 |
|
|
"Erfolgreiche Lösungen stammen nicht aus der Schublade - sondern sind individuell geplant!"
Der folgende 10-Stufenplan zeigt Ihnen exemplarisch auf, wie wir den Weg mit Ihnen als Kunden gemeinsam beschreiten, um eine strategische wie operative Lösung zu entwickeln und zu implementieren. Wir empfehlen Ihnen, von Anfang an die Mitarbeiter aller betroffener Fachbereiche in den Entwicklungsprozess einzubinden. Dies bildet eine Voraussetzung, dass sich die Lösung nicht nur gezielt entwickeln sondern später auch erfolgreich umsetzen lässt.
Gleichzeitig sollten Sie den hier dargelegten Projektablauf exemplarisch sehen - aus zwei Gründen:
- Auch wenn sich dieser Ablauf auf ein Beispiel aus dem CRM-Umfeld bezieht, realisieren wir Projekte in vielerlei Bereichen - wie Sie unserem
 Portfolio entnehmen können.
- Unser Tätigkeitsfeld ist nicht ausschließlich auf Marketing und Vertrieb ausgerichtet. CONTURN entwickelt und implementiert auch Speziallösungen, z.B. im Bereich Logistik.
Ziel-Formulierung (1/10)
In der ersten Phase analysieren wir Ihre Bedürfnisse. Wir hinterfragen allgemeine Aussagen wie "wir wollen mehr Umsatz im nächsten Jahr". So stellt sich heraus, ob die Umsatzsteigerung durch eine Ausschöpfung bestehender Kunden oder eine systematische Gewinnung qualitativ hochwertiger Neukunden ermöglicht werden soll.
Zudem legen wir mittels eines Lösungsszenarios die Rahmenbedingungen fest. Welche Optionen kann eine Data Mining Lösung beinhalten? Welche kommen aus finanziellen, organisatorischen oder zeitlichen Gründen nicht in Frage? Erst wenn das Ziel klar definiert ist und die möglichen Implikationen der Data Mining Lösung im Einklang mit den Rahmenbedingungen stehen, fahren wir mit der Entwicklung der Lösung fort.
Ziel-Operationalisierung (2/10)
Das vom Management formulierte Ziel wird in eine Data Mining Aufgabe transformiert. Beispielsweise lautet das Managementziel: "Mit Hilfe des gezielten Einsatzes von Kundenbindungsmaßnahmen soll die Abwanderung von Kunden verhindert werden." Dies wird in das operative Ziel "wie erkenne ich, dass ein Kunde gefährdet ist" und
"wie erkenne ich zufriedene Kunden" und, daraus resultierend, "wie lässt sich die zukünftige Abwanderungswahrscheinlichkeit eines Kunden prognostizieren", umgewandelt.
In diesem Fall hat das Data Mining die Aufgabe, ein Modell zur Prognose der Abwanderungswahrscheinlichkeit zu entwickeln. Je genauer die Prognose ist, desto enger lässt sich der Kreis der gefährdeten Kunden eingrenzen und lassen sich gezielte Maßnahmen ergreifen, um Kunden an das Unternehmen zu binden.
Daten-Audit (3/10)
Welche Daten stehen zur Verfügung? Welche Daten können für das Data Mining nützlich sein? Diese Fragen sind im Daten-Audit zu beantworten. Dazu werden die vorhandenen Datenbanken hinsichtlich ihres Beitrages zur Lösung der Aufgabenstellung beurteilt. Neben den im Unternehmen vorhandenen können zusätzlich externe Daten herangezogen werden.
Schwierig wird der Daten-Audit dann, wenn die relevanten Informationen nicht in einer zentralen Datenbank sondern unternehmensweit in unterschiedlichen Datenbanken abgelegt sind.
Data Warehouses erleichtern in solchen Fällen den Daten-Audit erheblich, da sie einen unternehmensweiten Zugriff auf alle Daten ermöglichen.
Methodenauswahl (4/10)
Bei der Auswahl der Data Mining Methode spielt nicht nur die Aufgabenstellung eine wichtige Rolle. Auch die Struktur der Daten und die in der ersten Stufe definierten Rahmenbedingungen beeinflussen die Methodenwahl. Weitere Erfolgsfaktoren für ein Projekt sind Transparenz und Verständlichkeit der Data Mining Lösung.
Beispielsweise will Ihr Außendienst wissen, warum er ausgerechnet den einen und nicht anderen Kunden besuchen soll. Wird das Data Mining Modell z.B. mit CHAID entwickelt, ist die Kundenbewertung nachvollziehbar. Ein auf
neuronale Netze basierendes Modell könnte dagegen dem Außendienst höchstens eine äußerst komplexe Formel zur Begründung liefern.
|
|
