Online CRM: Fuzzy Customer Segmentation - Diuf

Online CRM:
Fuzzy Customer Segmentation
Adrian Glauser
Inhalt :
1. Einführung ……………………………………………………………………....….. 3
2. Unscharfe Logik ……………………………………………………………………. 3
3. Klassische Kundensegmentierung …………………………………………………. 5
4. Unscharfe Kundensegmentierung ………………………………………………….. 6
5. Anwendungsbeispiel ……………………………………………………….……...… 7
6. Fazit und Ausblick ……………………..……………………………………..……. 9
7. Bibliographie ………………………………………………………..…..………….. 9
2
1. Einführung
In der Folge soll in das Thema der unscharfen Kundensegmentierungsmöglichkeiten
eingeführt werden. Ausgangspunkt ist der bisherige weit verbreitete Ansatz die Kunden in
verschiedene Klassen zu unterteilen, um sie auf eine Art ansprechen zu können, die ihren
Ansprüchen und Bedürfnissen entgegen kommt. Das Ziel ist dabei den Wert der
verschiedenen Kunden(gruppen) zu erkennen und durch geeignete Massnahmen den Umsatz
und die Kundenbindung für das Unternehmen zu steigern. Anhand der unscharfen
Unterteilung bietet sich eine Möglichkeit die in der Realität oft zu stark vereinfachte
Unterteilung in grobe Segmente zu umgehen. Es kann so spezifischer auf die heterogene Art
der jeweiligen Kundenbeziehungen reagiert werden, was einem Unternehmen in Bezug auf
das Customer Relationship Management entscheidende Vorteile bieten kann. Im zweiten
Punkt soll das Prinzip der unscharfen Logik kurz erläutert werden. Danach wird kurz die
bisher gängige Art der Kundensegmentierung beschrieben, um in der Folge diese durch die
Technik der unscharfen Unterteilung zu erweitern. Um die praktische Relevanz aufzuzeigen
wird in Punkt sieben auf die Anwendungsmöglichkeiten eingegangen. Abschliessend erfolgt
ein Ausblick über die Bedeutung dieser Technik für das Online CRM.
2. Unscharfe Logik
Bisher musste sich der Mensch beim Umgang mit computergestützten mathematischen
Analysen mehrheitlich der boolschen Logik anpassen. Das heisst Probleme mussten in
eindeutiger ja/nein Form formuliert werden. Mögliche Abfragen von Kundendatenbanken
hatten in exakter Weise zu erfolgen, da ansonsten keine brauchbaren Resultate geliefert
wurden.
Diese Art zu denken widerläuft dem menschlichen assoziativen Denken und der menschlichen
Weise sich in sprachlicher Form auszudrücken jedoch grundsätzlich. Der Mensch kann sich
zu gegebenen Tatsachen oft nur ungenau und sprachlich bedingt mehrdeutig oder sogar
widersprüchlich äussern.
Um dieses Problem zu umgehen wurde die unscharfe Logik entwickelt. Statt nur null oder
eins Werte zuzulassen (klassische set theory), wird auch jeder Wert der dazwischen liegt als
3
mögliche Ausprägung eines Elementes zugelassen (fuzzy set theory). Dies beinhaltet als
Spezialfall auch die Möglichkeit, dass etwas eindeutig definiert werden kann.
Um den Ansatz zu veranschaulichen kann man zum Beispiel die Wassertemperatur eines
Flusses heranziehen. Wenn man die möglichen Ausprägungen der Temperatur in drei Klassen
(kalt: 0-10°C, warm: 11-20°C, heiss: 21-∞°C) unterteilt, so wäre bei scharfer Betrachtung das
Wasser bei einer Temperatur von 10°C kalt. Stiege sie um nur 1°C so hätte das Wasser nun
sprunghaft die Ausprägung warm angenommen.
Quelle: wikipedia.org
Da dies aber wie oben angedeutet der menschlichen Wahrnehmung nicht entspricht, kann
anhand der unscharfen Formulierung definiert werden mit welchem zugehörigkeitsgrad das
Wasser nun welcher Temperaturklasse zugerechnet werden soll. Bei einer angenommen
Temperatur von 8°C könnte das Wasser nun zu einem Grad von 0.8 der Klasse kalt und zu
einem Grad von 0.2 der Klasse warm angehören. Der Übergang von der einen Klasse in die
andere geschieht nun fliessend.
