Bausteine eines Customer Intelligence Systems als Grundlage des
Werbung
[ PC&M-Schriftenreihe Mittelstands-Management ] Bausteine eines Customer Intelligence Systems als Grundlage des Zielkundenmanagement Prof. Dr. Holger Buxel Prof. Dr. Alexander Klee Herausgeber: PC&M Pensions Communication & More e.V. Gothaer Platz 2-8 37083 Göttingen Tel. 05 51 / 7 01 – 53 845 Fax 05 51 / 7 01 – 54 344 Email [email protected] Verfasser: Prof. Dr. Holger Buxel, Fachhochschule Münster Prof. Dr. Alexander Klee, Fachhochschule Flensburg Göttingen 2007 Seite 2 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Inhalt 1 Einleitung ............................................................................................................................... 5 2 Bedeutung und Anwendungsfelder von Kundendaten im Customer Relationship Management ................................................................................. 6 2.1 Wichtige CRM-Aufgabenfelder ................................................................................. 6 2.2 Bedeutung und Problemfelder der Kundenprofilbildung im CRM ............................ 7 3 Gestaltungsperspektiven des Kundendatenprofil-Managements als Grundlage eines integrierten Customer Intelligence Systems (CIS) .............................. 11 3.1 Identifikation des Profilbedarfs ................................................................................ 12 3.1.1 Inhalt des Profilbedarfs ................................................................................ 12 3.1.2 Art der Daten ................................................................................................ 15 3.1.3 Ausmaß der Daten ........................................................................................ 17 3.2 Erstellung der Kundenprofile.................................................................................... 18 3.2.1 Methodik: Entwicklung eines Ansatzes zur Datenerhebung........................ 18 3.2.2 Gestaltung der Organisation ......................................................................... 19 3.2.3 Gestaltung der IT-Systeme ........................................................................... 21 3.3 Verwertung der Customer Profiles ........................................................................... 22 3.3.1 Entwicklung eines Analysekonzepts ............................................................ 22 3.3.2 Prozess- und IT-Gestaltung .......................................................................... 29 4 Fazit ...................................................................................................................................... 30 Literatur ................................................................................................................................. 31 Seite 3 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Abstract Die strategischen Herausforderungen und verschärften Wettbewerbsbedingungen auf den meisten Märkten haben dazu geführt, dass sich die Anforderungen an das Kundenmanagement deutlich gewandelt haben. Heute stellt das Zielkundenmanagement im Sinne eines längerfristig angelegten Customer Relationship Management (CRM) eine der wichtigsten Herausforderungen einer marktorientierten Unternehmensführung dar. Grundlage jedes Customer Relationship Management ist die systematische und zielgerichtete Nutzung kundenbezogener Daten. Ohne systematisches Kundendatenmanagement ist eine zweckmäßige Analyse, Klassifizierung, Priorisierung und individualisierte Ansprache von Kunden und damit die Realisierung der effizienz- und effektivitätsgerichteten Ziele des Customer Relationship Management in der Regel unmöglich. In der unternehmerischen Praxis ist das Kundendatenmanagement jedoch oft der größte CRMEngpass. Verschärft gilt dies für mittelständische Unternehmen, in denen die Kompetenzen für Aufbau, Pflege und Nutzung eines integrierten Kundendatenmanagement oft nicht vorhanden sind bzw. erst aufgebaut werden müssen. Der vorliegende Beitrag zeigt daher auf, welche Bedeutung die Bildung von Kundendatenprofilen für mittelständische Unternehmen besitzt und wie diese "Customer Profiles" systematisch im Rahmen eines integrierten Customer Intelligence Systems (CIS) nutzen können. Seite 4 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " 1 Einleitung Die verschärften Markt- und Wettbewerbsbedingungen in nahezu allen Branchen haben dazu geführt, dass vorhandene Kundenbestände eines Unternehmens mehr und mehr als wertvolles strategisches Asset begriffen werden, das einen hohen ökonomischen Wert besitzt (vgl. Buxel/Klee 2006). Im Mittelpunkt steht hier die Erkenntnis, dass die ökonomische Ausschöpfung bestehender Geschäftsbeziehungen (bspw. durch Cross Selling-Aktivitäten) in der Regel den effizienteren Weg zur Ertragssicherung und -ausweitung darstellt als die "mühselige" Gewinnung von Neukunden, welche auf stagnierenden Märkten mit Verdrängungswettbewerb u.U. ruinöse Konkurrenzkämpfe schafft (vgl. Buxel 2001, S. 16). Diese Erkenntnis war der Auslöser dafür, dass sich ein langfristig angelegtes Customer Relationship Management (CRM) zum konzeptionellen Fundament jeglicher marktorientierten Unternehmensführung entwickelt hat (vgl. Hubschneider/Sibold 2007, Klee 2000). Die Fähigkeit, eine langfristige Beziehung zu den Kunden aufzubauen und durch das Angebot individueller Leistungen zu verstärken, hängt maßgeblich davon ab, inwieweit Unternehmen auf Basis ihrer verfügbaren Kundendaten in der Lage sind, die Interaktion mit den Kunden selektiv zu planen, auszugestalten und zu kontrollieren (vgl. Lasslop 2000, S. 2). Je stärker der Wunsch nach individualisierter Dienstleistung ist, umso wichtiger sind detaillierte Informationen über den Kunden sowie die Pflege und Auswertung der über ihn gewonnenen Kenntnisse. Aus dem bisherigen Kundenverhalten können Hilfestellungen für zukünftige Produktentwicklungen und Marketingaktivitäten gewonnen werden. Die Verfügbarkeit von Kundenprofilen, die Aussagen über die Merkmale, Bedürfnisse und Präferenzen der Kunden zulassen, wird damit zu einer der zentralen strategischen und operativen Waffen im Kundenmanagement (kurz: KM). Vor diesem Hintergrund avanciert die Entwicklung von ganzheitlichen Kundendatenmanagement-Konzepten, die eine zielgerichtete Gewinnung und Verwertung von Kundendaten ermöglichen, zu einer der wichtigsten Herausforderungen bei der Entwicklung und Umsetzung zukunftsträchtiger KMKonzepte. Im Kern geht hier also um den Aufbau und Nutzung eines integrierten Customer Intelligence Systems (CIS), welches den Dreh- und Angelpunkt des Kundenmanagement bildet. Die unternehmerische Herausforderung eines mit Kundendaten unterfütterten Customer Relationship Management ist universell. Die Praxis zeigt jedoch, dass gerade mittelständische Unternehmen Defizite im Kundendatenmanagement aufweisen (vgl. Hubschneider/Sibold 2007, Brendel 2003). Angesichts der hohen Dynamik der Managementkonzepte und auch IT- Seite 5 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Lösungen für das Kundenmanagement fehlen Mittelständlern oftmals die Ressourcen, das CRM systematisch (weiter-) zu entwickeln, insbesondere mit Blick auf das Kundendatenmanagement. Dieser Beitrag zeigt daher auf, wie mittelständische Unternehmen speziell Kundendatenprofile als Grundlage eines integrierten Customer Intelligence Systems (CIS) nutzen können, um ihre klassischen strategischen Stärken – Flexibilität, ergebnisorientierter Pragmatismus in der Nutzung unternehmerischer Marktchancen und schlanke, unbürokratische Unternehmensprozesse – auch im Customer Relationship Management voll ausspielen können. 