Customer Relationship Analytics - Praktische Anwendung des Data Mining im CRM

Gezieltes Schaffen und Erhöhen des Kundenwertes durch Management der Kundenbeziehungen ist das Hauptanliegen des Customer Relationship Managements. Das Buch vermittelt fundierte Kenntnisse, wie systematisch das dafür nötige Kundenwissen mithilfe von Data-Mining-Analysen gewonnen werden kann. Ein umfassender Beschreibungsrahmen bietet dem Leser Orientierung beim Vorgehen in der Praxis – von der Zielsetzung über konkrete Analyseszenarien und deren Kombination bis zur Anwendung der Ergebnisse. Der Schwerpunkt liegt auf der Beschreibung typischer Anwendungsfälle aus den Bereichen Handel und Finanzdienstleistungen. Die Präsentation einer »Road Map« und das Aufzeigen potenzieller Fehlerquellen versetzen den Leser in die Lage, eigene Analysen zu entwickeln. Die Trennung von Theorie- und Praxisteil hilft beim gezielten Einstieg.

Die Autoren:

Peter Neckel studierte Betriebswirtschaftslehre an der ESC Grenoble in Frankreich und Wirtschaftsinformatik an der Otto- Friedrich-Universität Bamberg. Dort hat er mehrere Jahre als wissenschaftlicher Mitarbeiter an einem großen Data-Warehouse- Projekt mitgewirkt. In weiteren Praxisprojekten hat er umfangreiche Data-Mining-Erfahrungen gesammelt. Zur Zeit promoviert er im Fach Wirtschaftsinformatik. Seine Arbeitsschwerpunkte sind betriebswirtschaftliche Anwendungen des Data Mining, insbesondere Customer Relationship Analytics und damit verbundene Datenschutzaspekte.

Bernd Knobloch studierte Wirtschaftsinformatik an der Otto- Friedrich-Universität Bamberg, wo er bis 2004 als wissenschaftlicher Mitarbeiter am Lehrstuhl für Wirtschaftsinformatik, insbes. Systementwicklung und Datenbankanwendung tätig war. Er promoviert in seinem Studienfach zum Thema Datenanalyseprozesse. Er verfügt über praktische Data-Mining-Erfahrung aus zahlreichen Projekten, insbesondere im Großversand- und im Lebensmitteleinzelhandel und berät Unternehmen bei der Konzeption von Business-Intelligence- und CRM-Systemen. Er ist Autor mehrerer Veröffentlichungen zum Thema Data Mining, Business Intelligence und CRM.

Die Autoren leiten und führen seit Jahren Workshops und Seminare durch zu den Themen Data Warehousing, Data Mining, Business Intelligence und Customer Relationship Analytics für Studenten, Wissenschaftler und Praktiker.


Leseprobe:

4 Datenqualität (S. 97-98)

4.1 Datenqualität – ein Erfolgsfaktor für die Datenanalyse

Betriebliche Datenbestände sind oft mit einer Vielzahl von Qualitätsmängeln behaftet, die ein breites Spektrum von Ursachen haben können. Das gilt auch für Ihre Datenbestände – freunden Sie sich lieber frühzeitig mit dieser Tatsache an! Vor der Durchführung von Datenanalysen ohne Berücksichtigung der Datenqualität muss eindringlich gewarnt werden. Es ist elementar für die Qualität der Analyseergebnisse, dass man die Schwächen seiner Daten kennt. Bei »gutgläubigem« Vorgehen in diesem Bereich kann die Gültigkeit der abgeleiteten Aussagen nicht gewährleistet werden und zudem können hohe Kosten entstehen. Man muss auf die Zuverlässigkeit und Korrektheit der Daten vertrauen können. Fehlerhafte Daten verfälschen möglicherweise die Resultate, ohne dass man es bemerkt, und fehlende Informationen verhindern eventuell die Berechnung wichtiger Kennzahlen. Die zunehmende Durchführung automatisierter Datenanalysen hat eine erhöhte Anfälligkeit gegenüber Datenmängeln zur Folge, der durch geeignete Mechanismen zur Erkennung und Beseitigung solcher Schwächen zu begegnen ist.

