Zielsetzung
Die vier wichtigsten Anwendungen von Data-Mining-Methoden sind Response Optimization, Cross
Selling, Customer Retention und Bonitätsscoring:
Response Optimization
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.
Cross Selling
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.
Customer Retention
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.
Bonitätsscoring
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. Neuroconsult 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.
weiter zur Vorbereitung...
|