2 Bedeutung und Anwendungsfelder von Kundendaten im Customer Relationship Management 2.1 Wichtige CRM-Aufgabenfelder Beim Customer Relationship Management geht es um die Anbahnung, Stabilisierung, Intensivierung und ggf. Wiederaufnahme von Geschäftsbeziehungen mit Kunden mit dem Oberziel, den Gewinn des Unternehmens durch eine effiziente Aussteuerung der Geschäftsbeziehung nachhaltig zu optimieren. Im Mittelpunkt steht dabei eine konsequente Orientierung an den Kunden und ihren Bedürfnissen. Für das Zielkundenmanagement sind in den letzten Jahren eine ganze Reihe an Konzepten und Instrumenten entwickelt worden, mit deren Hilfe das Management von Kundenbeziehungen erfolgreich gestaltet werden kann. Die Liste derjenigen Innovationen, die in diesem Zusammenhang aufgeführt werden können, ist lang und reicht von Methoden zur Berechnung von Customer Lifetime Values über Möglichkeiten der maschinellen Beratung von Kunden durch den Einsatz von „intelligenten“ Agentensystemen im Internet (vgl. Buxel 2001, S. 17ff.; Clement/Runte 2000) bis hin zur Entwicklung von Modellen zur Abbildung von Nutzen- und Risikomerkmalen der Kunden. Im Hinblick auf die konkrete Ausgestaltung von Kundenbeziehungen erscheinen derzeit besonders die in Abb. 1 aufgeführte Aufgabenfelder des KM besonders wichtig für die Schaffung eines nachhaltigen Unternehmenserfolgs. Seite 6 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Verstärkung der Kundenselektion Steigerung des Up-Selling MikroSegmentierung der Kundengruppen Steigerung des Cross-Selling Produktindividualisierung & -bundling KundenManagement Entwicklung intelligenter Außendienst-DSS Steigerung von Kundenbindung & Kundenloyalität ... Kundenrückgewinnung & Churn-Management Orientierung am Customer Lifetime Value Abb. 1: Wichtige Aufgabenfelder des KM zur Gestaltung von Kundenbeziehungen 2.2 Bedeutung und Problemfelder der Kundenprofilbildung im CRM Allen angesprochenen Aufgabenfeldern ist gemeinsam, dass sie erst dann von Kundenmanagern erfolgreich bearbeitet werden können, wenn diese über möglichst detaillierte Informationen über die Merkmale und Bedürfnisse der Kunden verfügen. Damit kommt der Erhebung, Verarbeitung und Nutzung von Kundenprofilen im Zielkundenmanagement eine herausragende Bedeutung zu, weil sie nicht nur die Grundlage für eine erfolgsversprechende strategische Rahmen- und Programmplanung im Kundenbeziehungsmanagement darstellen, sondern sich mit ihrer Hilfe auch im operativen Geschäft der Einsatz und die Adjustierung der KM-Instrumente zielgerichtet steuern lässt. Seit geraumer Zeit wird in diesem Zusammenhang in der Wissenschaft und Praxis die zentrale Bedeutung einer informationstechnologischen Vernetzung von Daten im Unternehmen auf Basis des Aufbaus von zentralen Data-Warehouse-Konzepten mit einem Fokus auf die Betrachtung transaktionsorientierter Kundendaten diskutiert (bspw. Holthuis, 1999). Ein Data Warehouse kann allgemein als eine themenorientierte, integrierte, zeitbezogene und dauerhafte Sammlung von Informationen zur Entscheidungsunterstützung des Managements aufgefasst werden (vgl. Seite 7 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Inmon, 1992, S. 25). Mit Blick auf den aktuellen Status der Gewinnung und Verwertung von Kundendaten in der Unternehmenspraxis kann konstatiert werden, dass zwischen der Bedeutung von detaillierten Kundenprofilen für das KM und ihrer Verfügbarkeit im Data-Warehouse noch immer eine Lücke klafft. Dies kann vor allem auf folgende Ursachen zurück geführt werden (vgl. Abb. 3): • Obwohl vielfach eine Fülle kundenbezogener Daten in den Unternehmen vorhanden sind, welche zur Steuerung der kundenbezogenen Aktivitäten herangezogen werden könnten, werden diese Daten häufig nur in abteilungsspezifische Datenbanken eingespeist und verwaltet. Eine umfassende Rechnungswesen, dem Verknüpfung Vertrieb, der von Datenbeständen Produktion, dem etwa Mahnwesen aus dem oder der Unternehmenskommunikation wird dabei nur unzureichend realisiert. Dies führt dazu, dass wertvolle Informationen bei der Steuerung der Kundenbeziehungen unberücksichtigt gelassen werden, da an den einzelnen Kontaktpunkten zwischen Kunde und Unternehmen eine unzureichende Kenntnis über die spezifischen Bedürfnisse und Erwartungen des Kunden vorliegt. Die Folge ist ein schlecht strukturierter KM-Prozess und ein ineffizienter Einsatz der Marketing-Instrumente. • Dort, wo eine Verknüpfung bereichsspezifischer Datenbestände in einem Gesamtsystem erfolgt, fehlt es häufig an einem intelligent strukturierten und integrativem Gesamtkonzept hinsichtlich der Erhebung, Aufbereitung und Verwertung der Kundendaten. Damit werden zwar Daten zusammengetragen, eine systematische Orientierung der Informationsbereitstellung an den Informationsbedarfen wird jedoch nicht ausreichend realisiert. In der logischen Konsequenz werden dadurch viele der Kundendaten nur unzureichend im KM eingesetzt und/oder ihre Verwendung wegen Problemen des DatenHandlings sehr aufwändig. Auch hier ist die Folge ein schlecht strukturierter Zielkundenmanagement-Prozess und ein ineffizienter Einsatz der Marketing-Instrumente. • Eng verbunden damit ist auch das Problem, dass Unternehmen nach wie vor zu einseitig die Lösung ihrer Kundenmanagementprobleme im Allheilmittel IT/Software suchen. Intelligentes KM ist jedoch vor allem eine Frage des inhaltlichen Konzepts und nur in zweiter Linie eine Frage der eingesetzten Software. IT und Software besitzen in diesem Zusammenhang lediglich eine unterstützende, jedoch niemals eine gestaltende Funktion. Anstatt gängige CRM-Softwarelösungen zu implementieren, die nur in engen Maßen an Seite 8 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " unternehmensspezifische Problemstellungen angepasst werden können, ist vielmehr die Entwicklung eines geeigneten konzeptionellen KM-Ansatzes gefordert, welcher die unternehmensspezifischen Anforderungen berücksichtigt. So zeigt in diesem Zusammenhang eine Expertenbefragung über die Nutzung von Kundendaten unter 220 für Marketing verantwortlichen Entscheidern, dass lediglich 24,1 Prozent der befragten Unternehmen Daten zu Kundenumsatz, individuellen Betreuungskosten oder anfallenden Mahnkosten und Forderungsausfällen als Steuerungsgrößen zur Kundenprofitabilität nutzen. Bei den Daten zum Kundenverhalten ist das Bild noch deutlicher – lediglich 27,7 Prozent der Befragten gaben an, Daten zur Kundenhistorie, Kundenloyalität und Kundenzufriedenheit für die Marktbearbeitung auszuwerten. Doch gerade diese Informationen sind es, die auch auf Optimierungsbedarf in der eigenen Organisation hinweisen. Die Studienergebnisse zeigten deutlich, dass Probleme im KM auf eine fehlende Zieldefinition und zu großes Technikvertrauen zurückzuführen ist. Was meist fehlt ist eine Strategie zur differenzierten Bearbeitung von Kundensegmenten (vgl. o.V. 2002). • Die im Unternehmen vorhandenen Kundendaten können weit wirkungsvoller im KM eingesetzt werden, wenn sie konsequent mit zusätzlich gewonnenen Marktforschungsdaten und/oder Daten aus externen Quellen angereichert bzw. verknüpft werden. Bspw. lassen sich gesundheitliche Risiken eines Kunden bei der Bemessung einer risikoadäquaten Prämie bei Krankenversicherungen umso besser einschätzen, je mehr Informationen aus der medizinischen Forschung mit den Merkmalen der Kunden verknüpft werden, um Hochrechnungen über deren Gesundheitsrisiken anzustellen. Wege, durch ein entsprechendes Data-Matching komplexere Bilder über die Kunden, ihre Bedürfnisse und ihr Verhalten zu erzeugen, werden bislang nur sporadisch und unsystematisch beschritten. • Dort, wo umfassend Kundenprofile auf Basis eines integrierten und systematischen Gesamtkonzeptes erstellt werden, erfolgt die Datenauswertung häufig nicht auf dem neuesten Stand der Wissenschaft und Technik. Für die Erzeugung von Aussagen über die Bedürfnisund Verhaltensmuster der Nachfrager werden häufig veraltete Tools und einfache statistische Verfahren verwandt. Um letztlich jedoch im Kundenmanagement erfolgreich zu sein, muss an die Stelle simpler Korrelationsanalysen der Einsatz multivariater, intelligenter Data-MiningMethoden treten, die ihre Einsatzfähigkeit und Überlegenheit im Kundenmanagement bereits vielfach unter Beweis stellen konnten (vgl. Wiedmann/Buckler/Buxel, 2001). Seite 9 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " • Ein weiteres Problem stellen letztlich auch schlecht strukturierte Prozesse dar. Probleme fehlerbehafteter oder fehlender Kundendaten sind in der Praxis häufig eine Folge mangelnder Fähigkeiten, Verantwortlichkeiten und Kontrollen der Aktivitäten derjenigen Mitarbeiter, die im KM mit dem Aufbau und der Pflege einer Customer Database betraut sind. Daneben fehlt es häufig auch an klar definierten Soll-Prozessen für die Erhebung und Einspeisung von Daten, die von Außendienstmitarbeitern, im Call-Center usw. gewonnen werden. Neben die inhaltliche, technisch-konzeptionelle und methodische muss damit auch eine organisatorische Perspektive in den Fokus der Gestaltung intelligenter Kundendatenmanagement-Ansätze