20070506za SPSS Data Mining CRM Kundenbeziehungen leicht gemacht
|
|
|
»manage
it«
als
|
Mit Data Mining das Beste aus dem Kundenbeziehungsmanagement herausholen Customer Relationship Management leicht gemacht Der Kunde ist König. Nahezu jede Firma hat sich dieses Credo auf die Fahnen geschrieben. Doch was will der Kunde, welche Erwartungen hat er? Um diese Fragen zu beantworten, müssen Unternehmen Informationen sammeln und auswerten. An Transaktions- oder Umfrage-Daten mangelt es meist nicht. Doch wie können Organisationen aus diesem Wust von Daten wertvolle Informationen herausfiltern, um sinnvolle Aktionen abzuleiten und um ihre Ziele schneller zu erreichen?
ie Lösung heißt Data Mining. Der Datenanalyseprozess deckt vorher unbekannte Muster oder Verbindungen in Daten auf. Ursprünglich im akademischen Bereich entwickelt und zunächst meist bei großen Datenmengen eingesetzt, ist Data Mining mittlerweile Mainstream geworden und hilft Unternehmen nahezu jeder Branche, fundiertere Geschäftsentscheidungen zu treffen. Der Einsatz im Customer Relationship Management (CRM) ist dabei eines der effektivsten Anwendungsgebiete: Optimierte Ansprache und Bindung von Kunden, zielgenauere Marketing-Kampagnen und höhere Cross-Selling- und Up-Selling-Potenziale sind nur einige Bereiche, die führende Firmen mit Hilfe von Data Mining adressieren. Data Mining ist also eine Kernkomponente von Predictive Analytics. Diese Lösung kombiniert Analyseergebnisse mit Entscheidungsoptimierung, sprich sie wählt die Aktion mit dem besten Ergebnis aus. Die zuständigen Mitarbeiter erhalten somit in Echtzeit eine konkrete Handlungsempfehlung für den Kundenkontakt. Um den höchsten Return on Investment (ROI) bei der Anwendung von Data Mining im Customer Relationship Management zu erzielen, sollte nach folgenden Punkten vorgegangen werden: 1. Planung als Schlüssel zum Erfolg Planung ist die halbe Miete – das gilt auch für Data Mining. Deshalb ist es unerlässlich, dass jedes Unternehmen, das ein solches Projekt durchführen möchte, zunächst die Projektziele von Unternehmensseite festlegt. Im nächsten Schritt können Firmen dieses Wissen in eine schlüssige Data-Mining-Strategie und in einen exakt definierten Projektplan umwandeln. In der Planungsphase sind folgende drei Schritte wichtig:
2. Definition exakter Ziele Bevor es bei einem Data-Mining-Projekt losgehen kann, müssen Unternehmen klären, inwiefern der Analyseprozess dazu beitragen kann, die Geschäftsziele zu erreichen. Falls Organisationen zum Beispiel Kundenabwanderung verhindern wollen, müssen sie festlegen, um wie viel Prozent sie die Rate verbessern möchten. Im nächsten Schritte ist es notwendig, sich auf einen Standard-Data-Mining-Prozess wie den von SPSS mitentwickelten CRISP-DM (CRoss Industry Standard Process for Data Mining) zu einigen. Daraufhin sollte ein Projektplan entwickelt werden, bei dem klar definiert wird, wann ein Ziel als erreicht gilt. Schließlich ist es notwendig, eine Kosten-Nutzen-Analyse durchzuführen, die alle Kosten jeglicher benötigter Ressourcen berücksichtigt. 3. Zusammenstellung eines breit aufgestellten Projektteams Ein häufiger Fehler bei der ersten Durchführung eines Data-Mining-Projekts ist, dass Unternehmen die Verantwortung für das Projekt lediglich einem Data-Mining-Spezialisten übertragen. Data Mining ist jedoch nur dann erfolgreich, wenn die Auswirkungen auf sämtliche Geschäftsprozesse und -bereiche unter die Lupe genommen werden. In den meisten Organisationen verteilt sich dieses Geschäftsverständnis aber auf verschiedene Abteilungen oder Bereiche. Folglich sollten Unternehmen darauf achten, dass das Projektteam breit aufgestellt ist. Wenn beispielsweise die Aufgabe darin besteht, die Faktoren herauszufinden, die Kundenabwanderung beeinflussen, ist es nötig, sowohl Mitarbeiter des Kundenservice, der Marktforschung oder sogar der Rechnungsabwicklung wie auch Datenbank- und Data-Mining-Spezialisten einzubinden. Abhängig von den Zielen sollten im