Benutzerspezifische Werkzeuge

Prognosen im CRM

Prognosen beziehen sich im CRM auf das Kaufverhalten (Kauf –bzw. Zahlungsbereitschaft, Warenkorbanalysen), die Messung von Produktnutzen - bzw. präferenzen, die Marktdurchdringung, Kundenaquise, Erfassung von Kunden-Un-Zufriedenheit (z. B. von “churn“). Herausgearbeitet werden sollen hier die methodischen Fragestellungen dazu.

Problemtypen

Vorhersageprobleme lassen sich methodisch auf wenige Grundfragestellungen reduzieren:

  • Probleme mit ausgezeichneter Zielvariablen, d. h. Regressions –bzw. Klassifikationsanalysen / “Discrete Choice Analysis“
  • Verbundsmessung (“conjoint analysis“).
    Der über Rankings bzw. Ratings gemessene Nutzen von Produkten wird gedanklich additiv zerlegt und Einzelfaktoren zugeordnet. Relative Nutzenwerte geben Auskunft über zu erwartende Reaktionen des Kunden bei Produktmodifikationen.
  • Zusammenhangsmessungen.
    Abhängigkeiten zwischen Attributen werden in Form von Maßzahlen erfasst. In der Assoziationsanalyse werden diese als Prüfgrößen von Signifikanztests verwendet und damit zur Regelextraktion verwendet.

Datenbasis

Bei Datenquellen handelt es sich primär um:

  • operative Daten, idealerweise aus einem Data Warehouse
  • Fragebogenaktionen
  • angereicherte Adressdaten 

Wesentlich ist die Selektion der Einflussfaktoren. Die Datenvorverarbeitung umfasst Transformationen, Reduktionen, Bereinigungen. Werden Daten aus unterschiedlichen Quellen herangezogen, etwa im Kontext des Data Mining, dann wird diese Heterogenität durch die Annahme mehrgipfeliger Mischverteilungen berücksichtigt. Lineare Ansätze sind in diesem nicht zu rechtfertigen.

Algorithmentypen

Neben klassischen Prognosemethoden zu Regression und Klassifikation, wie (log-) linearer Regression und Diskriminanzanalyse, finden Anwendung:

  • “support vector machines“
  •   Baumverfahren, z. B. CART
  •   Nächste-Nachbarn-Verfahren
  • “error-backpropagation-networks“ 

Baumverfahren besitzen den größten Erkärungsgehalt, was etwa im Kampagnemanagement von Bedeutung ist. Diese Ansätze sind in Standardsoftwareprogrammen (SPSS, SAS) implementiert, ebenso in R.

Literatur

Backhaus, Klaus; Erichson, Bernd; Plinke, Wulff; Weiber, Rolf: Multivariate Analysemethoden. Berlin : Springer, 2003.

Ben-Akiva, Moshe; Lerman, Steven R.: Discrete Choice Analysis. Cambridge, Mass. u. a. : MIT Press, 2000.

Chamoni, Peter; Gluchowski, Peter: Analytische Informationssysteme. Berlin : Springer, 2006.

Cristianini, Nello; Shawe-Taylor, John: An Introduction to Support Vector Machines. Cambridge : Cambridge Univ. Press, 2000.

Fahrmeir, Ludwig; Hamerle, Alfred; Tutz, Gerhard: Multivariate statistische Verfahren. Berlin u. a. : de Gruyter, 1996.

Hastie, Trevor; Tibshirani, Robert; Friedmann, Jerome: The Elements of Statistical Learning. Berlin : Springer, 2001.

Haykin, Simon: Neural Networks. Upper Saddle River, NJ : Prentice-Hall, 1999.

Hippner, Hajo; Wilde, Klaus D.: Grundlagen des CRM. Wiesbaden : Gabler, 2006.

Hippner, Hajo; Wilde, Klaus D.: IT-Systeme im CRM. Wiesbaden : Gabler, 2004.

Rost, Jürgen: Lehrbuch Testtheorie – Testkonstruktion. Berlin u. a. : Huber, 2004.

Tutz, Gerhard: Die Analyse kategorialer Daten. München u. a. : Oldenbourg, 2000.

Autor


 

Prof. Dr. Ulrich Müller-Funk, Universität Münster, Institut für Wirtschaftsinformatik, Leonardo-Campus 3, 48149 Münster

Autoreninfo


Zuletzt bearbeitet: 18.10.2012 16:52
Letzter Abruf: 24.05.2017 04:26
Artikelaktionen