treten. Vor diesem Hintergrund kann bei der Gestaltung von Kundenprofilen einiger Nachholbedarf konstatiert werden. An die Stelle simpler Datenbankkonzepte müssen integrierte Gesamtkonzepte treten, bei denen alle kundenspezifischen Informationen in einem Customer Data-Warehouse integriert werden und mittels intelligenter Methoden verwertet werden können, um ein möglichst scharfes Bild vom Kunden und seiner Geschäftsbeziehung zu erhalten (One Face of the Customer). Abb. 2 fasst die Problemfelder der Erstellung von Kundenprofilen noch einmal zusammen. Problembereiche Datenverwaltung in abteilungsspezifischen Datenbanken Folgen Fehlende, integrierte CRM-Gesamtkonzepte • Unzureichende Kundenorientierung Fokussierung auf „Allheilmittel“ (Standard-) Software Mangelndes Data-Matching • Mangelhafte Individualisierung • Schlecht strukturierte Customer Relationship Managementprozesse • Ineffizienter Einsatz von CRMInstrumenten Fehlender Einsatz intelligenter Analysekonzepte Schlecht strukturierte Prozesse Abb. 2: Problemfelder der Erstellung von Kundenprofilen Seite 10 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " 3 Gestaltungsperspektiven des Kundendatenprofilmanagements als Grundlage eines integrierten Customer Intelligence Systems (CIS) Unter konzeptionellen Gesichtspunkten kann die Entwicklung von KundendatenmanagementKonzepten vereinfacht als ein Prozess mit drei Schwerpunkten aufgefasst werden, der sich in die Stufen der Identifikation der Profilbedarfe, der eigentlichen Profilbildung und der Profilverwendung unterteilen lässt. Die einzelnen Stufen stehen dabei in praxi nicht unverbunden nebeneinander, da zwischen ihnen vielfältige Beziehungen bestehen (vgl. Abb. 3). Inhalt Identifikation des Profilbedarfs Erstellung der Kundenprofile Art Was für Daten? Ausmaß Welcher Detaillierungsgrad? Methodik Konzept zur Datenerhebung entwickeln Organisation IT Verwertung der Kundenprofile Für welchen Zweck? Organisationalen Rahmen schaffen IT-Systeme gestalten Analysen Analyseroutinen implementieren Prozesse Prozesse definieren IT IT-Systeme anpassen Abb. 3: Prozess der Kundendatenprofilbildung Im Rahmen der Erstellung und Nutzbarmachung von Kundenprofilen bedarf es zunächst einmal der Identifikation der Informationsbedarfe im KM, die es durch Kundendaten abzudecken gilt. Sind Inhalt, Art und Ausmaß der Profilbedarfe spezifiziert, müssen geeignete Konzepte zur eigentlichen Profilerstellung entwickelt werden. Hier ist zunächst eine geeignete Methodik zu entwickeln, mit der die mit der Profilerstellung verbundenen methodisch-konzeptionellen Probleme gelöst werden können. Detaillierte Kundenprofile entstehen erst durch eine umfassende und im Zeitablauf fortwährende Erfassung von Kundendaten an allen Kontaktpunkten zwischen Unternehmen und Kunde (Customer Touch Points). Daher sind über die methodische Perspektive Seite 11 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " hinaus klare Prozesse zu definieren, um ein geeignetes Procedere der Erzeugung der Kundenprofile in der Organisation nachhaltig zu verankern, sowie geeignete IT-Systemlösung zu definieren. Neben der Identifikation der Informationsbedarfe und der Profilerstellung ist letztlich auch ein intelligentes Konzept für die Profilverwendung zu entwickeln. Hier müssen zum einen geeignete Analysekonzepte und Auswertungsroutinen definiert werden, mit deren Hilfe die Daten zielgerichtet im KM nutzbar gemacht werden können. Begleitend sind die IT-Systeme an die Verwertungserfordernisse anzupassen sowie Verwertungsroutinen und -prozesse in der Organisation zu verankern, damit bspw. der Vertrieb die Erkenntnisse aus den Kundendaten auch im Vertriebsprozess zielgerichtet und nutzbringend anwenden kann. 3.1 Identifikation von Profilbedarfen Der Besitz von Kundendaten wird vor allem dann zur schlagkräftigen Waffe im KM, wenn die Kundenprofile unmittelbar zur Strukturierung und zur Steuerung der KM-Prozesse und Instrumente eingesetzt werden können. Vor diesem Hintergrund ist der Profilbedarf nach Inhalt, Art und Ausmaß zu spezifizieren. 3.1.1 Inhalt des Profilbedarfs Auf der inhaltlichen Ebene geht es um die Beantwortung der Frage, für welche Anwendungszwecke die Kundenprofile gebildet werden sollen. Generell bleibt zunächst festzuhalten, dass KM ohne Kundendaten zwar kraftlos, Kundenprofilerstellung ohne Konzept jedoch kopflos ist. Daher kommt im Kundenmanagement der Forderung nach der Entwicklung eines intelligenten inhaltlichen Konzeptes eine herausragende Bedeutung zu: Gelingt es nicht, auch auf inhaltlicher Ebene ganzheitliche, überzeugende Konzepte zu entwickeln, kann der Einsatz der KM-Instrumente keinen echten Mehrwert schaffen und läuft Gefahr, zur bloßen Spielerei zu verkommen. Im Rahmen der Identifikation der Inhalte der Profilbedarfe ist daher zunächst grundsätzlich festzulegen, bei welchen Konzepten und Instrumenten die Kundendaten Anwendung finden Seite 12 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " sollen. Die notwendigerweise vorausgehende inhaltliche Entwicklung von KM-Konzepten und Instrumenten wiederum muss sich unmittelbar an der vom Unternehmen verfolgten Vision („Where to go?“) und Strategie („Where and how to compete?“) orientieren. Die im strategischen Kontext entwickelten Richtlinien geben dabei auf inhaltlicher Ebene auch unmittelbar den Kurs für das KM vor: Die Verfolgung einer kostenorientierten Preis-Mengen-Strategie, die auf das Angebot möglichst preiswerter Produkte am Markt abzielt, stellt grundsätzlich andere Anforderungen an die Kundenprofilbildung als die Verfolgung einer Differenzierungsstrategie, in deren Mittelpunkt eine Mikrosegmentierung des Marktes mit dem Ziel einer kundenindividuellen Bedürfnisbefriedigung steht. Sind vor dem Hintergrund der strategischen Stoßrichtung die KM-Konzepte und -Ziele inhaltlich fixiert und die zur Erreichung der Ziele einzusetzenden KM-Instrumente identifiziert, kann letztlich die Frage beantwortet werden, welche Daten der Kunden inhaltlich benötigt werden und wann und in welcher Detailtiefe sie verfügbar sein müssen. Dabei ist auch ein paralleler Blick auf die Steuerungssysteme („How to manage“) zu werfen, da mit ihrer Hilfe schließlich die Umsetzung der Maßnahmen realisiert werden soll. Grundsätzlich kann unter inhaltlichen Gesichtspunkten eine Vielzahl an Profildaten von Interesse sein. Da mit der Erstellung von Kundenprofilen je nach Ausgestaltungsform unter Umständen hohe Kosten verbunden sein können, sollte unter Berücksichtigung der Unternehmenssituation und der aktuellen Unternehmensentwicklung kritisch hinterfragt werden, welche Anwendungszwecke heute und in Zukunft von zentraler Bedeutung sind, um den Profilbedarf entsprechend einzugrenzen. Gesucht ist damit die Antwort auf die Frage: Wer benötigt zu welchem Zweck welche Kundeninformationen wann wie aufbereitet bzw. verknüpft? Je nach intendiertem Anwendungszweck sind anschließend ein oder mehrere korrespondierende Profiltypen zu bestimmen, die es zu bilden gilt. Steht bspw. eine Bewertung des Customer Lifetime Value eines Kunden im Mittelpunkt, ist ein entsprechendes Value-Profil anzulegen, dass Aufschluss über die vergangenen und zukünftig erwarteten Deckungsbeiträge sowie weitere ökonomisch relevante direkten und indirekten Beiträge des Kunden zum Geschäftsergebnis gibt. Seite 13 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Profiltypen, die häufig eine Rolle im Kundenmanagement (bspw. im Finanzdienstleistungssektor) spielen, sind u.a. • Value-Profile (Welches Wertpotenzial kennzeichnet den Kunden?) • Sozio-ökonomische Profile (Welche sozio-ökonomischen Merkmale kennzeichnen den Kunden?) • Bonitäts-Profile (Wie zahlungsfähig ist der Kunde?) • Transaktions-Profile (Wie sieht die Transaktionshistorie und -zukunft des Kunden aus?) • Präferenz-Profile (Welche Präferenzen hat der Kunde?) • Kommunikations-Profile (Wie kommuniziert der Kunde?) • Risiko-Profile (Welcher Risikogruppe ist der Kunde zuzuordnen?) • Nutzungs-Profile (Wie sieht das Nutzungsverhalten der Leistung aus?) • Cross-Selling-Profile (Welche Cross-Selling-Potenziale kennzeichnen den Kunden?) • Schadens-Profile (Wie sieht die Schadenshistorie und zukünftige -wahrscheinlichkeit des Kunden aus?) • Beschwerdeprofile (Welche Beschwerdehistorie und -neigung hat der Kunde?) • uvm. Daneben können auch sog. Rollenprofile, mit deren