Benutzerspezifische Werkzeuge

Analytisches CRM

Prof. Dr. Klaus D. Wilde (unter Mitarbeit von Dipl.-Kfm. Lukas Grieser, Dipl.-Kfm. Wolfgang Leusser)

Das analytische CRM umfasst Komponenten zur Sammlung, Integration und anschließenden Aufbereitung von Kundendaten, sowie der aufbauenden Kundenanalyse. Ziel des analytischen CRM ist dabei die Steuerung und kontinuierliche Optimierung kundengerichteter operativer CRM-Prozesse im Sinne des Closed-Loop Ansatzes, was durch die Bereitstellung relevanten Wissens erfolgt.

Komponenten des analytischen CRMs sind das Data Warehouse und Analysewerkzeuge wie das Online Analytical Processing (OLAP) und das Data Mining mit jeweils unterschiedlichen Aufgaben im Kontext der Wissensgewinnung und Entscheidungsunterstützung für kundengerichtete Prozesse [Hippner et al. 2004, S. 16; Amberg 2004, S. 52].

Dem Data Warehouse kommt die Aufgabe zu, die in unterschiedlichen Anwendungssystemen anfallenden Transaktions- und Stammdaten in einer physischen Datenbank zu sammeln, aufzubereiten, zu integrieren und zu speichern, um so einen für analytische Prozesse nutzbaren einheitlichen Datenbestand zu schaffen [Becker, Knackstedt 2004, S. 187; Michaeli 2006, S. 39 f.; Muksch 2006, S. 140]. Typische Datenquellen im CRM sind z.B. intern anfallende, strukturierte, operative, transaktionale Daten sowie unstrukturierte Daten z. B. in Form von E-Mails, oder auch extern verfügbare strukturierte und unstrukturierte Daten z.B. aus Marktforschungen oder Finanzinformationsdiensten, bzw. Meinungsforen [Rentzmann 2008, S. 25 f.].
Auf Basis der Daten im Data Warehouse ermöglichen Analysewerkzeuge wie OLAP und Data Mining die Kundenanalyse, um Wissen für Entscheidungen in kundengerichteten Prozessen zu gewinnen.

OLAP ermöglicht durch multidimensionale Datenanalyse und Navigation die Verifizierung von kundenbezogenen Hypothesen [Codd et al. 1993, S. 4; Gluchowski et al. 2008, S. 143]. Damit umfasst OLAP die Analyse von Kundendaten auf Basis konkret formulierter Fragestellungen, in anderen Worten eine hypothesengetriebene maschinell unterstützte manuelle Suche nach neuen Zusammenhängen. Dabei kann aus Gründen der hohen Komplexität von Zusammenhängen im CRM und knappen Kapazitäten des Fachpersonals die Lösung von komplizierten und unerforschten Fragestellungen nur geringfügig verfolgt werden [Hippner et al. 2004, S. 18 f.].

Im Gegensatz zur anwendergetriebenen Datenanalyse im OLAP umfasst Data Mining den Prozess der automatisierten Suche und Analyse in großen Datenbeständen, um neue, valide und handlungsrelevante Informationen, Zusammenhänge und Regeln zur Unterstützung kundenbezogener und betriebswirtschaftlicher Entscheidungen zu entdecken [Berry, Linoff 2000, S. 7; Cabena et al. 1998, S. 246; Hippner et al. 2004, S. 19]. Im Zuge dieser manuell unterstützten maschinellen und damit datengetriebenen Suche werden durch Mustererkennung mittels statistischer Methoden in strukturierten und unstrukturierten Daten Hypothesen generiert [Gluchowski et al. 2008, S. 143; Düsing 2006, S. 255], welche für zukünftige kundenbezogene Aktivitäten auf deren Nützlichkeit zu überprüfen sind. Data Mining hilft damit die Bedürfnisse von Kunden zu antizipieren und durch Entdeckung unbekannten Wissens über den Kunden zu einem besseren Kundenverständnis beizutragen [Shaw et al. 2001, S. 128].

In Bezug auf die zugrunde liegenden Datenquellen des Data Mining im CRM, lassen sich ferner die Ausprägungen des Text Mining und des Web Mining - zur Analyse unstrukturierter Kundeninformationen in Form von Texten, bzw. von Weblog Daten – als Spezialformen des Data Mining, welche im CRM Anwendung finden, unterscheiden [Bensberg, Schultz 2001, S. 680].

CRM-Prozesse im Closed Loop

Abbildung 1: CRM-Prozesse und Closed Loop im E-Mailmarketing.