Quelle: Heiko Timm, Fuzzy-Clusteranalyse: Methoden zur Exploration von Daten mit fehlenden Werten sowie klassifizierten Daten
In gleicher weise lassen sich nun auch Kundenmerkmale unscharf definieren. So kann
verhindert werden, dass zum Beispiel der Kunde in Bezug auf die Ausprägung Kundentreue
nicht schlagartig von der Klasse treu zur Klasse untreu springen kann. Dies würde seitens der
Unternehmung zu einer völlig anderen Art der Kundenansprache, und in der Folge seitens des
Kunden
zu
Unverständnis
und
Unzufriedenheit
führen,
was
wiederum
den
Unternehmenserfolg schmälern kann.
Weiter gilt es den unscharfen Ansatz klar von dem der Wahrscheinlichkeit abzugrenzen.
Wahrscheinlichkeit versucht mittels Prognosen etwas über unsichere zukünftige Ereignisse
auszusagen, die nach dem Eintreten jedoch eindeutig sind. So kann zum Beispiel nur mit einer
4
gewissen Unsicherheit gesagt werden, ob wir in genau einem Jahr einen um 10% grösseren
Kundenstamm haben werden. Nach dem verstreichen eines Jahres, kann aber eindeutig gesagt
werden, dass er um 9.78% gestiegen ist. Bei der unscharfen Betrachtungsweise geht es um
eine subjektive, uneindeutige Einschätzung eines bereits vorliegenden Zustandes in einer
kontinuierlichen Dimension. Es kann zum Beispiel nur uneindeutig gesagt werden ob ein
Kunde zufrieden ist oder nicht.
Der Vorteil der unscharfen Logik liegt demnach darin, besser mit Sachverhalten die
kontinuierlichen Charakter aufweisen oder nur ungenau formuliert werden können
umzugehen.
3. Klassische Kundensegmentierung
Da ein Unternehmen immer mit unterschiedlichen Kunden zu schaffen hat, macht es Sinn
diese in Gruppen zu unterteilen, um sie ihren Merkmalen entsprechend verschieden zu
behandeln. Die Kunden in einer solchen Klasse sollten untereinander möglichst homogen, und
die Gruppen zueinander möglichst heterogen sein. Durch dieses Vorgehen lassen sich die
spezifischen Kundenwerte klarer erkenne, was zu einer Steigerung des Umsatzes respektive
zu einer stärkeren Kundenbindung führen kann. Mögliche traditionelle Segmentierungen
wären zum Beispiel:
-
Gewerbliche, privaten Kunden
-
Alter, Bildungsstand, Geschlecht
-
Kaufverhalten (Routinekäufer, Gelegenheitskäufer)
-
Einstellung gegenüber Informations- und Kommunikationstechnologien (Versierte,
Begeisterte, Pragmatiker, Ängstliche, Desinteressierte)
Das bisher wichtigste Instrument zur systematischen Analyse der Kundenstruktur und der
Erkennung von typischen Eigenschaften der verschiedenen Gruppen ist die Clusteranalyse.
Die Grundidee ist die einzelnen Ausprägungen zu Clustern zusammenzufassen, in welchen
die Abstände zwischen den einzelnen Punkten kleiner sein soll als zu Punkten eines anderen
Clusters. Zu unterscheiden gibt es das hierarchische Clustering, welches sich wiederum in die
Ansätze des anhäufenden und des teilenden Verfahrens unterteilen lässt, und das
partitionierende Clustering.