Hilfe Aussagen darüber gemacht werden können, welche Rolle der Kunde bspw. im Zuge von Entscheidungs-, Informations- oder Zufriedenheitsprozessen spielt, eine wichtige Bedeutung für die richtige Einschätzung des Kunden und seiner Bedeutung für das Unternehmen liefern (vgl. Abb. 4) ... Entscheidungsverhalten ... Arbeitnehmer .... Familienmitglied ... CoProduzent ... Käufer, Produktnutzer Kunde in der Rolle als ... .... Meinungsführer .... Mitglied der kritischen Öffentlichkeit ... Referenzgeber ... ... Wertewandel ... Informationsverhalten ... Zufriedenheitsverhalten Abb. 4: Rollen eines Kunden in kundenmanagementrelevanten Prozessen Seite 14 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " 3.1.2 Art der Daten Aufbauend auf einer Identifikation der Anwendungsfelder kann eine Eingrenzung der Art der Daten erfolgen, die beim Profiling zugrunde gelegt werden sollen. Hier müssen für die einzelnen Profiltypen zunächst geeignete Merkmalsbereiche und anschließend einzelne Merkmale identifiziert werden, mit deren Hilfe sich Aussagen über die Ausprägung eines Kunden hinsichtlich der Profiltypen machen lassen. Kundendaten, die bei der Kundenprofilbildung eine wichtige Stellung einnehmen, sind insbesondere • Identifikationsdaten (mit deren Hilfe eine Identifikation und Adressierung der Kunden ermöglicht wird), • kaufverhaltensbezogene Daten (die Aufschluss über die Kaufhistorie und das transaktionsrelevante Verhalten liefern (inkl. Vertragsdaten)), • nutzungsbezogene Daten (die Aufschluss über die vergangene, gegenwärtige und zukünftig zu erwartende Nutzung der Leistungen geben), • kommunikationsverhaltensbezogene Daten (die Aufschluss über das Informationsverhalten sowie die Kommunikation zwischen Unternehmen und Kunde sowie der Kunden untereinander liefern), • soziographische Daten sowie • psychographische Daten. Im Rahmen der Eingrenzung der Art der Daten sind begleitend Qualitätsmerkmale zu definieren, denen die Kundendaten im Hinblick auf Vollständigkeit, Sicherheit, Aktualität, Wahrheit, Aufbereitung und Vernetzung genügen müssen, damit sie später im Zielkundenmanagement adäquat Anwendung finden können. Abbildung 5 gibt einen Überblick über wichtige Kundendaten im KM. Seite 15 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Kundendaten Identifikationsdaten Kaufverhaltensbezogene Daten • • • • • • • • • • • • • • • • • Nutzungsbezogene Daten • • • • • • • Kommunikationsverhaltensbezogene Daten Soziographische Daten Psychographische Daten Sonstige Deskriptionsdaten • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • Name Titel Anschrift Festnetz-Nummer Mobil-Nummer Fax-Nummer E-Mail-Adresse Unternehmensadresse Herkunft der Identifikationsdaten ... Kundenstatus (Interessent, Neukunde, aktiver Kunde, ehemaliger Kunde, Stammkunde, etc.) Bedarfsstruktur (Beschaffungsvolumen, Produktanforderungen, Serviceanforderungen, etc.) Kaufkanal (Filiale, Internet, Außendienst, Geschäftstelle, Telefon, Katalog, etc.) Kaufhistorie (Produkte, Mengen, Preise, Zeitpunkte, Zahlungsweisen, Lieferung, Reklamation, Deckungsbeiträge, etc.) Konditionen/Vertragsdaten (Gebühren, Preise/Rabatte, Lieferbedingungen, Zahlungsbedingungen, Laufzeiten, etc.) Bonität (Mahnungsdaten, Bonitätskennziffer, Zahlungsausfälle, etc.) Kaufverhalten (Produkt- und Unternehmenstreue, Preissensibilität, Servicesensibilität, Produktaffinität, Markenaffinität, Innovationsfreudigkeit, etc.) Zahlungsweisen (Barzahlung, Überweisung, Bankeinzug, etc.) Art und Anzahl bereits genutzter Konkurrenzangebote Customer Lifetime Value (A/B/C-Kunde, CLV, DB) ... Nutzungshistorie (bspw. wann, warum und wie häufig wird eine Bankdienstleistung in Form einer Überweisung/Transaktion in Anspruch genommen) Schadenshistorie (bspw. warum, wann, wie häufig und in welchem Ausmaß nimmt der Kunde eine Versicherung in Anspruch) Risikomerkmale (bspw. Gesundheit eines Versicherten, PKW-Nutzung eines Versicherten, etc.) ... Kommunikationsgegenstand (Produkt, Wettbewerber, Verhandlung, Information, Angebot, Auftrag, Beschwerde, etc.) Kommunikationspartner (Verkäufer, Außendienstmitarbeiter, Call-Center-Agent, etc.) Kommunikationsdatum und -dauer Kommunikationskanal (Mail, Telefon, Außendienst, Veranstaltung, Filialbesuch, etc.) Datum des Erstkontakts Kommunikationsauslöser (Reaktion auf ..., Spontananfrage, Empfehlungsanfrage, Informationswunsch, Besuchswunsch, Auftragserstellung, Beschwerde, etc.) Kommunikationsinitiator (Unternehmen, Kunde) Kommunikationskosten Weiterempfehlungsverhalten ... Alter/Geburtsdatum Geschlecht Ausbildung Beruf Einkommen Vermögen Familienstand Haushaltsgröße Kinderzahl ... Interessen Einstellungen Hobbys Freizeitaktivitäten Lifestyle ... Zuordnungsdaten (Filiale, Verkäufer, Geschäftsstelle, Außendienstmitarbeiter, etc.) Typologiemerkmale (Geotyp, Vornamenstyp, etc.) ... Abb. 5: Wichtige Kundendaten im Marketing Seite 16 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Werden Kundenprofile nicht nur für private Kunden sondern auch für organisationale Nachfrager in Form von Unternehmen erstellt, können auch Daten über das Unternehmen selbst (bspw. Branche, Ansprechpartner Betriebsgröße, (bspw. Ausstattung, Technologie, Entscheidungsgremium, Hierarchie, Beschaffungspläne), die Motivation, im Rolle Beschaffungsprozess) oder die allgemeine Geschäftssituation (bspw. Bilanzkennziffern, Marktwachstum, Marktstellung, Kapazitätsauslastung, technologischer Wandel, rechtlicher Rahmen, Renditekennziffern) etc. von Bedeutung sein. 3.1.3 Ausmaß der Daten Im Rahmen der Spezifizierung des Ausmaßes beim Profilbedarf geht es um die Beantwortung der Frage, welcher Detaillierungsgrad den Kundenprofilen zugrunde gelegt werden soll (Total- oder Partialinformationen). Hier ist beispielsweise festzulegen, inwieweit die zurückliegende Transaktionshistorie eines Kunden im Profil berücksichtigt werden soll oder etwa wie genau sein Einkommen erfasst bzw. geschätzt werden soll. Ist dies geschehen, kann der Prozess der Identifikation der Profilbedarfe als abgeschlossen betrachtet werden. Abb. 6 vermittelt einen zusammenfassenden Überblick über das Basiskonzept eines Kundenprofils. Sonstige Daten Soziographische Daten Psychographische Daten Kommunikationsbezogene Daten Kaufverhaltensbezogene Daten Nutzungsbezogene Daten Identifikationsdaten Customer Profile Sozio-ökonomisches Profil ID Name Vorname Ökon.-Profil Einkommen Beruf Profiltyp Merkmalsbereich VerMerkmögen mal Merkmal Merkmal Merkmal ... Merkmalsbereich Merkmal Merkmal Merkmal ... Merkmal ... Abb. 6: Basiskonzept eines Kundenprofils Seite 17 Profilbildung erfolgt durch systematische Verknüpfung der Input-Daten auf Basis intelligenter Regelwerke, die bspw. mittels Expertenwissen oder statistischer Verfahren ermittelt werden Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " 3.2 Erstellung der Kundenprofile Aufbauend auf einer Identifikation der Profilbedarfe nach Inhalt, Art und Ausmaß ist ein Ansatz zur eigentlichen Erstellung der Kundenprofile zu konzipieren. Hier sind geeignete Ansätze zur Datenerhebung zu entwickeln, Prozessen zu definieren sowie die IT-Systeme zu gestalten. 3.2.1 Methodik: Entwicklung eines Ansatzes zur Datenerhebung Bei der Entwicklung eines geeigneten Ansatzes zur Datenerhebung sind in einem ersten Schritt zunächst die Quellen zu identifizieren, aus denen Kundendaten gewonnen werden können. Dabei sind alle Interaktionspunkte zwischen Unternehmen und Kunde (Customer Touch Points) kritisch hinsichtlich der Frage zu durchleuchten, welche der zur Profilbildung benötigten Kundendaten dort anfallen und/oder mittels des Einsatzes geeigneter Erhebungstechniken (Befragung/Beobachtung) erhoben werden können und sollen. Wichtige Customer Touch Points, die in diesem Zusammenhang eine Rolle spielen, sind Filialen, der Außendienst, das Call Center, die Webseite, Events, Messen, Schriftverkehre, E-Mail-Verkehre, Bestellungen usw. Für die einzelnen Customer Touch Points sind dann geeignete Erhebungsinstrumente bspw. in Form von Formularen zu entwickeln, auf die die Mitarbeiter zugreifen können (vgl. Buxel, 2005). Abb. 7 skizziert einen Erhebungsbogen, wie er bspw. im Call Center zur Erfassung von Kundendaten Anwendung finden kann. Kontaktnr. 