Pressemitteilung - DDV-Dialog

DataMining
oder das Umwandeln von Daten
in Informationen und Wissen.
Im Kampf um den Kunden sind heute alle marktstrategischen
Mittel und Wege willkommen. Deshalb wird ständig nach
neuen und möglichst effektiven Wegen und Methoden
gesucht, den Vorsprung vor Mitbewerbern zu halten bzw. zu
vergrößern.
Viele werbeaktive Unternehmen besitzen große Mengen an
Daten von ihren Kunden, deren Kaufverhalten und
Reaktionen.
Das große Potential an Informationen und Wissen, das in
diesen Daten liegt, wird oft in seinen Möglichkeiten nicht
erkannt und auch in seiner strategischen Potenz nicht
ausgeschöpft.
Ein
wichtiges
Werkzeug
zur
Generierung
dieser
Informationen und des Wissens stellt das „Schürfen“ in den
vorhandenen Daten, das DataMining dar. Es ist eine
wesentliche Voraussetzung und die wichtige Vorstufe, um ein
erfolgreiches CRM (Customer - Relationship - Management)
durchführen zu können.
In der Definition ist DataMining: die Untersuchung und
Analyse von großen Datenmengen mit automatischen und
semi-automatischen Prozessen, um vorher unbekannte,
interessante und nützliche Abhängigkeiten zu finden.
2
Die Zielsetzung des DataMining im DialogMarketing
Die Strategie, um Kunden zu gewinnen und zu binden, beruht auf dem Einsatz von
persönlichen Daten und dem Erkennen von Verhaltensweisen, ohne die sich ein
individueller Dialog nur sehr schwer durchführen lässt.
Ausgereifte DataMining-Strategien analysieren die Kundeninformationen, ermitteln
Kernzielgruppen und können damit den Dialog durch Einsatz unterschiedlicher
Werbemaßnahmen optimieren.
Im Idealfall des DataMining sollte sich auf der Suche nach Kunden oder
Interessenten eine kongruente Musterbildung innerhalb der Datenbank zu
vergleichbaren Daten und Adressengruppen ergeben.
Doch eine komplette Deckungsgleichheit der Kernzielgruppe mit der Realzielgruppe
hat den Nachteil, dass das Adressenpotential bis zur Unwirtschaftlichkeit schrumpfen
kann.
Das Ziel sollte es sein, mit DataMining eine möglichst große Annäherung an das
Muster zu finden was dennoch genügend Raum lässt, neues, größeres Potential zu
generieren um damit wirtschaftlichere, effizientere und bessere Ergebnisse zu
erzielen.
Der DataMining-Prozess.
Die Anforderung an einen erfolgreichen DataMining–Prozess ist es, neue,
handlungsrelevante Informationen aus Datenbanken zu gewinnen, um durch diese
Erkenntnisse die optimalen markt-strategischen Entscheidungen zu treffen.
Die einzelnen Phasen eines DataMining-Prozesses, die in intensiver Interaktion und
im Dialog zwischen Unternehmen und Durchführendem ablaufen, können (nach
Wilde 2000) aufgegliedert werden in:
•
•
•
•
•
•
•
Aufgabendefinition
Auswahl der relevanten Datenbestände
Datenaufbereitung
Auswahl von DataMining-Methoden und deren Anwendung
Interpretation und Evaluation der Ergebnisse (Mustererkennung)
Anwendung der DataMining Ergebnisse (Kommunikation)
Ständige Prozessoptimierung durch Änderungen und Bewertungen
3
Aufgabenstellung: DataMining im Direktmarketing
Die DataMining-Prozesse lassen sich in einem Unternehmen in die unterschiedlichsten Entscheidungsebenen bzw. Bereiche einsetzen.