Allgemeinen folgende Personen involviert sein: Finanziers, Projektleiter, Geschäftsexperten, Data-Mining-Experten, Datenfachleute und IT-Spezialisten. Manche Projekte machen die Mitarbeit von lediglich zwei oder drei Personen notwendig, andere erfordern mehr. 4. Auswahl der richtigen Daten Um den Erfolg sicher zu stellen, ist es essenziell, dass Organisationen ein Verständnis dafür bekommen, welche Arten von Daten verfügbar und in welchem Zustand diese sind. Zunächst sollten Firmen mit den bereits vorliegenden Daten beginnen, dazu bedarf es weder einer großen Anzahl von Daten noch müssen sie einem Data Warehouse entspringen. Viele wertvolle Data-Mining-Projekte basieren zunächst auf kleinen oder mittelgroßen Datensätzen, einige bestehen zum Beispiel nur aus wenigen Tausenden. Mit Hilfe von Mustern in Datensätzen können Unternehmen bestimmen, welche Produkte Kunden mit einem bestimmten demographischen Profil üblicherweise kaufen. Folglich sind Firmen in der Lage vorauszusagen, was ihre Kunden möglicherweise erwerben oder welche Angebote sie besonders attraktiv finden. 5. Einbindung der IT-Abteilung IT ist eine wichtige Komponente jeder erfolgreichen Data-Mining-Initiative. Organisationen sollten dabei beachten, dass das ausgewählte Data-Mining-Tool eine beachtliche Rolle spielt, da die Zustimmung/Unterstützung der IT-Abteilung sichergestellt sein muss. Deshalb ist es von Vorteil, wenn sich das Data-Mining-Tool in die bestehende IT-Infrastruktur – relevante Datenbanken, Data Warehouses und Datenzentren – integrieren lässt und einen offenen Zugang zu den Daten ermöglicht. Zudem sollte es die Möglichkeit bieten, bestehende Datenbanken mit Hilfe von Data Mining durch Auswertungen und Voraussagen anzureichern. 6. Auswahl der passenden Data-Mining-Lösung Erfolgreiches und leistungsfähiges Data Mining erfordert Lösungen, die offen sind und sich gut in eine bestehende Infrastruktur integrieren lassen. Firmen sparen Zeit und verbessern den Analysefluss, wenn sie Lösungen auswählen, die jeden einzelnen Prozess-Schritt unterstützen. Eine integrierte Lösung ist besonders wichtig, wenn Unternehmen zusätzliche Datentypen wie Text-, Web- oder Umfragedaten einbinden möchten. Denn es ist sehr wahrscheinlich, dass jeder Datentyp seinen Ursprung in einem anderen System hat und in einer Vielzahl von Formaten existiert. Wenn Organisationen eine integrierte Lösung verwenden, sind sie in der Lage, Gedankengänge effektiv zu verfolgen – egal welche Datentypen in der Analyse eingebunden sind. Integration ist auch während der »Entscheidungsoptimierungs-Phase« von Predictive Analytics wichtig. Darin wird – basierend auf den zuvor ermittelten Modellen – festgelegt, welche Aktionen für welchen Kunden den optimalen Nutzen bringen. Diese Empfehlungen werden dann an die Systeme beziehungsweise die Personen, die diese wirksam umsetzen können, weitergegeben. Um die Entscheidungsoptimierung zu unterstützen, ist eine Lösung nötig, die zu den eingesetzten Systemen wie der Call Center- oder Marketingoptimierungs-Software passt. So eine Lösung unterstützt eine umfassende und schnelle Vorhersage – sogar in Echtzeit. 7. Berücksichtigung weiterer Datentypen, um den Erfolg der Data-Mining-Investition zu steigern Wenn Unternehmen unstrukturierte Daten (Text-, Web- oder Umfragedaten) mit strukturierten Daten kombinieren, die für die optimierte Kundenansprache genutzt werden, wertet dies die Informationen auf, die für die Vorhersagen verfügbar sind. Selbst wenn sie nur einen zusätzlichen Datentyp anfügen, verfeinert dies die gewonnenen Resultate. Die Integration weiterer Datentypen führt zu weiteren Steigerungen. Folgende Fragen helfen Organisationen dabei festzusetzen, ob sich die Einbeziehung zusätzlicher Daten lohnt: Welche Probleme möchte das Unternehmen lösen? Welche Daten stehen zur Verfügung, um diese Probleme anzugehen? Die Antworten auf diese Fragen tragen dazu bei, welche Arten von Daten aus welchen Gründen integriert werden sollten. Wenn Firmen herausfinden möchten, warum langjährige Kunden abwandern, sollten sie Texte aus Call-Center-Aufzeichnungen mit Ergebnissen von Kundengruppen oder Kundenzufriedenheitsumfragen kombinieren. 