12343425 123456 Kontaktart Zweitkontakt Land Deutschland Funktion P-34562 Ranking 3 Bundesland Niedersachsen Kunden-Adresse Firma Kontaktmanager Kundenberater Janotz, Ulrich Anmerkungen Kunde unterhält bereits 2 Konten bei Commerzbank Name Meier ID-Nummer MA730531a Vorname Hans Ort Hannover Kunde ist tagsüber nur schwer zu erreichen Kontaktdaten Kunde wünscht keine Weitergabe seiner Daten an andere Anbieter Position Postfach Straße Nr. PLZ Ort Kontaktanlass Information Konto Detaillierung Konto 2005 + ... Kreis Internetzugang vorhanden Kontakt ja Interesse Zusatzpaket „3+“ nein Telefon 0511-3444567 Zusendung Material ja Fax Rückruf erwünscht ja Mobil Anmerkungen Email Abb. 7: Beispiels-Bogen für die Erfassung von Kundendaten im Call Center Seite 18 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Darüber hinaus ist zu klären, ob nur solche Daten für die Profilbildung herangezogen werden sollen, die aus dem direkten Kontakt zwischen Unternehmen und Kunden resultieren, oder auch extern gewonnene Daten mittels intelligenter Data-Matching-Ansätze integriert werden soll(t)en. Bei der Bestimmung des Customer Lifetime Value (CLV) eines Kunden ist es bspw. möglich, diesen ausschließlich auf Basis derzeitiger und zukünftig prognostizierter direkter monetärer Deckungsbeiträge zu bestimmen. Der CLV wird indes genauer abgebildet, wenn neben den direkten Deckungsbeiträgen, die aus Transaktionen resultieren, auch weiterführende ökonomisch relevante Beiträge des Kunden betrachtet werden. Hier kann bspw. das Referenzverhalten (im Sinne einer positiven Mund-zu-Mund-Propaganda bzw. Weiterempfehlung des Unternehmens/der Produkte) angeführt werden, durch das andere Nachfrager zum Kauf stimuliert werden (vgl. Cornelsen, 2000). Deckungsbeiträge, die auf die Weiterempfehlung zurück zu führen sind, können dem Kunden ebenfalls bei der Bestimmung des CLV unmittelbar zugerechnet werden. Die Quantifizierung dieses monetären „Weiterempfehlungswertes“ kann auf Basis von separaten Marktforschungsstudien erfolgen, die Aufschluss über das Referenzverhalten einzelner Kunden und Kundengruppen geben. Im Anschluss können diese Daten unmittelbar mit den bereits vorhandenen Kundendaten „gematcht“ und zur Berechnung des CLV herangezogen werden. Aufbauend auf einer Identifikation der Datenquellen sind integrierte Erhebungskonzepte zur eigentlichen Datengewinnung zu entwickeln. Auf der einen Seite sind unter methodischen Gesichtspunkten Erhebungsinstrumente in Form von Formularen, Fragebögen oder Beobachtungsrichtlinien zu entwickeln. Auf der anderen Seite sind geeignete Soll-Prozesse für die Erhebung und den Datenfluss zu definieren und im Unternehmen zu verankern. 3.2.2 Gestaltung der Organisation Neben die Entwicklung eines Erhebungskonzeptes muss zwingend eine Gestaltung der Organisation und von Prozessen treten, da der Erfolg der Kundenprofilbildung auch maßgeblich davon determiniert wird, ob und wie gut ein geeigneter Prozess der Profilerstellung in der Organisation implementiert und dieser von den beteiligten Mitarbeitern unterstützt wird. In der Seite 19 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Regel sind daher Anpassungen in der Organisation und den Aufgabeninhalten der Mitarbeiter vorzunehmen. Hier ist die Frage zu beantworten: Wer erhebt wann welche Daten wie in welcher Form und steuert diese in den Profiling-Prozess ein? Damit die Profilinformationen zielgerichtet erhoben werden, sind bspw. für den Vertrieb geeignete Anreiz- und Sanktionsmechanismen zu entwickeln, mit deren Hilfe sicher gestellt wird, dass das zur Verfügung stehende Kundenwissen auch in einer geeigneten Form vollumfänglich aufgenommen und abgebildet wird. Darüber hinaus ist zu prüfen, in wie weit Anpassungen in den Stellenbeschreibungen vorzunehmen sind oder ob nicht auch neue Stellen für die Datenerhebung und –verarbeitung zu schaffen und in der Organisation zu verankern sind. Um organisationale Barrieren im Rahmen einer Einführung von KundendatenmanagementKonzepten zu beseitigen, sind frühzeitig geeignete Schulungs- und Change-ManagementMaßnahmen für den Umgang mit den Erhebungsinstrumenten und -prozessen zu ergreifen. Hier sollte insbesondere dafür Sorge getragen werden, dass alle beteiligten Mitarbeiter vom Prozess der Kundenprofilerstellung und seiner Bedeutung für das Unternehmen in Kenntnis gesetzt werden, die erforderlichen Maßnahmen, Aufgaben und Anpassungen auch verstehen, die ihnen im Profilbildungsprozess zufallenden Aufgaben kompetenzmäßig bearbeiten können und letztlich auch akzeptieren und wollen. Daneben gilt es, neben den „Hard Facts“ die Auswirkungen auf die Unternehmenskultur und speziell auf die Subkultur einer IT- und Marktforschungsabteilung, die traditionellerweise die Hauptlieferant kundenbezogener Informationen sind, kritisch zu analysieren: Da Kundenprofile im Kundenmanagement generell auch dezentral eingesetzt werden sollen, finden sich der IT-Mitarbeiter und der Marktforscher im Gegensatz zu früher in einer neuen Rolle wieder: Aus Beamten, die lediglich Daten verwalten, müssen Berater werden, welche die Kundenmitarbeiter bei der Informationsgenerierung aktiv unterstützen. Daher sind die betroffenen Endanwender im KM von Anfang an in die Entwicklung von Kundendatenmanagement-Konzepten besonders stark einzubinden (vgl. Dittmer 1999, S. 104). Seite 20 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " 3.2.3 Gestaltung der IT-Systeme Der zielgerichtete Einsatz von Kundenprofilen im KM kann nur dann gelingen, wenn dieser durch eine geeignete IT-Infrastruktur unterstützt wird. Daher besitzt die Auswahl einer geeigneten Soft- und Hardware sowie eine problemadäquate Speicherung der Daten im Data Warehouse eine zentrale Bedeutung. Hinsichtlich der Auswahl einer geeigneten Software ist mittlerweile eine große Anzahl an Alternativen am Markt verfügbar. Ein Überblick über CRM-Softwarelösungen und ihre Merkmale findet sich bspw. bei Wilde/Hippner (2002). Da die Bedarfe an Kundenprofilen in der Regel unternehmensindividuell sind, ist bei der Auswahl solchen Systemen der Vorzug zu geben, die ein hohes Maß an Entwicklungsoffenheit aufweisen. Da ein modernes Zielkundenmanagement darüber hinaus hohe Anforderungen an die Flexibilität und Intelligenz der Datenanalyse stellt, ist der manuelle Einsatz individueller Statistiksoftware durch geschulte Mitarbeiter in der Regel unumgänglich. Im Rahmen der problemadäquaten Speicherung der Kundenprofile in einem Data Warehouse müssen die einzelnen Datenbestände aus den unterschiedlichen Quellen zunächst in ein einheitliches Format überführt und um Redundanzen bereinigt werden, so dass das System einheitlich aufgebaut ist und eine konsistente Datenhaltung durch eine zielgerichtete Strukturund Formatvereinheitlichung der zu integrierenden Daten erreicht wird (vgl. Bissantz/Hagedorn/Mertens, 1996; Buxel, 2001, S. 130 ff.; Berry/Linoff, 1997). Darüber hinaus müssen jedoch auch die neu gewonnen Daten aufbereitet werden, da viele kundenbezogenen Daten häufig in einer Form vor liegen, auf deren Basis eine unmittelbare, zielgerichtete Analyse der Kundenmerkmale nur schwer möglich ist. Dies ist einerseits auf Ursachen zurückzuführen, die unmittelbar mit den zur Verfügung stehenden Daten und den eingesetzten Verfahren zu ihrer Erhebung zusammenhängen. Andererseits spielen auch Verhaltensweisen der Nachfrager eine Rolle, welche dazu führen, dass Daten nicht immer direkt für die Erstellung von Kundenprofilen verwertbar sind. Die Datenaufbereitung umfasst im Kern drei Aufgabenfelder, die Handhabung von Missing Data, die Identifikation und Handhabung von Falschangaben sowie das Handling von großen Datenmassen (vgl. Abb. 8). Im Rahmen der Handhabung von Missing Data müssen insbesondere Seite 21 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " intelligente Data-Matching-Algorithmen zum Einsatz kommen, um einen Kunden auch bei nur wenigen vorhandenen Daten über ihn und seine Bedürfnisse schon in einem frühen Beziehungsstadium bestmöglich einschätzen zu können. Handhabung von Missing Data Identifikation und Handhabung von Falschangaben Handhabung großer Datenmassen Problemauslöser: Problemauslöser: Problemauslöser: • Fehlerhaftes oder mangelndes Untersuchungsdesign • Vorsätzlicher „Betrug“ • Unzureichende „Zerlegung“ von Datenbeständen in Data Marts • Antwortverweigerung im Rahmen der Erhebung • Mangelndes Wissen oder unzureichende Antwortmotivation der Befragten • Verhalten im Sinne einer „sozialen Erwünschtheit“ • Angst vor Missbrauch von Daten • Mangelndes Wissen oder unzureichende Antwortmotivation der Befragten • Verwendung von Daten aus LogFiles • Hohe zeitliche Betrachtungsreichweite im Data Warehouse • Unaufmerksamkeit des Befragten Problembehebung: Problembehebung: Problembehebung: • Rückgriff auf Imputationsverfahren • Analyse formaler Bestandteile von Daten • Rückgriff auf Ausschnitte aus dem Data Warehouse • Merkmalsbezogene Plausibilitätsprüfungen durch Experten-Ansätze • Zusammenfassung einzelner Merkmale zu aussagekräftigen verhaltensbezogenen Indikatoren durch Regelsysteme • Anwendung von Spezialverfahren der Datenanalyse • Rückgriff auf Eliminierungsverfahren (Available Case Analysis; Complete Case Analysis) AbAbb. 