkennzahlen Tab. 4.1: Vergleich des Enterprise Data Store mit dem Enterprise Data Warehouse Tab. 4.2: Dimensionstabelle mit künstlichem Primärschlüssel Tab. 4.3: Abbildung von Hierarchieebenen innerhalb einer Dimensionstabelle Tab. 4.4: Vergleich und Bewertung der Starschema-Konzepte Tab. 4.5: Plan-Ist-Dimension Tab. 4.6: Unterschiedliche Codierung, Synonyme und Homonyme am Beispiel eines optischen Industrie- und Handelsunternehmens Tab. 6.1: Relevante Kennzahlen für die acrm-implementierung Tab. 6.2: Zuordnung der Potenzial- und CRM-Kennzahlen zu den Navigationsebenen Tab. 6.3: Auswahl der Datenobjekte mit beispielhaften Attributen für die Implementierung des acrm Tab. 6.4: Data-Mining-Modelle für die acrm-implementierung Tab. 6.5: Datenbasis der Data-Mining-Modelle mit ausgewählten, beispielhaften Attributen aus dem zweiten EDW-Layer Tab. 6.6: Datenflusskonzept im BI-Data Warehouse für die acrm-implementierung Tab. 6.7: Zusammenspiel zwischen Data-Mining, BI-Data Warehouse und ocrm- System für ein automatisiertes Kundengruppen- und -stufenmanagement Tab. 7.1: Ausgewählte Merkmale für die Lösung der acrm-aufgabenstellung Tab. 7.2: Beschreibung der mikrogeografischen Wohngebietstypen Tab. 7.3: Einteilung in Aktiv-, Prüf- und Passivmerkmale für die Data-Mining-Analyse Tab. 7.4: acrm-fallstudienergebnis: Ermittelte Zielgruppen und Ableitung der CRM-Strategie Tab. A.0.1: F-Test der 2-Clusterlösung Tab. A.0.2: F-Test der 6-Clusterlösung (ohne Geschlecht) Tab. A.0.3: F-Test der 7-Clusterlösung (ohne Geschlecht und Glastönung)

19 Abkürzungsverzeichnis XIX Abkürzungsverzeichnis acrm CART CAS CHAID CRM DSO DSS EDW EDS EIS ERM ERP ETL KDD MIS MOLAP ocrm ODS OLAP OLTP PSA ROLAP SERM SFA SOA SQL analytisches Customer Relationship Management Classification and Regression Trees Computer-Aided-Selling Chi-Squared Automatic Interaction Detection Customer Relationship Management Data-Store-Objekt Decision-Support-Systeme Enterprise Data Warehouse Enterprise Data Store Executive-Information-Systeme Entity-Relationship-Modell Enterprise Resource Planning Extraction Transformation Loading Knowledge Discovery in Databases Management-Information-Systeme Multidimensionales On-Line Analytical Processing operatives Customer Relationship Management Operational Data Store On-Line Analytical Processing On-Line Transaction Processing Persistent Stage Area Relationales On-Line Analytical Processing Strukturiertes Entity-Relationship-Modell Sales-Force-Automation Service Oriented Architecture Structured Query Language

20 1 Einführung 1 1 Einführung 1.1 Problemstellung Durch veränderte Markt- und Wettbewerbsbedingungen hat das Management der Kundenbeziehungen verstärkt an Bedeutung gewonnen. 1 Aggressive Wettbewerber dringen in den Markt ein und umwerben die immer anspruchvolleren Kunden. 2 Der steigende Wettbewerbsdruck wird auch durch die Internet-Technologie unterstützt, die den Markt transparenter gestaltet. Die Kunden sind in der Lage, die Unternehmensangebote weltweit schneller zu vergleichen und neue Produkte und Dienstleistungen in Anspruch zu nehmen. 3 Allerdings wird die Nutzung des Internets von den Kunden unterschiedlich in Anspruch genommen. Der Internetauftritt muss für internetaffine Kunden entsprechend aufgebaut werden, um erfolgreich zu sein. 4 Eine weitere Entwicklung ist in dem veränderten Konsumverhalten der Kunden festzustellen. Insbesondere der Wertewandel der Kunden ist zu nennen. Traditionelle Wertevorstellungen ( Schubladendenken ) sind durch die zunehmende Zersplitterung der Gesellschaft immer weiter im Rückgang. Derselbe Kunde kann sowohl günstige Versorgungskäufe beim Discounter als auch hochpreisige Erlebniskäufe im Handel vornehmen. 5 Dabei nehmen immer weniger Kunden Standardprodukte und -dienstleistungen in Anspruch. Es ist eine zunehmende Individualisierung der Kundenbedürfnisse zu verzeichnen. 6 Gleichzeitig nimmt die Kundenloyalität gegenüber den Unternehmen ab. Die Kunden sind immer schneller bereit, zur Konkurrenz zu wechseln. 7 Die Notwendigkeit für eine kundenindividuellere Ansprache wird deutlich. Die Herausforderungen für die Unternehmen werden immer größer. Seufert stellt als grundsätzliches Dilemma fest, dass die Komplexität aufgrund der veränderten Rahmenbedingungen weiter steigt, während die Zeit für das Treffen von Entscheidungen immer mehr abnimmt. 8 Die wichtigsten Fähigkeiten der Unternehmen liegen nach Borzo neben der raschen Anpassungsfähigkeit und der Innovationsgeschwindigkeit in der Kundenakquisition 1 Vgl. Wirtz (2005), S Vgl. Förster/Kreuz (2006), S Vgl. Eyrich (2005), S. 309 ff.; Fassot (2004), S Vgl. Förster/Kreuz (2006), 123 f.; Stengl/Sommer/Ematinger (2001), S. 141 f. 5 Vgl. Holland (2001), S. 16 f. 6 Vgl. Duffner/Henn (2001), S. 36. f. 7 Vgl. Rapp (2005), S. 23 ff.; Kantsperger (2004), S Vgl. Seufert (2007), S. 16.