Am Beispiel einer E-Mailkampagne können die Prozesse und Methoden im analytischen und operativen CRM und deren Zusammenspiel zu einem Closed-Loop vereinfacht veranschaulicht werden (Siehe Abbildung 1). Kundendaten aus Data Mining werden für die Berechnung einer Reaktionswahrscheinlichkeit (Score) durch Data Mining Methoden eingesetzt, welche die Selektion der am meisten erfolgsversprechenden Adressaten erlaubt. In operativen Systemen werden die Daten zur Erstellung einer Kundenansprache per E-Mail verarbeitet und Reaktionen gespeichert. Diese Ansprachen und Reaktionen werden zur weiteren Analyse im Data Warehouse vermerkt. Abschließend erlaubt OLAP die Berichterstattung über den Kampagnenerfolg, etwa welche Altersgruppe auf ein Angebot reagiert hat.

In Bezug auf IT-Systeme im Allgemeinen sind die genannten Komponenten des analytischen CRM der Business Intelligence (BI) zuzuordnen. Liegen die traditionellen Aufgaben der BI vor allem in der Konvertierung von Rohdaten der Unternehmensumwelt in für analytische Prozesse nutzbare Information zur Unterstützung von Managemententscheidungen [Gilad, Gilad 1986, S. 53; Michaeli 2006, S. 40], so werden diese Informationen durch Data Mining und OLAP noch weiter verbessert und genutzt [Nelke 2005, S. 286], so dass durch das analytische CRM eine optimale Entscheidungsbasis zur Unterstützung der operativen Prozessen der Funktionalbereiche Marketing, Sales und Service [Hippner 2006, S. 362 f.] bereitgestellt wird.

Literatur

Amberg, M.: Basistechnologien von CRM-Systemen. In: Hippner, H.; Wilde, K.D. (Hrsg.): IT-Systeme im CRM - Aufbau und Potenziale. Wiesbaden : Gabler, 2004, S. 43-74.

Becker, J.; Knackstedt, R.: Das Data-Warehouse-Konzept im CRM. In: Hippner, H.; Wilde, K.D. (Hrsg.): IT-Systeme im CRM - Aufbau und Potenziale. Wiesbaden : Gabler, 2004, S. 183-209.

Bensberg, F.; Schultz, M. B.: Data Mining, In: Das Wirtschaftsstudium (WISU), (2001), Nr. 5, S. 679-681.

Berry, M. J. A.; Linoff G. S.: Mastering Data Mining, New York u. a : Wiley, 2000.

Cabena, P.; Hadjinian, P.; Verhees, J.; Zanasi, A. : Discovering data mining - from con-cept to implementation, Upper Saddle River : Prentice Hall, 1998.

Codd, E. F.; Codd, S. B.; Salley, C. T.: Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandat, E.F. Codd & Associates, White Paper, 1993.

Düsing, R.: Knowledge Discovery in Databases – Begriff, Forschungsgebiet, Prozess und System. In: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme - Business Intelligence-Technologien und -Anwendungen, Berlin u.a. : Springer, 2006, S. 241-262.

Gilad, T.; Gilad, B.: Business Intelligence – The Quiet Revolution. In: Sloan Management Review, 27 (1986), No. 4, pp. 53-61.

Gluchowski, P., Gabriel, R., Dittmar, C.: Management Support Systeme und Business Intelligence – Computergestützte Informationssysteme für Fach- und Führungskräfte, Berlin : Springer, 2008.

Hippner, H.; Rentzmann, R.; Wilde, K. D.: Aufbau und Funktionalitäten von CRM-Systemen. In: Hippner, H.; Wilde, K.D. (Hrsg.): IT-Systeme im CRM - Aufbau und Potenziale, Wiesbaden : Logos, 2004, S. 13-42.

Hippner, H.: Komponenten und Potenziale eines analytischen Customer Relationship Management. In: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme - Business Intelligence-Technologien und -Anwendungen, Berlin u.a. : Springer, 2006, S. 361-384.

Michaeli, R.: Competitive Intelligence - Strategische Wettbewerbsvorteile erzielen durch systematische Konkurrenz-, Markt- und Technologieanalysen, Berlin u. a : Springer 2006.

Muksch, H.: Das Data Warehouse als Datenbasis analytischer Informationssysteme – Architektur und Komponenten. In: Chamoni, P.; Gluchowski, P. (Hrsg.): Analytische Informationssysteme - Business Intelligence-Technologien und -Anwendungen, Berlin u.a. : Springer, 2006, S. 129-142.

Nelke, M.: Intelligent Methods in Finance Applications: From Questions to Solutions. In: Gabrys, B.; Leiviskä, K.; Strackeljan, J. (Hrsg.): Do Smart Adaptive Systems Exist?, Berlin u. a. : Springer, 2005, S. 285-305.

Rentzmann, R.: Text Mining im Customer Relationship Management. Hamburg : Kovac, 2008.

Shaw, M. J.; Subramaniam, C.; Woo Tan, G.; Welge, M. E.: Knowledge management and data mining for marketing. In: Decision Support Systems, 31 (2001), pp. 127-137. 

Zuletzt bearbeitet: 01.10.2010 16:30
Letzter Abruf: 21.08.2017 19:42
Artikelaktionen