8: Kernprobleme der Datenaufbereitung bei der Erstellung von Kundenprofilen 3.3 Verwertung der Kundenprofile Eng verbunden mit der Entwicklung eines geeigneten Konzepts für die Erstellung der Kundenprofile ist auch die Entwicklung eines Konzepts für deren Verwertung. Hier stehen die Entwicklung eines geeigneten Instrumentariums, mit dessen Hilfe die Daten analysiert werden können, sowie die Definition von Prozessen und die Gestaltung von IT-Systemen im Mittelpunkt. 3.3.1 Entwicklung eines Analysekonzepts Die in einer Data-Warehouse bzw. einer Customer Database vorliegenden Daten können in vielerlei Hinsicht verwertet und damit nutzbar gemacht werden. Im einfachsten Fall kann auf der Seite 22 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Grundlage der beobachteten Merkmale des Nachfragers Wissen auf der Basis von regelbasierten Verfahren angewandt werden, bei denen Nachfragern mit bestimmten Merkmalen Angebote unterbreitet werden, die zu diesen Eigenschaften passen (rule based matching). Beispielsweise können im Rahmen der Steuerung von Werbebotschaften zielgerichtet Direct Mails für private Krankenversicherungen an solche Nachfragergruppen gerichtet werden, die ein gewisses Mindestalter (über 18 Jahre), ein gewisses Mindesteinkommen (über 3500 EUR/Monat), bestimmte risikoarme Hobbys (Stricken statt Ski- oder Motorradfahren) etc. aufweisen. Darüber hinaus können die Daten durch den Einsatz entsprechender Analyseverfahren jedoch auch zur Erzeugung von Wissen herangezogen werden, das wertvolle Hinweise für die Steuerung der marktgerichteten Aktivitäten liefern kann. Zur Einordnung der Bearbeitung von Marketingproblemstellungen im Rahmen der Datenanalyse im KM kann eine dreidimensionale Einteilung herangezogen werden, die zwischen Inhalt der Aufgabenstellung, Art der Aufgabenstellung und eingesetzter Methode unterscheidet (vgl. Abb. 9). Inhalt der Aufgabenstellung Etc. „Klassische“ Multivariate Analysemethoden Optimierung Segmentierung Simulation Risikoklassifikation Prognose/Diagnose Pricing Datenanalyse i.e.S. Kundenkommunikation Art der Aufgabenstellung Entscheidungsbaumverfahren Neuronale Netze Genetische Algorithmen Assoziationsregeln OLAP etc. Eingesetzte Methode Abb. 9: Bezugsrahmen zur Einordnung von Problemstellungen der Datenanalyse im Rahmen der Profilanalysen Seite 23 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Hinsichtlich der Art der zu lösenden Aufgabenstellung lassen sich je nach Qualität der zur Entscheidung notwendigen Informationen die Datenanalyse im engeren Sinne, Prognose und Diagnose, Simulation sowie Optimierung unterscheiden. Bei allen diesen Aufgabenstellungen müssen in enger Anlehnung an die Verwertungserfordernisse im KM zuerst geeignete Modelle bestimmt werden, welche die Zusammenhänge der Variablen (resp. die Merkmale der Kundenprofile) beschreiben (vgl. Wiedmann/Buckler 2001, S. 43). Bei der Modellbildung, ist zu klären, welche Kundenmerkmale betrachtet werden müssen, wie diese Merkmale miteinander zu verknüpfen sind und über welche Zeiträume die Betrachtung erfolgen muss (bspw. dynamisches vs. statisches Modell). Abb. 10 gibt einen Überblick über den Prozess der Modellbildung und ein Beispiel eines Kausalmodells zur Kontrolle des Marketing für Bausparverträge. Prozess der Modellbildung Kausalmodell zur Kontrolle des Marketing für Bausparverträge - Beispiel - (1) Hyphothesenbildung Merkmal Merkmal Merkmal Merkmal (2) Spezifikation der Modellstruktur Einstellungen Bausparen CrossSelling Anzahl ADBesuche (3) Identifikation der Modellstruktur PR (redaktionelle Beiträge) (4) Parameterschätzungen Anzahl der Mailings Anzeigen (5) Beurteilung der Schätzergebnisse BSV Vertragsabschluß wahrgenommene Steuervergünstigungen Merkmal Merkmal Merkmal Abb. 10: Modellbildung bei der Datenverwertung Nach einer inhaltlichen Beschreibung des zu lösenden Problems und der Bildung von Modellen müssen geeignete Methoden gewählt werden, um die anvisierte Aufgabenstellung lösen zu können. Neben „traditionellen“ Verfahren der univariaten und multivariaten Statistik stellen Entscheidungsbaumverfahren (vgl. Mitchell 1997, S. 55ff.; Quinlan 1986), Neuronale Netze (vgl. Wiedmann/Buckler, 2001; Bishop 1995), Genetische Algorithmen (Wiedmann/Böcker/Krause 2001), Assoziationsregeln (vgl. Bollinger 1996) sowie OLAP-Tools zentrale und viel verwandte Methoden der Datenanlayse dar, mit deren Hilfe sich die Daten der Kundenprofile zielgerichtet Seite 24 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " analysieren lassen (vgl. Abb. 11). Die Ergebnisse der skizzierten Analyseverfahren bilden letztlich die Grundlage für die Ausgestaltung der marktgerichteten Aktivitäten im KM. Assoziationsregeln Wesen Statistische Verfahrensklasse, mit der sich Verbundbeziehungen zwischen gemeinsam auftretenden Objekten ermitteln lassen. Sie liefern Vorhersagen über das Auftreten eines Objektes (z.B. der Nachfrage nach einer Aktie) in Abhängigkeit anderer Objekte (z.B. des Berufes eines Kunden). Typisches Assoziationsfilter werden beispielsweise im E-Commerce auf Anwendungs- Börseninformations-Webseiten eingesetzt, um Kunden, die sich für beispiel ein Produkt interessieren, weitere Produkte zu empfehlen, bei denen die Kaufwahrscheinlichkeit als hoch eingeschätzt wird. Auch bei der Analyse von Produktsortimenten eines Anbieters finden diese Verfahren Anwendung. Hier steht bspw. die Frage im Mittelpunkt: „Wer kauft welche Versicherung in Verbindung mit welchen Features?“ Mit Hilfe von Assoziationsfiltern können somit Cross-Selling-Potenziale (vgl. Guiltinan 1987) identifiziert werden, die es durch geeignetes Produkt-Bundling zu erschließen gilt. Entscheidungsbaumverfahren Wesen Statistische Verfahrensklasse zur Klassifikation von Objekten, welche die zu klassifizierenden Objekte unter Berücksichtigung ihrer Merkmalsausprägungen sukzessiv unter Rückgriff auf die Annahme, dass für jeden Klassenwert bestimmte Attribute oder Attributskombinationen verantwortlich sind, in Klassen aufteilt. Typisches Entscheidungsbaumverfahren werden beispielsweise zur StornoAnwendungs- Prognose bei Versicherungen herangezogen. Mit Ihrer Hilfe lassen beispiel sich auf Basis der Verwendung von Vergangenheitsdaten über andere Kunden Aussagen darüber treffen, wie hoch die Abwanderungs-Wahrscheinlichkeit eines Kunden einzuschätzen ist. Genetische Algorithmen Wesen Universelles Optimierungsverfahren in Anlehnung an das Evolutionskonzept der Natur, das nach dem Prinzip der „Natürlichen Auslese“ aus einer Menge an Lösungen diejenige bestimmt, welche eine möglichst gute i.S. einer „erlesenen“ Lösung darstellt. Eignet sich auch für nicht-metrische Optimierungsprozesse. Die Eigenschaften, d.h. die sogenannten Parameter einer Problemstellung, werden in „Genen“ eines „Chromosoms“ kodiert. Durch Simulation von Evolutionsprinzipien wie Mutation, Rekombination und Vererbung findet dann eine Suche nach dem Parameter-Set statt, welche ein Gütemaß maximiert. Genetische Algorithmen finden immer dann Anwendung, wenn für eine Problemstellung kein zufriedenstellendes Optimierungsverfahren (z.B. des Operations-Research) bekannt ist. Typisches Beispielsanwendungen sind Media-Planungsansätze, die eine Anwendungs- Optimierung der Werbewirkung von Anzeigenkampagnen im beispiel Zielkundenmanagement ermöglichen. Trotz der erheblichen Seite 25 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Einsparpotenziale, die bei den oft millionenschweren Werbekampagnen der Finanzdienstleistungsbranche mit ihrer Hilfe erzielt werden können, werden diese Möglichkeiten bis dato noch kaum genutzt. Clusteranalyse Wesen Ziel der Clusteranalyse ist die Zerlegung von Mengen an Objekten