5
Hauptproblem bei der klassischen Segmentierung ist, dass zwischen den verschiedenen
Klassen scharfe Grenzen herrschen. Kunden die einer bestimmten Klasse zugeordnet wurden,
können nicht mehr unterschieden werden, obwohl sie sich innerhalb dieser Klasse noch relativ
stark unterscheiden können. Zusätzlich kann die Bewegung der einzelnen Kunden, bedingt
durch eine Veränderung der Lebensumstände oder -weise des Kunden, durch verschiedene
Klassen nur schwer erkannt werden. Dies kann einerseits zu einer Ungleichbehandlung
ähnlicher Kunden respektive Gleichbehandlung unterschiedlicher Kunden führen, andererseits
widerfährt dem Kunden beim Wechsel von einer Klasse in eine andere eine sprunghaft andere
Behandlung die zu Unverständnis und im schlimmsten Fall zu einer Abwanderung des
Kunden führen kann. Nicht zu vernachlässigen ist auch die fehlende Anreizwirkung, wenn ein
Kunde durch besseres Verhalten keine Aussicht auf eine andere Kundenbetreuung sehen
kann.
4. Unscharfe Kundensegmentierung
Durch die Erweiterung der klassischen Kundensegmentierung mit der unscharfen Logik
lassen sich die oben geschilderten Probleme auf elegante Weise lösen. Wegen der
Möglichkeit Kunden mehreren Klassen zurechnen zu können, kann eine unscharfe,
kontinuierliche Klassifizierung der Kunden vorgenommen werden. Dies geschieht indem man
für jeden Kunden Zugehörigkeitsgrade für die verschiedenen Klassen definiert. Dadurch lässt
sich nun jeder Kunde individuell beschreiben, und seine Entwicklung kann anhand der
Bewegung durch die verschiedenen Klassen genau verfolgt werden. Im besten Fall lässt sich
sogar antizipieren wohin sich der Kunde in Zukunft bewegen wird, und durch geeignete
Massnahmen und Anreize diese Entwicklung, je nach dem ob sie gut oder schlecht ist,
unterstützen oder verhindern.
Ein weiterer Vorteil ist, dass Abfragen in ungenau gehaltener sprachlicher Form erfolgen
können. Dazu muss das Modell zu einem Kontextmodell erweitert werden. Jedem Merkmal
bzw. Attribut (z.B. Umsatz) wird dabei ein Kontext hinzugefügt. Ein Kontext ist eine
Aufteilung des Wertebereichs, auf dem das Attribut definiert ist, in Äquivalenzklassen. Die
Auswahl und Definition der Äquivalenzklassen muss von den Marketingexperten gemacht
werden, weshalb das Modell am Ende auch nur so gute Informationen liefert, wie dies durch
die Modellierung ermöglicht wird. Wenn später erkannt wird, dass sich die getroffenen
6
Entscheidungen nicht eignen, müssen die Kontexte neu aufgestellt werden. Folgend ein
einfaches Beispiel mit nur zwei Attributen:
Attribut Aj:
A1 Umsatz pro Monat
A2 Zahlungsverhalten
Dimension D(Aj):
D(A1)
[0, 1000]
D(A2)
{im voraus, pünktlich, verspätet, zu spät}
Kontext K(Aj) (Äquivalenzklassen):
K(A1)
tiefer Umsatz [0, 499]
hoher Umsatz [500, 1000]
K(A2)
gutes Zahlungsverhalten {im voraus, pünktlich}
schlechtes Zahlungsverhalten {verspätet, zu spät}
Damit später intuitive, sprachliche Abfragen möglich sind, werden jeder Äquivalenzklasse
sprachliche Terme zugeordnet, wie aus der folgenden Darstellung ersichtlich wird.
5. Anwendungsbeispiel
Für jeden Kunden kann nun definiert werden in welchem Ausmass er zu welcher Klasse
gehört. So kann man etwa S zu 100% der Klasse C1 zuordnen. Kunde B, der bei einer
klassischen Segmentierung genau gleich wie S wahrgenommen würde, gehört nun zum
Beispiel mit den Zugehörigkeitsgraden von 0.28 zu C1, mit 0.25 zu C2, mit 0.25 zu C3 und
mit 0.22 zu C4.
7
Dank diesen Zugehörigkeitsgraden können jetzt zu S und B individuelle Kundenbeziehungen
betrieben werden.
