Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein

Transkript

1 Alles für den Kunden Analyse von Kundendaten Katrin Plickert, Heiko Hartenstein

2 Zum Verständnis 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 2 Quelle: Heilmann, Kempner, Baars: Business and Competitive Intelligence, HMD 2006, S. 2

3 Agenda Verfahren allgemein speziell SPSS Clementine SQL Server 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 3

4 Marketing Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Go-to-market Kundenorientierung, Marktbearbeitung Querschnittsaufgabe der betrieblichen Unternehmung Vertrieb, Produktion, Forschung Ressourcen Finanzen, Personal, Informationen, Technik, Leitung Strategisch vs. Operativ Controlling / Management 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 4

5 Marketing Mix Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Basismodell: Kommunikationspolitik (promotion) Leistungspolitik (product) Vertriebspolitik (place) Preispolitik (price) Erweitertes Modell: Personalpolitik (personnel) Ausstattungspolitik (physical facilities) Prozesspolitik (process) 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 5

6 Regelkreis Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Quelle: Link, Brändli, Schleuning, Kehl: Handbuch, 1997, Fachverlag Marketing Forum GmbH, S Februar 2007 Heiko Hartenstein, Katrin Plickert 6

7 Grundlagen Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Massenmarketing Individual-Marketing Kosten-Nutzen-Verhältnis Analyse Einflüsse Kostendruck, geändertes Kaufverhalten, neue Vertriebswege, Dynamisierung der Märkte Technik als Mittel Eigentlich Prozess-, Management- und Organisations- und Kommunikationsthema Querschnittsaufgaben (descriptive und predictive) 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 7

8 Grundlagen Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Quelle: Link, Brändli, Schleuning, Kehl: Handbuch, 1997, Fachverlag Marketing Forum, S Februar 2007 Heiko Hartenstein, Katrin Plickert 8

9 BI, CRM, DBM Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Quelle: Chamoni, Gluchowski: Analytische Informationssysteme, 2006, Springer, S Februar 2007 Heiko Hartenstein, Katrin Plickert 9

10 Vorteile Kundenbeziehung Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Segmentierung und Bewertung der Kunden Kundendeckungsbeitrag Lebenszyklus Klassifizierung Produktkombinationen Optimierungen von Prozessen, Planungen und der Steuerung 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 10

11 Kritische Erfolgsfaktoren Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Technisch Verteilte Datenhaltung, komplexes Datenmanagement Unternehmensweites Datenmodell / Begriffe Integration interner und externer Quellen Trennung fachlich + technisch / Plattformunabhängigkeit Realisierung Multikanalnutzung Skalierbarkeit / Performance 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 11

12 Kritische Erfolgsfaktoren Marketing Marketing Mix Regelkreis Grundlagen DBM BI, CRM, DBM Vorteile Kritische Erfolgsfaktoren Rechtlich / Ethisch Datenschutz, Datensicherheit Minderheiten, Klassifizierung, Interpretation Qualitativ Richtigkeit (fehlend, falsch, plausibel, Format) Aktualität, Relevanz, Repräsentanz, Ausreißer, Komplexität Prävention, Korrektur, kultureller Wandel Organisatorische, infrastrukturelle und technische Maßnahmen 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 12

13 Definition Definition KDD Clusteranalyse Künstliche Neuronale Netze Assoziation Entdeckung unbekannter, unvermuteter und nichttrivialer Datenmuster in großen, strukturierten Datenbeständen zur Entscheidungsunterstützung betriebswirtschaftlicher Fragestellungen Unbekannt Mustererkennung Große, strukturierte Datenbestände Entscheidungsunterstützung 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 13

14 KDD Definition KDD Clusteranalyse Künstliche Neuronale Netze KDD: Knowledge Discovery in Databases Unterschiedliche Definitionen KDD: Gesamtprozess Datenvorbereitung, Analyse und Ergebnisauswertung Assoziation KDD: Oberbegriff zu - Wissensbezug : eigentliche Analyse 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 14

15 Clusteranalyse Definition KDD Clusteranalyse Künstliche Neuronale Netze Assoziation Einteilung in vorher unbekannte Gruppen Innerhalb der Gruppen: Elemente möglichst homogen Zwischen den Gruppen: Elemente möglichst heterogen Verschiedene Methoden für Handhabung Homogenität / Heterogenität Iteration z.b. Anwendung für Segmentierung von Kundengruppen 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 15

16 Clusteranalyse Definition KDD Clusteranalyse Künstliche Neuronale Netze Assoziation Quelle: Prof. Swat, Vorlesungsskript Entscheidungsunterstützung im Management, Februar 2007 Heiko Hartenstein, Katrin Plickert 16

17 Künstliche Neuronale Netze Definition KDD Clusteranalyse Künstliche Neuronale Netze Assoziation Keine neuen Probleme, nur neue Verfahrensklasse Stammt aus KI und Neuronalen Netzen Modernes, netzorientiertes Verfahren, aber Aufwand, Training Einsatz in Abbildung, Entdeckung von Strukturen und in der Prognose Vielseitig anwendbar Betriebswirtschaftliche Ableitung schwierig 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 17

18 Assoziation Definition KDD Clusteranalyse Künstliche Neuronale Netze Assoziation Entdeckung von Beziehungen Erstellung von Regeln Einsatz in der Warenkorbanalyse Traditionelle Methode Viel in Handel genutzt Bsp. Bier + Windeln 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 18

19 Definition KDD Clusteranalyse Künstliche Neuronale Netze Assoziation Einsatzbeispiele Methode Klassifikation, Regression, Cluster Neuronale Netze Assoziationsanalyse Einsatzbeispiele Vorhersage Analyse von Teilgruppen Kreditwürdigkeitsprüfung Antwortprognose im Direktmarketing Zufriedenheitsanalyse Qualitätsprüfung Customer Lifetime Value Marktsegementierung Kundensegmentierung Individualisierte Kundenansprache in der Werbung Aufzeigen von Kaufverhaltensmustern Routenplanung im Außendienst Missbrauchserkennung von Versicherungsnehmern Klassifikationsprobleme Clusterprobleme Vorhersage Warenkorbanalyse Sortimentsanalyse 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 19

20 Vorhersagendes Modell, aber auch Beschreibungscharakter Zielvariable als abhängige Variable a priori bestimmt Prediktoren: unabhängige Variablen, die den Wert der Zielvariable erklären können Einteilung in Gruppen, die den Wert der Zielvariable signifikant erklären Auf Basis des Modells ist Prognose möglich Anwendung für Prognose von bestimmten Eigenschaften, bspw. Kreditwürdigkeit 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 20

21 Einsatz von Regressions- und Klassifikationsmodellen Streng genommen kein Data-Mining- Verfahren sondern ein Verfahren der klassischen multivariaten Statistik (überwachtes Lernen), da Zielvariable im Vorhinein bestimmt Vorteil: leicht verständliche Regeln Nachteil: Bäume können unübersichtlich werden 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 21

22 Zum Verständnis Quelle: Kotler, Armstrong, Saunders, Bong: Grundlagen des Marketing, 2007, Pearson Studium, S Februar 2007 Heiko Hartenstein, Katrin Plickert 22

23 - Toolanbieter 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 23

24 Zufriedenheitsanalyse einer Krankenkasse Fragebogenauswertung von Kunden (geschichtete Stichprobe aus Kunden) Antwort auf die Fragen nach Zufriedenheit und mehr Ziel: Anhand festgestellter Klassifizierung Marketingmaßnahmen zu forcieren Bitte mitmachen! 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 24

25 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 25