Die Literatur stuft die Datenqualitätsproblematik einhellig als für den Erfolg des Data Mining entscheidend ein: »Vielleicht ist der wichtigste Aspekt die Bereitstellung eines sauberen und gut gepflegten Datenbestandes. Jedenfalls nimmt dies eine beträchtliche Zeit in Anspruch« [KrWZ98, S. 17]. »Without the right data there is little gold to be mined; here again, we must apply the rule ›garbage in, garbage out‹ « [AdZa96, S. 9].

Der Aufwand zur Sicherstellung der Datenqualität darf keinesfalls unterschätzt werden. Insbesondere beim Data Mining wird das ganze Ausmaß der Datenmängel häufig erst während der Analyse aufgedeckt. Nach Expertenschätzungen verzehren entsprechende Maßnahmen bis zu 80% der im Zuge von Data-Mining-Projekten verbrauchten Ressourcen [Bigu96, S. 12].

4.1.1 Was ist Datenqualität?

Eine nahe liegende Definition, die als inhärente Datenqualität bezeichnet wird, bezieht sich auf die Korrektheit der Daten. Daten sind stets Abbildungen von realen Konzepten, und Daten sind korrekt, wenn sie diese Konzepte korrekt repräsentieren. Leider deckt diese Definition nicht das gesamte Spektrum möglicher Datenqualitätsprobleme ab, weil es mehrere verschiedene, korrekte Repräsentationen eines Konzepts geben kann.

Daher wird (Daten-)Qualität oft als »fitness for use«, also als Eignung für einen bestimmten Zweck, beschrieben. Nun werden Daten in der Regel für operative Zwecke erfasst und verarbeitet. Für diese primäre Zielsetzung mögen sich die Daten sehr gut eignen; für spätere analytische Auswertungen muss dies aber nicht gelten. Beispielsweise wird in einer operativen Datenbank das Geburtsdatum der Kunden geführt, für Auswertungen ist jedoch lediglich die Altersklasse (30–40 Jahre) relevant. Die denkbare spätere Verwendung der Daten für Analysen kann bei der ursprünglichen Zweckbestimmung kaum vollständig berücksichtigt werden. In Anlehnung an das Total Quality Management ergibt sich damit eine pragmatische Definition von Datenqualität als die Eigenschaft, konsistent die Erwartungen der Nutzer zu erfüllen. Auch diese Sichtweise ist nicht unproblematisch, da die Erwartungen einem Wandel unterliegen können. Daten für analytische Zwecke haben keinen tatsächlichen, objektiven Wert, sondern lediglich einen potenziellen Wert, der sich erst dann realisiert, wenn die Daten erfolgreich für konkrete Analysen eingesetzt werden.

Für unsere Zwecke beschränken wir uns auf die Forderung, dass die Daten für Customer Relationship Analytics inhaltlich korrekt und für die Mehrzahl der typischen Anwendungen verwendbar sein sollen. Falls bestimmte Datenanalyseverfahren eine spezifische Repräsentationsform erfordern, muss diese eben im Rahmen einer Datenvorverarbeitung hergestellt werden. Dabei soll der hierfür benötigte Aufwand möglichst minimal sein.

Kapitel:
0. Vorwort und Inhaltsverzeichnis
1. Grundlagen und Methoden (94 Seiten)
2. Voraussetzungen für erfolgreiches CRA (62 Seiten)
3. Analysefälle und Analyseszenarien: Ein Beschreibungsrahmen für Analysefälle und Analyseszenarien im CRM (40 Seiten)
4. Analysefälle und Analyseszenarien: Analysefälle (140 Seiten)
5. Analysefälle und Analyseszenarien: Analyseszenarien (30 Seiten)
6. Glossar, Abkürzungsverzeichnis und Literaturverzeichnis (24 Seiten)
7. Stichwortverzeichnis