Um die in der Realität oft viel zahlreicher benutzten Attribute in einer überschaubarer Weise
darzustellen, werden die Attribute mit Hilfe des Dekompositionsverfahrens in eine
hierarchische Form gebracht. Der erste Ansatz ist der Top-down-Ansatz, bei dem die
Semantik auf der höchsten Ebene schon bekannt ist. Beim zweiten, dem Bottom-up-Ansatz,
werden die Attribute so lange kombiniert, bis die höchste Klasse erreicht ist. Da jedoch der
Top-down-Ansatz oft Attribute benötigt, die es gar nicht gibt, und dem Bottom-up-Ansatz die
Marktstrategie fehlt, werden die beiden Ansätze oft kombiniert um so zu einer Lösung zu
kommen. Ergebnis ist dann eine Hierarchische Form, die es erlaubt auf der obersten Ebene
den effektiven Kundenwert zu sehen, und auf den tieferen die möglichen Potenziale und
Schwächen der Kunden.
8
Mögliche vorteilhafte Anwendungsgebiete für die unscharfe Kundensegmentierung sind ein
personalisiertes Rabattsystem, die bessere Auswahl einer Kundengruppe für eine
Marketingkampagne aber auch die bessere Möglichkeit den Entwicklungsprozess der Kunden
verfolgen zu können.
Bezieht man wiederum das Instrument der Clusteranalyse mit ein, so gibt es nun zwei
Methoden. Die „overlapping clustering method“, erlaubt, dass Kunden zu mehr als einem
Cluster
gehören
können.
Die
„fuzzy
clustering
method“,
dass
zusätzlich
noch
Zugehörigkeitsgrade definiert werden.
6. Fazit und Ausblick
Da
im
E-Bussiness
der
persönliche
Kundenkontakt
fehlt,
ist
die
unscharfe
Kundensegmentierung ein wichtiges Instrument um trotzdem personalisierte Kundenkontakte
pflegen zu können. Weiter herrscht im Onlinemarkt eine bessere Markttransparenz, die
verstärkend auf den Konkurrenzkampf um die Kunden wirkt. Hinzu kommen die Entwicklung
zu einer internetbasierten Informationsgesellschaft und die schon heute stark ausgeprägte
Individualisierung der Menschheit. Dies sind alles Gründe weshalb das Instrument der
unscharfen Kundensegmentierung in Zukunft verstärkt angewendet werden wird und
allgemein an Bedeutung gewinnen dürfte.
7. Bibliographie:
Arabie, P., Hubert, L. J., De Soete, G., Clustering and Classification, World Scientific Pupl.,
River Edge, NJ, 1996
Cromme, L., „Mathematische Beschreibung und Optimierung von Aquiseprozessen im
Marketing“, Forum der Forschung 18/2005: 133-142.
Homburg, C., Sieben, F., „Customer Relationship Management. Strategische
Ausrichtung statt IT-getriebenem Aktionismus“, Reihe Management Know How,
Nr. M 52, Institut für Marktorientierte Unternehmensführung an der Universität
Mannheim, Mannheim 2000.
Kreuzer, M., „Die praktische Relevanz von Mass Customization“.
Link, J., „Zur zukünftigen Entwicklung des Online Marketing“, in Wettbewerbsvorteile durch
Online Marketing, Link, J., 2. Auflage, Springer, Heidelberg, 2000.
9
Peppers, D., Rogers M., „Enterprise One-To-One“.
Schmitt, „Customer Experience Management“.
Stolpmann, M., „Online-Marketingmix“, Galileo Press, Bonn, 2000.
Takahshi, Y., „Fuzzy Database Query Languages and Their Relational Completeness
Theorem“, in IEEE Transactions on Knowledge and Data Engineering, Vol. 5, No. 1,
February 1993, pp. 122-125.
Werro, N., Stormer, H., Meier, A., „A Hierarchical Fuzzy Classification of Online
Customers“.
Werro, N., Stormer, H., Meier, A., „Concept and Implementation of a Fuzzy Classification
Query Language“.
Werro, N., Stormer, H., Meier, A., „Personalised Discount – A Fuzzy Logic Approach“.
Werro, N., Stormer, H., Meier, A., „Using a Fuzzy Classification Query Language for
Customer Relationship Management“.
www.bytecraft.com/fuzzy.html
www.wikipedia.org
10