bei gleichzeitiger Betrachtung aller relevanten Merkmale so in Teilmengen, dass die Ähnlichkeit zwischen den Objekten eines Clusters möglichst groß, die zwischen den Gruppen jedoch möglichst gering ist. Typisches Clusteranalysen werde beispielsweise im Rahmen der Anwendungs- Marktsegmentierung verwandt. Mit Ihrer Hilfe können die Kunden beispiel einer Bank in verschiedene Gruppen unterteilt werden, um diese selektiv und individuell mit unterschiedlichen Produkten und Serviceangeboten ansprechen zu können. Damit wird die Grundlage für eine aus Kundensicht zufriedenstellende Leistungsgestaltung geschaffen. Faktoranalyse Wesen Die Faktorenanalyse untersucht multivariate Dateien, bei denen die Annahme sinnvoll ist, dass die beobachteten Variablen von Einflussgrößen abhängig sind, die selbst nicht unmittelbar gemessen werden können oder wurden und als Faktoren bezeichnet werden. Typisches Faktorenanalysen werden beispielsweise zur Erforschung der Anwendungs- Ursachen von Wahlentscheidungen bei Abschlüssen von beispiel Versicherungsverträgen eingesetzt. Mit ihrer Hilfe lassen sich Aussagen über das wahrgenommene Risiko der Kunden und ihre Sicherheitsbedürfnisse machen. Regressionsanalyse Wesen Die Regressionsanalyse dient der Analyse von linearen Beziehungen zwischen einer metrisch abhängigen und einer oder mehreren unabhängigen metrischen Variablen. Typisches Regressionsanalysen werden beispielsweise eingesetzt, um den Anwendungs- Einfluss des Alters oder des Einkommens auf die beispiel Abschlusswahrscheinlichkeit eines Broker-Kontos zu untersuchen. Ein weiteres typisches Beispiel ist die Untersuchung der Fragestellung, ob und wie die Abschlusswahrscheinlichkeit einer Versicherung von der Zahl der Kundenbesuche abhängt. Diskriminanzanalyse Wesen Mit Hilfe der Diskriminanzanalyse kann untersucht werden, ob und wie gut sich Gruppen von Elementen, die durch eine Reihe an Variablen beschrieben werden, voneinander unterscheiden. Typisches Diskriminanzanalysen werden im Finanzdienstleistungsmarketing Anwendungs- häufig zur Prüfung der Kreditwürdigkeit eingesetzt. Mit ihrer Hilfe kann beispiel bspw. in Abhängigkeit soziodemographischer Merkmale (Alter, Einkommen, etc.), der Anzahl weiterer Kredite und der Beschäftigungsdauer etc. bestimmt werden, ob ein Kund einer hohen oder einer niedrigen „Risikoklasse“ zuzuordnen ist. Seite 26 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Neuronale Netze Wesen Neuronale Netze machen sich das Funktionsprinzip biologischer Neuronen zunutze und sind wie aus einem Baukastensystem zusammengestellte algorithmische Simulationen, die aus einfachen Rechenoperatoren bestehen, durch deren Kombination logische Zusammenhänge und Regeln darstellbar sind. Vorwärtsgerichtete Neuronale Netze passen adaptiv während des Lernvorgangs ihre „Synapsen“ so an, dass durch das Neuronale Netz mit Hilfe der Inputdaten Outputgrößen optimal berechnet werden können. Die Stärken vorwärtsgerichteter Neuronaler Netze liegen in der hohen Güte, also der hohen Prognose- und Erklärungskraft der neuronalen Modelle. Die Nachteile werden darin gesehen, dass Neuronale Netze - trotz oder wohl gerade wegen ihrer hohen Erklärungsgüte - schwer interpretierbar sind. Vorwärtsgerichtete Neuronale Netze sind deshalb vor allem für Aufgabestellungen der Prognose, Diagnose und Simulation geeignet. Sie werden insbesondere überall dort bevorzugt eingesetzt, wo der Fokus auf der Anwendung der gewonnenen Zusammenhänge, nicht jedoch auf der sprachlichen oder bildlichen Ausformulierung dieses Wissens gelegt wird. Typisches Neuronale Netze haben den Charakter eines „universellen Anwendungs- Approximators“. Sie können daher im Grunde bei (fast) jedem beispiel Analyseproblem eingesetzt werden. Besonders häufig werden sie im Finanzdienstleistungsmarketing inzwischen im Rahmen von Stornound Kreditwürdigkeitsprüfungen eingesetzt, weil mit ihrer Hilfe dort Analyseergebnisse erzielt werden können, die denen von „klassischen Verfahren“ wie bspw. der Diskriminanzanalyse häufig überlegen sind. Neuronale Netze werden mittlerweile auch verbreitet im Rahmen der Ertrags- und Risikoanalyse von Unternehmen in der Bilanzanalyse eingesetzt. Hier sind typische Anwendungsfelder die Klassifizierung von Jahresabschlüssen, die Preisfindung bei Neuemissionen oder etwa die Bonitätsprüfung von Rückversicherungsunternehmen (vertiefend Rauscher/Rockel 2001, S. 1921). Conjointanalyse Wesen Die Conjoint-Analyse ist ein Verfahren, das auf Basis empirisch erhobener Gesamtnutzenwerte versucht, den Beitrag einzelner Komponenten zum Gesamtnutzen zu ermitteln. Die Datenbasis bilden Gesamtnutzenurteile (Präferenzurteile) von befragten Personen. Typisches Eines der wichtigsten Anwendungsgebiete der Conjoint-Analyse bildet Anwendungs- im Rahmen der Neuproduktplanung die Frage, wie eine neue beispiel Finanzdienstleistung (bspw. eine Versicherung oder ein KontokorrentKonto) optimal zu gestalten ist und wie hoch der gewinnoptimale Preis ist. Hier steht beispielsweise die Frage im Mittelpunkt, wie hoch der Nutzenbeitrag einer niedrigen Selbstbeteiligung beim Abschluss einer KFZ-Versicherung von Kundenseite eingeschätzt wird. Seite 27 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Kausalanalyse Wesen Die Kausalanalyse ist ein Verfahren, mit dessen Hilfe statistisch signifikante kausale Abhängigkeiten zwischen bestimmten Merkmalen (Variablen) untersucht werden können. Typisches Kausalanalysen finden häufig im Rahmen von Anwendungs- Kundenzufriedenheitsanalysen Anwendung. Mit Ihrer Hilfe können beispiel Aussagen im Hinblick auf Fragestellungen wie „Wie hoch ist der Beitrag unseres Service-Niveaus zur Kundenzufriedenheit?“ gewonnen werden. Abb. 11: Wichtige Verfahren der Datenanalyse im KM im Überblick Neben komplexen statistischen Verfahren und Data-Mining-Techniken können die Daten der Kundenprofile auch mittels einfacherer, naiver Methoden wie bspw. Scoring-Modellen analysiert werden. Hier werden den Kunden in Anhängigkeit ihrer Eigenschaften auf Basis von Expertenurteilen Punktwerte zugewiesen, mit deren Hilfe Aussagen über das zukünftig zu erwartende Verhalten gemacht werden können. Abb. 12 spiegelt ein Beispiel eines solchen Scoring-Modells zur Prognose von Storno-Wahrscheinlichkeiten bei Versicherungs-Verträgen. Solche Scoring-Ansätze auf Basis von Expertenurteilen sind in der Praxis komplexeren Analysekonzepten, die auf strukturentdeckenden und -prüfenden statistischen Verfahren basieren, im Hinblick auf die Ergebnisgüte in der Regel unterlegen. Ihr Vorteil ist dem gegenüber in der anschaulichen und einfachen Anwendung zu sehen. Bewertung der Kunden auf Basis ihrer Merkmale Scorecard für die Berechnung der Stornowahrscheinlichkeit 100 Kunde A Merkmal Ausprägung Score • männlich Alter - weiblich Alter: Wert - männlich Alter Wert 21 Jahre • Kundenbeziehung < 25 -25 25 - 35 -17 36 - 50 2 < 25 2 25 - 35 -10 36 - 50 -5 ≤4 14 ≥5 -2 Kundenbeziehung Jahre 1 Wert 51 Anzahl Verträge Anzahl 1 Wert -8 1 • Anzahl Verträge 1 Gesamt: ≥3 9 2 51 Merkmal 34 Jahre • Anzahl Verträge 2 Gesamt: Überdurchschnittliche Stornowahrscheinlichkeit -8 Ausprägung Score • weiblich Kunde A 45 Kunde B • Kundenbeziehung ≥ 5 Jahre 2 1 Rang nach Stornowahrscheinlichkeit 0 Kunde B Durchschnittliche Stornowahrscheinlichkeit -17 -2 1 -18 -100 Unterdurchschnittliche Stornowahrscheinlichkeit Scorewert Abb. 12: Prognose von Storno-Wahrscheinlichkeiten auf Basis von Scoring-Modellen Seite 28 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " 3.3.2 Prozess- und IT-Gestaltung Ähnlich wie bei der Profilerstellung sind letztlich auch für die Phase der Profilverwendung Prozesse zu gestalten und die IT-Systeme zielgerichtet an den Verwertungserfordernissen auszurichten. Im Rahmen der Prozess- und Organisationsgestaltung ist dafür Sorge zu tragen, dass die Kundenprofile regelmäßig ausgewertet und konsequent zur Steuerung der marktgerichteten Aktivitäten eingesetzt werden. Dafür sind geeignete Reportings zu entwickeln und Verantwortliche in der Organisation zu benennen, die diese durch zu führen und anschließend vor dem Hintergrund der Geschäftssituation interpretieren. Voraussetzung für einen konsequenten Einsatz der Kundenprofile im Zielkundenmanagement ist eine differenzierte Sicht aller Kundenkontaktpunkte und aller Prozesse beim Kunden, die in Verbindung mit dem Kauf und der Verwendung bis