Die Aufgabenstellung in dem Bereich Direktmarketing könnte lauten:
•
•
•
Wer sind die typischen Käufer eines bestimmten Produktes oder einer
Produktgruppe? Ä (Versandhandel )
Was kennzeichnet die Abonnenten einer bestimmten Zeitschrift? Ä (Verlage)
Wie unterscheiden sich die Nutzer bestimmter Dienstleistungsprodukte?
Ä (Banken, Versicherungen, Makler, Reiseanbieter)
Auswahl der relevanten Datenbestände
Bei einer Vielzahl werbeaktiver Unternehmen stehen oft mehrere Datenbestände aus
den unterschiedlichsten Abteilungen zur Verfügung. Diese sind zu sichten, um dann
die richtige Auswahl der zielrelevanten Datenbestände zu treffen. Anschließend
sollten die Bestände der zu Untersuchenden database zusammengeführt werden.
Auf der Basis der vorgegebenen Aufgabenstellung erfolgt die Profilerstellung
innerhalb dieser Database. Aus den Erfahrungen früherer Aktionen als auch aus
Testaktionen mit kleineren Datenmengen die bereits durchgeführt wurden, können
dann bedeutungsvolle Muster entdeckt werden die sich so als Strukturprofil auf
große Datenmengen übertragen lassen.
Nach der Profilierung erfolgt die Qualifizierung einer Kundendatenbank soweit die
Datenfaktoren die zur Interpretation benötigt werden auch in der Datenstruktur der
Database vorhanden sind.
Hier ist auch festzulegen, welches Potential erreicht werden soll und wo die
wirtschaftliche Grenze von Aufwand zum Ergebnispotential liegt, d.h., hier ist zu
bestimmen, welche Selektionsfaktoren noch zusätzlich zu generieren sind oder auch,
welche weniger zum Einsatz kommen und vernachlässigt werden können.
4
Datenaufbereitung
Die Datenfaktoren oder Selektionsmerkmale die zur Interpretation und Optimierung
in der Database vorhanden sind oder sein sollten sind sehr vielschichtig.
Datenfaktoren zur Interpretation und Optimierung einer privaten Kundendatei, z.B.:
•
•
•
•
•
•
•
•
•
•
•
Geschlecht
Besitz (Wohnung, Haus, Garten, Ferienbesitz)
PLZ, Ort, Land, Region
Mobile Situation (PKW, Lim. Marke)
Wohngegend, soziales Umfeld
Einstellung (konservativ, risikobereit)
Gewohnheiten (Ess-, Trink-, Schlafgewohnheiten)
Alter
Familienstand
Beruf
Einkommen
•
•
•
•
•
•
•
•
•
•
Kunde, Interessent (seit, einfach, mehrfach)
Adressenquelle (Gewinnungsweg)
Bestellmedien (Mailing, Print, E-Commerce, Telefon, TV)
Interessen (Auto, Sport, Reisen, usw.)
Kauf (Wert, Zahlungsweise)
Kommunikation (Telefon, Fax, Email)
Reaktionen (Reklamation, Korrespondenz)
letzte Ansprache über Medien (Datum)
Adress- und Situationsänderungen
Kaufverhaltensmerkmale (wann wurde bestellt bzw. retourniert)
Die Basis, auf der sich jede Strategie zum Kunden aufbaut, ist der Einsatz von
persönlichen Daten und Verhaltensweisen, ohne die sich ein individueller Dialog nur
sehr schwer durchführen lässt.
Schon eine oberflächliche Aufzählung der Einflussfaktoren innerhalb einer Database,
in welchem Umfang auch immer vorhanden, zeigt, wie aus einer Fülle von Faktoren
eine Zielvorgabe zur Musterbildung für den DataMining-Prozess erstellt werden
kann. Dabei sollte man bedenken, dass die Datenaufbereitung und Ergebnisnachbearbeitung mit sehr hohem zeitlichen Aufwand verbunden ist (ca. 80 % des
gesamten Zeitaufwandes für einen DataMining-Prozess).
