 |
 |
|
|
Home
Die vier wichtigsten Anwendungen von Data-Mining-Methoden sind Response Optimization, Cross Selling, Customer Retention und Bonitätsscoring:
Ziel von Response Optimization ist das Erreichen einer optimalen Kundenantwort auf eine bestimmte Werbemaßnahme, d.h. eine optimale Auswahl von Kunden, an die ein bestimmtes Werbemittel gerichtet wird. Mit Hilfe von Data-Mining-Tools lässt sich das frühere Kaufverhalten von Kunden, z.B. vor einem Jahr nach Erhalt eines Versandhauskataloges, auswerten. Anhand dieser Auswertung prognostiziert man das Kaufverhalten für die nächste Katalogwelle, und schickt damit gezielt Kataloge an die Kunden mit der höchsten Kauferwartung.
Dieses Verfahren setzt voraus, dass die Kunden bereits in früherer Zeit Käufe getätigt haben. Hat man nur wenige Daten über einen Kunden, so sind Data-Mining-Verfahren im Allgemeinen wenig hilfreich. Eine separate Behandlung dieser Kundengruppe ist ratsam. Für die Gewinnung von Neukunden sind Data-Mining-Verfahren in der Regel sogar unbrauchbar, selbst wenn man die Kundendaten z.B. mit mikrogeografischen Daten anreichert. Eine ausreichende Datenbasis ist immer Grundvoraussetzung für ein erfolgreiches Data Mining. Das heißt auch, dass die Historie eines Kunden ausreichend weit in die Vergangenheit zurückverfolgbar sein muss.
Möchte man ein neues Produkt an einen Kunden herantragen, das er bisher noch nicht genutzt hat, so muss aus seinem sonstigen Konsumverhalten auf seine Haltung gegenüber dem neuen Produkt zurückgeschlossen werden. Dies soll am Beispiel der Verwendung von Kreditkarten im Zahlungsverkehr deutlich gemacht werden. Erreicht werden soll eine gezielte Werbung für die Nutzung von Kreditkarten bei den Kunden einer Bank.
Grundlage sind sämtliche Bankdaten, inklusive aller Kontobewegungen aus der Vergangenheit, Sparbücher, Aktiendepots usw., mit Ausnahme der direkten Informationen, ob ein Bankkunde Kreditkarten nutzt oder nicht. Durch eine Data-Mining-Analyse ermittelt man dann die Korrelationen zwischen diesen Informationen und der tatsächlichen Nutzung von Kreditkarten. Das ermittelte Kundenprofil kann direkt für die Auswahl von Bankkunden verwendet werden, bei denen eine gezielte Werbung für die Nutzung von Kreditkarten aussichtsreich ist.
Eines der wichtigsten Marketingziele ist die Bindung von Kunden. Mithilfe von Data-Mining-Techniken kann ermittelt werden, welche Kunden besonders absprunggefährdet sind und welche nicht. Damit lassen sich Marketingmaßnahmen zur Rettung von Kundenverhältnissen wesentlich gezielter einsetzen als bisher ohne Data Mining möglich. Verdeutlicht werden soll dies am Beispiel der Kundenbindung bei Banken.
Grundlage sind wieder sämtliche Bankdaten der Kunden im historischen Verlauf. Zielsetzung ist das frühzeitige Erkennen des Absprunges eines Kunden, d.h. man betrachtet vergangene Fälle von Kundenverlust, jedoch mit ausreichendem zeitlichen Abstand von etwa 3 Monaten zwischen den verwendeten Bankdaten und dem wirklichen Absprung. Sobald ein geeignetes Modell gefunden wurde, können die gewonnenen Erkenntnisse auf das laufende Bankgeschäft übertragen und absprunggefährdete Kunden rechtzeitig erkannt werden.
Wichtiges Ziel bei der Auftragsabwicklung sowohl im Consumer- als auch im Business-Bereich ist die Prüfung der Kreditwürdigkeit von Kunden. Data Mining Verfahren schließen hier Informationslücken oder ergänzen bestehende Bonitätsinformationen zu Ihren Kunden. Die Dr. Imhoff Unternehmensberatung hat umfassende Erfahrung in der Erstellung von Bonitätsscoring-Systemen größter Dimension. Unsere Verfahren arbeiten in Echtzeit und lassen sich somit in beliebige Arbeitsumgebungen integrieren wie z.B. in SAP R/3. Eine typische Implementierung in SAP R/3 dauert nur wenige Tage und ist anschliessend vollkommen reibungslos in das Gesamtsystem integriert.