8. Erweiterung des Einsatzes von Data Mining für bessere Resultate Eine Möglichkeit den durch Data Mining erreichten ROI zusätzlich zu steigern, ist es, die Anzahl der Projekte zu erhöhen. Mit Hilfe einer Data-Mining-Lösung, die Routineaufgaben automatisch erledigt, ist dies ohne zusätzlichen Personalaufwand möglich. Firmen können von der Data-Mining-Investition profitieren, indem sie damit verwandte Herausforderungen meistern sowie indem sie Data Mining in verschiedenen Abteilungen und Standorten anwenden. Wenn die Unternehmen bereits Erfolge bei den wichtigsten Aufgaben erzielt haben, wie eine höhere Erfolgsrate bei Cross-Selling-Kampagnen, ist zu überlegen, weitere Problemfelder wie die Kostenoptimierung von Kundengewinnungsprogrammen anzugehen. 9. Berücksichtigung aller möglichen Einsatzgebiete Wenn Firmen Data Mining durchführen und effektiv einsetzen, profitieren sie kontinuierlich von einem höheren ROI. Die ersten Implementierungen von Data Mining hatten zum Ziel, Analysten mit Modellen und Manager mit Reports zu versorgen. Abteilungsleiter oder Mitarbeiter mussten diese Modelle und Berichte zunächst analysieren bevor es möglich war, strategische oder taktische Pläne zu entwickeln. Später nutzen viele Organisationen Batch Scoring, oftmals außerhalb der Stoßzeiten, um aktualisierte Vorhersagen effizienter in ihre Datenbank zu integrieren. Es wurde sogar möglich, den Ablauf der Updates zu automatisieren und Scoring Engines in die bestehenden Anwendungen einzubauen. Heute kommt die neueste Data-Mining-Technologie zum Einsatz, die es ermöglicht, sogar enorme Datensätze mit Milliarden von Analyseschritten innerhalb kürzester Zeit zu aktualisieren. Außerdem können Unternehmen ihre Vorhersagen über mögliches Kundenverhalten in Echtzeit updaten und Ergebnisse an Mitarbeiter mit Kundenkontakt weiterleiten – während diese mit dem Kunden sprechen. Dadurch steigern sie nicht nur die Effizienz ihrer Betrugserkennungsorganisation, sondern erhöhen auch die Kundenzufriedenheit. Zudem ist es möglich, die Modelle oder Auswertungen in Echtzeit an Systeme weiterzugeben, die Verkaufsangebote automatisch generieren oder Website-Besuchern Produktvorschläge machen. 10. Verbesserung der Zusammenarbeit und Leistungsfähigkeit mit Hilfe von Modell-Management Unternehmen sollten Data-Mining-Lösungen auswählen, die es ermöglichen, Data-Mining-Modelle zentral zu verwalten. Zudem ist es wichtig, dass die Modelle Prozessautomatisierungen wie das Aktualisieren von Kundenauswertungen unterstützen. Solche Lösungen führen zu einer besseren Zusammenarbeit und einer höheren Effizienz. Mit Hilfe eines zentralen Modell-Managements können Organisationen außerdem Mehraufwand vermeiden, indem es gleichzeitig sicher stellt, dass die leistungsfähigsten Vorhersagemodelle zum Einsatz kommen. Zudem ist es dadurch möglich, Modell-Erstellung, -Gebrauch und -Anwendung zu dokumentieren. Dies erleichtert den sogenannten »Audit«. Data Mining ist keine Zauberei Die exakten Ergebnisse, die Data Mining liefert, sind keine Hexerei. Data Mining ist ein nützliches, betriebswirtschaftliches Tool, das Firmen bereits weltweit erfolgreich einsetzen, um kritische Geschäftsentscheidungen zu treffen. Der Schlüssel für eine effektive Nutzung von Data Mining ist dementsprechend nicht geheim und hat nichts mit Zauberei zu tun. Durch ein solides Verständnis des zu lösenden Problems, mittels geeigneter Ressourcen und ausreichender Unterstützung und mit Hilfe der richtigen Lösung können Unternehmen von den wirtschaftlichen Vorteilen von Data Mining profitieren. Michael Mors ___________________________________________________________ Michael Mors, Country Manager der SPSS GmbH Software
Weitere Informationen finden sich unter www.spss.de.
|
Folgen Sie »manage it« auf Google+
|