Die im Unternehmen vorhandenen Daten lassen sich in einem hohen Maße als
strategische Waffe nutzen, wenn es gelingt, die marktgerichteten Aktivitäten des
Unternehmens bereichsübergreifend und damit ganzheitlich zu betrachten, zu
analysieren und zu optimieren. Die Voraussetzung dafür ist, dass die in den
unterschiedlichsten Bereichen des Unternehmens anfallenden Daten zu einem
Datenmodell zusammengeführt werden.
5
DataMining-Methoden und deren Anwendung
Beim DataMining werden die Datenbestände nach Regelmäßigkeiten, Mustern,
Strukturen, Abweichungen und jeglicher Art von Beziehungen und gegenseitiger
Beeinflussung untersucht. In diesem kreativen DataMining-Prozess werden in dem
fortschreitenden Vorgang Hypothesen entwickelt und dann überprüft.
Aus den verschiedenen DataMining–Verfahren sind diejenigen einzusetzen, die die
jeweilige Aufgabenstellung: z.B. Optimierung des Einsatzes am besten erfüllen.
Hier seien nur einige Verfahren aufgeführt:
• Clusteranalyse
• Faktorenanalyse
• Assoziationsanalyse
• Klassifikation
o Diskriminanzanalyse
o Entscheidungsbäume,
o Regressionsanalyse
o künstliche neuronale Netze.
Die Anwendungsgebiete bezogen auf das Direktmarketing können sein:
• Kundensegmentierung im Marketing für gezielte Werbemaßnahmen
• Management von Kundenbeziehungen ( CRM)
• Selektion von Zielgruppen für Marketingaktionen und
Kampagnenmanagement
• Web Usage Mining ( Personalisierung von Internetpräsenzen)
• Wissensanalyse innerhalb von Database
6
Interpretation der Ergebnisse und Mustererkennung
Die Herausforderung für die Unternehmen, die DataMining einsetzen, liegt nun darin,
aus dem umfangreichen, oft nicht aufgearbeiteten Datenmaterial nützliche, für das
Erkennen zukünftiger Strategien interessante und eindeutige Informationen zu
erhalten.
Mit der Auswertung der Ergebnisse aus den DataMining-Prozess können aus
großen Datenbeständen Muster bzw. statistische Auffälligkeiten aufgespürt werden.
So lassen sich z.B. Änderungen im Verhalten von Kunden- und Interessentengruppen aufspüren. Auch abweichendes Verhalten kann erkannt werden, worauf
dann neue Kommunikationsstrategien auszurichten und anzuwenden sind.
Diese Erkenntnisse aus Profilierung, Information und Wissen aus vorhandenen
Datenstrukturen auch auf weitere Adressenlisten (innerhalb des Listbroking) zu
projizieren wird die erweiterte Anforderung an das DataMining sein.
7
Fazit
DataMining hat sich inzwischen zu einem der wichtigsten Managementthemen
entwickelt und spielt als Instrument in der Wertschöpfung eines Unternehmens als
Wissens- und Erkenntnisquelle, was durch die zukunftsweisende Strukturerkennung
zu einer gut gepflegten CRM-Datenbank führt, eine entscheidende Rolle.
Je genauer ein Angebot auf eine Kundenzielgruppe zugeschnitten wird, je präziser
die Verwendungsgewohnheiten, Bedürfnisse, Reaktionsmuster und Verhaltensmerkmale vorhergesagt und als Wissen angewendet werden, desto besser ist die
Kaufreaktion eines Kunden einzuschätzen.
Damit entsteht ein Kunde, dessen Konsumpotential effizient und optimal durch
gesteuerte Kommunikationsaktionen geweckt werden kann.
Die automatische Gewinnung von Wissen kann durch das DataMining wirkliche
Erkenntnisschätze zu Tage fördern. Ob und inwieweit sich das grundlegende
Schürfen im eigenen „ Datenbergwerk“ lohnt, wird man jedoch immer erst nach der
Ergebnis- und Responseanalyse wissen.