hin zur „Entsorgung“ (im Sinne einer Kündigung der Geschäftsbeziehung) der Leistung stehen. Den gedanklichen Hintergrund kann dabei die Unterscheidung der Kundenkontaktphasen in die Vorkauf-, Kauf- und Nachkaufphase bilden. Für jede dieser Kernphasen müssen dann jeweils situationsspezifisch relevante Teilprozesse identifiziert werden, innerhalb derer wiederum die Einsatzmöglichkeiten einzelner Profiltypen und Profilinformationen im Rahmen einer phasenspezifischen Kundenbetreuung auszuleuchten sind. Die Datenverwertung ist ferner idealerweise als fester Bestandteil im Controlling zu verankern, um ihr Erfolgspotenzial nachhaltig entfalten zu können. Darüber hinaus sind generell geeignete Spielregeln dafür zu entwickeln, wer auf welche Daten zugreifen kann und darf und wie die Datenbereitstellung organisatorisch am Point of Customer gelöst werden kann, wenn die Daten auch im direkten Kundenkontakt verfügbar sein sollen. Bei der Gestaltung der IT-Systeme ist dafür Sorge zu tragen, dass die verwertenden Nutzer auf die Kundenprofile bequem und einfach zugreifen können, um unnötige Reibungsverluste und Zeitverzögerungen im Kundenmanagement zu vermeiden. Zum einen sind in diesem Zusammenhang standardisierte Abfragen für die Front-End-Gestaltung der IT-Systeme zu entwickeln, die den Kundenmanagern schnell und auf Knopfdruck die erwünschten Informationen beim Kontakt mit dem Kunden liefern. Zum anderen sind Möglichkeiten für eine Seite 29 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " individuelle Datenverwertung vorzusehen, mit deren Hilfe neue Erkenntnisse über die Kunden und ihre Bedürfnisse gewonnen werden können. Dabei ist darauf zu achten, dass die Abfragen nicht nur von IT-Spezialisten, sondern auch von den Kundenmitarbeitern durchgeführt werden können. 4 Fazit Bei der Gestaltung von KM-Konzepten kommt der Bildung und Verwertung von Kundenprofilen eine herausragende Bedeutung zu, da sie die Grundlage für den Einsatz von KM-Konzepten und –Instrumenten bilden. Mit Blick auf die Management-Praxis in mittelständischen Unternehmen kann konstatiert werden, dass ein erheblicher Nachholbedarf bei der Gestaltung geeigneter Kundendatenmanagement-Konzepte konstatiert werden kann. Der Besitz von Kundendaten allein bedingt noch keinen Wettbewerbsvorteil. Erst wenn es gelingt, die Daten auch im Kundenmanagement systematisch in ein echtes strategisches Asset zu verwandeln, lassen sich nachhaltige Wettbewerbsvorteile realisieren. Dabei ist eine integrierte Vorgehensweise zwingend erforderlich, die die Entwicklung eines intelligenten inhaltlichen KMKonzepts voraussetzt, an dem sich die Gestaltung der Kundenprofile orientieren muss. Bei der Konzeptentwicklung sind einerseits methodische, andererseits auch organisatorische und ITProbleme zu lösen, die eng miteinander verzahnt sind. Trotz der auf den ersten Blick hohen konzeptionellen, methodischen und organisatorischen Anforderungen ist insbesondere IT-seitig das Marktangebot an CRM-Lösungen heute so weit entwickelt, das auch mittelständische Unternehmen sehr gute Möglichkeiten haben, ein effektives und effizientes Customer Intelligence System zu implementieren. Mit Blick auf die Zukunft kann konstatiert werden, dass die Verfügbarkeit von Kundenprofilen immer stärker zum herausragenden Wettbewerbsvorteil im Customer Relationship Management avancieren wird, auch und gerade für mittelständische Unternehmen. Die frühzeitige Gestaltung intelligenter Profilbildungskonzepte ist damit de facto zukunftsorientierter CRM-Manager, die es zu bewältigen gilt. Seite 30 eine der Hauptaufgaben Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " Literatur ▪ Berry, M.J.A./Linoff, G. (1997): Data mining techniques: for marketing, sales, and customer support, New York u.a. 1997 ▪ Bishop, C. (1995): Neural Networks for Pattern Recognition, Oxford 1995 ▪ Bissantz, N./Hagedorn, J./Mertens, P. (1996): Data-Mining als Komponente eines DataWarehouse, in: Muksch, H./Behme, W. (Hrsg.): Das Data-Warehouse-Konzept: Architektur – Datenmodelle – Anwendungen, Wiesbaden 1996, S. 337-368 ▪ Bollinger, T. (1996): Assoziationsregeln – Analyse eines Data Mining Verfahrens, in: Informations-Spektrum, Heft 19/1996, S. 257-261 ▪ Brendel M. (2003): CRM für den Mittelstand. Voraussetzungen und Ideen für die erfolgreiche Implementierung, Wiesbaden 2003 ▪ Bruhn, M. (2001): Relationship Marketing, München 2001 ▪ Buxel, H. (2001): Customer Profiling im Electronic Commerce: Methodische Grundlagen, Anwendungsprobleme und Managementimplikationen, Aachen 2001 ▪ Buxel, H. (2005): Gestaltung des Kundenkontaktmanagements: Kunden erfolgreich binden, Erträge systematisch steigern, in: et - Energiewirtschaftliche Tagesfragen, Heft 1/2005, S. 6466 ▪ Buxel, H./Buckler, F. (2000): Data Mining: Analysieren, Optimieren, Systematische Datenforschung bis ins Detail, in: Database Marketing, Heft 2/2000, S. 7-11 ▪ Buxel, H./Klee, A. (2006): Bausteine eines systematischen Customer Relationship Management für mittelständische Unternehmen, PC&M-Schriftenreihe MittelstandsManagement, Göttingen 2006 ▪ Clement, M./Runte, M. (2000): Intelligente Software-Agenten im Internet – Implikationen für das Marketing im eCommerce, in: der markt, Heft 1/2000, S. 18-35 ▪ Cornelsen, J. (2000): Kundenwertanalysen im Beziehungsmarketing, Nürnberg 2000 ▪ Dittmer, C. (1999): Erfolgsfaktoren für Data Warehouse-Projekte - Eine empirische Studie aus Sicht der Anwendungsunternehmen, Arbeitsbericht Nr. 78 des Instituts für Unternehmensführung und Unternehmensforschung, Bochum 1999 ▪ Guiltinan, J. (1987): The Price Bundling of Servicees: A normative Framework, in: Journal of Marketing, Vol. 51, April, pp. 27-42 ▪ Holthuis, J. (1999): Der Aufbau von Data Warehouse-Systemen: Konzeption – Datenmodellierung – Vorgehen, 2. Aufl., Wiesbaden 1999 ▪ Hubschneider, M./Sibold, K. (2007): CRM – Erfolgsfaktor Kundenorientierung. Mit Anwendungsbeispieln und Checklisten für den Mittelstand., 2. Aufl., Freiburg 2007 Seite 31 Buxel/Klee "Customer Intelligence System als Grundlage des Zielkundenmanagement " ▪ Inmon, W.H. (1992): Building the Data Warehouse, Wellesley, 1992, S. 25 ▪ Klee, A. (2000): Strategisches Beziehungsmanagement, Aachen 2000 ▪ Lasslop, I. (2000): Data Mining als Grundlage des Relationship-Marketing – Einsatzfelder und Aussagewert, Arbeitspapier Nr. 142, Wissenschaftliche Gesellschaft für Marketing und Unternehmensführung e.V., Münster 2000 ▪ Lehmann, A. (1998): Marketingcontrolling der Multi-Channel-Strategie: Herausforderungen für Versicherer und Finanzdienstleister, in: Reinecke, S./Tomczak, T./Dittrich, S. (Hrsg.): Marketingcontrolling, St. Gallen 1998, S. 316-324 ▪ Mitchell, T. (1997): Machine Learning, New York u.a. 1997 ▪ o.V. (2002): Ein Drittel aller Kundendaten bleiben ungenutzt, online im Internet: http://www.absatzwirtschaft.de/aswwwwshow/fn/asw/sfn/buildpage/cn/cc_ZKM_news/id/237 98/aktelem/Document_1002910/page1/PAGE_1002979/page2/PAGE_1002909/hp/1/index.ht ml (Stand: 02.07.2002) ▪ Quinlan, J.R. (1986): Induction of Decision Trees, in: Machine Learning, Heft 4/1986, S. 81106 ▪ Rauscher, M./Rockel, W. (2001): Computer als Bilanz-Analyst: Anwendungsgebiete künstlicher Neuronaler Netze zur Risikoanalyse in der Versicherungswirtschaft, in: Versicherungswirtschaft, Heft 23/2001, S. 1920-1924 ▪ Walter, G. (1996): Beurteilung der Kundenattraktivität durch Kreditinstitute - Anforderungen an die Database und Umsetzungsmöglichkeiten für ein Gesamtkonzept, München 1996 ▪ Wiedmann, K.-P./Buckler, F. (2001): Neuronale Netze im Management, in: Wiedmann, K.P./Buckler, F. (Hrsg.): Neuronale Netze im Marketing Management: Praxisorientierte Einführung in modernes Data Mining, Wiesbaden 2001, S. 35-100 ▪ Wiedmann, K.-P./Buckler, F./Buxel, H. (2001): Data Mining: Ein einführender Überblick, in: Wiedmann, K.-P./Buckler, F. (Hrsg.): Neuronale Netze im Marketing Management: Praxisorientierte Einführung in modernes Data Mining, Wiesbaden 2001, S. 15-33 ▪ Wiedmann, K.-P./ Klee, A.(2003): Erfolgsfaktor Zielkundenmanagement für Finanzdienstleister, in: Wiedmann, K.-P./ Klee, A./ Buxel, H./ Buckler, F. (Hrsg.): Ertragsorientiertes Zielkundenmanagement für Finanzdienstleister, Wiesbaden 2003, S. 13-32. ▪ Wilde, K./Hippner, H. (2002): ZKM 2002: Customer Relationship Management - So binden Sie Ihre Kunden, Studie der absatzwirtschaft, Düsseldorf 2002 Seite 32
